Lineární algebra 1997/1998 Jan Slovák Obsah Úvodní poznámky...........................ii Část I. Vektorové prostory a soustavy lineárních rovnic ............1 1. Skaláry, vektory, matice ......................1 2. Vektorové prostory a lineární zobrazení................9 3. Matice a determinanty.......................18 4. Systémy lineárních rovnic......................27 5. Geometrie endomoríismů a kanonické tvary..............31 Část II. Prostory se skalárním součinem a analytická geometrie.........43 6. Afinní prostory...........................43 7. Euklidovské a unitární vektorové prostory...............53 8. Formy a tensory..........................63 9. Bodové euklidovské prostory.....................76 10. Spektrální teorie .........................85 11. Rozklady matic a aproximace....................92 Část III. Dodatky..............................97 12. Polynomiální matice a kanonické tvary................97 13. Multilineární algebra ......................105 14. Cvičení k přednáškám......................109 Index...............................125 Masarykova Universita Brno Typeset by AmS-T^X. 11 LINEÁRNÍ ALGEBRA Úvodní poznámky Tento text dávám k dispozici jako víceméně pracovní verzi mých příprav k přednáškám a nepovažuji jej za náhradu skutečné učebnice o předmětu. Pokrývá však celou odpřednášenou látku, někdy i podrobnosti, které na přednáškách nejsou uváděny. Na druhé straně je styl textu dosti hutný a stručný, a zřejmě obsahuje řadu nepříliš pečlivě propracovaných míst. Předpokládám, že studenti, kteří přednášky nenavštěvovali, budou muset často sáhnout po nějakých podrobnějších skriptech. Protože vím, jak velké jsou rozdíly v kapacitě jednotlivých studentů, a protože nechci ani nudit ty schopnější, ani znemožnit další rozvoj těm méně schopným (resp. méně pracovitým), zmíním se o strukturaci textu a požadavcích ke zkoušce. Snažím se vždy po základních definicích pojmů sdružit odvození jejich jednoduchých vlastností do několika vět (většinou s mnoha částmi). Jejich důkazy pak spočívají vesměs v pochopení definic, případně jednoduchých úvahách. Měly by být tedy zvládnutelné pro každého a budu se na ně ptát. Dále jsou v textu věty, které mají většinou své jméno (např. Laplaceova věta o rozvoji determinantu) a kompletní důkazy již bývají podstatně složitější. U nich lze očekávat pouze u dobrých studentů přehled o postupu důkazu a závislosti na jiných výsledcích. Slabší studenti uspějí se zvládnutím obsahů jejich tvrzení a možných aplikací. Zejména v těchto částech textu jsou odstavce označeny hvězdičkou. Chci tím naznačit zvýšenou potřebu pozornosti při čtení (nikoliv doporučené vynechání!). Navíc se, zejména ke konci přednášky, vyskytují celé partie, které jsou adresovány těm schopnějším, vyznačím je většinou dvěmi hvězdičkami u příslušných odstavců, případně poznámkami pod čarou. Na konci každé kapitoly připojím tzv. poznámky k přemýšlení. Jsou rozdílné složitosti, pro každého bude užitečné, když si na nich ověří stupeň pochopení předchozí teorie. Jejich složitost je také naznačena hvězdičkami. Úplně na konci textu jsou přiložena zadání cvičení. Časem je snad doplním o výsledky. Vřele uvítám upozornění na nedokonalé či špatné části textu, případně návrhy na jeho vylepšení (nejlépe e-mailem na adresu slovak@math.muni. cz). Jan Slovák 1 Část I. Vektorové prostory a soustavy lineárních rovnic 1. Skaláry, vektory, matice V této kapitole rozšíříme běžně známé operace pro počítání s čísly na tzv. vektory a matice. Tím jednak získáme příklady pro později zavedené abstraktnější objekty, ale hlavně si připravíme technické prostředky pro práci s nimi. 1.1. Skaláry. Zformalizujeme vlastnosti číselných oborů jako např. celá čísla Z, racionální čísla Q, reálná R, komplexní čísla C. To znamená, že popíšeme explicitně ty vlastnosti, které budou potřebné pro odvozování celé teorie. Tím, že vždy budeme při důkazech používat pouze uvedené vlastnosti, bude celá teorie platná pro všechny objekty s uvedenými axiomy.1 Vlastnosti sčítání: (KG1) (a + b) + c = a + (b + c), pro všechny a, b, c (KG2) a + b = b + a, pro všechny a, b, c (KG3) existuje prvek 0 takový, že pro všechny a platí a + 0 = a (KG4) pro všechny a existuje prvek (—a) takový, že platí a + (—a) = 0 Vlastnostem (KG1) - (KG4) říkáme vlastnosti komutativní grupy. Vlastnosti násobení: (01) (a ■ b) ■ c = a ■ (b ■ c), pro všechny a, b, c (02) a ■ b = b ■ a, pro všechny a, b (03) existuje prvek 1 takový, že pro všechny a platí 1 • a = a Distributivita: (04) a ■ (b + c) = a ■ b + a ■ c, pro všechny a, b, c Množiny s operacemi +, • a vlastnostmi (KG1)-(KG4), (01)-(04) se nazývají komutativní okruhy. Potřebujeme však zpravidla ještě další běžnou vlastnost čísel: (P) pro každý a / O existuje prvek a-1 takový, že platí, a • a-1 = 1 Jestli naše objekty splňují navíc i (P), hovoříme o poli (často také o komutativním tělese). Zřejmě je při tom ale užitečné při sledování důkazů si představovat nějaký z dobře známých případů (např. reálná čísla). 2 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC Někdy se setkáme se slabší dodatečnou vlastností, např. Z nesplňuje (P), ale splňuje (Ol) a ■ b = 0 buď a = 0 nebo 6 = 0. Hovoříme o oboru integrity. Prvky nějaké množiny s operacemi + a • splňujícími výše uvedené vlastnosti (komutativní okruh, obor integrity, pole) budeme nazývat skaláry. Pokud nezdůrazníme něco jiného, půjde o pole. 1.2. Vektory nad polem skalárů. Symbolem K budeme nadále značit nějakou množinu skalárů. Pro potřeby této kapitoly, vektorem budeme rozumět uspořádanou n-tici skalárů, n budeme nazývat dimenzí. Sčítání vektorů definujeme po složkách (skaláry samozřejmě sčítat umíme). Násobení vektoru u = (ai,... ,an) skalárem b definujeme tak, že každý prvek n-tice u vynásobíme skalárem b (skaláry v K násobit umíme). Pro sčítání vektorů v Kn platí (KG1)-(KG4) s nulovým prvkem20 = (0,..., 0) v Kn. Vlastnosti operací s vektory: Pro všechny vektory v, w E Kn a skaláry a G K platí (VI) a-(v + w) = a- v + a- w (V2) (a + b)-v = a-v + b-v (V3) a-(b-v) = (a-b)-v (V4) l-v = v 1.3. Příklady. Pro kterékoliv pole skalárů K se snadno ověří právě sformulované vlastnosti (V1)-(V4) pro Kn, protože při ověřování vždy používáme pouze vlastnosti skalárů uvedené výše. Tak můžeme uvažovat např. Rn, Qn, Cn, n = 1, 2, 3,.... Jiný příklad pole skalárů je Z2 = {0,1}, 1 + 1 = 0, 0 • 1 = 0, l"1 = 1. Prvky Z2 lze chápat jako zbytkové třídy po dělení dvěma. Obecněji můžeme uvažovat okruh Zfc zbytkových tříd po dělení přirozeným číslem k. Snadno se ověří, že Zfc je polem právě když je k prvočíslo. Všimněme si, že k ověření vlastností V1-V4 potřebujeme pro použité skaláry pouze vlastnosti okruhu. Vlastnost (P) však bude podstatná později.3 1.4. Matice nad skaláry. Maticí typu m/n nad skaláry K rozumíme obdélníkové schéma f au ai2 ... aln ^ A \ ^ml ^m2 . . . Q"mn ' 2Používáme pro nulový prvek stejný symbol jako pro nulový prvek skalárů. Podobně budeme pro sčítání a násobení používat stále stejný symbol. Navíc nebudeme většinou používat pro vektory žádné speciální značení, budu však důsledně pro skaláry používat písmena ze začátku abecedy, pro vektory spíše od konce. Čím dřív se s tím posluchač smíří tím lépe. 3Cást naší teorie lze odvodit i pro skaláry tvořící okruh, hovoříme o tzv. modulech. Např. Zn je tzv. volný modul nad Z. 1. SKALÁRY, VEKTORY, MATICE 3 kde aij E K pro všechny 1 < i < m, 1 < j < n. Matici A s prvky a^ značíme také A= (aij). Vektory (au, ai2, ... , Ojn) E Kn nazýváme řádky matice A, i = 1,..., m, vektory (aij, a■ K. Matice typu 1/n nebo n/1 jsou vlastně vektory v Kn. I obecné matice z Matmn(K) lze však chápat jako vektory v Kmn, prostě zapomeneme na řádkování. Zejména tedy je definováno sčítání matic v Matmn(K) a násobení matic skaláry. A + B = (a^ + bij), kde A = (a^), B = (b^) a.A = (a.aij), kde A = (a^), a E K —A = (—aij) se nazývá matice opačná k matici A (°. - °.\ 0=1- -se nazývá nulová matice. U ... o) Zapomenutím řádkování tak získáme následující tvrzení: 1.5. Věta. Předpisy pro A+B, a.A, —A, 0 zadávají na Matmn (K) operace sčítání a násobení skaláry splňující axiomy (VI)-(V4). □ 1.6. Příklad. Matice lze vhodně využít pro zápis lineárních rovnic: anxi + a12x2 H-----h alnxn = yi a2ixi + a22X2 H-----h a2nxn = y2 amixi + am2x2 H-----h amnxn = ym posloupnost xi,... , xn lze chápat jako vektor proměnných, tj. sloupec x = stejně tak y = I : I . Systém rovnic lze pak formálně psát ve tvaru A.x = y: \ym/ (Vi\ \yn) Původní rovnice nyní obdržíme tak, že vždy bereme řádky z i a sčítáme součiny odpovídajících komponent anXi H-----h ainxn. Tím získáme i-tf prvek výsledného vektoru. Brzy odvodíme velice kalkul s maticemi, který nám umožní se systémy lineárních rovnic pracovat velice efektivně. 4 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 1.7. Součin matic. Pro libovolnou matici A = (oý) typu m/n nad okruhem4 skalárů K a libovolnou matici B = (bjk) typu n/q nad K definujeme jejich součin C = A ■ B = (cjfc) jako matici typu m/q s prvky Cik = ^2 dijbjk, pro libovolné 1 < i < m, 1 < k < q. j'=i Například máme 2 1 \ / 2 1 1 \ _ / 3 2 3 1 -1 i " l -1 0 1 J l 3 1 0 1.8. Čtvercové matice. Je-li v matici stejný počet řádků a sloupců, hovoříme o čtvercové matici. Píšeme Matmm(K) = Matm(K). Matici /i ... tr E =(%)=(: ■-. : nazýváme jednotková matice. Na Matm(K) je součin matic definován pro každé dvě matice, je tam tedy definována operace násobení: Matm(K) x Matm(K) -»■ Matm(K) Věta. Pro libovolný okruh skalárů je na Matm(K) defínována operace násobení. Splňuje vlastnosti (Ol) a (03) vzhledem k jednotkové matici E = 5íj. Dále spolu se sčítáním matic vyhovuje (04). Obecně však neplatí (02) ani (Ol), zejména tedy neplatí (P). Důkaz. Asociativita násobení - (Ol): A = (ciij) typu m/n, B = (bjk) typu n/p, C = {ckl) typu p/q A-B = aij. bjk), B-C= (J^fejfc.Cfcj) j k (A-B)-C = (^2(^2a,ij.bjk).ckl) = ^2,aij.bjk.cM k j j,k A - (B - C) = (^2 aij-(^2 bJk-Cki)) = ^2 aiú-bJk-Cki j k j,k Jednotkový prvek - (03): au • • • air A-E ■ dmi í1 0 • • °\ 0 1 • ■ 0 U 0 • • 1/ A = E- A 4Ctenář, který se ještě nesmířil s abstrakcí okruhu, nechť přemýšlí v rámci číselných oborů. Potom okruhy skalárů zahrnují i celá čísla Z zatímco mezi poli jsou pouze R, Q, C. 1. SKALÁRY, VEKTORY, MATICE 5 (04) - distributivita: A = (oý) typu m/n, B = (bjk) typu n/p, C = (cjk) typu n/p, D = (dki) typu p/q A-(B + C) = (J2 Oij ipjk + cjk) = aiJbJk) + (J2 aiJcJk)) = A-B + A-C ó ó ó (B + C)-D = (J2(bjk + cjk)dki) = bjkdki) + (J2 Cjkdki)) = B-D + C-D k k k Není komutativní: - dokážeme na příkladu 1 0\ /O 1\ _ f O 1 o o;^o o)-{o O O 1\ íl o\ _ /o o' o oMo o/ \o °, Tím jsme získali zároveň protipříklad na platnost (02) i (01), zatím ale jen pro matice typu 2/2. Pro matice typu 1/1 ovšem oba axiomy samozřejmě platí, protože je mají samy skaláry a pro větší matice získáme protipříklady snadno tak, že právě uvedené matice umístíme do levého horního rohu příslušných čtvercových schémat a doplníme nulami. (Ověřte si sami!) □ V důkazu jsme vlastně pracovali s maticemi obecnějšího typu, dokázali jsme tedy příslušné vlastnosti obecněji: 1.9. Věta. Násobení matic je asociativní a distributivní, tj. A- (B -C) = (A-B)-C, A • (B + C) = A ■ B + A ■ C, kdykoliv jsou tato násobení defínována. Jednotková matice je neutrálním prvkem pro násobení zleva i zprava. □ 1.10. Inverzní matice. Nechť B,A £ Matm(K) jsou matice splňující A ■ B = B ■ A = E. Pak B se nazývá matice inverzní k matici A, píšeme B = A~x. Matice, k níž existuje matice inverzní se nazývá invertibilní matice. Pokud A~x a B~x existují, pak existuje i (A ■ B)~x = B~x ■ A~x. Je totiž (díky právě dokázané asociativitě násobení) (5"1 • A'1) ■ (A.B) = B'1 ■ (A'1 ■ A) ■ B = E a (A ■ B) ■ (B'1 ■ A'1) = A-(B- B'1) ■ A'1 = E. Příklad. Soustava rovnic z 1.6 se snadno vyjádří součinem matic (au ■■■ 0,1m \ / Xl \ / Vl ^ Pokud existuje matice inverzní k matici A, pak lze násobit zleva A~x a dostaneme A~x ■ y = A~x ■ A ■ x = E ■ x = x, tj. hledané řešení. 1.11. Definice. Řádkové elementární transformace matic jsou (1) záměna dvou řádků (2) vynásobení vybraného řádku nenulovým skalárem (3) přičtení řádku k jinému řádku Analogicky, sloupcové elementární transformace matic jsou (ľ) záměna dvou sloupců (2') vynásobení vybraného sloupce nenulovým skalárem (3') přičtení sloupce k jinému sloupci 6 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 1.12. Věta (Gausova eliminace). Nenulovou matici nad K lze konečně mnoha elementárními řádkovými transformacemi převést na tzv. (řádkově) schodovitý tvar: (1) Je-li a,ij — 0 a všechny předchozí prvky na i-tém řádku jsou také nulové, potom cikj = 0 pro všechna k > i (2) je-li první nenulový prvek na (i — l)-vém řádku, pak a,ij = 0. Důkaz. Matice v řádkově schodovitém tvaru vypadá takto 0 0 0 o 0 aip «2m a matice může, ale nemusí, končit několika nulovými řádky. K převodu libovolné matice můžeme použít jednoduchý algoritmus: (1) Záměnou řádků docílíme, že v prvním řádku bude v prvním nenulovém sloupci nenulový prvek, nechť je to j-tf sloupec. (2) Pro i = 2,..., vynásobením prvního řádku prvkem Oý-, i-tého řádku prvkem dij a odečtením vynulujeme prvek Oý- na i-tém řádku. (3) Opakovanou aplikací bodů (1) a (2), vždy pro zbytek řádků a sloupců v získané matici dospějeme po konečném počtu kroků k požadovanému tvaru. □ Všimněme si, že jsme v důkazu používali pouze vlastností okruhu skalárů. Uvedený postup je právě obvyklá eliminace proměnných v systémech lineárních rovnic. Pro řešení systémů rovnic má ale uvedený postup rozumný smysl jen, když mezi skaláry neexistují dělitelé nuly. Pokud tvoří skaláry pole, pak můžeme navíc ze schodovitého tvaru snadno spočíst řešení (případně ověřit jeho neexistenci), promyslete si např. pečlivě rozdíl mezi K = Z a K = R. 1.13. Lemma. Elementární řádkové (resp. sloupcové) transformace odpovídají vynásobením zleva (resp. zprava) následujícími maticemi: (1) Přehození i-tého a j-tého řádku (resp. sloupce) /l 0 o '•• 1/ 1. SKALÁRY, VEKTORY, MATICE (2) Vynásobení i-tého řádku (resp. sloupce) skalárem a: l \ ' iJ (3) Sečtení i-tého řádku (resp. sloupce) s j-tým: (\ 0 o '•• 1/ t 3 Důkaz. Ověří se přímým výpočtem. □ 1.14. Věta. Nechť K je pole skalárů. Pro každou matici A E Matmn (K) existují invertibilní matice P E Matm(K), Q E Matn(K) takové, že matice P.A je v řádkově schodovitém tvaru a /l ••• 0 ......... 0\ P-A-Q 1 0 ... 0 1 0 0 0 0 v 7 * Důkaz. Aplikací Gaussovy eliminace upravíme A do schodovitého tvaru. Přitom všechny její kroky jsou elementární řádkové transformace. Podle předchozí věty existují tedy matice Pi,... , Pk, které tyto elementární transformace realizují násobením zleva. Přímým ověřením zjistíme, že nad polem K jsou všechny Pí invertibilní, tj. i jejich součin je invertibilní a (Pk je ve schodovitém tvaru. Označme Pk- (P1-A)---) = (Pk-Pk-i---Pi)-A P = Pk---Pi , p-^Pf1--^-1. Přehozením pojmu řádek a sloupec lze odvodit (a tedy hlavně aplikovat) větu 1.12 na sloupce matice A a uvést ji sloupcovými elementárními transformacemi na tzv. sloupcově schodovitý tvar. Protože však již vycházíme z řádkově schodovitého tvaru, získáme až na násobky řádků invertibilními skaláry právě požadovaný tvar. Zbývá tedy již jen vynásobit příslušné nenulové řádky inverzními prvky v K. □ 8 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 1.15. Algoritmus pro výpočet inverzní matice. Nechť K je pole a A e Matm(K) čtvercová matice. Podle 1.14 lze najít invertibilní matici P E Matm(K) takovou, že P ■ A bude v řádkově schodovitém tvaru. Přitom může (ale nemusí) být jeden nebo více posledních řádků nulových. Jestliže má existovat inverzní matice k A, pak existuje i inverzní matice k P ■ A. Jestliže však je poslední řádek v P ■ A nulový, bude nulový i poslední řádek v P ■ A ■ B pro jakoukoliv matici B E Matm(K). Existence takového nulového řádku ve výsledku (řádkové) Gaussovy eliminace tedy vylučuje existenci A~x. Předpokládejme nyní, že A~x existuje. Podle předchozího, nalezneme řádkově schodovitý tvar bez nulového řádku, tzn. že diagonální prvky v P • A jsou nenulové. Pak ovšem pokračováním eliminace od pravého dolního rohu zpět získáme jistě jednotkovou matici. Jinými slovy, najdeme další invertibilní matici P' tak, že P' ■ P ■ A = E. Výměnou řádkových a sloupcových transformací lze za předpokladu existence A~x stejným postupem najít Q takovou, že A - Q = E. Odtud (P' ■ P) = (P' ■ P) ■ E = (P' ■ P) ■ (A-Q) = (P' ■ P ■ A) ■ Q = Q. To ale znamená, že jsme nalezli hledanou inverzní matici k A. Prakticky tedy můžeme postupovat tak, že vedle sebe napíšeme původní matici A a jednotkovou matici E, matici A upravujeme řádkovými elementárními úpravami nejprve na schodovitý tvar, potom tzv. zpětnou eliminací na diagonální matici a v té násobíme řádky inverzními prvky z K. Tytéž úpravy postupně prováděné s E vedou právě k matici P' ■ P z předchozích úvah, tedy z ní získáme právě hledanou inverzi. Pokud tento algoritmus narazí na vynulování celého řádku v původní matici, znamená to, že matice inverzní neexistuje. Poznámky k přemýšlení 1. Komplexní čísla lze chápat jako dvojice reálných čísel. To dává realizaci C jako množiny reálných vektorů. Rozmyslete si to! 2. V textu jsme stručně zmínili tzv. zbytkové třídy celých čísel. Definujeme je takto: pro přirozené k > 2 je Z& = {0,1,..., k — 1} přičemž sčítání a násobení se definuje tak, že se provede příslušná operace v Z a za výsledek se vezme zbytek po dělení k. Např. v Z3 je 2.2 = 1, tzn. 2_1 = 2. Z& má vždy vlastnosti (KG1) -(KG4) a (Ol) - (04), tvoří tedy vždy okruh. Pro k prvočíselné jde navíc o pole, jinak to není ani obor integrity. Prověřte tyto vlastnosti a promyslete si důkaz věty 1.8 pro matice nad skaláry Z&. 3. Lze také potkat skaláry, které mají všechny vlastnosti pole až na komutativitu násobení. Takovými (nenulovými) skaláry lze úspěšně dělit, promyslete si ale, jaké potíže okamžitě nastanou třeba s elementárními řádkovými úpravami (např. násobit řádky zprava i zleva nejde pomocí elementárních matic!). Standardním příkladem jsou tzv. kvaterniony H, které lze definovat jako reálné vektory z R4 s násobením definovaným takto: pro 1 := (1,0,0,0), i := (0,1,0,0), j := (0,0,1,0), k := (0, 0, 0,1) klademe i2 = j2 = k2 = — 1, i.j = k = —j.i, j.k = i = —k.j, k.i = j = —i.k, 1 je jednotka pro násobení. 4. Zadefinujte kvaterniony H jako C2 s vhodně definou operací násobení. (Návod: podobně jako u definice C jako dvojčlenů a + b.i pišme q = w + z.j a definujme 2. VEKTOROVÉ PROSTORY A LINEÁRNÍ ZOBRAZENÍ 9 j2 = — 1, z. j = j.z pro komlexní z, tzn. j komutuje s komplexními čísly až na konjugaci. Pak (a + b.j).(c + d.j) = ac + bď+ (ad + bcj.j.) 5. Pokud existuje k matici A matice inverzní A~ľ, pak je systém rovnic A.x = y vždy řešitelný (s řešením x = A~x.y). Jak to funguje nad Z, Z&? Spočtěte si A~x k matici A = I ^ J nad Z5 a Z. 6. Najděte analogie k známým vzorcům pro mocniny dvojčlenů (pro skaláry (a + b)n = Sfc {k)akbn~k) platné pro čtvercové matice - pozor na nekomutativnost násobení. 7. Matice lze samozřejmě definovat nad libovolným okruhem (i s děliteli nuly). Rozvažte si pořádně, jak dalece pak funguje Gausova eliminace. Specielně si rozmyslete jaké hrůzy se dějí třeba v Mat2(Mat2(R)), tj. uvažujte matice typu 4/4 jako matice typu 2/2 jejichž prvky jsou reálné matice typu 2/2. 8. Rozmyslete si, co lze z důkazu věty 1.14 provést i pro matice nad libovolným komutativním oborem integrity (Návod: řádkovými elementárními transformacemi lze ještě stále získat schodovitý tvar, poté lze sloupcovými transformacemi vynulovat i zbytky řádků za prvním nenulovým, to co zbude nemusí však mít inverzní prvky. Pro celočíselné skaláry lze ale v každém případě dosáhnout, aby prvek na prvním řádku dělil ten na druhém, druhý zase ten na třetím atd.) 2. Vektorové prostory a lineární zobrazení 2.1. Definice. Vektorovým prostorem V nad polem5 skalárů K rozumíme množinu spolu s operací sčítání, pro kterou platí axiomy (KG1)-(KG4), a s násobením skaláry, pro které platí axiomy (V1)-(V4). Připomeňme si pro jistotu tyto axiomy: (KG1) (u + v) + w = u+ (v + w), Vit,v,w E V (KG2) u + v = v + u, Vit, v E V (KG3) 30 E V, v + 0 = v, y v E V (KG4) 3(-v) E V, v + (-v) = 0, V-y E V (VI) a.(v + w) = a.v + a.w Va E~K,v,w E V (V2) (a + b).v = a.v + b.v Va, b E K, v E V (V3) a.(b.v) = (a.b).v Va, b E K, v E V (V4) l.v = v, Vy E v Značení. Často se zavádí pro různé objekty různé typy písma pro symboly, kterými je označujeme. Např. pro vektory se užívají tučná písmena (v), nebo podtržená (v), nebo "opruhovaná" (v), případně se šipkou (v) apod. My budeme vesměs používat jen velmi jednoduchou konvenci: skaláry budou označovány znaky z počátku 5V podstatě postačí, když si čtenář bude vždy představovat pod K buď reálná čísla R nebo komplexní C, časem se seznámí i s jinými poli skalárů, např. zbytkovými třídami. 10 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC abecedy, tj. a, 6, c,..., zatímco pro vektory budeme užívat znaky z konce, u, v, w, x, y, z. Přitom ještě navíc většinou x, y, z budou opravdu n-tice skalárů. Pro úplnost výčtu, písmena z prostředka, např. i, j, k, l budou nejčastěji označovat indexy výrazů. 2.2. Věta. Nechť V je vektorový prostor nad polem skalárů K, a,b, a^ E K, u, v, u j E V. Potom (1) a ■ u = 0 právě když a = 0 nebo u = 0 (2) (-1) - u= -u (3) a ■ (u — v) = a ■ u — a ■ v (4) (a — b) ■ u = a ■ u — b ■ u (5) (Eľ=i a0 • (IX i uj) = Eľ=i TJLi a j=l "-3) — L^i=\ JĹ~ij=l •*» " uj- Důkaz, (a + 0) -u a-u + 0-u = a-u což podle axiomu (KG4) zaručuje 0-u = 0. Nyní u + (-1) •u( = ) (l + (-l))^ = 0^ = 0a odtud -u = (-1) • u. Dále a• (u+ (—1) • f) ^y2=y3^ a.tt+ (—a).^ = a-u —a-v což dokazuje (3). Platí (a —b) - u ^y3=y2^ a. u-\- - u = a- u — b-ua tím je ověřeno (4). Vztah (5) plyne indukcí z (V2) a (VI). Zbývá (1): a ■ 0 = a ■ (u — u) = a ■ u — a ■ u = 0, což spolu s prvním tvrzením tohoto důkazu ukazuje jednu implikaci. K opačné implikaci poprvé potřebujeme axiom pole pro skaláry a axiom (V4) pro vektorové prostory: je-li p-u = 0ap^0, pak u = 1 • u = {p~ľ ■ p) ■ u = p~x -0 = 0. □ 2.3. Definice. Množina vektorů M c V ve vektorovém prostoru V nad K se nazývá lineárne nezávislá jestliže pro každou fc-tici vektoru vi,..., v^ E M a každé skaláry ai,..., a& E K platí: ai • vi H-----h afc • Vk = 0 ai = a2 = • • • = afc = 0. Posloupnost vektoru vi,..., v^ nazveme lineárne nezávislou jestliže vi,..., v^ jsou po dvou různé a {vi,..., v^} je lineárně nezávislá. Výrazy tvaru ai -v\H-----ha/b -^fc nazýváme lineární kombinace vektoru v±,..., v^- Množina M vektoru je lineárně závislá, jestliže není lineárně nezávislá. Přímo z definice pak vyplývá, že neprázdná podmnožina M vektorů ve vektorovém prostoru nad polem skalárů K je závislá právě, když je jeden z jejích vektorů vyjádřitelný jako lineární kombinace ostatních. 2.4. Věta. Nechť V je vektorový prostor. Každá podmnožina lineárně nezávislé množiny M je lineárně nezávislá. M C V je lineárně nezávislá právě tehdy, když každá konečná podmnožina v M je lineárně nezávislá. Důkaz. Plyne okamžitě z definice lineární nezávislosti. □ 2.5. Příklady. 1. Rm se sčítáním a násobením po složkách je vektorový prostor nad R, ale také vektorový prostor nad Q. Např. pro m = 2, vektory (1, 0), (0,1) E R2 jsou lineárně nezávislé, protože z a ■ (1,0) + b ■ (0,1) = (0,0) plyne a = b = 0. Dále, vektory (1, 0), (y/2, 0) E R2 jsou lineárně závislé nad R; y/2 ■ (1, 0) = (y/2,0), ovšem nad Q jsou lineárně nezávislé! 2. VEKTOROVÉ PROSTORY A LINEÁRNÍ ZOBRAZENÍ 11 2. Polynomy stupně nejvýše m tvoří vektorový prostor 1^(4 Polynomy můžeme chápat jako zobrazení / : R —>■ R a sčítání a násobení skaláry definujeme takto: (f + g)(x) = f(x)+g(x), (a ■ f)(x) = a ■ f(x). 3. Úplně analogicky jako u polynomů můžeme definovat strukturu vektorového prostoru na množině všech zobrazení R —>■ R, množině spojitých zobrazení, množině diferencovatelných zobrazení, polynomech všech stupňů, atd. 2.6. Definice. Podmnožina M c V se nazývá vektorovým podprostorem jestliže spolu se zúženými operacemi sčítání a násobení skaláry je sama vektorovým prostorem. Tzn. požadujeme Va, 6gk, Vv,w E M, a-v + b-w g M. 2.7. Věta. Nechť V je vektorový prostor nad K, I ^ 0 libovolná množina a nechť Wi, i E I, jsou vektorové podprostory ve V. Pak jejich průnik fl^/Wj C V je vektorový podprostor. Zejména pro každou množinu M C V je množina (M) f| W MCW WcV je podprostor vektorový podprostor. Platí pro něj: (1) (M) = {ai ■ ui H-----h ak ■ uk; k E N, a* g K, u j E M, j = 1,..., k} (2) M = (M) právě když M je vektorový podprostor (3) jestliže N c M pak (N) c (M) je vektorový podprostor (4) (0) = {0} C V, triviálni podprostor. Důkaz. Podmínka v definici 2.6 obsahuje pouze univerzální kvantifikátory, proto je jistě průnik podprostorů opět podprostor. Snadno to ověříme i přímo: Nechť a, b E K, u, v E flj^/Wj. Pak pro všechny iEl,a-u + b- vE Wi, to ale znamená, že a ■ u + b ■ v E fl^/Wj. (1) Platí {aiui + • • • + a^Uk} C (M) a zároveň je to vektorový podprostor (ověřte!), který obsahuje M. (2) plyne z (1) a definice vektorového podprostorů. (3): Nejmenší vektorový podprostor je {0} (zdůvodněte!). □ Říkáme, že M generuje (M), nebo že prvky M jsou generátory podprostorů (M). 2.8. Definice. Nechť Vi, i E I, jsou podprostory ve V. Pak (Uí^iVí) nazýváme součtem podprostorů Ví. Značíme ^2ieI Ví. Zejména pro V±,..., V^ C V, V! + ■ ■ ■ + Vk = (V1UV2U ■ ■ .uvfc). 2.9. Věta. Pro podprostory Vi,..., Vk C V platí: Ví + V2 + • • • + Vk = {«! + • • • + vk; ví E Vi, i = 1,..., k}. Důkaz. Podle věty 2.7.(1), lze každý prvek v uvažovaném součtu podprostorů vyjádřit jako lineární kombinaci vektorů z podprostorů Ví. Protože však je sčítání vektorů komutativní, lze k sobě poskládat členy patřící do stejného podprostorů, což dává právě požadovaný výraz. □ 12 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 2.10. Definice. Podmnožina M c V se nazývá báze vektorového prostoru V, jestliže (M) = V a M je lineárně nezávislá. Vektorový prostor, který má konečnou bázi nazýváme konečněrozměrný, mohutnost6 báze nazýváme dimenzí V. Nemá-li V konečnou bázi, říkáme, že V je nekonečněrozměrný. Píšeme dimV = k, k e NU {0}, případně k = oo. Bázi rozměrného prostoru budeme obvykle zapisovat jako fc-tici v = (vi,... ,Vk) bázových vektorů.7 2.11. Věta. Z libovolné konečné množiny generátorů vektorového prostoru V lze vybrat bázi. Důkaz. Tvrzení ukážeme indukcí přes počet generátorů k. Nejprve uvažme k = 1, V = ({v}), kde v ^ 0 protože {v} je lineárně nezávislá množina vektorů. Pak je ovšem {v} je zároveň báze V. Předpokládejme, že tvrzení platí pro k = n, a uvažme V = (vi,... ,vn+i). Jsou-li vi,..., vn+i lineárně nezávislé, pak tvoří bázi. V opačném případě existuje index i takový, že Ví = a\v\ + • • • + ch-iVí-i + ch+iVí+i + • • • + an+i-yn+i. Pak ovšem V = (vi,..., Ví-i,Ví+i, ..., vn+i) a již umíme vybrat bázi (podle indukčního předpokladu). □ 2.12. Steinitzova věta o výměně. Nechť (v±,..., vn) je báze vektorového prostoru V nad polem K. Nechť ui,... ,uk jsou lineárně nezávislé vektory. Potom k < n a mezi vektory v±,..., vn existuje (n — k) vektorů v^,..., Vin_k takových, že (u1,...,uk,vil,..., vin_k) tvoří bázi V. Důkaz. Ukážeme napřed zdánlivě daleko jednodušší tvrzení: Nechť (vi,... , vn) je báze V. Pro libovolný nenulový vektor u e V existuje i, 1 < i < n, takové, že (u, v±,..., Ví-i,Ví+±, ..., vn) je opět báze V. Předpokládejme, že u = a± ■ v\ +----h an ■ vn a ^ 0 pro jisté i. Pak Ví = — (u - (ai • Ví H-----h a;_i • + ai+1 ■ vi+1 H-----h an ■ vn)). Oj Odtud již plyne (u, vi,..., Ví_i,Ví+i, ..., vn) = V a jistě je to báze, protože vektory vi,..., Vi-i, Vi+i,..., vn jsou jistě nezávislé, takže kdyby to byly lineárně závislé vektory, pak by u bylo jejich lineární kombinací, ale odtud už vyplývá V = (vi,..., Ví-i,Ví+i, ..., vn), což není možné. Tím je naše pomocné tvrzení dokázané. Nyní již stačí postupně přidávat Ui,U2,..., vždy výměnou za vhodné Ví. Je třeba pouze ověřit, že takové Ví vždy bude existovat. Předpokládejme tedy, že již máme umístěné ui,... ,ui. Pak ui+i se jistě vyjádří jako lineární kombinace těchto vektorů a zbylých Vj. Pokud by pouze koeficienty u ui,... ,ui byly nenulové, znamenalo by to, že již samy vektory ui,... ,U\+i byly lineárně závislé, což je ve sporu s našimi předpoklady. Pro každé k < n tak po k krocích získáme požadovanou bázi. Pokud by k > n, pak již v n-tém kroku obdržíme bázi vybranou z těchto vektorů, což znamená, že nemohou být lineárně nezávislé. □ Všimněme si, že triviální podprostor je generován prázdnou množinou, která je "prázdnou" bazí. Má tedy triviální podprostor dimenzi nulovou. 7Opět jde především o zavedení konvence. U konečně rozměrných podprostorů budeme vždy uvažovat bázi včetně zadaného pořadí prvků. Viz. diskuse o souřadnicích vektorů vzhledem k bázi. 2. VEKTOROVÉ PROSTORY A LINEÁRNÍ ZOBRAZENÍ 13 2.13. Důsledky. (1) Každé dvě báze konečněrozměrného vektorového prostoru mají stejný počet vektorů, tzn. že naše definice dimenze nezávisí na volbě báze. (2) Má-li V konečnou bázi, lze každou lineárně nezávislou množinu doplnit do báze. (3) Báze konečněrozměrných vektorových prostorů jsou právě maximální lineárně nezávislé množiny (4) Báze prostoru s konečnou dimenzí jsou právě minimální množiny generátorů 2.14. Příklady. (1) Kn má (jako vektorový prostor nad K) dimenzi n, bazí je např. n-tice vektorů ((1,0,...,0),(0,1,...,0)...,(0,...,0,1)). Tuto bázi nazýváme standardní báze v Kn. (2) C jako vektorový prostor nad R má dimenzi 2, bázi tvoří např. čísla 1 a i. (3) K,^ [x], prostor polynomů stupně nejvýše m má dimenzi m +1, bazí je např. posloupnost 1 Vektorový prostor všech polynomů K[x] má dimenzi oo, umíme však ještě stále najít bázi (i když s nekonečně mnoha prvky): 1, x, x2,... . (4) Vektorový prostor všech zobrazení {/: R —>■ R} má také dimenzi oo, tento prostor už ale nemá spočetnou bázi. 2.15. Věta. Nechť W, W±, W2 C V jsou podprostory v prostoru konečné dimenze. Pak platí (1) dimVF < dim V (2) V = W právě když dim V = dim W (3) dimVFi + dimVF2 = dim(VFi + W2) + dim(VFi n W2). Důkaz. Tvrzení (1) a (2) plynou z definice dimenze a ze Steinitzovy věty o výměně, protože báze je vždy lineárně nezávislá množina. Zbývající tvrzení jistě platí, pokud je dimenze jednoho z prostorů nulová. Předpokládejme tedy dimVFi = r ^ 0, dimW2 = s ^ 0 a nechť (wi,... ,wt) je báze Wi n W2 (nebo prázdná množina, pokud je průnik triviální). Podle předchozí věty lze tuto bázi doplnit na bázi (wi,... , wt, ut+i, ■ ■ ■ , ur) pro W\ a bázi (wi,... ,wt,vt+i,... ,v8) pro W2. Vektory wx,... ,wt,ut+i,... ,ur,vt+i,... ,v8 jistě generují W\ + W2. Ukážeme, že jsou přitom lineárně nezávislé. Nechť ai • w1 H-----h at ■ wt + bt+1 ■ ut+1 H-----h br ■ ur + ct+1 ■ vt+1 H-----h cs ■ vs = 0 Pak -(ct+1 • vt+i H-----h cs ■ vs) = ai • wľ H-----h ctt ■ wt + bt+i ■ ut+i H-----\-br-ur musí patřit do W2 n W\. To ale má za následek, že fct+i = • • • = br = 0. Pak ovšem i ai • wi + • • • + at • wt + ct+i • vt+i +----h cs ■ vs = 0 a protože příslušné vektory tvoří bázi W2, jsou všechny koeficienty nulové. Tvrzení (3) se nyní ověří přímým počítáním generátorů. □ 14 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 2.16. Věta. Množina {v±,... ,vn} C V je báze právě, když každý vektor v E V lze právě jediným způsobem vyjádřit jako lineární kombinaci v = a\v\ H-----h anvn. Důkaz. V = ({vi,..., vn}), proto taková lineární kombinace vždy existuje. Předpokládejme v = diví +----h anvn = bivi +----h bnvn. Potom 0 = (ai — bi) ■ v\ + ----1- (fln — bn) • vn a proto = bi pro všechna i = 1,..., n. □ 2.17. Definice. Koeficienty jediné lineární kombinace vyjadřující daný vektor v E V ve zvolené bázi (v±,..., vn) se nazývají souřadnice vektoru v v této bázi. 2.18. Důsledek. Zvolme bázi v = (v±,... ,vn) prostoru V. Přiřazení, které vektoru u = a±vi H-----\-anvn přiřadí jeho souřadnice v bázi v, budeme značit stejným symbolem v: V —>■ Kn. Má tyto vlastnosti:8 (1) v(u + w) = v(u) + v(w); Vu, weV (2) v(a-u) = a- v(u); Va E K, Vit E V. 2.19. Definice. Nechť V a W jsou vektorové prostory nad týmž polem skalárů K. Zobrazení /: V —>■ W se nazývá lineární zobrazení (homomorfismus) jestliže platí: (1) f(u + v) = f(u) + f(v), Vu,veV (2) f (a ■ u) = a ■ /(«), Va E K, Vit E V. 2.20. Věta. Nechť f: V —>■ W je lineární zobrazení. Pro všechny u, u±,..., uj- E V, Oi,..., on g K platí: (1) /(o) = o (2) f(-u) = -f(u) (3) /(ai • iii H-----h afc • «fc) = ai • H-----haľ /(«fc) (4) pro každý vektorový podprostor V\ C V je jeho obraz /(Vi) vektorový podprostor ve W. (5) Pro každý podprostor Wi C W je množina f ~1(W±) = {vEV; f (v) E W±} vektorový podprostor ve V. Důkaz. Počítejme (s využitím axiomů a definic a již dokázaných výsledků - vyhledejte pečlivě odkazy!): /(O) = f(u -u) = /((l - 1) • u) = 0 • /(«) = 0. /(-u) = /((-l) • u) = (-1) • /(«) = -/(«). Vlastnost (3) se ověří snadno indukcí z definičního vztahu 2.19. Z (3) nyní plyne, že (/(Ví)) = /(Vi), je to tedy vektorový podprostor. Je-li naopak f(u) E W\ a /(v) E W±, pak pro libovolné skaláry bude i f(a-u+b-v) = a-f(u) + b-f(v) EW!. □ 2.21. Definice. Nechť /: V —>■ W je lineární zobrazení. Vektorový podprostor Im/ := f (V) C W se nazývá obrazem V při zobrazení /. Vektorový podprostor Ker / := /_1({0}) C V se nazývá jádro lineárního zobrazení f. Lineární zobrazení, které je bijekcí nazýváme izomorfismus. Všimněme si, že operace na levých a pravých stranách těchto rovnic nejsou totožné, naopak, jde o operace na různých vektorových prostorech! Při této příležitosti se také můžeme zamyslet nad obecným případem báze M (možná nekonečněrozměrného) prostoru V. Báze pak nemusí být spočetná, pořád ale ještě můžeme definovat zobrazení M: V —)■ KM (tj. souřadnice vektoru jsou zobrazení z M do K). 2. VEKTOROVÉ PROSTORY A LINEÁRNÍ ZOBRAZENÍ 15 2.22. Věta. (1) Složení g o f: V —>■ Z dvou lineárních zobrazení f: V —>■ W a g: W —>■ Z je opět lineární zobrazení. (2) Lineární zobrazení f: V —>■ W je izomorfísmus právě když Im/ = W a Ker / = {0} C V. Inverzní zobrazení k izomorfísmu je opět izomorfísmus. (3) Pro podprostory V\, V2 a lineární zobrazení f: V —>■ W platí f(V± + V2) = f (V!) + f(v2), fiy1 n v2) c /(vo n f(v2). Důkaz. Ověření prvního tvrzení je snadné cvičení. Pro druhé si uvědomme, že je-li / lineární bijekce, pak fy = f~1(au+bv) právě, když f(w) = f (a-/_1 (u)+b-/_1 (v)). Je tedy inverze k lineární bijekci opět lineární zobrazení. Dále, / je surjektivní právě, když Im f = W a pokud Ker / = {0}, pak f(u) = f (v) zaručuje f(u — v) = 0, tj. u = v. Je tedy v tom případě / injektivní. Poslední tvrzení se dokáže snadno přímo z definic. Najděte si protipříklad, že v dokazované inkluzi opravdu nemusí nastat rovnost! □ 2.23. Důsledky. (1) Zobrazení "přiřazení souřadnic" u: V —>■ Kn dané libovolně zvolenou bází u = (tii, • • •, un) vektorového prostoru V je izomorfísmus. (2) Dva konečněrozměrné vektorové prostory jsou izomorfní právě když mají stejnou dimenzi. (3) Složení dvou izomorfismů je izomorfísmus. 2.24. Souřadný tvar lineárních zobrazení. Nechť V, W jsou vektorové prostory nad K, dim V = n, dim W = m a nechť / : V —>■ W je lineární zobrazení. Pro každou volbu bází u = (ui,..., un) na V, v = (vi,..., vn) na W, máme k dispozici příslušná přiřazení souřadnic: V-í-W u fu,v Přitom je každé lineární zobrazení jednoznačně určeno svými hodnotami na libovolné množině generátorů, zejména tedy na bázi u. Označme /(iii) = a11-v1 + a2i-v2-\-----h amlv. f(u2) = ai2 ■ vi + a22 ■ v2 H-----h am2vm m f(un) = ain ■ vi + a2n ■ v2 H-----h amnvm tj. skaláry Oý- tvoří matici A, kde sloupce jsou souřadnice hodnot zobrazení / na bázových vektorech. Pro obecný vektor u = b\-u\ +----\-bn ■ un spočteme /(«) = &! - + ••• + &„ •/(«„) = bxianvx H-----h amlvm) H-----h fen(ainvi H-----h amnvm) = (bian H-----h bnaln) ■ v\ H-----h (6iami H-----h bnamn) ■ vm 16 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC Pomocí násobení matic lze nyní velice snadno a přehledně zapsat hodnoty zobrazení fu,v{w) definovaného jednoznačně předchozím diagramem. Připomeňme si, že vektory v Kfe chápeme jako sloupce, tj. matice typu k/l fu,v(u(w)) = v(f(w)) = A ■ u(w). Matici A nazýváme maticí zobrazení f v bázích u, v. Naopak, každá volba matice A typu m/n zadává jednoznačně lineární zobrazení Kn —>■ Km. Máme-li tedy zvoleny báze prostorů V a W, odpovídá každé volbě matice typu m/n lineární zobrazení V W. Nyní snadno vidíme, jak se skládají souřadná vyjádření lineárních zobrazení. Uvažme ještě další vektorový prostor Z nad K dimenze k s bází w, lineární zobrazení g: W —>■ Z a označme příslušnou matici gv,w- f „7 9 r, V w u fu,v w 9v, 9v,w o fu,v(x) = B ■ (A ■ x) = (B ■ A) ■ x = (g o f)u,w{x) pro všechny x E Kn. Všimněte si, že isomorfismy odpovídají právě invertibilním maticím (ověřte si podrobně!). Ve speciálním případě lineárního zobrazení /: V —>■ V vyjadřujeme zpravidla / pomocí jedné báze u prostoru V. 2.25. Záměny bází. Uvažme vektorový prostor V a dvě báze u, v na V. Pro identické zobrazení idy: V —>■ V musí podle předchozího existovat matice A, která vyjadřuje toto lineární zobrazení ve zvolených bázích. idy V V u v Tuto matici nazýváme matice přechodu od báze u k bázi v. Podle definice matice zobrazení ji získáme tak, že souřadnice vektorů báze u v bázi v napíšeme do sloupců matice. Význam matice přechodu je v tom, že známe-li souřadnice x vektoru v bázi u, pak jeho souřadnice v bázi v se obdrží vynásobením sloupce x maticí přechodu (zleva). Protože inverzní zobrazení k identickému je opět totéž identické zobrazení, je matice přechodu vždy invertibilní a její inverze je právě matice přechodu opačným směrem, tj. od báze v k bázi u. 2.26. Důsledky. Nechť V a W jsou konečněrozměrné vektorové prostory nad týmž polem skalárů K. (1) A, B E Matmn(-ří) jsou maticemi téhož zobrazení /: V —>■ W v různých bazích, právě když existují invertibilní matice P a Q takové, že B = P-A-Q 2. VEKTOROVÉ PROSTORY A LINEÁRNÍ ZOBRAZENÍ 17 (2) Ve vhodně zvolených bazích mají všechna lineární zobrazení matici (tj. souřadný tvar) /l 0 ... 0 ... 0\ : : 0 0 0 ... 1 ... 0 0 0 ... 0 ... 0 \0 0 ... 0 ... 0/ (tzn. prvních několik souřadnic se kopíruje, zbytek se zapomíná, a vše případně doplníme nulami). (3) Pro libovolné lineární zobrazení f :V —>W platí: dim(Ker /)+dim(Im/) = dim(V) (4) A, B E Maitn(K) jsou maticemi téhož zobrazení /: V —>■ V v různých bazích na V, právě když existuje invertibilní matice P taková, že B = P_1 ■ A ■ P Důkaz. (1) Tvrzení plyne přímo z vyjádření / = id^ °f ° idy v souřadnicích pro zvolené báze, viz. předchozí diagramy. (2) je přímým důsledkem (1) a Věty 1.13. (3) je okamžitě vidět, má-li zobrazení ve vybraných bazích matici uvedenou v (2). (4) je speciálním případem (1), protože v tomto případě musíme nejdříve přejít od nové báze k staré (násobení maticí P), pak aplikovat původní matici zobrazení / a nakonec se vrátit do nové báze (násobení inverzní maticí P_1). □ 2.27. Definice. Matice A, B E Matmn(K) se nazývají ekvivalentní, jestliže existují invertibilní matice P, Q takové, že B = PAQ. Matice A, B E Matn(K) se nazývají podobné, jestliže existuje invertibilní matice P taková, že B = P~1AP. 2.28. Příklady. 1. Projekce roviny xy do osy x je lineární zobrazení R2 —>■ R. Ve standardní bázi má matici 2. Otočení roviny proti směru hodinových ručiček o úhel a je lineární zobrazení s maticí [ cPsa sma \ ye standardní bázi. Zvolíme-li dvě vhodné báze na R2, y sin a cos a J pak získáme vyjádření tohoto zobrazení jednotkovou maticí. Nelze však najít jednu bázi u na R2 ve které by toto zobrazení mělo diagonální matici, najděte jednoduchý (geometrický) důvod! 2.29. Definice. Nechť f a, g jsou lineární zobrazení z V do W. Jejich součet / + g : V —>■ W je definován vztahem (/ + g)(u) = f(u) + g(u), u E V. Pro každé a E K definujeme (a ■ f) : V —>■ W, (a • f)(u) = a • f(u). Množinu všech lineárních zobrazení V —> W značíme Hom(V, W). Na množině Hom(V, V) je navíc definováno skládání zobrazení, které spolu se sčítáním splňuje všechny vlastnosti okruhu. (o o> 18 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 2.30. Věta. Nechť V, W jsou konečněrozměrné vektorové prostory nad polem skalárů K s bázemi u = (ui,..., un) ve V a v = (v±,..., vn) v W. Dále nechť /, g E Hom(V, W) a nechť A, B jsou matice f a g v bazích u a v. Pak matice A + B je matice součtu (/ + g) a matice a ■ A je matice násobku a ■ f. Důkaz. Plyne okamžitě z definice matice zobrazení a vlastností násobení matic. Propočítejte si podrobně! □ 2.31. Důsledek. Nechť V je konečněrozměrný vektorový prostor nad polem skalárů K. Každá volba báze u = (ui,... ,un) na V zadává isomorfísmus okruhu lineárních zobrazení Hom(V, V) a okruhu Matn(K) převádějící zobrazení na jejich matice. Poznámky k přemýšlení 1. Promyslete si důsledně, co říkají důležité výsledky této kapitoly (např. 2.2, 2.4, 2.11, 2.12, 2.13, 2.15, 2.16) pro konkrétní příklady vektorových prostorů z 2.5. 2. Promyslete si, ve kterém místě důkazu Steinitzovy věty o výměně se využije invertibilnost všech nenulových skalárů. (Pokud existují neinvertibilní nenulové, věta obecně neplatí!) 3. Specifikujte si větu 2.15 pro možné podprostory v R2, R3. 4. Napište si souřadná vyjádření (tj. matice v standardní bázi) pro všechna běžná lineární zobrazení v rovině, např. zrcadlení vzhledem k přímce, symetrie vzhledem k bodu, roztažení ve směru os, otočení o daný úhel, projekce do dané přímky procházející počátkem. Podobně i pro R3. 5. K předchozímu problému zkuste najít bázi (případně báze) v rovině tak, aby matice zvoleného zobrazení byla co nejjednodušší. 6. Pomocí důsledku 2.26 ukažte, že lineární zobrazení P: R3 —>■ R3 je projekcí na lineární podprostor právě, když P2 = P. Zkuste sformulovať a dokázat analogické tvrzení obecně. 7. Dokažte tvrzení z 2.26.(2) přímo použitím Steinitzovy věty při konstrukci vhodných bazí na definičním oboruu i oboru hodnot /: V —>■ W. 8. Promyslete si, jak budou vypadat vektorové prostory nad Zp, viz. problém 2 z kapitoly 1. Diskutujte zejména závislost nap. 9. V prostoru Hom(V, W) je pro každou volbu bazí ve V a W indukována báze (je určena použitím kanonické báze prostoru matic - tj. matic A^ = (a^j) kde a^- = 1 a všechny ostatní jsou nulové). Jak se tyto báze změní, změníme-li původní báze V a W? 3. Matice a determinanty V této kapitole výjmečně nebudeme požadovat aby K bylo pole. Potřebné vlastnosti skalárů budeme upřesňovat podle potřeby. 3. MATICE A DETERMINANTY 19 3.1. Definice. Bijektivní zobrazení množiny X na sebe se nazývá permutace množiny X. Skládání zobrazení definuje na množině všech permutací na množině X strukturu grupy, tj. platí axiomy (KG1), (KG3), (KG4) (všimněte si, že komutati-vita je vynechána). Má-li množina X n prvků, hovoříme o symetrické grupě stupně n. Permutace a množiny X = {1,2,... , n} lze zapsat pomocí výsledného pořadí ve bodem permutace a, je-li a(x) = x. Permutace a taková, že existují právě dva různé prvky x,y E X s a(x) = y a a(z) = z pro všechna ostatní z E X se nazývá transpozice, značíme ji (x,y). 3.2. Věta. Každá permutace konečné množiny je součinem transpozic. Důkaz. Na X definujeme relaci ~ takto: a ~ b právě, když existuje k E Z s vlastností b = crk(a), kde pro k > 0 je ak(a) = a(.. .a(a(a))...), tj. &-krát aplikovaná a, cr°(a) = a a pro záporná k klademe ak = (<7_1)_fe. Zde cr(b). Permutace a se nazývá sudá (resp. lichá), obsahuje-li sudý (resp. lichý) počet inverzí. Parita permutace a je (—l)P°čet mverzi_ 2načíme ji sgn(cr). Prvek x E X se nazývá samodružným (a, 1, je právě |n! sudých a |n! lichých permutací. Pro permutace a,r]: X —>■ X platí sgn(• K je jediné takové zobrazení, až na skalární násobek. (Požadujeme totiž, aby byl objem "lineární v každém sloupci" a aby měnil znaménko při záměně dvou sloupců. Navíc nesmí záležet na volbě souřadnic.) 3. MATICE A DETERMINANTY 21 Podobně pro n = 3 spočteme on oi2 ai3 021 «22 023 031 032 033 +OHO22O33 — 013022031 + O13O2IO32 — OHO23O32 + 012023031 — O12O2IO33. Tomuto vzorci se říká Saarusovo pravidlo. 3.10. Definice. Nechť A = (oý) e Matmn(K), potom matice AT = (a^) e Matnm(K) s prvky a'^ = aji se nazývá matice transponovaná k matici A. Matice A E Matmn(K) s vlastností A = AT se nazývá symetrická. Jestliže platí A = —AT, pak se A nazývá antisymetrická matice. 3.11. Věta. Nechť A E Matn (K). (1) \AT\ = \A\ (2) Je-li jeden řádek v A tvořen nulovými prvky z K, pak \A\ = 0 (3) Jestliže matice B vznikla z A výměnou dvou řádků, pak \A\ = — \B\ (4) Jestliže matice B vznikla z A vynásobením řádku skalárem a E K, pak \B\ = a\A\ (5) Jsou-li prvky k-tého řádku v A tvaru a^j = cj-j + bj-j a všechny ostatní řádky v maticích A,B,C jsou stejné, pak \A\ = \B\ + \C\. Důkaz. (1) Členy determinantů \A\ a \AT\ jsou v bijektivní korespondenci. Členu sgn(cr)ai(T(i) • a2(T(2) • • • ana{n) přitom odpovídá člen Sgn(cr)aCT(i)i • aCT(2)2 • • - aa(n)n = Sgn(cr)aiCT-i(i) • a2(7-i(2) • • •0'na-1(n)^ přičemž musíme ověřit, že je tento člen opatřen správným znaménkem. Podle 3.7 je však parita a a nn 0 o o bn b. ni 0 \ 0 hn bnn / Laplaceovým rozvojem podle prvních n řádků obdržíme právě \H\ = \A\ ■ \B\. Nyní nejprve budeme k posledním n sloupcům postupně přičítat lineární kombinace prvních n sloupců tak, abychom obdrželi (blokovou) matici s nulami v pravém dolním rohu: /au ... aín en • • • Cín \ K O-nl V o Cnl o / 24 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC Prvky submatice nahoře vpravo přitom musí splňovat Cij = Cťilblj + dilbij + • • • + dinbnj neboli jde právě o prvky součinu A ■ B a \K\ = \H\. Přitom rozvojem podle posledních n sloupců dostáváme \K\ = (_l)«+l+-+2n|4 . B\ = ^ýn-in+l) . \A ■ B\ = \A ■ B\. □ 3.19. Důsledek. (1) Protože pro jednotkovou matici platí vždy \E\ = 1, je pro každou invertibilní matici vždy \A\ invertibilní skalár a platí |^4|_1 = |^4_1|- (2) Jak jsme viděli již v 2.26, dvě matice A, B E Matn(K) jsou maticemi téhož zobrazení /: V —> V v různých bazích právě, když existuje invertibilní matice P, pro kterou platí A = P ■ B ■ Odtud plyne \A\ = \P\ ■ \B\ ■ \P~1\ = \B\ ■ \P ■ = Má tedy determinant matice zobrazení hodnotu nezávislou na naší volbě báze.10 3.20. Definice. Nechť A = (aťj-) E Matn(K). Matici A* = (a^), kde = jsou algebraické doplňky k prvkům a,ji v A, nazýváme algebraicky adjungovaná matice k matici A. 3.21. Věta. Pro každou matici A E Matn(K) platí AA* = A*A = \A\ ■ E. Zejména (1) A~x existuje vMatn(K) právě, když \A\~~1- existuje v K (2) Pokud existuje A'1, pak platí A'1 = \A\~1 ■ A* Důkaz. Jak jsme již zmínili, Cauchyova věta ukazuje, že z existence A~x vyplývá invertibilita \A\ E K. Předpokládejme naopak, že \A\ je invertibilní skalár. Spočteme přímým výpočtem A ■ A* = (cý): n n cij = ^ ] aikakj = ^ ] aikAjk-k=l k=l Pokud i = j je to právě Laplaceův rozvoj \A\ podle i-tého řádku. Pokud i ^ j jde o rozvoj determinantu matice v níž je i-tf a j-tf řádek stejný a proto je Cý- = 0. Odtud plyne A ■ A* = \A\ ■ E, ale již v 1.15 jsme odvodili, že z rovnosti A ■ B = E plyne i B ■ A = E. (Pokud tomu někdo dá přednost, může zopakovat předešlý výpočet pro A* ■ A.) □ Úmluva. Ve všech předchozích úvahách v této kapitole jsme uvažovali obecný okruh skalárů K. Nyní již až do konce kapitoly budeme předpokládat že K je pole. 3.22. Definice. Nechť A E Matmn(K), a K je pole. Hodností matice nazýváme maximální počet jejích nezávislých řádků. Čtvercová matice A E Matn(K) se nazývá regulární, je-li její hodnost n, v opačnám případě ji nazýváme singulární. Hodnost matice A značíme h(A). 10Můžeme proto přímo hovořit o determinantu lineárního endomorfismu. Později uvidíme, že se jedná o (vždy konstantní) poměr mezi objemy rovnoběžnostěnů a jejich obrazů v daném automorfismu /. To samozřejmě geometricky vysvětluje platnost Cauchyovy věty. 3. MATICE A DETERMINANTY 25 3.23. Věta. Nechť K je pole. (1) Hodnost libovolné nenulové matice A E Matmn(K) je rovna maximálnímu řádu nenulového minoru v A. (2) h(A) je rovna maximálnímu počtu lineárně nezávislých sloupců. (3) A E Matn(K) je regulární právě, když \ A\ ^ 0. Důkaz. (1) Protože je A nenulová, existuje v ní nenulový minor \M\ maximálního stupně k < min{m, n}. Vhodným přeskládáním řádků a slouců matice A dosáhneme toho, že tento minor je hlavním minorem. Přitom přeskládání řádků nemění množinu řádků matice A, přeskládání sloupců vlastně znamená aplikaci isomorfismu, který "přejmenovává" prvky standardní báze Km, jistě tedy nemění počet lineárně nezávislých řádků. Bez újmy na obecnosti tedy přímo předpokládejme, že \M\ je nenulový hlavní minor maximálního stupně k. Podle věty 3.12 musí být prvních k řádků v A lineárně nezávislých, tzn. h(A) > k. Uvažme nyní libovolné i > k, 1 < j < n a minor au ... aifc ciij \Dij\:= ! ! ! Ofcl • • • Ofcfc O-kj Q>il • • • Q>ik Q>ij Protože je to minor stupně k + 1, musí být |_Dý| = 0. Rozkladem tohoto determinantu podle posledního sloupce, dostaneme k 0 = ctij ■ \M\ + ^2 asj • Bsj 8 = 1 kde Bsj jsou algebraické doplňky prvků asj v matici Díj a zřejmě nezávisí na volbě j. Protože \M\ ^ 0 podle předpokladu, dostali jsme i-tf řádek jako lineární kombinaci prvních k řádků pro libovolné i > k a první tvrzení je dokázáno. Vlastnosti (2) i (3) plynou okamžitě z (1). □ 3.24. Důsledky. (1) Z deňnice hodnosti vyplývá, že hodnost matice A lineárního zobrazení f': V —>■ W (v libovolných bazích) je rovna dimenzi obrazu Im/. (Dimenze obrazu je rovna počtu lineárně nezávislých sloupců v A, ta je ale rovna hodnosti.) (2) Zobrazení mezi vektorovými prostory stejné dimenze je isomorfísmus právě, když jeho matice A v některých (tedy libovolných) bazích splňuje \A\ ^ 0. 3.25. Věta. Nechť A E Matmn(K), B E Matní,(K). Potom h(A-B) < mm{h(A),h(B)} zejména při m = n = pjeA-B regulární právě, když A i B jsou regulární. Při násobení regulární maticí B platí pro hodnost součinu h(A ■ B) == h(A), pro regulární A je h(A ■ B) = h(B). Důkaz. Protože dimenze obrazu lineárního zobrazení nemůže být nikdy větší než dimenze definičního oboru, je první tvrzení zcela zřejmé. Regulární matice je maticí isomorfismu, odtud plyne zbývající tvrzení. □ 26 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 3.26. Výpočet hodnosti. (1) hodnost matice se nemění elementárními transformacemi (2) hodnost matice v řádkovém schodovitém tvaru je rovna počtu nenulových řádků (analogicky pro sloupce) (3) dvě matice v Matmn(K) jsou maticemi téhož zobrazení v různých bazích ve V a W, právě když mají stejnou hodnost. (4) z postupu v důkazu věty 3.23 plyne metoda pro výpočet h(A) tzv. metodou vroubení. Spočívá v tom, že ke zvolenému \M\ ^ 0 přidáváme sloupec a řádek z matice a pokud takto dostaneme samé nulové minory, je h(A) rovna řádu \M\. 3.27. Poznámka. Shrňme si závěrem některé vlastnosti diskutovaných operací s maticemi nad okruhem skalárů. Zvolme libovolně B,A E Matm(K). (1) A~x a B~x existují právě, když existuje (B-A)~x a přitom platí (B-A)~x = A'1 ■ B-1, B'1 ■ A'1 = (A ■ B)'1 (2) (AT)T = A, (A-1)-1 = A (3) (A • B)T = BT • AT (4) (AT)~1 = (A-Y (5) \AT\ = \A\ (6) \A 1| = \A\ 1 kdykoliv \A\ je invertibilní v K (7) pro K = C a matici A komplexně sdruženou k A platí \A\ = \A\. Poznámky k přemýšlení 1. Definice determinantu a příklady 3.9 zůstávají v platnosti pro libovolné matice nad skaláry, které umíme sčítat a násobit, viz. definice okruhů. Pro prakticky všechny další úvahy však potřebujeme další vlastnosti skalárů, zejména komutativitu! Promyslete alespoň tyto příklady: K = Z, K = Zp, K = [x] - všechny polynomy s reálnými koeficienty, K = Matn (R). 2. Uvědomte si podrobně, které vlastnosti K jsme využili v důkazu tvrzení 3.11 a 3.12, v důkazu Laplaceovy věty a Cauchyovy věty a jejich přímých důsledcích. Promyslete si podrobnosti. 3. Uvědomte si rozdíl v teorii při vynechání předpokladu o invertibilitě všech nenulových skalárů (axiom pole). Např. pro K = Z a K = R máme: je-li A E Matn(Z), je rovnice A.x = y řešitelná v Rn pro každé y E Rn právě, když A je regulární a to je právě, když \A\ ^ 0; pak snadno spočteme |^4|_1 a A~x. V Zn je tato rovnice řešitelná pro každé y E Zn právě, když \A\ = ±1. Pouze v tomto případě totiž existuje A~x. Zejména A by mohlo obecně být "regulární" podle naší definice, ale příslušné zobrazení nemusí být izomorfismus! 1 2 Např. =2, tedy A~x neexistuje v Z2. Všimněte si, že A.(a,b)T = (a + 2b, 2a + 66) a A(Z2) ^ Z2, přitom ale řádky matice nejsou lineárně závislé. 4. Hodnost matice a vlastnosti tohoto pojmu jsme studovali pouze pro matice nad poli skalárů. Přemýšlejte, do jaké míry má smysl pojem lineární závislosti resp. 4. SYSTÉMY LINEÁRNÍCH ROVNIC 27 nezávislosti pro obecnější skaláry. Např. 2, 3 g Z jsou lineárně závislé v Z ve smyslu naší definice, nelze však jeden z nich vyjádřit pomocí druhého. Promyslete si, kde se taková vlastnost odráží v důkazu věty 3.23. 5. U vektorů nad komutativními skaláry, které netvoří pole nemá smysl pojem dimenze tak, jak jsme jej definovali, viz. předchozí problém, kde např. Z1 = (1). Proto nemá smysl přemýšlet o 3.24.(1). Přitom 3.24.(2) zůstává plně v platnosti, když změníme podmínku \A\ ^ 0 na podmínku \A\ je invertibilní v K. 4. Systémy lineárních rovnic 4.1. Definice. Lineární rovnicí o n neznámých xi,... ,xn nad skaláry K rozumíme rovnici tvaru a\X\ +----h anxn = b, kde a±,... , an E K jsou koeficienty, b E K je absolutní člen. Je-li dáno m > 1 lineárních rovnic o neznámých x±,..., xn nad týmiž skaláry K, Q>i\X\ + • • • + (iinxn = bf, i = 1,..., m, hovoříme o systému lineárních rovnic nad K. Matici A = dn ■ ■ ■ din .omi ... om nazýváme matice soustavy. Matici (au ... ain bi : i : dmi •• • dmn bm nazýváme rozšířenou maticí soustavy. Řešením soustavy rozumíme n-tici (ui,... ,un) E Kn, která po dosazení Xi = Ui změní rovnice na identity. Pro b = (bi,... ,bm)T, x = (xi,... ,xn)T, u = (ui,... , un)T tedy řešení x = u převádí systém lineárních rovnic na rovnost A-u = b vyjádřenou pomocí násobení matic. Soustava je řešitelná, resp. neřešitelná, pokud existuje, resp. neexistuje, alespoň jedno řešení. Soustava se nazývá určená, resp. nedourčená, je-li řešitelná a má jedno, resp. více než jedno, řešení. Dvě soustavy se nazývají ekvivalentní, jestliže mají stejné množiny řešení. 4.2. Poznámky. Výraz A ■ x = b lze číst takto: A je matice zobrazení A: Kn —>■ Km, b E Km. Řešením jsou ty vektory, které se zobrazí na b. Každá elementární řádková transformace vede k ekvivalentní soustavě. Zejména následující úpravy nemění řešení soustavy rovnic: (1) záměna rovnic (2) vynásobení libovolné rovnice prvkem z K (3) přičtení libovolné lineární kombinace ostatních rovnic Naopak, elementární sloupcové transformace k ekvivalentním soustavám nevedou, protože se "míchají" proměnné mezi sebou (např. vyměnění sloupců má za následek přejmenování proměnných). 28 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 4.3. Gaussova eliminace. Ekvivalentními (řádkovými) úpravami lze tedy převést rozšířenou matici A' soustavy na (řádkový) schodovitý tvar. Soustavu pak již snadno dořešíme postupným zpětným dosazováním zdola. Přitom mohou nastat tři rozdílné případy. Předpokládejme pro jednoduchost, že K je pole. (1) ve získaném schodovitém tvaru je v posledním nenulovém řádku jediný nenulový prvek a to v posledním sloupci (absolutní členy). Soustava pak nemá řešení. (2) ve fázi zpětného dosazování je v právě diskutovaném řádku právě jedna dosud nespočtená hodnota proměnné. Výpočet pak pokračuje spočtením této proměnné. (3) ve fázi zpětného dosazování je v právě diskutovaném řádku více než jedna dosud nespočtená hodnota proměnné. V tom případě zvolíme jednu z těchto proměnných, ostatní prohlásíme za volné proměnné. Hodnoty volných proměnných chápeme jako nezávislé parametry a zbývající hodnotu vybrané proměnné spočteme v závislosti na těchto parametrech. Tímto postupem vyřešíme po konečném počtu úkonů libovolný konečný systém lineárních rovnic nad polem skalárů. V každém kroku zpětného dosazování přitom vlastně řešíme jednu lineární rovnici pro jednu proměnnou s nenulovým koeficientem u proměnné. Pokud skaláry netvoří pole, mohou nastat navíc komplikace s výpočty hodnot proměnných zadaných těmito rovnicemi v jedné proměnné.11 V dalším se budeme zabývat podrobnějším popisem řešitelnosti a vlastností systémů lineárních rovnic. 4.4. Frobeniova věta. Nechť K je pole. Soustava lineárních rovnic má řešení právě, když je hodnost matice soustavy rovna hodnosti rozšířené matice soustavy. Důkaz. Nechť je u řešením soustavy A ■ x = b, tj. opravdu platí A ■ u = b. Pak je b lineární kombinací sloupců matice A a odtud plyne h(A') = h(A). Je-li naopak h(A) = h(A'), pak je b lineární kombinací sloupců v A, ale to je právě tvrzení, že b = A.(ui,... , un)T pro vhodné skaláry Ui, neboli systém rovnic A ■ x = b má řešení. □ 4.5. Věta. Nechť K je pole. Soustava A ■ x = b, A E Matmn(K), je nedourčená právě, když je řešitelná a počet neznámých je větší než h(A) a je určená právě když je řešitelná a počet neznámých je roven h(A). Důkaz. Hodnost matice soustavy nemůže být nikdy větší než počet proměnných, tj. n. Předpokládejme nejprve h(A) = n. Pak m > n, ale nejvýše m rovnic (řádků v A) může být lineárně nezávislých. Protože ty závislé můžeme vynechat, lze přímo předpokládat, že m = n = h(A). V tomto případě ovšem existuje inverze A~x a tedy existuje právě jedno řešení uvažovaného systému, u = A~x ■ b. Naopak, jestliže existuje právě jedno řešení u soustavy, pak i soustava rovnic A ■ x = 0 je určená. Skutečně, pokud by existovalo nenulové řešení v, tj. A ■ v = 0, pak i A • (u + v) = A- u + A- v = bje dalším řešením původního systému. Odtud ale 11 Metoda se zdá být numericky zcela triviální, počítačová implementace má však vážná úskalí, protože se obtížně ošetřují možná dělení velmi malými čísly. V důsledku toho se obtížně odhadují numerické chyby vzniklé při výpočtu. 4. SYSTÉMY LINEÁRNÍCH ROVNIC 29 plyne, že jediným řešením systému A ■ x = 0 je nulový vektor a tedy sloupce v A jsou lineárně nezávislé. Tím je dokázáno druhé tvrzení. Zbývá tedy případ h(A) < n. Vyberme maximální počet h(A) lineárně nezávislých řádků via ostatní (závislé) rovnice zapomeňme. Provedením Gaussovy eliminace jistě získáme (řádkový) schodovitý tvar, kde v některém z řádků bude nutno určit hodnoty několika proměnných. Přesněji, při zpětném dosazování získáme právě n — h(A) volných proměnných. Dosazením různých hodnot za tyto volné proměnné získáme různá řešení, je tedy původní systém nedourčený. Naopak, jestliže existuje více řešení daného systému A ■ x = 0, zvolme dvě různá řešení u,v E Kn. Pak ale A. (u — v) = 0 a (u — v) ^ 0, takže sloupce v A jsou lineárně závislé. Odtud již plyne h(A) < n. □ 4.6. V důkazu jsme získali ještě i dodatečnou informaci o množině všech řešení systému lineárních rovnic. Vrátíme se k této otázce podrobněji. Nejprve zavedeme potřebné značení. Lineární rovnice a\X\ + • • • + anxn = b se nazývá homogenní, jestliže 6 = 0, nehomogenní pro 6^0. Soustava A-x = b je homogenní, jestliže vektor absolutních členů je nulový, tj. 6 = 0, a je nehomogenní, je-li 6^0. Pro soustavu A ■ x = b nazýváme příslušnou homogenní soustavu A ■ x = 0 zhomogenizovanou soustavou. 4.7. Věta. Nechť K je pole. Pro každou homogenní soustavu A ■ x = 0, A E Matmn(K) platí (1) má vždy nulové řešení x = 0 (2) množina všech řešení je vektorový podprostor U c Kn, dimřJ = n — h(A) je rovna počtu volných proměnných. Důkaz. První tvrzení je triviální - nulový vektor splňuje A ■ 0 = 0 pro každou matici A. Předpokládejme, že u, v E Kn jsou dvě řešení, tj. A ■ u = A ■ v = 0. Pro a, b E K je A ■ (au + bv) = p ■ A ■ u + b ■ A ■ v = 0 a proto je U c Kn vektorový podprostor. Všechny vektory v U jsou zadány volbou k = n — h(A) hodnot volných proměnných. Zadáním k-tic volných proměnných (1, 0,..., 0),..., (0,0,..., 1) jistě získáme lineárně nezávislé generátory podprostoru všech řešení. □ 4.8. Definice. Báze podprostoru U c Kn všech řešení homogenní soustavy rovnic A ■ x = 0, A E Matmn(K), se nazývá fundamentální soustava řešení. 4.9. Poznámky. (1) Řešení soustavy A ■ x = 0 je vlastně hledání jádra příslušného zobrazení. (Odtud již také plyne, že řešení homogenního systému vždy tvoří podprostor.) Dimenze jádra se často nazývá defekt zobrazení, podobně n — h(A) je defekt matice A. (2) Naopak každý vektorový podprostor je jádrem vhodného zobrazení. Zkonstruujme jeden takový systém. Je-li U c Kn a (u±,... ,u{) je báze U, můžeme ji doplnit na bázi (ui,... ,ui,vi,... ,vn-i) celého Kn. Každému x E Kn přiřadíme jeho n — l souřadnic u prvků (vi,... , vn-{). Tím získáme zobrazení A: W1 —>■ Kn~l jehož jádrem je právě podprostor U. 30 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC 4.10. Věta. Nechť A ■ x = b je systém lineárních rovnic, A E Matmn(K) a K je pole. Pak platí (1) součet libovolného řešení soustavy A ■ x = 0 a libovolného řešení soustavy A ■ x = b je řešením soustavy A ■ x = b. (2) rozdíl dvou libovolných řešení soustavy A-x = b je řešením zhomogenizované soustavy A ■ x = 0 Důkaz. Ověří se přímým výpočtem. □ Nyní uvedeme obecnou metodu výpočtu řešení soustav lineárních rovnic, která funguje pro všechny komutativní okruhy skalárů. 4.11. Cramerovo pravidlo. Nechť je dána soustava lineárních rovnic A ■ x = b, A E Matm(K) a nechť \ A\~~1- E K existuje. Pak daná soustava má právě jedno řešení x = (#!,... , xn)T a platí Xi = \A|_1 • \Ai\, kde matice A^ vznikla z A nahrazením i-tého sloupce sloupcem absolutních členů. Důkaz. Protože \A\ je invertibilní skalár, existuje v Matmn(K) inverzní matice A~x. Proto má soustava právě jedno řešení. Toto řešení lze navíc přímo spočíst: x = A~x ■ b = {AI'1 ■ (A* -b) a odtud plyne vztah pro i-tou komponentu vektoru x x% = \A\ 1 'y^^(Ajjbj) ó kde Ají je prvek v i-tém řádku a j-tém, sloupci algebraicky adjungované matice A*. To je ale právě Laplaceův rozvoj matice A{ podle i-tého sloupce. □ 4.12. Poznámka. Řešení systémů lineárních rovnic pomocí eliminace proměnných je jednoduché, bez podstatných numerických problémů, jen je třeba dát pozor na správnou volbu volných proměnných. Cramerovo pravidlo je většinou daleko náročnější na výpočet, protože představuje výpočet mnoha determinantů. Na druhé straně často potřebujeme spočíst jen několik málo souřadnic řešení (např. při hledání průniků podprostorů). Navíc má velký teoretický význam (už proto, že je to symbolická formule pro řešení, se kterou se dá dále pracovat). Poznámky k přemýšlení 1. Pro libovolné matice A E Matn(K) platí slabší verze Cramerova pravidla (bez požadavku invertibility): Je-li A.p = 0 pro p E Kn, pak \A\.pi = 0 v K pro všechny komponenty vektoru p. Dokažte! (Všimněte si, že A.p = 0 sebou nese lineární závislost sloupců.) 2. Výsledky této kapitoly lze rozšířit na tzv. maticové rovnice A.X = B, kde A E Matmn(K), B E Matmp(K) a řešení X se hledá v Matnp(K). Zejména platí A.X = B je řešitelné právě, když hodnost rozšířené matice je rovna hodnosti matice A, a Cramerovo pravidlo lze formálně psát ve tvaru Xíj = ^p^-Sformulujte přesně a dokažte! 5. GEOMETRIE ENDOMORFISMŮ A KANONICKÉ TVARY 31 5. Geometrie endomorfismů a kanonické tvary V celé kapitole bude K pole skalárů. Představujme si K = R nebo K = C. Připomeňme, že endomorfismem rozumíme libovolné lineární zobrazení V —> V. 5.1. Definice. Nechť

V je lineárni zobrazení vektorového prostoru V do sebe. Podprostor U c V se nazývá invariantní podprostor (vzhledem k ■ V jsou lineární zobrazení a nechť U c V je invariantní podprostor vzhledem kcp íí/j. Pak U je invariantní vzhledem k libovolné lineární kombinaci a ■ cp + b ■ í/j, a, b g K. Důkaz. Pro u E U máme (a-■ V je endomorfísmus, dim V = m. Pak platí (1) Ve V existuje invariantní podprostor dimenze n právě, když existuje báze Matn,m_n(K),C E Matm_n,m_n(K). (2) V = V\ © V2 je součtem dvou invariantních podprostorů právě, když má U. □ V, ve které má cp matici tvaru cp ve vhodné bázi matici tvaru Matm —n,m—n (K). Většinou se definuje obecně přímý součet dvou vektorových prostorů V, W jako množina V x W spolu s operacemi sčítání a násobení skaláry po složkách. Náš případ přímého součtu podprostorů s nulovým průnikem pak je (až na isomorfismus) speciálním případem. 32 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC Důkaz. Nechť U C V je invariantní podprostor vzhledem k ip, dimř7 = n. Zvolme bázi (m,... ,un) pro U a doplňme ji libovolně na bázi V. Protože ■ V jednorozměrný invariantní podprostor, pak jeho zúžení k tomuto podprostorů musí být násobení vhodně zvoleným skalárem. Naše další úsilí bude směřovat k nalezení rozkladů na takové podprostory, podmínek za kterých existují, případně co lze o zobrazení říci, pokud neexistují. Je zcela zřejmé, že celý prostor V je přímým součtem jednorozměrných invariantních podprostorů právě tehdy, když existuje jeho báze, v níž má zobrazení

V je lineární zobrazení. Vlastní vektor zobrazení

■ V je lineární zobrazení, A jeho matice v jisté bázi V. Potom platí: (1) Vlastní vektory zobrazení

■ V nezávislý na volbě báze V, dim V = n, jsou i jeho koeficienty u jednotlivých mocnin proměnné A skaláry vyjadřující vlastnosti zobrazení ■ V příslušné různým vlastním hodnotám jsou lineárně nezávislé. Důkaz. Nechť a±,... , jsou různé vlastní hodnoty zobrazení

■ V, dim V = n, pak existuje rozklad V na přímý součet vlastních podprostorů dimenze 1. To znamená, že existuje báze V složená výhradně z vlastních vektorů a v této bázi má

i 0 -1 ) 0 0 ~ 0 0 0 0 -1 Vo 0 0 fundamentální systém řešení tohoto sytému rovnic (tj. báze prostoru vlastních vektorů s vlastní hodnotou A = 1) je «1 = (0,1,0), «2 = (1,0,1). Podobně pro A = — 1 dostáváme 1 0 l\ 1 0 1 0 2 0 - 0 2 0 10 1/ V 0 0 0 «3 = (-1,0,1). V bázi iti,it2,it3 (všimněte si, že u% musí být lineárně nezávislý na zbylých dvou díky předchozí větě a u±, u2 vyšly jako dvě nezávislá řešení) má

■ R2 dané ve standardní bázi maticí ^ ^ tj. otočení roviny o n/2 v kladném směru. Příslušný charakteristický polynom je A2 + 1, nemá tedy žádné reálné kořeny. Proto neexistují žádné vlastní vektory. Pokud ovšem uvažujeme zobrazení ■ C2 dané stejnou maticí, pak ve vektorovém prostoru C2 nad C najdeme vlastní vektory příslušné dvěma vlastním hodnotám Ai = i, A2 = —i, a celý prostor C2 je přímým součtem dvou jednorozměrných podprostorů vlastních vektorů. 3. Uvažme lineární zobrazení ■ M.2[x] definované derivováním polynomů, tj. ■ V je posloupnost kořenů charakteristického polynomu zobrazení ■ ľ se nazývá nilpotentní, jestliže existuje celé číslo k > 1 takové, že iterované zobrazení ■ V se nazývá cyklické, jestliže existuje báze u±,... ,un prostoru V taková, že ■ V, jestliže existuje a g K a celé číslo k > 0 takové, že (

■ V je lineární zobrazení. Platí (1) Pro každé A g K je TZ\ c V vektorový podprostor. (2) Pro každé A, // g K je 72.^ invariantní vzhledem k lineárnímu zobrazení (

■ V a nechť u±,... ,un je taková báze V, že prvních k vektorů této báze je bazí U. V této bázi má cp polorozpadlou matici A= ( ^ n ) • P^tí x 0 D t (1) Zobrazení^ indukuje lineární zobrazení ■ V/U, ■ V je lineárni zobrazení, jehož spektrum obsahuje n prvků (tj. všechny kořeny charakteristického polynomu leží v K). Pak existuje posloupnost invariantních podprostoru {0} = 7o c ľi c • • ■ c 7„ = V s dimenzemi dimV^ = i. V bázi Ui,... ,un prostoru V takové, že Vi = (ui,... ,Ui), má

■ V je lineární. Součet kořenových prostorů příslušných různým vlastním hodnotám Ai,... , A& je přímý. Navíc je pro každou vlastní hodnotu A dimenze podprostorů TZ\ rovna její algebraické násobnosti. Důkaz. Důkaz provedeme indukcí přes počet k kořenových prostorů. Předpokládejme, že tvrzení vždy platí pro méně než k prostorů a že pro vektory u\ E 1Z\1,..., Uk E Tl\k platí tii H-----\~Uk = 0. Pro vhodné j pak (

■ V/TZ-x nechť je zobrazení indukované

■ V, jehož celé spektrum je v K, je V = 1Zx1 © • • • © H\n přímým součtem kořenových podprostorů. Zvolíme-li vhodně báze těchto podprostorů, pak

■ V je nilpotentní lineární zobrazení. Pak existuje rozklad V na přímý součet podprostorů V = V\ © • • • © takových, že zúžení

0 je dimenze Ph-i- Z definice plyne, že Pk-i C Ker<^, tj. vždy <^(e*?_1) = 0. Předpokládejme, že P/b-i ^ V. Protože P/b-i = cí>fc-i pk—2 pk—'í pk—2 pk~ 2 prostoru P/t_2- Navíc jsou obrazy přidaných bázových prvků v Pk-i, nutně tedy musejí být lineárními kombinacemi bázových prvků e\~x,..., e^~}i. Můžeme proto zaměnit zvolené vektory e^~2i+1,..., e^~22 vektory e*?-2 — fc-l' • • • ) Cí>fc-2 fc—3 fc—3 „fe—3 fc—3 fc—3 fc—3 40 cast I. VEKTOROVÉ PROSTORY A SOUSTAVY LINEÁRNÍCH ROVNIC kde hodnota zobrazení cp na libovolném bázovém vektoru se nachází nad ním, nebo je nulová, pokud nad zvoleným vektorem báze již nic není. Pokud je Ph-t 7^ V, opět musí existovat vektory e^_ť_1,..., e^"^"1, které se zobrazují na e\_í,..., e*~_^ a můžeme je doplnit do báze Ph-i-i, řekněme vektory eh~í~\,..., ek~t~1. Přitom rk—í I ľk — £ — 1 postupným odečítáním hodnot iterací zobrazení ip na těchto vektorech dosáhneme opět toho, že doplněné vektory do báze Ph-t-i budou ležet v jádru ip a analogicky jako výše ověříme, že skutečně dostaneme bázi Ph-t-i- Po k krocích získáme bázi celého V, která má vlastnosti uvedené pro bázi (2) prostoru Ph-t- Jednotlivé sloupce výsledného schématu pak generují hledané pod-prostory Ví a navíc jsme přímo našli báze těchto podprostorů ukazující, že příslušná zúžení (p jsou cyklická zobrazení. □ 5.26. Definice. Matice Jfc(A) E Matfc(K), agk, tvaru J /A 1 0 0 A 1 0 0 A Vo 0 0 0 o se nazývá Jordánův blok řádu k příslušný vlastní hodnotě A. O matici J říkáme, že je v Jordánově kanonickém tvaru, je-li blokově diagonální s Jordánovými bloky na diagonále. 5.27. Věta (o Jordánově kanonickém tvaru). Nechť zobrazení ■ V má celé spektrum v K. Pak existuje báze V, ve které má

■ V n-rozměrného vektorového prostoru nad k právě, když jsou podobné se stejným Jordánovým kanonickým tvarem J. Důkaz vět 5.27 a 5.28. Nechť Ai,... , A& jsou všechny různé vlastní hodnoty zobrazení n. Odtud plyne, že pokud matice J zobrazení

■ Kn. Naopak, z platnosti této věty o maticích plyne ihned předchozí tvrzení o zobrazeních, viz. 2.26. □ 5.30. Poznámka. Důkaz věty o existenci Jordánova kanonického tvaru byl sice konstruktivní, nedává nám ale opravdu šikovný algoritmický postup pro jejich hledání. V dodatku 12 bude podána algebraická metoda podobná Gaussově eliminaci, která pro danou matici najde její kanonický tvar. Nyní shrneme již odvozený postup explicitního výpočtu báze, v níž má dané zobrazení ■ V matici v kanonickém Jordánově tvaru. (1) Najdeme kořeny charakteristického polynomu. (2) Jestliže jich je méně než n = dimV, včetně násobností, kanonický tvar neexistuje. (3) Je-li n lineárně nezávislých vlastních vektorů, získáme bázi V z vlastních vektorů a v ní má ip diagonální matici. (4) Nechť A je vlastní hodnota s geometrickou násobností menší než algebraickou a Vi,... ,Vk nechť jsou příslušné vlastní vektory. To by měly být vektory na horním okraji schématu z důkazu věty 5.25, je ovšem nutné najít vhodnou bázi aplikacemi iterací ip — A • idy. Zároveň přitom zjistíme ve kterém řádku se vektory nacházejí a najdeme lineárně nezávislá řešení Wi rovnic (

■ V, i2:V2 —>■ V, v\ i->- (i>i,0), ví i->- (O,^) taková, že pro každá dvě lineární zobrazení /: V\ —>■ W, g: Ví —>■ W existuje právě jedno lineární zobrazení h: V —>■ W splňující hoi1 = /, ho%2 = g. (Kategoriální vlastnost součtu). b) Existují projekce j±: V ->■ Vi, j2: V ->■ V2, (vi,v2) i->- «i, (vi,v2) >->■ «2 taková, že pro každá dvě lineární zobrazení f: W —> Vi, g: W —> V2 existuje právě jedno lineární zobrazení h: W —>■ V splňující ji o h = /, j2 o h = g. (Kategoriální vlastnost součinu). Namalujte si diagramy! Sformulujte a dokažte podobná tvrzení pro obecné konečné přímé součty. 2. Ukažte, že pro každé lineární zobrazení ■ W je na faktorovém prostoru V/(ker■ W a tedy je V/(ker V je lineární zobrazení a platí T(«i) = «2, T(u2) = «3,..., r(ufc) = 0 pro nenulové vektory u±,... ,Uk- Pak u±,... ,Uk jsou lineárně nezávislé. Dokažte! 5. Pro každý okruh R můžeme uvažovat polynomy i?[A] v proměnné A. Zejména můžeme hovořit o hodnotě polynomu /(A) nad skaláry K v matici A E Matn(K). (Využije se vnoření K —>■ Matn(K), a \-> aE.) Ukažte, pro každou invertibilní matici P je f (A) = f(P~1AP), můžeme tedy také hovořit o hodnotě polynomu v zobrazení cp: V —>■ V. Přitom f((p): V —>■ V je opět lineární.14 Více o tom v dodatku 12 43 Část II. Prostory se skalárním součinem a analytická geometrie 6. Afinní prostory Nyní se budeme zabývat jednoduchými aplikacemi předchozí teorie v analytické geometrii. Přesněji řečeno, budeme diskutovat axiomaticky založený výklad rovinné a prostorové geometrie, zatím bez pojmu velikosti. K tzv. metrickým úlohám se vrátíme později. V celé kapitole budeme pro názornost pracovat pouze nad reálnými skaláry K = R. Výklad bude (jako obvykle) stručný, velice podrobně je celá tématika zpracována ve skriptech [P. Horák, J. Janyška, Analytická geometrie, MU 1997]. Pro komplexní skaláry skoro vše funguje naprosto analogicky (až na pojmy jako poměr, orientace, atd.). 6.1. Definice. Standardním n-rozměrným afinním prostorem An se zaměřením V = Rn rozumíme množinu P = Rn spolu se zobrazením P x V —> P daným (A,v) = ((pi,... ,pn), • • • ,«„)) !->■ A + v = (pi + .. .,pn + vn). Všimněme si, že platí (1) A + 0 = A pro všechny body A e P a nulový vektor OeV (2) A + (v + w) = (A + v) + w pro všechny vektory v, w e V, A e P (3) pro každé dva body A, B e P existuje právě jeden vektor v e P takový, že A + v = B. Značíme jej AB nebo B — A. Běžně budeme užívat značení A e An místo A e P, tj. nerozlišujeme mezi afinním prostorem a jeho nosnou množinou. Přívlastek standardní jsme užili, protože ve formálním axiomatickém přístupu k analytické geometrii lze pracovat s libovolným vektorovým prostorem V nad libovolnými skaláry K a definice afinního prostoru se zaměřením V pak obsahuje právě předchozí tři vlastnosti jako axiomy. 6.2. Definice. Afinním prostorem A se zaměřením V rozumíme množinu bodů P, spolu se zobrazením P x V —>■ P, (A, v) \-> A + v, splňující 6.1.(l)-(3). Opět nebudeme zpravidla rozlišovat »4aPv označení. Pro libovolný vektor v e V je tak definována translace A —>■ A jako zúžené zobrazení P~Px {v} —>■ P. Dimenzí afinního prostoru A rozumíme dimenzi jeho zaměření. V případě standardního afinního prostoru An se zdá být možná zbytečné rozlišovat množinu P od zaměření V. Právě to ale je podstatné pro pochopení geometrie v Rn: Geometrické objekty jako např. přímky, body, roviny, apod., jsou nezávislé na námi zaváděné vektorové struktuře na množině Rn, pro práci s nimi bývá však technicky užitečné tuto strukturu uvažovat. Navíc obecné postupy umožní velmi lehce diskutovat "rovinnou geometrii" pro dvourozměrné podprostory, tj. roviny, ve vícerozměrných prostorech, "prostorovou" pro třírozměrné, atd., aniž bychom museli přímo manipulovat &-ticemi souřadnic. 44 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE Nejjednoduššími příklady obecných afinních prostorů jsou afinní podprostory v An ve smyslu následující definice 6.4. 6.3. Z axiomů okamžitě plyne pro libovolné body A,B,C v afinním prostoru A (1) A — A = 0 e V (2) BA = -ÄB (3) AB + BC = AC. Dále si všimněme, že volba jednoho pevného bodu Aq e A nám určuje bijekci mezi V a A. Při volbě pevné báze u ve V dostáváme tedy pro každý bod A e A jednoznačné vyjádření A = Aq + XiUi H-----h xnun. Hovoříme o afinní soustavě souřadnic (Aq;ui, ... ,un) dané počátkem afinní souřadné soustavy Aq a bazí zaměření u. Hovoříme také o afinním repéru (A0,u). Jsou tedy afinní souřadnice bodu A v soustavě (Ao,u) souřadnicemi vektoru A — Aq v bázi u zaměření V. 6.4. Definice. Neprázdná podmnožina Q c A afinního prostoru A se zaměřením V se nazývá afinní podprostor v A, je-li podmnožina W = {B — A; A, B e Q} c V vektorovým podprostorem a pro libovolné A e Q, v ew ]e A +v e Q. Pro libovolnou množinu bodů McAv afinním prostoru se zaměřením V definujeme vektorový podprostor Z(M) = ({B — A;B,A e M}) c V. Zejména je V = Z (A) a každý afinní podprostor Q C A splňuje sám axiomy afinního prostoru se zaměřením Z(Q). Přímo z definic je zřejmé, že průnik libovolné množiny afinních podprostoru je opět afinní podprostor, pokud je neprázdný. Afinní podprostor (M) v A generovaný neprázdnou podmnožinou M c A je průnikem všech afinních podprostoru, které obsahují všechny body podmnožiny M. Přímo z definic plyne, že pro kterýkoliv bod Aq e M je (M) = {Aq + v; v e Z (M) c Z (A)}, tj. vezmeme vektorový podprostor Z(M) v zaměření generovaný všemi rozdíly bodů z M a ten pak přičteme k libovolnému z nich. Hovoříme také o afinním obalu množiny bodů M v A. Naopak, kdykoliv zvolíme podprostor u v zaměření Z (A) a jeden pevný bod A e A, pak podmnožina A + u vzniklá všemi možnými součty bodu A s vektory v u je afinní podprostor. 6.5. Příklady. 1. Jednorozměrný (standardní) afinní prostor je množina všech bodů reálné přímky A±. Její zaměření je jednorozměrný vektorový prostor R (a nosná množina také R). Afinní souřadnice dostaneme volbou počátku a měřítka (tj. báze ve vektorovém 6. AFINNÍ PROSTORY 45 prostoru R). Všechny vlastní afinní podprostory jsou 0-rozměrné, jsou to právě všechny body reálné přímky R. 2. Dvourozměrný (standardní) afinní prostor je množina všech bodů prostoru A■ V zadané vztahy ■ p\{A, B}. (Je vidět přímo pro jednorozměrný A, vhodná volba souřadnic ale obecný případ redukuje na tento.) 6.22. Poznámky. Dělicí poměr samozřejmě závisí na volbě pořadí C, A, B. Je-li (C;A,B) = A, pak se snadno ověří vztahy (C;B,A) = l/A, (B;A,C) = 1 - A, (A;C,B) = A/(A- 1), atd. Přímo z definice je také vidět, že bod C je mezi body A a B právě, když (C;A,B) < 0. Všechny takové body tvoří spolu s {^4,5} úsečku [A,B]. Bod C je na opačné straně od A než B právě, když 0 < (C;A,B) < 1 a je na stejné straně od A jako B právě když (C;A,B) > 1. Speciálním případem je hodnota (C;A,B) = —1. Takový bod nazýváme střed dvojice (A, B). Bod C s dělicím poměrem A vzhledem k (A, B) je vždy afinní kombinací 1 - A 1 - A zejména je střed vždy S = \A + \B. Pěknou ukázkou použití našeho formalismu je odvození běžného tvrzení, že všechny přímky protínající tři rovnoběžné roviny v A3 je protínají se stejnými dělícími poměry průsečíků. Můžeme obecně zvolit tři různé rovnoběžné nadroviny Qi, Q2, Ô3 v An a dvě libovolné, s nimi různoběžné, přímky p, q. Zvolme si afinní re-pér (A,u) takový, že vektory ui,... ,itn-i generují zaměření našich nadrovin. Pak jejich rovnice jsou xn = Oj, i = 1, 2, 3, pro tři různé hodnoty Oj £ R. Dosazením parametrických popisů přímek p, q do těchto rovnic zjistíme, že poslední souřadnice průsečíků pí~\Qi, qí~\Qi jsou shodně rovny Oj. Zejména jsou jejich rozdíly nenulové a určují ten stejný dělicí poměr. V souřadnicích se také snadno vidí, že pro libovolné čtyři body A,B,C,D E A platí B — A = C — D (tj. jsou to vrcholy rovnoběžníku v jisté rovině) právě, když \{A + C) = \{B + D) (tj. jejich úhlopříčky se půlí). 6.23. Poloprostory. Uvažme nadrovinu Q v n-rozměrném afinním prostoru A. Otevřeným poloprostorem V\ vyťatým nadrovinou Q a obsahujícím bod A E A\Q rozumíme množinu všech bodů B E A takových, že úsečka [A, B] neprotíná Q. 6. AFINNÍ PROSTORY 51 Zvolme afinní repér (Aq, u) tak, aby Aq e Q a u±,... , itn-i byla báze Z(Q). Pro libovolné dva body A, B e A \ Q pak mají jejich poslední souřadnice stejné znaménko právě, když úsečka [A, B] neprotíná Q. Odtud vyplývá, že každá nadrovina definuje právě dva poloprostory. Říkáme že odděluje jejich body. Poloprostory na přímce jsou polopřímky (oddělované bodem), v rovině jsou to poloroviny (oddělované přímkou). Pohodlně se poloprostory vyjádří prostřednictvím parametrických i implicitních popisů. Je-li Q dána rovnicí a(x) = 0 a poloprostor V je určen bodem A, pak je V množinou všech bodů, jejichž souřadnice dají po dosazení do levé strany rovnice a(x) = 0 hodnotu se stejným znaménkem jako A. Je-li Q zadáno body Ai,..., An v obecné poloze, pak také body A,Ai,.. .,An jsou v obecné poloze a (otevřený) poloprostor V obsahující A je množina afinních kombinací {t0A + Mi + • • • + tnAn; £r=o U = 1, r0 > 0} Obecně nemáme dánu žádnou význačnou volbu jednoho z poloprostorů vyťatých nadrovinou. Je-li ovšem zadána orientace na celém afinním prostoru A i na zvolené nadrovině Q, pak máme určený také pravý poloprostor a levý poloprostor vyťatý V. Pravý je zadán např. volbou bodů A, A\,... ,An jako výše a přitom tak, aby příslušný repér byl kompatibilní s orientací. (Ověřte si, že je to korektní definice.) 6.24. Poznámka. Nechť p\ a p\ jsou různoběžné přímky v afinní rovině. Označme V jejich průsečík a zvolme bod A ^ p U q. Průnik polorovin V\ a Ví obsahujících A a vyťatých po řadě p\ a pí nazýváme úhel15 s vrcholem V a rameny Ví fl p±, Vi í~\pi. Přímo z definice je zřejmé, že pro libovolné body Ai, Ai patřící po řadě ramenům úhlu má celý úhel jednoduché parametrické vyjádření {t0V + Mi + tiA2; t0 + t1 + t2 = 1, h > 0, ti > 0}. 6.25. Konvexní množiny. Podmnožina M c A se nazývá konvexní množina, jestliže pro její libovolné dva body A, B e M je celá úsečka [A, B] obsažena v M. Zjevně jsou následující podmnožiny konvexní: prázdná podmnožina, afinní pod-prostory, úsečky, polopřímky, poloprostory, úhly v dvojrozměrných podprostorech, atd. Přímo z definice také plyne, že průnik libovolného systému konvexních množin je opět konvexní. Průnik všech konvexních množin obsahujících danou množinu M nazýváme konvexní obal IC(M) množiny M. 6.26. Věta. Konvexní obal libovolné podmnožiny McAje K{M) = {Mi + • • • + tsAs; £-=i U = 1,U> 0} Důkaz. Označme S množinu všech afinních kombinací na pravé straně dokazované rovnosti. Nejprve ověříme, že je S konvexní. Zvolme tedy dvě sady parametrů ti, i = l,..,si, ť-, j = l,...,Si s požadovanými vlastnosti. Bez újmy na obecnosti Stejně se většinou označuje úhel i jeho velikost. Zde máme na mysli skutečně množinu bodů roviny. 52 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE můžeme zjevně předpokládat, že si = s2 a že v obou kombinacích vystupují stejné body z M (jinak prostě přidáme sčítance s nulovými koeficienty). Uvažme libovolný bod úsečky zadané takto získanými body: e(riAi + • • • + tsAs) + (1 - e)(ríAi + • • • + ť8A8), 0 < e < 1. Zřejmě jsou opět všechny v S. Zbývá ukázat, že konvexní obal bodů Ai,..., As nemůže být menší než S. Samotné body Ai odpovídají volbě parametrů t j = 0 pro všechny j ^ i a íj = 1. Předpokládejme, že tvrzení platí pro všechny množiny s nejvýše s — 1 body. To znamená, že konvexní obal bodů Ai,..., A8_i je (podle předpokladu) tvořen právě těmi kombinacemi z pravé strany dokazované rovnosti, kde t8 = 0. Uvažme nyní libovolný bod A = t±Ai +----h tsAs e S, ís / 1, a afinní kombinace e(riAi + • • • + ís_i,4s_i) + (1 - e(l - t8))A8, 0 < e < j^. Jde o úsečku s krajními body určenými parametry e = 0 (bod As) a e = 1/(1 — t8) (bod v konvexním obalu bodů Ai,..., A8_i). Bod ^4 je vnitřím bodem této úsečky s parametrem e = 1. □ 6.27. Příklady. Zjevné příklady konvexních množin jsou například poloprostory. Konvexní obaly konečných množin bodů se nazývají konvexní mnohostěny. Jsou-li definující body Aq, ... ,Ak konvexního mnohostěnu v obecné poloze, hovoříme o fc-rozměrném simplexu. V případě simplexu je vyjádření jeho bodů ve tvaru afinní kombinace definujících vrcholů jednoznačné. Nechť ui,... ,Uk, jsou libovolné vektory v zaměření M", A e An je libovolný bod. Rovnoběžnostěn Vk(A; u±,... , u^) c An je množina Vk(A;ui,... ,Uk) = {A + c\U\ H-----\-ckuk;0 < Ci < 1, i = 1,..., k}. Jsou-li vektory ui,... ,uk nezávislé, hovoříme o fc-rozměrném rovnoběžnostěnu Vk(A;ui,... ,Uk) c An- Z definice je zřejmé, že rovnoběžnostěny jsou konvexní. Ve skutečnosti jde o konvexní obaly jejich vrcholů. 6.28. Afinní zobrazení. Zobrazení /: A —>■ B mezi afinními prostory nazýváme afinní zobrazení, jestliže existuje lineání zobrazení ■ Z(B) takové, že pro všechny A E A, v E Z (A) platí f(A + v) = f(A) + B. Přímo z definice je zřejmé, že stačí vyjádřit obraz počátku souřadnic v A v souřadnicích na B, tj. vyjádřit vektor f(Ao) — Bq v bázi v a vše ostání je pak určeno násobením maticí zobrazení

■ K, (u, v) \-> u ■ v, splňující pro všechny vektory u, v, w E V a skaláry a g K (1) u ■ v = Tm ( zde pruh značí komplexní konjugaci je-li K = C, identické zobrazení pro reálné skaláry) (2) (au) ■ v = a(u ■ v) (3) (u + v) • w = u ■ w + v • w (4) je-li u ^ 0, pak u ■ u > 0 (zejména je výraz reálný) Takové zobrazení nazýváme skalární součin na V. Pro reálné unitární prostory se používá název euklidovské prostory, termín unitární prostor bývá v literatuře často vyhrazen pouze pro komplexní prostory. Přímo z definice plynou následující jednoduché vlastnosti skalárních součinů: 7.2. Lemma. Pro všechny vektory ve V a skaláry v K platí (1) u-u E R (2) u ■ (av) = ä(u ■ v) (3) u ■ (v + w) = u ■ v + u ■ w (4) u-0 = 0-u = 0 (5) (V\ aiUi) ■ (Y\ bjVj) = X)ťjj. aibjiui ■ v j) (6) u ■ u = 0 právě tehdy, když u = 0 7.3. Příklady. (1) Na Rn definujme (xi,... , xn) ■ (yi, ■ ■ ■ , yn) = + • • • + xnyn a dostáváme zobrazení zjevně splňující všechny požadované vlastnosti. Prostor Rn s tímto skalárním součinem budeme nazývat standardní euklidovský prostor v dimenzi n. V 54 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE maticové symbolice (tj. vektory jsou sloupce skalárů x, y) dostáváme skalární součin jako součin matic x ■ y = xTy. (2) Podobně, na Cn definujme (xľ,... ,xn) ■ (yi,... ,yn) = +----h xnyn. Díky konjugování souřadnic druhého argumentu toto zobrazení splňuje všechny požadované vlastnosti. Prostor Cn s tímto skalárním součinem budeme nazývat standardní unitární prostor v dimenzi n. Maticově sklární součin vyjádříme jako x ■ y = xTy. (3) Na Rn [x] definujeme skalární součin polynomů např. vztahem Z elementárních vlastností určitého integrálu vyplývá, že jde skutečně o skalární součin. Uvidíme, že díky konečnosti dimenze příslušného vektorového prostoru musí mít tento skalární součin shodné vlastnosti s předchozím příkladem. 7.4. Definice. Vektory u, v E V v unitárním prostoru V se nazývají ortogonální (kolmé), jestliže u ■ v = 0. Ortogonálnost vektorů značíme u±v. Vektory ui,... tvoří ortogonální systém vektorů jestliže jsou po dvou ortogonální, tj. Ui-Luj, 1 < i, j < k. Ortogonální systém vektorů, který je bazí nazýváme ortogonální bazí. 7.5. Věta. (Grammův-Schmidtův ortogonalizační proces) Nechť (tii, • • • ,Uk) Je lineárně nezávislá k-tice vektorů unitárního prostoru V. Pak existuje ortogonální systém vektorů (vi,... , v^) takový, že Vi E (ui,... , Ui), i = 1,..., k. Získáme je následující procedurou: (1) Z nezávislosti vektorů Ui plyne u± ^ 0. Položíme v± = u±. (2)-(fe) Máme-li již vektory v i,... ,vi potřebných vlastností klademe Důkaz. V Mém kroku chceme, aby pro vi+i = U£+i + a\V\ + • • • + aivi platilo V£+i ■ Ví = 0, i = 1,..., l. Odtud plyne a je vidět, že vektory s požadovanými vlastnostmi jsou určeny jednoznačně až na násobek. 7.6. Definice. Podmnožiny A, B unitárního prostoru V se nazývají ortogonální (kolmé), jestliže pro všechny vektory u E A, v E B platí u±v. Píšeme A±B. Unitární podprostory v unitárním prostoru V jsou právě vektorové podprostory spolu se zúžením operace skalárního součinu. (V případě reálných prostorů hovoříme o euklidovských podprostorech.) Součet ViH-----hVfc c V unitárních podprostorů se nazývá ortogonální (kolmý), je-li Vi±Vj pro všechny dvojice i, j. Podmnožina A1- := {u E V; {u}±A} se nazývá ortogonální doplněk podmnožiny vi+1 = u£+1 + ai^i H-----h a£v£, ať = - ui+i ■ v i 0 = (uí+1 + ai^i H-----h atvt) ■ v{ = ui+1 ■ v{ + a^Vi ■ v i) A c V. 7. EUKLIDOVSKÉ A UNITÁRNÍ VEKTOROVÉ PROSTORY 55 7.7. Definice. Nechť V je unitární prostor. Pro každý v E V nazýváme (reálný) skalár y/v • v velikostí vektoru v, hovoříme také o normě \\v\\. Vektor se nazývá normovaný, je-li = 1. Ortonormální báze unitárního prostoru V je ortogonální báze složená z normovaných vektorů. 7.8. Lemma. Pro každý vektor v v unitárním prostoru a skalár a E K platí (!) NI > 0 (2) ||-y|| = 0 právě, když v = 0 (3) \\av\\ = \a\ \\v\\ (4) je-li w/O, pak vektor je normovaný. Důkaz. Vše plyne přímo z vlastností skalárního součinu. Ukážeme např. (3): \\av\\ = \/(av) ■ (av) = Vaäv -v = \/|a|2 \\v\\2 □ Následující věta shrnuje elementární vlastnosti unitárních prostorů. 7.9. Věta. Nechť V je konečněrozměrný unitární prostor dimenze n. Platí (1) Ve V existuje ortonormální báze. (2) Každý systém nenulových ortogonálních vektorů ve V je lineárně nezávislý a lze jej doplnit do ortogonální báze. (3) Pro každý systém lineárně nezávislých vektorů (ui,... ,Uk) existuje ortonormální báze (vi,... , vn) taková, že (vi,... , Ví) = (ui,... , Ui), 1 < i < k. (4) Je-li (tii,... ,Un) ortonormální báze V, pak souřadnice každého vektoru u E V jsou vyjádřeny vztahem u= (u- ui)ui +----h (u ■ un)un. (5) V libovolné ortonormální bázi má skalární součin souřadný tvar u-v = x-y = xxyx H-----h xnyn kde x a y jsou sloupce souřadnic vektorů u a v ve zvolené bázi. (6) Ortogonální součet unitárních podprostorů V\-\-----h ve V je vždy přímý součet. (7) Je-li A c V libovolná podmnožina, pak A1- c V je vektorový (tedy i unitární) podprostor a (A-1)1- c V je právě podprostor generovaný A. Navíc platí V = (A)®A±. (8) V je ortogonálním součtem n jednorozměrných unitárních podprostorů. Důkaz. Všechna tvrzení jsou skutečně jednoduchými důsledky definic: (1),(2),(3): Daný systém vektorů nejprve doplníme do libovolné báze (ui,... ,un) vektorového prostoru V a spustíme na ni Grammovu-Schmidtovu ortogonalizaci. Tak získáme ortogonální bázi s vlastnostmi požadovanými v (3), viz. 7.5. Přitom ale z algoritmu Grammovy-Schmidtovy ortogonalizace vyplývá, že pokud již původních k vektorů tvořilo ortogonální systém vektorů, pak v průběhu ortogonalizace zůstanou nezměněny. Dokázali jsme tedy (2) i (1). 56 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE (4) : Nechť u = a±ui +----h anun. Pak u ■ Ui = ai(ui ■ Ui) H-----h an(un ■ Ui) = ai\\ui\\2 = a,i (5) : Podobně se spočte pro u = x\Ui H-----h xnun, v = y±ui H-----h ynun (viz. 7.2) u ■ v = (xxux H-----h xnun) ■ (yxux H-----h ynitn) = H-----h «nyn. (6) : Potřebujeme ukázat, že pro libovolnou dvojici Ví, Vj ze zadaných podprostorů je jejich průnik triviální. Je-li však u E Vi a zároveň u E Vj, pak je u±u, tj. u-u = 0. To je ale možné pouze pro nulový vektor u E V. (7) : Nechť u, v E A-1. Pak (au + bv) ■ w = 0 pro všechny w E A, a, b E K (z dis-tributivity skalárního součinu). Tím jsme ověřili, že A1- je unitární podprostor ve V. Nechť (vi,... , Vk) je nějaká báze (^4), vybraná z prvků A, (u±,... , u^) ortonormální báze vzniklá z Grammovy Schmidtovy ortogonalizace (vi,... , v^). Doplňme ji na ortonormální bázi celého V (obojí existuje podle již dokázaných částí věty). Protože se jedná o ortogonální bázi, je nutně (uk+i, ■ ■ ■ , un) = (ui,... , Uk)± = A1-a A c (uk+i, ■ ■ ■ lUn)1- (plyne z vyjádření souřadnic v ortonormální bázi). Je-li u±(uk+i,.. • , un), pak u je nutně lineární kombinací vektorů u±,... ,Uk, to je ale právě tehdy, když je lineární kombinací vektorů v\,... ,Vk, což je ekvivalentní s příslušností u do (A). (8) : Je pouze ekvivalentní formulací existence ortonormální báze. □ V další větě uvedeme důležité vlastnosti normy. 7.10. Věta. Pro každé vektory u, v v unitárním prostoru platí (1) + < ||it|| + (trojúhelníková nerovnost). Přitom rovnost nastane právě, když jsou u a v lineárně závislé. (2) \u • v\ < \\u\\ \\v\\ (Cauchyova nerovnost). Přitom rovnost nastane právě, když jsou u a v lineárně závislé. (3) pro každý ortonormální systém vektorů (e±,... , e^) platí \\u\\2 > \u • ei|2 +----h \u • e/b|2 (Besselova nerovnost). (4) Pro ortonormální systém vektorů (e±,... , e^) je u E (ei,... , ej-) právě když \\u\\2 = \u • ei|2 +----h \u • e&|2 (Parsevalova rovnost). (5) Pro ortonormální systém vektorů (e±,... , e^) a u E V je vektor w = (u- ei)ei H-----h (u ■ ek)ek jediným vektorem, který minimalizuje velikost \\u — v\\ pro všechny v E (ei,... ,ek). Důkaz. Všechny důkazy spočívají v podstatě v přímých výpočtech: (2): Definujme vektor w := u — ^v, tzn. w±v a počítejme .. Il9 .. Il9 (u ■ v), . u ■ v , . (u ■ v)(u • v).. .,9 ll^ll ll^ll ll^ll 0 < Hfyll2^!!2 = ||ti||2||í;||2 — 2(u • v)(u • v) + (u • v)(u • v) 7. EUKLIDOVSKÉ A UNITÁRNÍ VEKTOROVÉ PROSTORY 57 Odtud již přímo plyne, že ||m||2||í;||2 > \u • v\2 a rovnost nastane právě tehdy, když w = 0, tj. když jsou u a v lineárně závislé. (1): Opět stačí počítat \\u + v\\2 = \\u\\2 + \\v\\2 + u ■ v + v ■ u = \\u\\2 + \\v\\2 + 2Re(u ■ v) < \\u\\2 + \\v\\2 + 2\u-v\ < \\u\\2 + \\v\\2 + 2||w|||H| = (II«II + IMI)2 Protože se přitom jedná o kladná reálná čísla, je opravdu \\u+v\\ < + Navíc, při rovnosti musí nastat rovnost ve všech předchozích nerovnostech, to však je ekvivalentní podmínce, že u a v jsou lineárně závislé (podle předchozí části důkazu). (3), (4): Nechť (ei,... ,e&) je ortonormální systém vektorů. Doplníme jej do ortonormální báze (ei,... , en) (to vždy jde podle předchozí věty). Pak, opět podle předchozí věty, je pro každý vektor u £ V n n k \\u\\2 = ^2(u ■ e^iu^ěi) = y^\u- ej\2 > ^ \u ■ ej\2 i=l i=l i=l To je ale právě dokazovaná Besselova nerovnost. Přitom rovnost může nastat právě tehdy, když u ■ = 0 pro všechny i > k, a to dokazuje Parsevalovu rovnost. (5): Zvolme libovolný v £ (ei,... , e^) a doplňme daný ortonormální systém na ortonormální bázi (ei,... , en). Nechť (ui,..., un) a (x±,... , xj-, 0,..., 0) jsou souřadnice u a v v této bázi. Pak \\u - v\\2 = \ui - xi\2 H-----h \uk - Xk\2 + |ttfc+i|2 H-----1- \un\2 a tento výraz je zjevně minimalizován při volbě x\ = u±,..., xj- = u^. □ 7.11. Definice. Homomorfismus ip: V —>■ W unitárních prostorů se nazývá unitární zobrazení, jestliže platí pro všechny vektory u, v £ V, u ■ v = ■ W mezi unitárními prostory je prosté. Důkaz. Ve větě 7.9 jsme ověřili existenci ortonormální báze na V a vyjádřili jsme skalární součin pomocí souřadnic v takové bázi. Odtud okamžitě vyplývá, že zobrazení přiřazení souřadnic V —> Kn je pro libovolnou ortonormální bázi unitární isomorfismus. Předpokládejme ■ W je lineární zobrazení unitárních prostorů. Pak jsou následující podmínky ekvivalentní: (1)

(eť) • ip{ej) + ip{ej) ■ ■ V je bijekce, hovoříme také o unitární transformaci. 7.14. Věta. Nechť cp: V —>■ V je lineární zobrazení (endomoríismus) unitárního prostoru V. Pak jsou následující podmínky ekvivalentní: (1) ip je unitární transformace (2)

(4): Je-li ÄT = A~x v některé ortonormální bázi, pak to zaručuje platnost podmínky (2) ((p(u) ■ v = (Ax)TEy = xTEA-1y = u ■ íp~x(v)) a tedy i (3). (4) (5) Dokazované tvrzení je vyjádřeno prostřednictvím matice A zobrazení

■ V unitární zobrazení a U c V je invariantní podprostor vzhledem k ■ V je unitární zobrazení komplexních vektorových prostorů. Pak je V ortogonálním součtem jednorozměrných vlastních podprostorů. Důkaz. Tvrzení pro komplexní unitární prostory je přímým důsledkem předchozího lemmatu: Jistě existuje alespoň jeden vlastní vektor v E V. Pak je zúžení

■ V ortogonálně rozkládají na součet jednorozměrných a dvourozměrných invariantních podprostorů takových, že jednorozměrné jsou generovány vlastními vektory a příslušné vlastní hodnoty jsou ±1, zatímco zúžení

W reálných vektorových prostorů definujeme jeho komplexiíikaci ■ Wc vztahem (pc(x + iy) = (p(x)+i(p(y). Ponechávám na čtenáři ověření, že všechny tyto definice jsou korektní. 7.19. Lemma. Nechť V a W jsou reálné vektorové prostory s bázemi u = (til, • • • j um) a v = (vi,... , vn) a ■ W je lineární zobrazení s maticí A E Matnm(R) v těchto bazích. (1) komplexifíkace (pc : Vc —>■ Wc je lineární zobrazení a jeho matice v indukovaných bazích je opět A. (2) U C V je invariantní vzhledem k ■ V právě, když Uc c Vc je invariantní vzhledem k ■ {podprostory ve Vc} dané komplexifikací má velice přehledné vlastnosti. Naopak, každý komplexní vektorový prostor můžeme chápat jako reálný (pomocí zúžení pole skalárů R c C). V opačném směru pak máme zobrazení re,im: {podprostory ve Vc} —>■ {podprostory ve V}, která jsou projekcemi na jednotlivé komponenty a jsou lineární nad R. Opět nám přímé součty přechází na přímé součty. Uvažme lineární zobrazení cp: V —>■ V na reálném vektorovém prostoru. Jeho charakteristický polynom \A — XE\ je zároveň charakteristickým polynomem (pc a má, včetně násobností, n = dimV (obecně komplexních) kořenů Ai,... ,An. Budeme značit Q\ c Vc vlastní podprostor příslušný vlastní hodnotě A a P\ = re(Qx) c V. 7. EUKLIDOVSKÉ A UNITÁRNÍ VEKTOROVÉ PROSTORY 61 7.21. Lemma. Nechť X je kořen charakteristického polynomu lineárního zobrazení ■ V je lineární zobrazení na reálném vektorovém prostoru. Předpokládejme, že všechny vlastní hodnoty jeho komplexifíkace ■ V je ortogonální zobrazení euklidovských vektorových prostorů. Pak V je ortogonálním součtem jednorozměrných a dvourozměrných invariantních podprostorů takových, že jednorozměrné jsou generovány vlastními vektory a příslušné vlastní hodnoty jsou ±1, zatímco zúžení

■ V je libovolné lineární zobrazení (reálného nebo komplexního) unitárního prostoru s m = dim V vlastními hodnotami (včetně násobonosti). Pak existuje ortonormální báze prostoru V taková, že

(u + T4) e V/Vk, tj. v každé třídě rozkladu V/Vk existuje právě jeden vektor z V^~ (tuto vlastnost má faktorový prostor podle libovolného podprostorů v unitárním prostoru - pokud u, v e V^~ jsou v jedné třídě, pak jejich rozdíl patří do Vk n V^~, tedy jsou stejné). Můžeme tedy jako reprezentanta Uk+i nalezené třídy (vlastního vektoru K. Vektorový prostor všech lineárních forem na V nazýváme duální vektorový prostor k V a značíme jej V*. Pro každé lineární zobrazení ■0: V —>■ W vektorových prostorů definujeme duální zobrazení i/)* : W* —>■ V* vztahem i/)*(a)(u) = a(il)(u)) pro všechny lineární formy a E W* a vektory u E V. Pro každý vektorový prostor V definujeme operaci vyčíslení { , ): V x V* —>■ K, (u,■ W lineární zobrazení s maticí A v bazích u, w, pak matice duálního zobrazení ■ V* v duálních bazích je matice AT. Důkaz. (1): Máme v = x\Ui +----h xnun a a = y\u\ +----h ynu*n, proto {v, a) = a(v) = yiu*(v) H-----h ynK(v) = xxyx H-----h xnyn = yTx. (3): Nechť dále z E Kn jsou souřadnice formy f3 E W* v duální bázi w* na W*. Pak (v,■ W nazýváme bilineární zobrazení, jestliže pro libovolné u±,u2 E U, vi,v2 E V, a, b E K platí f(au! + bu2,v1) = afiuxjVx) -\-bf(u2,v1) /(til, av! + bv2) = a f(m, v{) + b f(u!,v2) Jinak řečeno, /: U x V —>■ W je bilineární právě, když obě indukovaná zobrazení /: U —>■ Hom(V, W), f: V —>■ Hom(ř7, W) jsou lineární (pro pořádek bychom měli od sebe tato dvě zobrazení odlišovat značením, nebudeme to ale v dalším potřebovat). Přímo z definice tedy plyne, že hodnota bilineárního zobrazení / na lineárních kombinacích u = a\Ui + ... akuk E U, v = biVi + ... b^ve E V je f(u,v) = ^2aibjf(ui,vj) i, j zejména je pro každou dvojici bazí u, v na U a V bilineární zobrazení / jednoznačně definováno libovolnou volbou hodnot f(ui,Vj) E W na všech dvojicích bázových vektorů. Zvolíme-li tedy ještě bázi w na W, je každé takové / definováno libovolnou "třírozměrnou maticí" s prvky fijk, f(ui,Vj) = fijkWk- 8.6. Definice. Bilineární zobrazení /: U x V —>■ K se nazývá bilineární forma na U a, V. Je-li U = V, hovoříme o bilineární formě / :?7xř7—>Knař7. Nechť u = (tii, • • • , um), v = (vi,... , vn) jsou báze prostorů U a V. Matice A = (a^) s prvky aij = f(ui,Vj) se nazývá matice bilineární formy f v bazích u, v. Bilineární forma / na U se nazývá symetrická, jestliže f(u,v) = f(v,u) pro všechny u,v E U, resp. antisymetrická, jestliže f(u,v) = —f(v,u). 8. FORMY A TENSORY 65 8.7. Věta. Nechť U, V jsou vektorové prostory s bázemi u = (ui,... ,um), v = (vi,... , vn), f: U x V —>■ K nechť je bilineární forma s maticí A. (1) Jsou-li x E Km, y E Kn souřadnice vektorů u E U, v E V ve zvolených bazích, pak f(u, v) = xTAy. (2) Vektorový prostor všech bilineárních forem /: U x V —> K je isomorfní prostoru matic Matmn (K). (3) Zobrazení f:U—> V*, f(u)(v) = f(u,v), je lineární zobrazení U —>■ V* s maticí AT v bazích u a v*. (4) Je-li S matice přechodu od u k y! a P matice přechodu od v k v', pak pro matici B formy f v nových bazích platí A = STBP, tj. B = S~1TAP~X. (5) Je-li U = V, pak f je symetrická právě, když matice A je symetrická. (6) Je-li U = V, pak f je antisymetrická právě, když matice A je antisymet-rická. Při charakteristice pole K větší než dvě je to ekvivalentní podmínce f(u, u) = 0 pro všechny u E U. Důkaz. (1): ajť«ť, y3Vj) = £\j x^a^ = xTAy. (2) : Struktura vektorového prostoru na množině všech bilineárních forem je dána sčítáním a násobením skalárem na hodnotách forem v K. Z předchozího souřadného vyjádření přímo plyne, že přiřazení matice formy zachovává tuto strukturu. Např. (/ + g)(u,v) = xTAy + x1By = xT(A + B)y, kde A, B jsou matice forem /, g (ověřte si zbývající vlastnosti!). (3) : Že je / lineární již víme (přímo z definice). Z definice A = (a^) plyne f(ui)(vj) = a,ij, tzn. f(ui) = Yľj=iaijvj- Proto i-tý sloupec matice zobrazení / musí být i-tý řádek matice A. (Jinak: f se v souřadnicích napíše x \-> (y \-> xTAy), tj. x ^ (xTA) = (ATx)T.) (4) : Nechť x, x', y, y' jsou po řadě souřadnice v staré a nové bázi na U a V. Pak x' = Sx, y' = P y a dostáváme f(u,v) = x'TBy' = (Sx)TBPy = xT(STBP)y (5) : Forma / je symetrická právě, když f(u,v) = f(v,u) pro všechny u,v E U, ale to je právě, když f(ui, Uj) = f(uj,Ui) pro všechny vektory báze. (6) : Zcela stejně jako (5). Navíc z antisymetričnosti okamžitě plyne f(u,u) = —f(u,u), tj. 2f(u,u) = 0 pro všechny u E U. Naopak, z 0 = f (u + v, u + v) = f (u, u) + f (v, v) + f (u, v) + f (v, u) = f (u, v) + f (v, u) pak vyplývá antisymetrie. □ 8.8. Definice. Hodností bilineární formy f: U x V —>■ K rozumíme hodnost matice A této formy v libovolně zvolených bazích na U a V, značíme h(f). Vrchol symetrické bilineární formy /: V x V —> K je definován jako jádro zobrazení /: V —> V *. Podle tvrzení (3) předchozí věty je hodnost / rovna dimenzi obrazu lineárního zobrazení /, proto nezávisí na volbě báze a je rovna právě počtu lineárně nezávislých sloupců v matici A. Vrchol symetrické formy / můžeme přímo definovat jako podprostor vektorů v E V splňujících f(v,u) = 0 pro všechny vektory u E V. Zřejmě je součet hodnosti symetrické formy na V a dimenze jejího vrcholu roven dimenzi vektorového prostoru V. 66 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE 8.9. Poznámky. Jestliže vhodně vybereme báze na U a V, pak dosáhneme pro každou předem zvolenou bilineární formu toho, že její matice je diagonální s h(f) jedničkami a dimV — h(f) nulami na diagonále: Podle 1.14 vždy totiž existují invertibilní matice P, Q pro které je B = PAQ v požadovaném tvaru. Stačí tedy použít matice přechodu P~1T a Q~x. Pokud uvažujeme bilineární formu na V, pak nás samozřejmě více zajímá jaký tvar může mít její matice v jedné bázi u na V. Maticím B, A E Matn(K), pro které je B = STAS s vhodnou invertibilní maticí S říkáme kongruentní matice. Víme tedy, že dvě matice jsou maticemi jedné a téže bilineární formy právě, když jsou kongruentní. Jedním z našich dalších cílů bude ukázat, že pro každou symetrickou matici lze najít diagonální matici s ní kongruentní. Každou bilineární formu /: V x V —> K můžeme vyjádřit jako /(«, v) = \(f(u, v) + f (v,u)) + !(/(«, v) - f (v,u)) tj. / se rovná součtu symetrické a antisymetrické formy. Odpovídající matice v kterékoliv bázi jsou právě symetrizace \(A + AT) a antisymetrizace |(A — AT). Tuto skutečnost můžeme vyjádřit tvrzením, že vektorový prostor všech forem je přímým součtem symetrických a antisymetrických forem. 8.10. Definice. Kvadratická forma na vektorovém prostoru V je takové zobrazení /: V —>■ K, že existuje symetrická bilineární forma g: V x V —>■ K splňující f(u) = g(u,u) pro všechny u E V. Bilineární forma g se nazývá polární forma kvadratické formy /. Hodností kvadratické formy rozumíme hodnost její polární formy. 8.11. Věta. Nechť f: V —>■ K je kvadratická forma. (1) Pro každé u E V, a E K platí f (au) = a2 f (u) (2) polární forma g kvadratické formy f je jednoznačně určena a platí g(u,v) = ±(f(u + v)-f(u)-f(v)). (3) Zobrazení f: V —>■ K je kvadratická forma právě když platí, že zobrazení definované v (2) je bilineární a f(—u) = f(u) pro všechny u E V. Důkaz. (1): f(au)=g(au,au) = a2g(u,u) = a2f(u). (2) : f(u+v) = g(u+v,u+v) = g(u, u) +g(v, v)+2g(u, v) protože je g symetrická. Odtud plyne i jednoznačnost polární formy g. (3) : Definujme g vztahem z (2). Pak g je jistě symetrické v u,v, stačí tedy předpokládat bilinearitu (pokud existuje polární forma k /, musí být dána tímto vztahem). Přitom z definice je 2g(u, —u) = f(u+ (—u)) — f(u) — f(—u). Zejména pro u = 0 obdržíme (z bilinearity g), že /(O) = 0. Potom však předchozí rovnost dá -2g(u,u) = -2f(u) □ K vyjádření dané kvadratické formy v souřadnicích vzhledem ke zvolené bázi na V použijeme matice příslušné polární formy. Tzn. pro u = x±ui + • • • + xnun 8. FORMY A TENSORY 67 máme f (u) = xTAx pro symetrickou matici A. Často zapisujeme formu / ve tvaru f(xi,... ,xn) = Ylij dijXiXj, hovoříme o analytickém tvaru formy f. Ukážeme nyní, že pro vhodnou bázi bude matice A diagonální, tj. pro příslušnou polární formu g bude platit g(ui,Uj) = 0 při i ^ j. Takovou bázi nazýváme polární báze kvadratické formy /. Na následující větě je nejpodstatnější její důkaz, protože podává algoritmus, jak takovou polární bázi najít. 8.12. Věta (Lagrangeova). Nechť V je vektorový prostor nad K dimenze n, f: V —>■ K kvadratická forma. Pak na V existuje polární báze pro f. Důkaz. (1) Nechť A je matice / v bázi u = (ui,... , un) na V a předpokládejme au 7^ 0. Pak můžeme psát f(xi,... , xn) = anx\ + 2ai2xix2 H-----V «22^2 + • • • = a^{a\\X\ + ai2x2 +----V ainxn)2 + členy neobsahující x\ Provedeme tedy transformaci souřadnic (tj. změnu báze) tak, aby v nových souřadnicích bylo x'i = anxi + ai2:E2 H-----h alnxn, x'2 = x2, ■ ■ ■, x'n = xn. To odpovídá nové bázi (spočtěte si příslušnou matici přechodu!) Vl = au v,!, v2 = u2 - a^a12uu ...,vn = un- a^a^ux a tak jak lze očekávat, v nové bázi bude polární forma splňovat g(vi,Vi) = 0 pro všechny i > 0 (přepočtěte!). Má tedy / v nových souřadnicích analytický tvar aiixi2 + K kde h je kvadratická forma nezávislá na proměnné x\. Z technických důvodů bývá (pro jisté teoretické úvahy) lepší zvolit v nové bázi vi = ui, opět dostaneme výraz f = fi + h, kde fi závisí pouze na x[, zatímco v h se x'i nevyskytuje. Přitom pak g(vi,vi) = au. (2) Předpokládejme, že po provedení kroku (1) dostaneme pro h matici (řádu o jedničku menšího) s koeficientem u x'22 různým od nuly. Pak můžeme zopakovat přesně stejný postup a získáme vyjádření f = fi + f2 + h, kde v h vystupují pouze proměnné s indexem větším než dvě. Tak můžeme postupovat tak dlouho, až buď provedeme n — 1 kroků a získáme diagonální tvar, nebo v řekněme i-tém kroku bude prvek au dosud získané matice nulový. (3) Nastane-li poslední možnost, ale přitom existuje jiný prvek a3J- 7^ 0 s j > i, pak stačí přehodit i-tf prvek báze s j-tým a pokračovat podle předešlého postupu. (4) Předpokládejme, že jsme narazili na situaci = 0 pro všechny j > i. Pokud přitom neexistuje ani žádný jiný prvek ajk 7^ 0 s j > i, k > i, pak jsme již úplně hotovi neboť jsme již dosáhli diagonální matici. Předpokládejme, že ajk ^ 0. Použijeme pak transformaci v j = u j + uj-, ostatní vektory báze ponecháme (tj. x'k = Xfr — Xj, ostatní zůstávají). Pak h(vj,Vj) = h(uj,Uj) + h(uk,uis:) + 2h(uis:,Uj) = 2ajk 7^ 0 a můžeme pokračovat podle postupu v (1). □ 8.13. Důsledek. Je-li f kvadratická forma hodnosti r na prostoru V, dim V > r, pak existuje polární báze na V, ve které má f analytický tvar f(xi,... ,xn) = Xix2 + • • • + Xrx2. Zejména je počet nenulových diagonálních prvků v matici v polární bázi roven hodnosti formy f. 68 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE 8.14. Příklad. Nechť/: R3 ->■ K, f{xux2,x3) = 3>x\ + 2xxx2 + x% + Ax2x3 + 6ar|. /3 1 0\ Její matice je A = I 1 1 2 I . Podle bodu (1) algoritmu provedeme úpravy \0 2 6/ 1 2 /(aľi,aľ2,aľ3) = g(3ai + x2)2 + -x\ + Ax2x3 + §x\ 1 9 3 o 3 1 2 2 a vidíme, že forma má hodnost 2 a matice přechodu do příslušné polární báze w se získá posbíráním provedených transformací: 2 2 ^3 = ž/3 = x3, z2 = -y2 + 2y3 = -x2 + 2x3, z\ = y\ = 3xi + x2 /O 0 1 Pokud by ale např. f(xi,x2,x3) = 2x±x3 + x2, tj. matice je A = I 0 1 0 pak hned v prvním kroku můžeme přehodit proměnné: y\ = x2, y2 = x±, y3 = x3. Aplikace kroku (1) je pak triviální (nejsou tu žádné společné členy), pro další krok ale nastane situace z bodu (4). Zavedeme tedy transformaci z± = y±, z2 = y2, z3 = y3- yi- Pak /(a;i,a;2,a;3) = z2 + 2z2(z3 + z2) = z2 + ^(2z2 + z3)2 - \^z\ Matici přechodu do příslušné polární báze opět dostaneme posbíráním jednotlivých transformací (tj. vynásobením jednotlivých dílčích matic přechodu). 8.15. Všimněme si podrobněji, jak vypadají transformace použité v bodu (1) algoritmu z Lagrangeovy věty. Mají vždy horní trojúhelníkovou matici T a navíc, při použití technické modifikace zmíněné v důkazu má tato matice jedničky na diagonále: ' -y _ Q.12 _ O-nl «11 " " " «11 T= O 1 ... O Taková matice přechodu od u k v má několik pěkných vlastností. Zejména její hlavní submatice tvořené prvními k řádky a sloupci jsou matice přechodu podprostorů Pk = (ui, • • •, Uk) od báze (ui,... , u^) k bázi (v±,... , Vk)- Hlavní submatice Ak matice A formy / jsou maticemi zúžení formy / na Pj,. Při přechodu od u k v daném maticí přechodu T jsou tedy matice Ak a A'k zúžení na podprostory Pk ve vztahu Ak = T£A'^Tk)-1. Inverzní matice k horní trojúhelníkové s jedničkami na diagonále je přitom opět horní trojúhelníková s jedničkami na diagonále, můžeme tedy podobně vyjádřit i A' pomocí A. Podle Cauchyovy věty jsou tedy determinanty matic Ak a A'k stejné. Celkem jsme tak dokázali velice užitečné tvrzení 8. FORMY A TENSORY 69 Lemma. Nechť f kvadratická forma na V, dim V = n, a nechť je u báze V taková, že při hledání polární báze algoritmem z Lagrangeovy věty není nikdy potřebné použít body (3) a (4). Pak je výsledkem analytické vyjádření f{xu ... ,xn) = Xxx\ + X2xj H-----h Xrx2r kde r je hodnost formy f, Ai,... , Xr ^ 0 a pro hlavní submatice (původní) matice A kvadratické formy f platí \ A^ \ = X1X2 ■ ■ ■ A&, k < r. □ 8.16. Důsledek (Jacobiho věta). Nechť f je kvadratická forma hodnosti r na vektorovém prostoru V s maticí A v bázi u. V Lagrangeově algoritmu není zapotřebí jiného kroku než doplnění čtverců právě, když pro hlavní submatice v A platí \Ai\ ^ 0, ... , \Ar\ ^ 0. Pak existuje polární báze (a obdržíme ji výše odvozeným algoritmem), ve které má f analytické vyjádření f(x±, . . . , xn) = \Ai\x\ + -r— tx\ + • • • + -j—: rx2. \Al\ \Ar-l\ Důkaz. Tvrzení vyplývá přímo z předchozího lemmatu, stačí si jen uvědomit, že při každé postupné transformaci se vždy další sloupec pod diagonálou v matici A vynuluje. Odtud již je jasné, že nenulovost hlavních minorů skutečně zaručí (díky tomu, že jejich hodnota se při transformacích nemění) nenulovost dalšího diagonálního členu v A. □ 8.17. Klasifikace pro K = C. Nechť V je komplexní vektorový prostor. Pro každou lineární formu ( 0 zatímco pro v E Q je f (v) < 0. Nutně tedy platí P n Q = {0} a proto dimP + dim<5 < n. Odtud plyne p + (n — q) < n, tj. p < q. Opačnou volbou podprostorů však získáme i q < p. Je tedy p nezávislé na volbě polární báze. Pak ovšem pro dvě matice se stejnou hodností a stejným počtem kladných koeficientů v diagonálním tvaru příslušné kvadratické formy získáme stejný kongruentní kanonický tvar. □ 8.19. Definice. Nechť / je kvadratická forma na reálném vektorovém prostoru V. Číslo p z předchozí věty nazýváme signaturou formy f. Formu / nazýváme (1) positivně definitní, je-li f(u) > 0 pro všechny u ^ 0 (2) positivně semidefinitní, je-li f(u) > 0 pro všechny u E V (3) negativně definitní, je-li f(u) < 0 pro všechny u ^ 0 (4) negativně semidefinitní, je-li f(u) < 0 pro všechny u E V (5) indefinitní, je-li f(u) > 0 a f (v) < 0 pro vhodné u, v E V. O reálné symetrické matici řekneme, že je positivně definitní, resp. positivně semidefinitní, negativně definitní, negativně semidefinitní, indefinitní, jestliže má tuto vlastnost jí definovaná kvadratická forma na Kn. Signaturou symetrické matice rozumíme signaturu příslušné kvadratické formy. 8. FORMY A TENSORY 71 8.20. Důsledek. Reálná symetrická matice, resp. kvadratická forma na vektorovém prostoru dimenze n je (1) indefinitní právě, když má nenulovou signaturu různou od hodnosti (2) positivně deňnitní právě, když má hodnost i signaturu n (3) positivně semideňnitní právě, když má stejnou hodnost i signaturu r < n (4) negativně deňnitní právě, když má signaturu 0 a hodnost n (5) negativně semideňnitní právě, když má signaturu 0 a hodnost r < n 8.21. Důsledek (Sylvestrovo kritérium). Symetrická reálná matice A je positivně deňnitní právě, když jsou všechny její hlavní minory kladné. Symetrická reálná matice A je negativně deňnitní právě, když (—l)l\Ai\ > 0 pro všechny hlavní submatice A{. Důkaz. Jsou-li všechny hlavní minory kladné, pak podle Jacobiho věty (8.16) umíme najít polární bázi, ve které má daná kvadratická forma / tvar f(x±, . . . , Xn) = 1^4.1 + ]—: \x\ + • • • + t— :X2 l^-i | Je tedy jistě / positivně deíinitní. Předpokládejme naopak, že forma / je positivně deíinitní. Pak pro vhodnou regulární matici P platí A = PTEP = PTP. Je tedy \A\ = \P\2 > 0. Nechť u je zvolená báze, ve které má forma / matici A. Zúžení / na podprostory Vk = (ui,... ,Uk) je opět positivně deíinitní forma jejíž maticí v bázi u\,... ,uk je hlavní submatice Ak. Proto je podle předchozí části důkazu také \Ak\ > 0. Tvrzení o negativně definitních vyplývá z předchozího a skutečnosti, že A je positivně deíinitní právě, když —A je negativně deíinitní. □ 8.22. Definice. Hermiteovská forma f: V x V —>■ C na komplexním vektorovém prostoru V je zobrazení, které je lineární v prvním argumentu a f(u,v) = f(v,u). Komplexní matice A se nazývá Hermiteovská, je-li A = AT. 8.23. Věta. Nechť f: V x V ->■ C je Hermiteovská forma. (1) V libovolné bázi u na V je f dáno Hermiteovskou maticí A = (oý), a^- = f(ui, Uj) a v souřadnicích je f dáno (x, y) i->- xTAy. (2) Transformací do nové báze prostřednictvím matice přechodu P, (tj. pro nové souřadnice x' = Px) získáme matici B formy f splňující A = PTBP. Důkaz. Obě vlastnosti přímým výpočtem. □ Nyní budeme zkoumat vlastnosti bilineárních, Hermiteovských a kvadratických forem na unitárních prostorech. To znamená, že budeme opět hledat co nejjed-nodušší souřadné vyjádření, avšak pouze v ortonormálních bazích. Níže uvedená tvrzení jsou přímou aplikací výsledků o samoadjungovaných zobrazeních, které odvodíme až v kapitole 10. Nyní se tedy omezíme na formulaci tzv. metrické klasifikace symetrických bilineárních, resp. hermiteovských forem a uvedeme některé jejich důsledky. 72 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE 8.24. Věta. Každá symetrická bilineární forma f na euklidovském prostoru V, dim V = n, má ve vhodné ortonormální bázi analytický tvar f(x,y) = XiXtfj! H-----VXnXnVn- Každá hermiteovská forma / na komplexním unitárním prostoru V, dim V = n, má ve vhodné ortonormální bázi tvar f (z, w) = Ai«it«i H-----h Xnznwn. Přitom v obou případech jsou koeficienty Ai,... , Xn vždy reálné kořeny charakteristické rovnice det(Q — XE) = 0, kde Q je matice f v libovolné ortonormální bázi, a jsou určeny jednoznačně až na pořadí. Hledaná báze je pak určena vlastními vektory danými rovnicí (Q — XíE)xí = 0. Důkaz. Viz. odstavec 10.19 8.25. Důsledek. Nechť f je kvadratická forma na euklidovském prostoru V. Pak má ve vhodné ortonormální bázi analytický tvar f(x) = Xxxl H-----h Xnx2n. Hermiteovské kvadratické formy f na komplexním unitárním V (tj. f(u) = g(u, u) pro hermiteovskou g) mají ve vhodné ortonormální bázi tvar f (z) = Xxzxžx H-----h Xnznžn. Přitom v obou případech jsou koeficienty Ai,... , Xn vždy reálné kořeny charakteristické rovnice det(Q — XE) = 0, kde Q je matice f v libovolné ortonormální bázi, a jsou určeny jednoznačně až na pořadí. Hledaná báze je pak určena vlastními vektory danými rovnicí (Q — XíE)xí = 0. 8.26. Důsledek. Nechť f je pozitivně deňnitní kvadratická forma, g libovolná další kvadratická forma na euklidovském prostoru V. Pak existuje báze V taková, že v ní mají f a g tvar: f(x) = x\ + ... + xl g(x) = Aiaii H-----h Xnxn Důkaz. Podle Lagrangeovy věty umíme najít takovou bázi, ve které má / požadovaný tvar (díky pozitivní deíinitnosti). Při libovolné následné změně báze pomocí ortogonální matice přechodu se ale již tento tvar / nebude měnit, můžeme ale přitom dosáhnout požadovaného tvaru pro g. □ Na závěr této kapitoly uvedeme lineární, bilineární a kvadratické formy do souvislosti s obecnějšími pojmy tensorové algebry. 8. FORMY A TENSORY 73 8.27. Tensorový součin. Nechť V a W jsou konečněrozměrné vektorové prostory nad stejným polem skalárů K. Zvolme jejich báze u = (u±,... ,um), v = (vi,... , vn). Uvažme nyní vektorový prostor Z všech (formálních) lineárních kombinací výrazů Wij = itj v j, tzn. m n z = (^2 ^2 cíj(uí ® C{iG K} i=i j=i kde sčítání definujeme pomocí součtu koeficientů u stejných výrazů, násobení skalárem na všech koeficientech. Je tedy Z isomorfní standardnímu vektorovému prostoru Kmn. Zjevně každé vektory u E V, v E W určují také vektor u® v E Z prostřednictvím svých souřadných vyjádření a dostáváme tak bilineární zobrazení i: V x W —>■ Z. Navíc také každá konečná lineární kombinace takových prvků u®vEZ]evZ& všechny jsou tohoto tvaru. Každé bilineární zobrazení /: V x W —>■ U můžeme nyní výhodně vyjádřit prostřednictvím jednoznačně definovaného lineárního zobrazení f:Z—>U takto: Chceme dosáhnout / = / o i, proto na bázových vektorech Ui v j musí být f(ui <8> Vj) = f(ui,Vj). Tím je lineární zobrazení / zadáno jednoznačně a platnost požadovaného vztahu / = / o i je zřejmá. Takto konstruovaný vektorový prostor Z nazýváme tensorový součin vektorových prostorů V a W. Většinou jej značíme V ®W. 8.28. Nedostatkem naší konstrukce prostoru Z je její explicitní závislost na volbě bazí. Samozřejmě volba jiných bazí u', v' pro V a W povede na výrazy w'^ = ufavj, které opět můžeme chápat jako prvky Z. Závislosti na volbě bazí se lze zbavit např. tak, že zapomeneme, které báze u, v jsme původně použili pro konstrukci Z, a ponecháme pouze transformační vztahy mezi takto vzniklými bázemi pro V®W. Z hlediska čistých algebraických definic je přijatelnější následující obecná konstrukce: Nejprve zkonstrujeme nekonečněrozměrný prostor T všech konečných lineárních kombinací formálních výrazů u® v. (Tzn., že T má nespočetnou bázi {u v; u E V, v E W}.) Pak definujeme vektorový podprostor I c T, generovaný všemi výrazy a(u <8> v) — (au) v, (au) v — u (av) (u + u') v — u v — u' v u (v + v') — u <8> v — u <8> v' kde a E K, u, u' E V, v, v' E W jsou libovolné. Tensorový součin V W je pak definován jako faktorový prostor T/I. Takto definovaný vektorový prostor opět má tu vlastnost, že V x W je zobrazeno doT/I prostřednictvím bilineárního zobrazení o: V x W ^ T/I, (u, v) (u vmodI) a každé bilineární zobrazení /: V x W —>■ U je jednoznačně vyjádřeno jako f = fot, kde lineární / je definováno vztahem (píšeme jakoby bylo definováno na T, ve skutečnosti ale výrazy jsou nulové na /) f(u®v) = /(«,«) Aplikací této vlastnosti na kanonická bilinární vložení V x W do prostoru Z z 8.27 a do T/I dostáváme, že T/I je vždy isomorfní Z. 74 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE 8.29. Dualita. Vektory v tensorovém součinu V* <8> W lze názorně chápat jako lineární zobrazení V —>■ W. Každý takový vektor je lineární kombinací výrazů v* <8> w, kde v* E V* je lineární forma na V a w E W. Můžeme tedy definovat lineární zobrazení Wu®v ■ V ->■ W, «!->(«, v*)w Podívejme se, jak vypadají matice takových zobrazení. V pevně zvolených bazích u, v na V a W dostáváme í v j pro i = k (Pui®vj[Uk) = < l 0 pro % ťc k. To znamená, že matice ■ W je přirozeně isomorfní tensorovému součinu V* (8) W. Tento isomorfísmus je definován vztahem V* W 3 v* w (u (u, v*)w) E Hom(V, W) 8.31. Aplikací předchozích úvah dostáváme například isomorfismy {lineární formy na V} ~ V* {bilineární formy na V} ~ V* ® V* Navíc přímo z definic je vidět, že duální prostor k tensorovému součinu je tensorovým součinem duálních prostorů. Např. pro v w* E V (8) W* a v* (8) w E V* (8) W definujeme vyčíslení (v* <8> w, v <8> w*) = (v, v*)(w, w*) a můžeme ztotožnit (V* <8> W)* = V <8> W*. Všimněme si, že vyčíslením symetrických bilineárních forem z (V* <8> V*) na prvcích v <8> v E V <8> V dostáváme právě dříve studovaný vztah mezi kvadratickými formami a jejich polárními bilineární mi formami. Další stručné informace o tensorech lze najít v dodatku 13. Problémy k přemýšlení Nejprve uvedu náměty týkající se předchozí kapitoly o skalárních součinech. 1. Modifikujte Lagrangeův algoritmus pro nalezení diagonálního tvaru hermiteov-ských forem a ukažte, že každou lze upravit do tvaru f(x) = \xi\2 + ■ ■ ■ + \xr\2, kde r je hodnost formy /. (Návod: všimněte si, že diagonální členy hermiteovských matic jsou reálné a použijte souřadný tvar z věty 8.23.) PROBLÉMY K PŘEMÝŠLENÍ 75 2. Z definice 7.1 skalárního součinu můžeme vypustit axiom (4) a nahradit jej požadavkem regulárnosti (tj. z g(u, v) = 0 pro všechny v E V plyne ti = 0). V případě reálných skalárů hovoříme o pseudo-euklidovských vektorových prostorech. Ukažte, že v případě komplexních skalárů nedostáváme nic nového, tj. vždy bude existovat unitární isomorfisums s Cn se standardním skalárním součinem. (Návod: použijte předchozí cvičení ke konstrukci ortonormální báze) 3. Použijte klasifikaci reálných kvadratických forem (8.18) ke klasifikaci všech ko-nečněrozměrných pseudo-euklidovských prostorů (až na ortogonální isomorfismus). (Návod: ověřte existenci ortogonální báze e = (ei,... , en) s ||ej|| = ±1.) 4. Ukažte, že v pseudo-euklidovských prostorech nemá velikost vektoru vlastnosti normy (viz. 7.10) a také ortogonální báze nemají některé důležité vlastnosti známé z euklidovských prostorů. 5. Ukažte, že i pro pseudo-eklideovské prostory definuje skalární součin lineární isomorfismus s duálním vektorovým prostorem. 6. Sformulujte a dokažte analogii vět 7.12 a 7.13 pro (pseudo-)ortogonální zobrazení. Ukažte, že (pseudo-)ortogonální transformace Rm —>■ Rm tvoří grupu, značíme ji 0(p, q, R), kde p je signatura příslušné formy, q = n — p. Jedná se o grupu matic A splňujících J = AT$A, kde J je diagonální matice s p jedničkami a q minus jedničkami na diagonále. 7. Je možné také definovat tzv. komplexní euklidovské prostory. Prostě axiom (1) definice 8.1 nahradíme jeho reálnou verzí u • v = v • u. Transformace, které zachovávají takto definovaný skalární součin nazýváme komplexní ortogonální matice. Ukažte, že opět lze vždy najít ortonormální bázi, ve které má součin tvar g(u, v) = YlixiVi- Komplexní ortogonální matice tvoří grupu 0(m,C) komplexních matic. Uvědomte si výrazný rozdíl mezi U(m) a 0(m, C). (Např. U(l) = {elt, 0 < t < 2n}, 0(1,C)={±1}.) Nyní se vraťme k obsahu této kapitoly. 8. Ukažte, že pro vektorové prostory V s nekonečnou bazí nikdy netvoří lineární formy it|, i E I duální k vektorům báze V bázi V*. (Návod: formálně nekonečný součet Yliui Je dobře definovaná lineární forma ve V*, nemůže však být v («!).) 9. Ukažte, že duální prostor (V*)* k duálnímu prostoru obsahuje vždy původní prostor V a V ~ (V*)* právě, když má V konečnou dimenzi. (Návod: v E V odpovídá formě, (v, ), tj. v( (V*)* vložení z předchozího problému. Pak pro každé lineární (p: 7->7na konečněrozměrném V je i-1 o (cp*)* o i = p(A,C) (4) V každé kartézké souřadné soustavě (A0; e) mají body A = A0 + a1e1-\-----Y anen, B = A0 + b1e1-\-----h bnen vzdálenost \/Yľi=i(ai ~ h)2- (5) Vzdálenost bodu A e £n od podprostorů Q C £n je rovna velikosti kolmého průmětu vektoru A — B do Z(Q)1- pro libovolný B e Q. Důkaz. První tři vlastnosti vyplývají přímo z vlastností normy v unitárních vektorových prostorech, čtvrtá plyne přímo z vyjádření skalárního součinu v libovolné ortonormální bázi. Zbývá vztah pro výpočet vzdálenosti p({A}, Q). Vektor A — B se jednoznačně rozkládá na A — B = u± + u2, u± e Z(Q), u2 e Z(Q)-1-. Přitom u2 nezávisí na volbě B e Q, C = A + (-u2) = B + m e Q a \\A - B\\2 = \\m\l2 + \\u2\\2 > \\u2\\2 = \\A — C\\. Odtud již vyplývá, že infima je skutečně dosaženo, a to pro bod C. Vypočtená vzdálenost je skutečně \\u2\\. □ Stejně jako vzdálenost, i řada dalších geometrických pojmů jako odchylky, orientace, objem apod. je v bodových prostorech £n zaváděna prostřednictvím vhodných pojmů ve vektorových euklidovských prostorech. Proto se nyní budeme chvíli věnovat opět reálným unitárním prostorům. Začneme s diskusí velikosti úhlů. Z Cauchyovy nerovnosti plyne 0 < J^'ľ],, < 1, má tedy smysl následující definice. 9. BODOVÉ EUKLIDOVSKÉ PROSTORY 77 9.3. Definice. Odchylka ((«), (v)); 0 ^ u E Uu 0 ^ v E U2}. (3) Je-li Ui c U2 nebo U2 c U\ (zejména je-li jeden z nich nulový), je a = 0. (4) Je-li Č7i n U2 + {0} a Ux ± Uľ n U2 + U2, pak a = ■ U2- Zobrazení ip: U2 —>■ U\ nechť vznikne podobně z kolmého průmětu na C7i. Tato zobrazení mají v bazích (ei,... , ek) a (e[,... , e[) matice A í ei ■ ei \ ei • e'i e/b • ei \ ek-e'J B ( ei ■ ei V ei • ek erei\ e'rekJ Zejména platí B = AT. Složené zobrazení ip o ■ U\ má tedy symetrickou matici ATA. V příští kapitole, ve větě 10.11, ukážeme, že každé takové zobrazení má pouze reálná vlastní čísla a že má ve vhodné ortonormální bázi diagonální matici s těmito vlastními čísly na diagonále. Navíc platí pro každou fc-tici x souřadnic xTATAx = ||Ar||2 > 0, jsou tedy všechna vlastní čísla matice A nezáporná. Nyní můžeme odvodit obecný postup pro výpočet odchylky a = fc||) kde v\ = ui, f 2 = U2 + Oi^i, • • •, vk = uk + a\vi + • • • + a^^Vk-i je výsledek Grammova-Schmidtova ortogonalizačního procesu. Je tedy (V! - V! ... Vk-V! ; ; Vl-Vk ... Vk-Vk. (!)!■!)! 0 ... 0 : : 0 0 ... vk-vk. 9. BODOVÉ EUKLIDOVSKÉ PROSTORY 81 Označme B matici jejíž sloupce jsou souřadnice vektorů v i,... , v & v bázi e. Protože Vi,... ,Vk vznikly z u±,... , tt/t jako obrazy v lineární transformaci s horní trojúhelníkovou maticí C s jedničkami na diagonále, je B = CA a |5| = |C||= |^4_|. Pak ovšem \A\2 = \B\2 = \A\\A\, proto VólVk(A;uľ,... ,uk) = ±\A\. Přitom pokud jsou vektory u±,... , tt/t závislé vyjde objem nulový, pokud jsou nezávislé, pak znaménko determinantu je kladné právě když je báze u±,... , tt/t kompatibilní s orientací danou bazí e. □ (til • til • • • Uk ■ ui \ \ | I se nazývá Grammův determinant k- Ui-Uk ... Uk-UkJ tice vektorů u±,... , ttfc. 9.12. Důsledek. Pro každé lineární zobrazení ■ V euklidovského vektorového prostoru V je det

- [u\,... ,un] je antisymetrické n-lineární zobrazení. Tzn., že je lineární ve všech argumentech a výměna dvou argumentů se vždy projeví změnou znaménka výsledku. (2) Vnější součin je nulový právě, když jsou vektory u\,... ,un lineárně závislé (3) Vektory u±,... ,un tvoří kladnou bázi právě, když je jejich vnější součin kladný. 9.14. Vektorový součin. V R3 máme ještě další významnou operaci, tzv. vektorový součin, který dvojici vektorů přiřazuje vektor třetí. Uvažme obecný euklidovský vektorový prostor V dimenze n > 2 a vektory u±,... ,ttn-i £ V. Vektor v e V nazveme vektorový součin vektorů ui,... , wn_i, jestliže pro každý vektor weV platí (v,tu) = [«1,... ,«„_!,«;]. Značíme v = u± x ... tin_i. V ortonormálních souřadnicích, kde v = (t/i,... ,yn)T, w = (^i; • • • ,xn)T a Uj = (uij,.. .unj)T, předchozí vztah znamená (1) ViXi-\-----W Un ... ttl(n-l) Xl Uni . . . Un(n—1) Xr Odtud vyplývá, že vektor v je tímto vztahem zadán jednoznačně a jeho souřadnice spočteme formálním rozvojem determinantu v (1) podle posledního sloupce. 82 CAST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE 9.15. Věta. Pro vektorový součin v = u\ x ... x un-\ platí (1) V E (lil, . . . jUn-l)1" (2) v je nenulový vektor právě, když jsou vektory u±,... ,un-i lineárně nezávislé (3) velikost IIí; II vektorového součinu je rovna absolutní hodnotě objemu rovnoběžníku V(0; ui,... , un-i) (4) (ui,... , un-i, v) je kladná báze orientovaného euklidovského prostoru V Důkaz. První tvrzení plyne přímo z definičního vztahu pro v, protože dosazením libovolného vektoru u j za w máme nalevo skalární součin v ■ u j a napravo determinant s dvěma shodnými sloupci. Hodnost matice s n — 1 sloupci u j je dána maximální velikostí nenulového minoru. Minory, které zadávají souřadnice vektorového součinu jsou stupně n — 1 a tím je dokázáno tvrzení (2). Jsou-li vektory u±,... ,un-i závislé, pak platí i (3). Nechť jsou tedy nezávislé, v je jejich vektorový součin a zvolme libovolnou ortonormální bázi (ei,..., en_i) prostoru (ui,..., un-i). Z již dokázaného vyplývá, že existuje nějaký násobek (l/a)v, 0 / « G M, takový, že (ei,..., e&, (l/a)v) je ortonormální báze celého V. Souřadnice našich vektorů v této bázi jsou Proto je vnější součin [u\,.. 5 Un— 1) V] •,«(n-i)j,0) , v = (0, ...,0,a) . ,un-i,v] roven (viz. definice vektorového součinu) Ull ... Wl(n-l) 0 U(n-l)l 0 U(n-l)(n-l) 0 0 a (v, v) = a2 Rozvojem determinantu podle posledního sloupce zároveň obdržíme a2 = a Vol"P(0; u\,... , itn_i). Odtud už vyplývají obě zbylá tvrzení věty. □ 9.16. Závěrem ještě pár poznámek o objektech v £n zadaných kvadratickými rovnicemi, hovoříme o kvadrikách. Zvolme v £n pevně kartézskou souřadnou soustavu (tj. bod a ortonormální bázi zaměření) a uvažme obecnou kvadratickou rovnici pro souřadnice (x±,... , xn) bodů A E £n n n ^ ^ X^Xj ~\~ ^ ^ ^íCL^Xí ~\~ €t — 0, ^ij — ďji' i,j=l i=l Můžeme ji zapsat jako f(u) +g(u) + a = 0 pro kvadratickou formu /, lineární formu g a a E R a předpokládáme že hodnost / je nenulová (jinak by se jednalo o lineární rovnici popisující euklidovský podprostor). 9. BODOVÉ EUKLIDOVSKÉ PROSTORY 83 Podle věty o ortogonální klasifikaci kvadratických forem (viz. 8.24) existuje ortonormální báze zaměření, ve které má / diagonální matici (a diagonální hodnoty jsou jednoznačně určeny až na pořadí). Předpokládejme tedy přímo rovnici ve tvaru n n ^ \íx} + bixi + b = 0. i=l i=l Nyní pro souřadnice x i s Aj ^ 0 provedeme doplnění do čtverců (viz. Lagrangeův algoritmus), tj. získáme tvar n n ^2 Xi(xi - pi)2 + ^2 bjXj + c = 0. i=l j splňující Aj=0 Pokud nám opravdu zůstaly nějaké lineární členy, můžeme zvolit novou bázi zaměření tak, aby odpovídající lineární forma byla prvkem duální báze a novou volbou počátku v £n pak dosáhneme výsledného tvaru k ^2 Xiyi + ^H"1 + c = 0 i=l kde k je hodnost kvadratické formy /, lineární člen se může (ale nemusí) objevit jen pokud je hodnost / menší než n, c E R může být nenulové pouze když je b = 0. 9.17. Případ S2. Původní rovnice má tvar anx2 + a22V2 + Za^xy + a\x + a2y + a = 0. Volbou vhodné báze zaměření a následným doplněním čtverců dosáhneme tvaru (opět používáme stejného značení x,y pro nové souřadnice): anx2 + a22y2 + a\x + a2y + a = 0 kde Oj může být nenulové pouze v případě, že Ojj je nulové. Posledním krokem obecného postupu, tj. v dimenzi n = 2 jen případnou volbou posunutí, dosáhneme právě jedné z rovnic 0 = x2/a2 + y2/b2 + 1 prázdná množina 0 = x2/a2 + y2/b2 - 1 elipsa 0 = x2/a2 — y2/b2 — 1 hyperbola 0 = x2/a2 — 2py parabola 0 = x2/a2 + y2/b2 bod 0 = x2/a2 — y2/b2 2 různoběžné přímky 0 = x2 — a2 2 rovnoběžné přímky 0 = x2 2 splývající přímky 0 = x2 + a2 prázdná množina 84 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE 9.18. Poznámka. Technicky daleko účinnější je diskuse kvadrik v tzv. projektivním rozšíření afinních nebo euklidovských prostorů. Zejména pokud nás nezajímají metrické vlastnosti a chceme vyjádřit danou kvadriku v libovolných afinních souřadnicích, můžeme použít standardní klasifikaci kvadratických forem velmi přehledně. Ztotožníme za tím účelem An s podprostorem v An+i takovým, že v pevně zvolené bázi budou mít všechny body An první souřadnici rovnu jedné. Množinu, která nás zajímá nyní můžeme vyjádřit jako řešení systému dvou rovnic n n ^ ciijXiXj + ^2 2aoiXiX0 + aooxl = 0, x0 = 1 i,j=l i=l kde jsme zavedli značení aoi = = a^, aoo = a, a předpokládáme, že matice / au ... ain aio \ A Q>nl • • • Q>nn ^rtO V Ooi • • • OOn °00 / je symetrická. Jinými slovy, hledaná množina řešení je průnikem podmnožiny určené množinou vektorů na nichž je nulová kvadratická forma h daná maticí A a naroviny An c An+i zadané rovnicí xq = 1. Podle obecné teorie existují v An+i souřadnice, ve kterých má h diagonální matici s hodnotami ±1 a 0 na diagonále, počet nenulových prvků je přitom dán hodností A. Body projektivního rozšířeni Pn(R) standardního afinního prostoru An jsou právě všechny jednorozměrné podprostory v Rn+i procházející počátkem a kvadratická forma h daná maticí A sice nemá dobře definované hodnoty na bodech Pn (R), má ale dobře definovanou množinu bodů, kde se anuluje. Této množině říkáme projektivní kvadrika zadaná formou h. Patří jí kromě původních bodů naší kvadriky právě ještě její nekonečné body. Poznámky k přemýšlení 1. Uveďte si pojmy této kapitoly do souvislostí se základními transformacemi elementární geometrie jako stejnolehlost, zrcadlení apod. 2. Vyjádřete transformační rovnice pro převod souřadnic z afinní souřadné soustavy (A;u) na An do souřadné soustavy (B;v). (Návod: použijte matici přechodu mezi bázemi zaměření a vektor B — A.) 3. Odvoďte v £3 vzorec pro vzdálenost bodu od roviny. 4. Zformulujte vlastnosti zobrazení, která zachovávají struktury afinních nebo euklidovských prostorů (tzv. afinní a euklidovská zobrazení). 5. Všimněme si, že objem nezávisí na umístění vrcholu A E £n a stejně tak se nemění vhodnými zobrazeními ■ £n- Ukažte, o jaká zobrazení jde. (Návod: jejich matice musí mít determinant rovný jedné) 6. Napište si formuli pro vektorový součin v R3 10. SPEKTRÁLNÍ TEORIE 85 7. Diskutujte podrobně kvadriky v £3 a A3. 8. Promyslete podrobněji, jak se obdrží afinní klasifikace kvadrik z uvedených úvah v projektivním rozšíření. 10. Spektrální teorie Nejprve budeme diskutovat souvislosti kvadratických forem, resp. hermiteov-ských forem, se skalárními součiny v unitárních prostorech. 10.1. Pololineární zobrazení17 na komplexních vektorových prostorech je zobrazení, které je aditivní (tj. ip(u + v) = ■ K, která jsou lineární v prvním argumentu a pololineární v druhém. V případě reálných skalárů definice pololineárních a lineárních zobrazení splývá. Z hlediska této identifikace je třeba chápat tvrzení následujících vět pro reálné vektorové prostory. 10.2. Věta. Nechť V je unitární prostor. (1) Vektory v E V jsou v bijektivní korespondenci s lineárními formami av E V* tak, že av(u) = u ■ v pro všechny vektory u E V. Tato bijekce je navíc pololineární zobrazení V —>■ V *. (2) Zobrazení f: V x V —>■ K, která jsou lineární v prvním argumentu a pololineární v druhém, jsou v bijektivní korespondenci s endomorfísmy ■ V splňujícími f(u,v) = u- au lineární prosté zobrazení V do prostoru lineárních forem na V. Z důvodu dimenze to musí být i zobrazení na, tedy isomorfismus. Každý komplexní vektorový prostor můžeme chápat jako reálný vektorový prostor dvojnásobné dimenze a přiřazení u i->- au je pololineární zobrazení mezi příslušnými komplexními prostory, tedy to je lineární zobrazení mezi odpovídajícími reálnými prostory, a podle předchozího argumentu je to tedy i zobrazení na. Tím je dokázána první část věty. Druhé tvrzení se snadno odvodí z prvého: Pro pevný endomorfismus ip: V —>■ V má zobrazení f^(u,v) = u ■ - f(u,v) lineární forma na V a proto je f(u,v) = u ■ (■ V. Z předpokládaných vlastností / vyplývá, že ip je skutečmě endomorfismus a přitom jeho hodnota ■ W mezi unitárními prostory zobrazení odpovídající duálnímu zobrazení ■ V*. Budeme jej opět značit ■ V. Přitom z předchozí věty bezprostředně vyplývá, že pro V jednoznačně určeno definičním vztahem (1) ■ W. V dalším budeme většinou pracovat s endomorfismy ■ V a jejich adjungovanými zobrazeními. 10.4. Věta. Nechť cp: V —>■ W je libovolné lineární zobrazení unitárních prostorů V, W. (1) Vztahem 10.3.(1) je dobře defínované lineární zobrazení ■ V. (2) Platí (tp*)* = tp. (3) Přiřazení

- ■ V unitárního prostoru V se nazývá samoadjungované jestliže

■ V jsou samoadjungovaná, A a B nechť jsou jejich matice v ortonormální bázi. Potom

■ V euklidovského prostoru do sebe se jednoznačně vyjadřuje jako součet

■ V komplexního unitárního prostoru tedy dostaneme rozklad

■ V. Přímo z definice pak vidíme, ■ V je samoadjungované zobrazení unitárního prostoru V. (1) Je-li U C V invariantní podprostor, pak je i U1- invariantní podprostor vzhledem k (p. (2) Vlastní hodnoty zobrazení

■ V vektorového prostoru V do sebe, tj. P o P = P, se nazývá projektor. Projektor P se nazývá kolmý je-li Ker P_L ImP. Z vlastnosti P2 = P okamžitě vyplývá Ker P = Im(idy — P) a (idy — P) o (idy —P) = idy —P, takže je to opět projektor. Každý projektor je jednoznačně zadán svým jádrem a obrazem, zejména každý podprostor v unitárním prostoru definuje jednoznačně kolmý projektor, jehož je obrazem (jádrem je pak jeho ortogonální doplněk). Dva projektory P, Q, s vlastností PoQ = 0 se nazývají vzájemně kolmé. V případě kolmých projektorů to znamená právě, že ImP-LImQ. 10.11. Věta o spektrálním rozkladu. Pro každé samoadjungované zobrazení ■ V unitárního prostoru V existuje ortonormální báze vlastních vektorů a všechna příslušná vlastní čísla jsou reálná. Jsou-li Ai,... , A& všechna různá vlastní čísla

2 E V\ a Ví = («1,^2)"'" je invariantní. Iterací tohoto postupu získáme ortogonální bázi z vlastních vektorů, jistě tedy existuje i 10. SPEKTRÁLNÍ TEORIE 89 ortonormální báze z vlastních vektorů. Z definice 10.10 pak plyne, že existence takové ortonormální báze je ekvivalentní dokazovanému tvrzení. Pro reálný unitární prostor (tj. euklidovský prostor) pak můžeme použít proceduru komplexifikace. Nechť A je matice cp v nějaké ortonormální bázi u. Pak A je také maticí komplexifikace ■ Vc v indukované bázi uc a na Vc máme jednoznačně dán skalární součin pro který je wc ortonormální. Vzhledem k tomuto součinu je ■ V unitárního prostoru V řekneme, že je ortogonálně diagonalizovatelné, jestliže existuje ortonormální báze, v níž má ip diagonální matici. Pro euklidovské je nyní snadné určit všechna taková zobrazení: diagonální matice jsou zejména symetrické, jedná se tedy právě o samoadjungo-vaná zobrazení. Jako důsledek získáváme tvrzení, že ortogonální zobrazení euklidovského prostoru do sebe je ortogonálně diagonalizovatelné právě, když je zároveň samoadjungované (jsou to právě ta samoadjungovaná zobrazení s vlastními hodnotami ±1). U komplexních unitárních prostorů je situace složitější. Uvažme libovolné lineární zobrazení ■ V s poslední uvedenou vlastností se nazývají normální. Vzájemné souvislosti ukazuje následující věta (pokračujeme ve značení tohoto odstavce): 10.13. Věta. Následující podmínky jsou ekvivalentní: (1)

(3): Stačí provést přímý výpočet cpep* = (ip + irj)(tl) — in) = ip2 + n2 + i(nil) — ipn) *(«) zejména tedy \ (4): Výraz Yli j \aij\2 Je právě stopa matice AA*, to je matice zobrazení ■ V, viz. 7.25. Podle ní totiž existuje pro každé lineární zobrazení cp: V —>■ V ortogonální báze, ve které má cp horní trojúhelníkovou matici. Na její diagonále pak musí být právě všechny vlastní hodnoty ip. Jak jsme již ukázali, výraz Yli j \aij\2 nezávisí na volbě ortonormální báze, proto z předpokládané rovnosti vyplývá, že všechny prvky mimo diagonálu musí být v této matici nulové. □ V termínech matic zobrazení dostáváme: zobrazení je normální právě, když jeho matice v některé ortonormální bázi (a ekvivalentně v každé) splňuje AA* = A*A. Takové matice nazýváme normální matice. Všimněme si, že pro počet s lineárními zobrazeními na komplexním unitárním prostoru lze poslední větu chápat také jako zobecnění běžných počtů s komplexními čísly v goniometrickém tvaru (roli reálných čísel zde hrají samoadjungovaná zobrazení). Roli komplexních jednotek pak hrají unitární zobrazení. Zejména si všimněme analogie k jejich tvaru cos t + isiní s vlastností cos2 t + sin2 t = 1: 10.14. Důsledek. Unitární zobrazení na komplexním unitárním prostoru V jsou právě ta normální zobrazení, pro která výše užívaný jednoznačný rozklad

■ V na unitárním prostoru V se nazývá nezáporné, jestliže existuje samodjungované zobrazení ip takové, že

■ V je nezáporné, resp. kladné, právě když je splněna některá z následujících ekvivalentních podmínek (1)

0 pro všechny u E V, resp. 0 pro všechny u ^ 0. (2) existuje lineární ip: V —>■ V takové, že

0, resp. je navíc ještě invertibilní když Aj > 0. Přitom jsou poslední nerovnosti zřejmě ekvivalentní nerovnostem v (1). Zároveň jsme přitom ověřili i (3). (2): Je-li ip samoadjungované nezáporné, pak <^ = -0o'0 = '0*o'0 pro samoadjungované ip. Předpokládejme naopak, že ip = ip* o ip. Nechť matice ip a ip v ortonormální bázi e jsou A a B, tj. A = BTB. Odtud a tvrzení je dokázané. □ 10.17. Důsledek. Všechny pozitivně (semi-) defínitní reálné matice A (příp. komplexní hermiteovské) mají odmocninu, tj. existuje B taková, že A = B2. Obecně ji můžeme defínovat tak, že vyjádříme A = S*DS pro S vhodnou unitární, D reálnou diagonální s nezápornými prvky. Pak B = S*y/ĎS, kde \/D obsahuje na diagonále odmocniny z prvků v D. Vrátíme se ke zkoumání vlastností kvadratických forem, nyní na unitárních prostorech. Přímou aplikací předchozích výsledků o samoadjungovaných zobrazeních obdržíme tzv. metrickou klasifikaci symetrických bilineárních, resp. hermiteovských forem. 10.19. Důkaz věty 8.24. Nejprve dokažme tvrzení pro reálné symetrické formy. Jak jsme viděli v 8.7, definuje / lineární zobrazení /: V —>■ V*, f(u,v) = f(u)(v) a skalární součin definuje lineární isomorfismus i: V —>■ V*, i(u)(v) = v ■ u, viz. 10.2. Je-li A matice / v ortonormální bázi e, pak je A také maticí / v bazích e a duální e*, matice zobrazení i v bazích e a e* je ovšem identická matice, proto je A také maticí složeného zobrazení / = i~x o f. Protože se jedná o symetrickou matici, je / samoadjungované. Proto existuje báze z vlastních vektorů /, ve které má / diagonální tvar, diagonální prvky jsou pak právě vlastní hodnoty a jsou jednoznačně určeny až na pořadí. Nechť je tedy e přímo tato báze. Pak (BTB) = BT B = A je tedy A samoadjungovaná. Přitom 0. pro i ^ j 92 ČÁST II. PROSTORY SE SKALÁRNÍM SOUČINEM A ANALYTICKÁ GEOMETRIE Tím je dokázáno prvé tvrzení. Tvrzení pro hermiteovské formy se dokáže přesně stejně, jen je i pololineární bijekce, A je hermiteovská a získané / je proto samoadjungované. Z posledního výpočtu nám vyjde /(e^, Cj) = Xj pro i = j a nula jinak, všechny vlastní hodnoty jsou ale stejně reálné. □ Problémy k přemýšlení 1. Nechť V je unitární prostor. Projektor P: V —>■ V je kolmý právě, když je P samoadjungované. Součet P = P± H-----\-Ph kolmých projektorů Pí je projektorem právě tehdy, když projektory Pí jsou vzájemně kolmé (tj. Pí oPj =0 pro i ^ j). Potom je P také samoadjungované. Dokažte. 2. Ukažte, že pro každé lineární 7na unitárním prostoru V platí (Ker■ V je samoadjungované a nezáporné právě, když existuje ip: V —>■ W takové, že

■ W. 11. Rozklady matic a aproximace Pro numerické zpracování matic je často důležité mít možnost pracovat jen s maticemi určitých typů. Řadu příkladů jsme již potkali, např. výpočet determinantu nebo stopy je velmi snadný pro trojúhelníkové matice, inverze se snadno spočte pro unitární apod. Prostory skalárů budou vždy K = R nebo K = C. V této kapitole tedy uvedeme několik typů rozkladů matic na součin speciálních matic. Výsledky jsou vesměs mimořádně významné pro většinu numerických aplikací. Často ovšem je zapotřebí kombinace s různými iterativními přibližnými metodami, na jejichž výklad nám již nezbývá prostor. Jako první výsledek uvedeme větu o triangulovatelnosti matic, kterou jsme již dokázali v 7.25 (ve formulaci pro lineární zobrazení). 11.1. Věta (Schurova o unitární triangulovatelnosti). Nechť A je matice v Matn(K), K = R nebo K = C, a Ai,... , Xn E C nechť jsou všechna vlastní čísla matice A. Pak existuje unitární U E Matn(C) taková, že U*AU = T, kde T je 11. ROZKLADY MATIC A APROXIMACE 93 horní trojúhelníková matice s čísly Ai,... , Xn na diagonále. Je-li navíc K = R a všechna vlastní čísla Aj jsou reálná, pak lze volit ortogonální U E Matn (R). Důkaz. Jde pouze o přeformulování věty 7.25 pro standardní euklidovský vektorový prostor Rn nebo standardní komplexní unitární prostor Cn. □ Další věta je podstatným rozšířením věty 1.14, ve které jsme dokázali, že pro každé lineární zobrazení mezi konečněrozměrnými vektorovými prostory docílíme vhodnou volbou bazí toho, že matice zobrazení je diagonální s jedničkami a nulami na diagonále. 11.2. Věta (o singulárním rozkladu). Nechť A E Matmn(K) kde K = C, resp. K = R. Pak existují unitární, resp. ortogonální, matice U E Matm(K), V E Matn(K) a reálná diagonální matice s nezápornými prvky D E Matr(K), r < min{m, n}, takové, že Přitom je S určena jednoznačně až na pořadí prvků a prvky diagonální matice D jsou druhé odmocniny vlastních čísel di matice AA*. Důkaz. Předpokládejme nejprve m < n a označme ■ Km zobrazení zadané maticí A ve standardních bazích. Máme vlastně ukázat, že existují ortonormální báze na Kn a Km ve kterých bude mít

n, můžeme aplikovat předchozí část důkazu na matici A*. Odtud pak přímo plyne požadované tvrzení. □ Všimněte si, že náš důkaz věty o singulárním rozkladu je konstruktivní, můžeme jej opravdu použít pro výpočet unitárních ( resp. ortogonálních) matic U, V a diagonálních nenulových prvků matice S. 11.3. Geometrická interpretace. Diagonálním hodnotám matice D z předchozí věty se říká singulární hodnoty matice A. Pro příslušné zobrazení ■ Km mají jednoduchý geometrický význam: Nechť K c Kn je jednotková sféra pro standardní skalární součin. Obrazem ■ Km s maticí A v standardních bazích můžeme zvolit novou bázi na Km tak, aby potom

■ Km, x \-> Ax, a přímé součty Kn = (Ker (p)1- © Ker■ Irrup je lineární isomorfismus. Zvolíme-li vhodně ortonormální báze na (Ker y?)-1 a Im (p a doplníme je na ortonormální báze na celých prostorech, bude mít

n, a předpokládejme, že sloupce A jsou lineárně nezávislé. Pak A*A je invertibilní a A^~^ = (A*A)~1A*. Pro praktické užití lineární regrese bývá tento vztah užitečný, protože počet volných parametrů, tj. rozměr matice A*A, bývá malý a počet zadaných hodnot naopak velký, takže při praktických měření je v podstatě jisté, že sloupce A budou nezávislé. Spočíst potom inverzi z "malé" matice A*A bývá rychlé. (Návod: užijte tvrzení předchozího problému!) 97 Část III. Dodatky 12. Polynomiální matice a kanonické tvary Odvodíme efektivní algebraický postup pro určení Jordánových kanonických tvarů. Základem bude jistá verze Gaussovy eliminace pro charakteristické matice, tj. pro matice jejichž prvky jsou polynomy. 12.1. Věta. Pro matice A, B E Matn(K) nad polem skalárů K existuje inverti-bilní matice P E Matn(K) taková, že A = PBP~X právě, když charakteristickou matici A — XE lze převést na charakteristickou matici B — XE pomocí elementárních řádkových a sloupcových transformací.18 Důkaz této klíčové (a elegantní) věty je technicky poněkud nepříjemný, začneme s přípravnými definicemi a poznámkami. 12.2. Dělení v okruzích polynomů. Nechť R je libovolný okruh, -Rqo[A] polynomy v proměnné A nad R. Pro každé polynomy /(A) = anXn + • • • + ao, g(X) = bmXm +----h bo, s bm E R invertibilním, existují jednoznačně určené polynomy qi(X), ri(A), 92(A), r2(A) takové, že f(X)=g(X)qi(X)+ri(X) f(X) = q2(X)g(X) + r2(X) a buď stupně r*i(A) a r2(X) jsou menší než stupeň g (X) nebo jsou r*i(A) či r2(A) nulové polynomy. Důkaz. Zcela shodný se standardním důkazem o dělení se zbytkem pro polynomy s reálnými koeficienty,19 pouze musíme pamatovat na invertibilnost bm a na (možnou) nekomutativnost násobení v R (proto dostaneme různé výsledky pronásobení zleva a zprava). □ 12.3. A-matice a maticové polynomy. Matice, jejichž prvky jsou polynomy v proměnné A nazýváme X-matice. Jde tedy o prvky v Matmn(Koo [A]). Protože však sčítání v polynomech se definuje po jednotlivých mocninách a v maticích po jednotlivých prvcích, můžeme A-matice ztotožňovat s polynomy nad okruhem matic, tj. (Matn(K))00[A] = Matn(Koo [A]). Promyslete si to podrobně! 12.4. Poznámky. (1) Podmnožina invertibilních matic v Matn(i?) nad libovolným okruhem R vždy tvoří grupu vhledem k násobení matic. (2) A-matice ^4(A) je invertibilní právě, když je |^4(A)| eK \ {0}, viz. 3.21 (3) algoritmus pro dělení s zbytkem lze vždy aplikovat pro dělení charakteristickou maticí A — XE, protože vedoucí koeficient tohoto polynomu je matice —E, tzn. je invertibilní. 18Matice B a PBP-1 se nazývají podobné, matice, které lze na sebe převést elementárními transformacemi ekvivalentní. Můžeme proto větu stručně formulovat takto: A a B jsou podobné právě, když jejich charakteristické matice jsou ekvivalentní. 19Jistě jej najdete podrobně vypracovaný v každém základním textu o algebře. 98 ČÁST III. DODATKY 12.5. Elementární sloupcové a řádkové transformace byly pro matice nad libovolným okruhem definovány již v 1.11, 1.13. Musíme jen dát pozor na invertibilitu skaláru při násobení vybraného řádku. Ve skutečnosti stačí právě dvě: (1) Vynásobení vybraného řádku (sloupce) invertibilním skalárem a (2) Přičtení (libovolného) násobku některého jiného řádku k vybranému řádku. Výměna řádků či sloupců se snadno získá kombinací těchto dvou transformací. Opět odpovídají řádkové elementární transformace násobení invertibilní maticí zleva, sloupcové zprava. 12.6. Důkaz Věty 12.1. Nejprve ověříme snadnější implikaci. Nechť jsou A a B podobné, A = PBP-1. Potom P(B - XE)P~1 = PBP'1 - XE = A - XE. Každou skalární invertibilní matici dostaneme ale jako součin matic elementárních transformací. Vystačíme tedy dokonce se skalárními lineárními kombinacemi při úpravách charakteristických matic. Opačná implikace je nepříjemná. Předpokládejme, že existují invertibilní matice P(X) a Q(X) takové, že (1) B - XE = P(X)(A-XE)Q(X). Pokud by P(X) a Q(X) byly ve skutečnosti konstantní polynomy (tj. skalární matice), pak v rovnosti (1) můžeme snadno porovnat koeficienty u stejných mocnin A a dostaneme E = PQ, B = PAQ. To ale znamená, že Q = P-1 a matice B a A jsou podobné. Stačí nám tedy ukázat, že každé matice P(X) a Q(X) splňující (1) jsou nezávislé na A. Pomocí dělení se zbytkem najdeme polynomy Pi(X), Po, Qi(X) a Qq splňující P(X) = (B-XE)P1 + P0 (2) Q(X) = Q1(B-XE) + Q0 kde stupeň P0 a Q o musí být menší než stupeň B — XE, tedy nula (pokud jsou vůbec nenulové). Dosazením za P(X) z (2) do (1) B-XE = (B- XE)P1(X)(A - XE)Q(X) + P0(A - XE)Q(X). Dosadíme i za Q(X) a upravíme: B-XE- P0(A - XE)Q0 = K(X) ^ K(X) = (B- XE)P1(X)(A - XE)Q(X) + P0(A - XE)Q1(X)(B - XE) Za P0 ještě můžeme dosadit P(A) - (B - XE)PX(X) K(X) = (B- XE)P1(X)(A - XE)Q(X) + PX(A - XE)Q1(X)(B - XE)- (B - XE)P1(X)(A - XE)Q1(X)(B - XE) Nyní využijeme invertibilitu P(A) a Q(X) a vyjádříme K(X) jako součin začínající a končící B — XE (tím bude zajištěno, že by mělo K(X) mít stupeň alespoň 2). Z (1) totiž plyne (A - XE)Q(X) = P~1(X)(B - XE), P(X)(A - XE) = (B - XE)Q~1(X) a dostáváme K(X) = (B- XE)(P1(X)P-1(X) + Q~1(X)Q1(X) + Pi(X)(A - XE)Q1(X))(B - XE) Přitom ovšem ze vztahu (3) plyne, že stupeň K(X) je nejvýše 1. Pak už zbývá jen možnost K(X) = 0 a (3) dává přesně požadovaný vztah. □ 12. POLYNOMIÁLNÍ MATICE A KANONICKÉ TVARY 99 12.7. Kanonický tvar A-matic. Pro matice nad okruhem polynomů nelze přímo použít Gaussovy eliminace, tak jak v 1.14, můžeme ale postup modifikovat tak, že obdržíme kanonický diagonální tvar matic nad okruhem polynomů Koo [A] kde K je pole. Řekneme, že A-matice A(X) je v kanonickém tvaru, jestliže je A(X) /ei(A) 0 ... 0 \ 0 e2(A) ... 0 V 0 0 ... en(X)J kde polynomy ej_i vždy dělí e^, i = 2,.. .,n (nulový polynom je dělitelný pouze nulovým polynomem) a nenulové polynomy mají vedoucí koeficient 1. Např. nulová matice je v kanonickém tvaru, jednotková matice E je v kanonickém tvaru. Je-li ej(A) = 0, pak podle definice jsou všechny Cj(X), j > i také nulové. Postupně ukážeme, že každá A-matice nad polem skalárů je ekvivalentní s právě jedním kanonickým tvarem. Protože už také víme, že pro každou matici nad komplexními čísly existuje (až na pořadí bloků) jednoznačně určený Jordánův kanonický tvar, musíme být schopni jej z kanonického tvaru charakteristické matice vyčíst. Ve skutečnosti ukážeme i algoritmický postup pro nalezení kanonického tvaru A-matic a znovu dokážeme existenci a jednoznačnost Jordánova kanonického tvaru matic. 12.8. Lemma. Každá čtvercová A-matice nad polem K je ekvivalentní s jistým kanonickým tvarem. Důkaz. Postup pro nalezení kanonického tvaruje modifikací Gaussovy eliminace. Jistě lze zařídit, aby au (A) ^ 0. Pokud je prvek au (A) nenulový polynom a přitom nedělí beze zbytku všechny ostatní nenulové prvky na prvním řádku a v prvním sloupci, pak můžeme pomocí elementárních transformací zmenšit jeho stupeň: Jeli aifc(A) = an(A)p(A) + r(A), kde r(A) / 0 a jeho stupeň je menší než stupeň an(A), pak můžeme od &-tého sloupce odečíst p(A)-násobek prvního a vyměnit k-tf sloupec s prvním. Při každém takovém kroku snížíme stupeň polynomu au nejméně o 1. Protože každý nenulový konstantní polynom dělí všechny nenulové polynomy, po konečném počtu kroků tak zajistíme požadovanou dělitelnost. V tom okamžiku ovšem můžeme použít stejný postup jako v Gaussově eliminaci a pomocí elementárních transformací získat nulové polynomy na všech ostáních místech v prvním sloupci a v prvním řádku. Pokud nyní polynom au (A) nedělí beze zbytku všechny ostatní polynomy v matici, lze opět snížit jeho stupeň: Nechť aý-(A) = an(X)q(X) + r(A), r (A) ^ 0, je výsledek po dělení se zbytkem. Pak připočteme i-tf řádek k prvému a postupujeme opět podle předešlého kroku. Po konečném počtu kroků tedy dosáhneme, že ei(A) = au (A) dělí všechny ostatní nenulové polynomy v matici a zároveň je jediným nenulovým prvkem na prvním řádku a v prvním sloupci. Nyní postupně uplatňujeme zcela stejný postup na submatici tvořenou zbývajícími řádky a sloupci a po konečném počtu kroků získáme požadovaný tvar. □ 100 ČÁST III. DODATKY 12.9. Příklad 6 A(X) 0 0 (A + 2)(A-7) kde v první úpravě jsme vyměnili první řádek s polovinou třetího, pak jsme provedli standardní vyeliminování prvků v prvním řádku a prvním sloupci. Protože získaný prvek přímo dělil ostatní v druhém řádku a sloupci, v zápětí jsme vyeliminovali i druhý řádek a sloupec. Náhodou vše probíhalo tak hladce že jsme nemuseli používat dělení se zbytkem. Všimněme si, že je vždy výhodné vyměňovat řádky a sloupce tak, abychom nemuseli zbytečně brzy začít pracovat s nekonstantními polynomy. Zatím ovšem ještě nevíme, jestli získané kanonické tvary nezávisí na našem postupu. Abychom ukázali jednoznačnost, vyjádříme kanonický tvar nezávisle na dalších volbách a ukážeme, že ekvivalentní matice mají kanonický tvar shodný. 12.10. Věta. Nechť A(X) je čtvercová řádu n X-matice nad polem skalárů K. Pro 1 < k < n definujeme polynom d£(X) E [A] jako největší společný dělitel všech minorů stupně k v A(X) s vedoucím koeficientem 1. Platí (1) Je-li d£+1(\) + 0, pak d£(\) dělí #+1(A). (2) Jsou X-matice A(X) a B(X) ekvivalentní, pak d£(X) = (A) pro všechny k. /ei(A) ... 0 \ (3) Nechť •. je kanonický tvar matice A(X). Pak ei(A) = V 0 ... e„(X)) df(X), efc(A) = dk(X)/dk_1(X) pro všechny nenulové ek(X) a ek(X) = 0 právě, když d£(X) = 0. (4) Kanonický tvar matice A(X) vždy existuje a je jednoznačně určený. Důkaz. (2) K tomu abychom dokázali, že polynomy d£(X) splývají pro ekvivalentní matice stačí dokázat, že se nemění při elementárních transformacích. Vynásobení řádku skalárem z K (vzpomeňme, že invertibilní jsou právě nenulové konstantní polynomy) vede k vynásobení všech minorů, které tento řádek zahrnují týmž skalárem, jistě tedy nepovede ke změně společných dělitelů. Zbývá tedy pouze přičtení /(A)-násobku j-tého řádku k i-tému, resp. totéž pro sloupce. U minorů, kterými neprochází i-tý řádek nedojde ke změně, u těch které zahrnují i-tý i j-tý také ne. Předpokládejme tedy, že minor \M\ zahrnuje i-tý řádek, ne však j-tý. Po transformaci dostaneme \M\ = \M\ + /(A)|M'|, kde \M'\ je minor &-tého řádu, v němž jsou prvky na i-tém řádku nahrazeny odpovídajícími prvky z řádku j-tého. To znamená, že \M'\ je, až na případné znaménko, opět jeden z minorů matice A. Nyní d£(A) dělí \M\ i |M'|, musí proto dělit i nově vzniklý minor \M\. Celkem tedy víme, že pro B(X) = P(X)A(X)Q(X) vzniklou z A(X) elementárními transformacemi platí, že pro všechny k dělí dk(X) polynom dk (A). Pak ovšem 12. POLYNOMIÁLNÍ MATICE A KANONICKÉ TVARY 101 také A(X) = P-1(X)B(X)Q-1(X) a tedy i df (A) dělí d£(X). Protože jsou vedoucí koeficienty těchto polynomů normované na 1, musí nutně platit d£(X) = d^(X). (1), (3), (4) Podle předchozí věty umíme najít nějaký kanonický tvar matice A(X). Pak ovšem můžeme, podle předchozího, spočíst d£(X) ze získaného kanonického tvaru. Pro matice v kanonickém tvaru jsou ale zbývající tvrzení věty zřejmá. Navíc je sama matice A(X) v kanonickém tvaru určena polynomy d£(X) jednoznačně. □ Jednoznačně určené polynomy ej(A) z kanonického tvaru A-matice A(X) se nazývají invariantní faktory. Každý z nich se (nad zvoleným polem K) jednoznačně rozkládá na ireducibilní faktory, ej(A) = (e**1 )•...• (eik (A))Si*, jednotlivé mocniny (e*.(A))Si^ nazýváme elementární dělitele a-matice A(X). 12.11. Příklad. Pro charakteristickou matici Jordánova bloku řádu m A(X) = J-XE /X0-X 1 0 0 A0 - A 1 0 0 A0 - A V 0 0 0 o o o \ platí df(X) ^-i(A) = 1, dm{X) Ao-A/ (Ao — A)m. Skutečně, pro řády menší než m vždy najdeme nenulový minor neobsahující A a \A\ = (—l)m(A — Ao)m. 12.12. Lemma. Nechť matice J E Matn(K) je blokově diagonální s Jordánovými bloky Ji, i ,k, na diagonále. Nechť Ji E Matfcť(K) a nechť Xi,...,Xj jsou všechna vlastní čísla matice J. Předpokládejme, že Ai se objevuje v blocích Ji,... ,JP, A2 v q blocích Jp+i,... , Jp+q, atd. Potom platí J-n = (A- A^fei+fe2H-----hfep . (A _ \2^p+l+kp + 2-\-----hfcp + q J-n- r(x) = (A- Al)fc2+...+fcp . (A — A2)fep+2_l—VkP+i .... J-n- rw = (A- Al)fcs + -+fcp . (A — A2)fep+3_l—VkP+i .... kde exponenty se nahradí nulou, není-li už co sčítat, tzn. příslušná mocnina (A —Aj) se nahradí pro všechny další polynomy jedničkou. Důkaz. Invariantní faktor d^~XE(X) je právě determinant (—l)n|J — XE\. Zjevně je tedy v požadovaném tvaru. Zbývající tvary se snadno zjistí přímým výpočtem vybraných minorů. Popíšeme postup: Nejprve můžeme každý z diagonálních bloků matice J — XE upravit na kanonický tvar jako A-matice, tj. všechny bloky Jí — XEí budou diagonální, se svými invariantními faktory na diagonále. Jejich přesný tvar jsme odvodili v předchozím příkladě. Nyní pro výpočet největšího společného dělitele dg~XE(X) všech minorů řádu s musíme postupně vypouštět co nej vyšší mocniny faktorů (A — Xj). V případě jednotlivých Jordánových bloků to ale znamená vypustit vždy poslední řádek a poslední sloupec (jediný nekonstantní výraz). Tím získáme právě požadované tvary. Např. pro ^^^(A) postupně po jednom vypouštíme poslední řádky a sloupce všech bloků, což vede právě k vypuštění nej větších exponentů z d^~XE(X). 102 ČÁST III. DODATKY Zkuste si sepsat formální důkaz indukcí! □ Celkem jsme již znovu dokázali existenci Jordánova kanonického tvaru, viz. 5.27. Jestliže totiž existuje pro matici A E Matn(K) n vlastních čísel (včetně násobností), lze její charakteristický polynom, který je vždy součinem invariantních faktorů A-matice A — XE rozložit na součin lineárních faktorů (A — Aj). Pak ovšem získané invariantní faktory určují podle předchozího lemmatu jedinou matici v Jordánově kanonickém tvaru, až na pořadí Jordánových bloků. Přitom je podle věty 12.1 tento Jordánův tvar podobný původní matici A. Navíc byl důkaz tohoto výsledku opřen o algoritmickou proceduru výpočtu kanonického tvaru A-matic, která vede k poměrně snadnému výpočtu Jordánových kanonických tvarů. Sformulujme tedy výsledek do věty: 12.13. Věta. Nechť A E Matn(K), K pole, a nechť charakteristický polynom \A — XE\ má v K n kořenů (včetně násobností). Pak existuje podobná matice J = PAP~X v Jordánově kanonickém tvaru s Jordánovými bloky Ji E Matfcť(K). Jsou-li invariantní faktory X-matice A tvaru kde ki > k2 > ■ ■ ■ > 0, kp+i > kp+2 > • • • > 0,... , potom (ve značení z předchozího lemmatu) lze zvolit za J\ Jordánův blok příslušný vlastnímu číslu Ai stupně k±, za J2 blok příslušný Ai stupně k2, ... , Jp+i bude blok příslušný X2 stupně kp+i, ... . Přitom je matice J určena jednoznačně až na pořadí bloků. □ 12.14. Příklad. V 12.9 jsme získali kanonický tvar charakteristické matice Je tedy matice A diagonalizovatelná a v bázi z vlastních vektorů má příslušné zobrazení tvar en(A) en-i(A) en-2(A) (A - A0fel • (A (A-A!)fe2-(A (A - Ai)*" • (A A2)^+1 •... A2)fep+2 •... A2)^+3 Kdyby výsledný kanonický tvar charakteristické matice byl pak by příslušný Jordánův kanonický tvar původní matice byl 12. POLYNOMIÁLNÍ MATICE A KANONICKÉ TVARY 103 a v tomto případě by neexistovala báze z vlastních vektorů. Pro praktický výpočet je vhodné zkombinovat převod charakteristické matice do kanonického tvaru A-matice s přímým výpočtem invariantních faktorů. Všimněte si také, že důkaz věty 12.1 dává přímo algoritmický postup pro nalezení matice přechodu do nové báze, ve které bude mít diskutované zobrazení matici v Jordánově tvaru: Protože A a její Jordánův tvar jsou podobné, mají ekvivalentní charakteristické matice a při úpravě A — XE na kanonický tvar Z(X) najdeme invertibilní A-matice -P(A), Q(X) takové, že Z(X) = P(X)(A — XE)Q(X) a podobně je také J — XE = P(X)Z(X)Q(X) pro vhodné A-matice P(X) a Q(X). Podle důkazu 12.1 je pak J - XE = P(X)P(X)(A - XE)Q(X)Q(X) a navíc platí, že P := P(X)P(X) = (Q(X)Q(X))~1 jsou matice nezávislé na A a platí J = PAP~X. Stačí tedy provést všechny naznačené úpravy, pamatovat si všechny řádkové transformace a vynásobit příslušné elementární matice. Tím získáme matici přechodu P převádějící matici A do Jordánova kanonického tvaru. Tento algoritmus lze použít i pro úlohu zjistit, zda jsou dvě matice A, B E Matn(K) podobné a v případě, že jsou, nalézt příslušnou matici přechodu. 12.15. Závěrem této kapitoly ještě zmíníme několik výsledků o hodnotách polynomů v maticích. Protože pole K je vloženo homomoríismem okruhů K 3 a \-> aE E Matn(K) do okruhu matic Matn(K) a navíc konstantní násobky jednotkové matice komutují se všemi maticemi v Matn(K), můžeme každý polynom f(x) = anxn +----h oo £ [x] chápat i jako polynom v (Matn(K))[x]. Pro libovolnou matici A E Matn(K) pak platí f (A) = an-An + an_i • An~x H-----h a0 ■ E.20 Říkáme, že matice A je kořenem polynomu f(x), je-li f (A) nulová matice. 12.16. Věta. Nechť A = PBP'1. Pak pro každý polynom f(x) el^M je f(A) = P.f(B)-P-1. Navíc je pro každý další polynom g(x) E [x] (/ + g)(A) = f (A) + g(A), (/ • g)(A) = (g ■ f)(A) = f (A) ■ g(A) = g(A) ■ f (A). Důkaz. Vždy platí (PBP~1)k = (PBP-^iPBP-1)... (PBP-1) = PBEB ...EBP-1. Odtud plyne první tvrzení. Zbývající tvrzení plynou z komutativity násobení v K.21 □ 20Pro invertibilní matice umíme i A~n, n G N, můžeme pak tedy definovat na invertibilních maticích i složitější funkce. Navíc lze na matice rozšířit i řadu dalších analytických procedur založených na algebraických výrazech, zejména lze tvořit nekonečné řady. Můžeme tedy například hovořit o exponenciálním a logaritmickém zobrazení eA, log A, pro matice A G Matn(K). V dalším navíc uvidíme, že hodnoty takto vytvořených výrazů vhodně závisí na volbě matice z třídy podobných matic, jedná se proto o dobře definované hodnoty diskutovaných funkcí na lineárních zobrazeních. Tato skutečnost je základem matematického aparátu značné části moderní fyziky, zejména kvantové mechaniky. 21 Je zajímavé, že pro hustou podmnožinu všech matic A v Matn(K) (v běžném smyslu matematické analýzy) lze ukázat, že komutují právě se všemi maticemi, které vzniknou jako hodnoty polynomů v A. 104 ČÁST III. DODATKY 12.17. Minimální polynom matice. Každá matice A E Matn(K) zadává posloupnost vektorů E = A°, A,..., Ak,... ve vektorovém prostoru Matn(K). Protože dimenze tohoto prostoru je n2, nutně musí existovat netriviální lineární kombinace 0 = aniAn + an?_\An _1 + ••• + clqE. Je tedy každá matice kořenem nějakého polynomu. Proto musí existovat polynom g(x) s vedoucím koeficientem 1 a minimálním stupněm mezi polynomy, jejichž je A kořenem. Takový polynom nazýváme minimální polynom matice A nad K. Z věty 12.16 přímo vyplývá, že podobné matice mají stejný minimální polynom. 12.18. Věta. Nechť A E Matn(K), K pole, a nechť ra(A) E K«,[A] je minimální polynom matice A nad K. Potom (1) Každý polynom /(A) £ [A], pro který je f (A) = 0, je dělitelný m(X). (2) m(X) je jednoznačně určený. (3) m(X) je roven invariantnímu faktoru en(A) charakteristické matice A — XE. Důkaz. (1) Je-li f (A) = 0 a f(x) = m(x)g(x) +r(x) je výsledek dělení se zbytkem polynomu f(x) polynomem m(x), je také r (A) = 0. Pokud by ale r(x) ^ 0, pak by stupeň r(x) byl menší než stupeň m(x). Proto je nutně r(x) = 0 a f(x) je dělitelné m(x). (2) Předpokládejme, že m(x) a m'(x) jsou dva minimální polynomy matice A. Pak mají stejný stupeň a dělí se navzájem. Protože přitom mají vedoucí členy rovny 1, je nutně m(x) = m'(x). (3) Zde je důkaz poněkud zdlouhavější. Využijeme toho, že pro charakteristickou matici je invariant d£~XE(X) vždy nenulový a proto platí (—l)n • \A — XE\ = d^ZiE(X) ■ en(X). Když se nám podaří vyjádřit \A — XE\ jako násobek polynomu d^ZiE(X), pak odtud dostaneme en(A) = 0. Pro algebraicky adjungovanou matici B(X) := (A — XE)* platí (A — XE) -B(X) = \A — XE\ ■ E, viz 3.21. Protože je d^ZiE(X) největším společným dělitelem všech minorů stupně n — 1, plyne z definice algebraicky adjungované matice B (A) = d^ZiE(X) ■ C(X), kde největší společný dělitel prvků A-matice C(X) je 1. Nyní \A - XE\ ■ E = (A - XE) ■ d*ZiE ■ C(X) = (-lTátl^W^W a protože je d^Z\E{X) nenulový polynom, lze jej krátit. Pak ovšem dosazením A obdržíme22 (-l)nen(A) -E=(A-A)- C(A) = 0. Podle již dokázaného tvrzení musí být tedy en(X) dělitelné m(A), tj. en(X) = m(X)q(X) pro vhodný polynom q(X). Nyní si všimněme, že dělit se zbytkem maticí A — XE umíme explicitně: Je-li m(X) = a^Xk +----h ao, pak23 m(A) • E = (XE — A)(akEXk~1 + (akA + a^^X^2) + ... + (Afe_1afc + Ak-2ah-X + ■■■ + aľE) + Akak + Afc_1afc_i + • • • + a0E = - (A - XE)Q(X) + m(A). 22Uvědomte si, že nelze výpočet provést tak, že A dosadíme přímo do charakteristického polynomu způsobem \A — A ■ E\\ 23Stejně lze vyjádřit dělení libovolné matice B{\) charakteristickou maticí A — \E. 13. MULTILINEÁRNÍ ALGEBRA 105 Protože je m(A) = 0, můžeme nyní porovnat (A - XE)C(X) = = (-l)nm(X)q(X)E = q(X)m(X)E = q(X)(A - XE)Q(X) = = (A-XE)q(X)Q(X). Odtud plyne (A — XE)(C(X) — q(X)Q(X)) = 0. Protože dělení polynomů se zbytkem má vždy jednoznačné výsledky, předchozí výpočet s dosazením nulového polynomu za m(X) ukazuje, že A — XE nemůže být dělitelem nuly. Proto platí C(X) = q(X)Q(X). Přitom je ale vedoucí koeficient q(X) i největší společný dělitel všech prvků v C(A) roven 1, proto musí být q(X) = 1. Tím jsme ukázali m(X) = en(X). □ 12.19. Věta (Hamiltonova-Caleyova). Každá matice A E Matn(K), K pole, je kořenem svého charakteristického polynomu. Důkaz. Invariantní faktor en(X) matice A je vždy dělitelem charakteristického polynomu. □ Poznámky k přemýšlení 1. Odvoďte pro komplexní matice Hamiltonovu-Caleyovu větu přímo využitím existence Jordánova kanonického tvaru. Potom odvoďte tuto větu pro reálné matice pomocí komplexifikace. (Všimněte si, že polynomy z blokově diagonální matice lze počítat po blocích.) 2. Kdy je minimální polynom matice roven jejímu charakteristickému polynomu. Najděte odpověď pomocí Jordánova kanonického tvaru. 3. Najděte explicitní vztah mezi Jordánovým kanonickým tvarem a minimálním polynomem matice. 13. Multilineární algebra V této krátké kapitole jen trochu rozšíříme výklad o tensorech. Začneme alternativní, podstatně více abstraktní definicí: 13.1. Tensorový součin. Nechť V a W jsou vektorové prostory nad stejným polem skalárů K. Tensorový součin V ® W je vektorový prostor spolu s bilineárním zobrazením V x W —>■ V W, v x w i->- v W, které má následující univerzální vlastnost: Pro každé bilineární zobrazení ■ Z existuje právě jedno lineární zobrazení (p: V W —>■ Z takové, že w), pro všechny v E v, w E W. Je snadné ověřit, že tensorový součin, pokud existuje, je touto vlastností určen jednoznačně až na isomorfismus. V Kapitole 8. jsme již ukázali následující větu: 106 ČÁST III. DODATKY 13.2. Věta. Nechť (ei,... , em) je báze V, (/i, ...,/„) je báze W. Pak V <8> W existuje a má bázi (ei <8> /i,..., e± <8> fn,..., em <8> fn). Tato konstrukce je navíc funktoriální, tzn. pro dvě lineární zobrazení ■ V, ip: W —>■ W' dostáváme lineární zobrazení

■ V ® W, (<£ ® il))(v ® w) = i/)(w). 13.3. Důsledek. Pro konečněrozměrné prostory V, Z a W platí (1) V (8) ~ (8) y (2) (V © Z) ~ (y (8) VF) © (Z (8) W) (3) (y (8) W) (8) Z ~ y (8) (W (8) Z) Bude-li nutné zdůraznit nad jakými skaláry tensorový součin uvažujeme, budeme příslušné pole označovat jako index u znaku pro tensorový součin (např. komplexní vektorové prostory lze chápat také jako reálné a uvažovat příslušný tensorový součin, který budeme značit <8>r). Analogicky definujeme libovolné konečné tensorové součiny. Jedná-li se o tensorový součin k kopií téhož vektorového prostoru V, píšeme často V®k nebo <8>fey. 13.4. Antisymetrická zobrazení. Připomeňme, že fc-lineární zobrazení cp je antisymetrické, jestliže pro každou permutaci a na k prvcích platí V>(VtT{i), ■ ••,«*(*)) = sgno-pfai, • • • ,vk). Není těžké ověřit, že ekvivalentní je (zdánlivě slabší) požadavek, ■ Afey, (v±,... ,Vk) >->■ v\ A ■■■ AVk, s univerzální vlastností: Pro každé antisymetrické multilineární zobrazení ■ Z existuje jediné lineární zobrazení ■ Z splňující m. Důkaz. Snadno se ověří přímou konstrukcí. Lze také odvodit zavedením Afey jako faktorového prostoru V®k//, kde vektorový podprostor / je generován výrazy v i <8> • • • <8> Vk s alespoň dvěmi stejnými vektory Ví- □ 13.6. Důsledek. Nechť V a W jsou dva konečněrozměrné vektorové prostory. Pak Ak(V @W) = ©J=0A^'y (8) Ak~m. Důkaz. Hledaný isomorfismus je dán přiřazením (vi A ■ ■ ■ A Vj) <8> (wi A ■ ■ ■ A Wk-j) i->- v i A • • • A v j A w\ A ■ ■ ■ A Wk-j- 13. MULTILINEÁRNÍ ALGEBRA 107 13.7. Symetrická zobrazení. Připomeňme, že multilineární zobrazení ip je symetrické, jestliže pro každou permutaci a na k prvcích platí ■ SkV, (vi,... , vk) i->-t)1V - • - Vťfc, s univerzální vlastností: Pro každé symetrické lineární zobrazení ■ Z existuje jediné lineární zobrazení ■ Z splňující 0 a má bázi tvořenou prvky ej1 V • • • V ejk s ji<-< jk- Důkaz. Ověří se přímou konstrukcí. Lze též definovat SkV jako faktorový prostor V®k ji, kde vektorový podprostor i" je generován prvky i>i • • • ť/t — va{i) • • • <8> va{k) Pro libovolnou permutaci a na k prvcích. □ Báze v SkV můžeme také zapsat ve tvaru e^1 V • • • V é1™, kde exponenty probíhají všechny multiindexy (ii,... ,in) splňující Yľj=i i j = 13.9. Důsledek. Realizace AkV a SkV jako faktorových prostorů celého tensorového prostoru V®k dává projekce Alt: V®k —>■ AkV, v\ • • • vk >->■ ^t^i A • • • A vk a Sym: V®k —>■ SkV, v\ • • • vk >->■ V • • • V v*,. Naopak, máme inkluze i: AfeV y®fe, «i A • • • A vk ^ s§n^(i) ® • • • ® « Yl Mi) ® • • • ® Mfc) 13.10. Věta. Přiřazení (v± A • • • A^) (ffc+i A • • • Avk+i) i->- v i A • • • Avk+i definuje antisymetrické bilineární zobrazení A: AkV x AlV —>■ Afe+Ž V. Podobně, přiřazení (v± V • • • V (8) (f fc+i V • • • V t>/b+í) >->■ f i V • • • V i>/b+í definuje symetrické bilineární zobrazení V: S^V x S'V —>■ 3*+'V. Důkaz. Proveďte jako cvičení. 13.11. Definice. Zobrazení A z předchozí věty nazýváme vnější součin a podobně V nazýváme symetrický součin. Vektorový prostor A(V) = (B1kn=0AkV, m = dim V, spolu s vnějším součinem, nazýváme vnější algebra (nad V). Vektorový prostor S (V) = (BkxL0SkV, spolu se symetrickým součinem nazýváme symetrická algebra (nad V). Podobně máme obecnou tensorovou algebru T (V), která je definována jako vektorový prostor ®^=0V®fe se součinem daným tensorovým součinem . Tensory, které jsou vyjádřitelné jako součin příslušného počtu vektorů z V, nazýváme rozložitelné. 13.12. Duální prostory. Nechť V je (konečněrozměrný) vektorový prostor nad K a V* jeho duální prostor, tj. vektorový prostor všech lineárních forem na V. 108 ČÁST III. DODATKY Připomeňme, že prostor všech lineárních zobrazení ■ W, kde W je libovolný další vektorový prostor konečné dimenze nad týmž polem skalárů, můžeme ztotožnit s tensorovým součinem W <8> V*, a to prostřednictvím přiřazení w (8) v* \-> (v \-> (v,v*).w), viz. 8.30. Analogicky pak W <8> (V*)®fe je prostor všech fc-lineárních zobrazení na V s hodnotami ve W, W <8> AkV* a W <8> V* jsou prostory všech fc-lineárních antisy-metrických zobrazení a fc-lineárních symetrických zobrazení s hodnotami v W. Specielně pro W = K dostáváme příslušné prostory multilineárních forem na V. Lineární automorfismy na V jsou pak právě tensory ve V <8> V*. 13.13. Báze. Nechť e±,... , en je báze V a e1,... , en duální báze ve V*. Pak 1 < ji,...,jfc < n ji< ■■ < jk ii H-----\-in = k jsou příslušné duální báze ke standardním bažím na (V*)®fe, AkV a Sk. Ověřte! Jako jednoduché cvičení si ověřte, že v případě V <8> V* tvoří souřadnice tensoru v příslušné standardní bázi právě matici odpovídajícího zobrazení v původní bázi na V. Obecné tensory pak dávají něco jako matice multilineárních zobrazení, ty však samozřejmě mohou mít mnoho indexů místo právě dvou. Vhodná konvence (standardně užívaná v geometrii) je, že u souřadnic tensorů píšeme indexy odpovídající kopiím V jako horní, indexy odpovídající kopiím V* jako dolní. U označování bázových prvků je tomu pak naopak a implicitně se ve formulích sčítá, kdykoliv se objeví stejný index jednou nahoře a jednou dole. Dále můžete ověřit, že při změně původní báze na V prostřednictvím matice A dostaneme příslušné transformační zákony pro souřadnice na prostorech tensorů tak, že pro každý výskyt V* násobíme jednou maticí A~x, pro každý výskyt V jednou maticí A. 13.14. Kontrakce. Vektorový prostor V lze také považovat za prostor lineárních forem na V*, kde v (v*) = (v,v*). Kdykoliv uvažujeme tensorový součin V®k <8> (V*)®ť, k,£ > 0, jako ^-lineární zobrazení s hodnotami ve V®fe, máme pro každou vybranou kopii V ve V®k a V* ve (V*)®ť definovánu tzv. kontrakci, která je tensorem ve V®^"1) <8> (V*)®^"1); Pro a E V®^-1) (8) (V*)®^"1) je a(vl, ...,^i)i,...,D<)eKa kontrakci Tra i-té a j-té komponenty definujeme předpisem Tra(«í,... ,v*—nvi> — = = • • • ,v*_1,ep,v*+1,... • • • ,Vj-i,ep,Vj+i,...,«/) p V případě k = £ = 1 jde přesně o vyčíslení lineárních forem na vektorech. Bez souřadnic lze kontrakci názorně definovat tak, že V®fe<8>(V*)®ť chápeme jako (V®(fe~1)(8)(V*)®^~1))(8)(V(8)V*), kde jsme dozadu přesunuli (isomorfismem) právě vybrané komponenty a kontrakce pak je definována na rozložitelných tensorech vztahem (pro jednoduchost uvažujeme i = j = 1) —i—(e* V1 V • • • V (e* )in = (vi,vl)v2 <8> • • • <8> v% <8> t>2 <8> • • • <8> vg. 14. CVIČENÍ K PŘEDNÁŠKÁM 109 Je-li k = £, máme k dispozici tzv. úplnou kontrakci V®k (V*)k —>■ K. Budeme ji značit stejně jako vyčíslení forem { , ), což je speciální případ. 13.15. Operátor ix- V případech symetrických tensorů nezávisí kontrakce na výběru kopií V a V*, u antisymetrických se mění pouze znaménko a zavádíme konvenci, že vždy kontrahujeme přes první indexy. Dostáváme tak pro x E APV, resp. y* E APV* zobrazení splňující Ověřte si, že takto definovaná operace i je rovna kompozici Alt oc o (t ® t): Ap+qV ApV* V®{p+q) (V*)®p V®q AqV kde c je kontrakce přes prvních p kopií V.Analogická formule platí i pro duální případ (se stejným koeficientem). Podobně se definuje také operace vložení iy pro symetrické tensory. 14.1. Vlastnosti skalárů Zopakujte si vlastnosti tělesa komplexních čísel C. Všimněte si vlastností sčítání a násobení, rozeberte si R, Q, Z, N jako pod-monožiny se zúženými operacemi (grupa, okruh, dělitelé nuly, apod.; zadefinujte zbytkové třídy Zk) Uvědomte si strukturu reálného vektorového prostoru na C. Počítejte inverzní prvky vzhledem k násobení, (a+ib)-1 = a"~ž662 , např. (l+2i)~1 apod. Vzpomněte goniometrické tvary, mocniny, atd. Připomeňte si běžné geometrické transformace z rovinné a prostorové geometrie (např. podobnosti, projekce, reflexe, otáčení apod.) 14.2. Vektory a počítání s maticemi 1. Zopakujte pojmy sloupce matice, řádky matice, operace sčítání a násobení. Vynásobte několik příkladů matic, najděte nějaké dělitele nuly. Např. pro A = 2. Jednoduché systémy rovnic řešte Gausovou eliminací (převod na trojúhelníkový tvar.) Volte více příkladů. ix : Ap+qV* AqV*, (z, ix(w*)) = (z A x, w*) iy* : Ap+qV AqV, (iy* (w), z*) = (w, y* A a;*). 14. Cvičení k přednáškám spočtěte A2, A3 (obecně Akt). 110 ČÁST III. DODATKY 3. Uvažme matice nad Z A B = (-l 0 2), C D E G H í 1 \ -3 0 V 7 / 1 0 0 0 2 0 2 0 í 0 -3 3 5 (1 0 -2 4) Spočtěte (pokud je definováno) El, IE, D3+4DH-H2, G2-3F, A-F, A-GFA, BACE — BFBT a další "polynomiální výrazy" dle vlastní volby. 4. Najděte matice pro elementární řádkové a sloupcové transformace. 5. Některé matice z příkladu 1 upravte na řádkový (sloupcový) schodovitý tvar. 6. Najděte inverzní matici 5_1 kB = ^ ^ metodou současných úprav s jednotkovou maticí. Totéž pro (čtvercové) matice z předchozích příkladů, pro matici ^ 2~ % ^ i % ' naC^ ^' (^vercov^) matice z příkladu 1, a matici typu n/n C D 7. Řešte maticové rovnice, např. 0 Vo 1 3 3 8 X 1\ 0 1/ 1 2 3 4 výpočtem inverze i přímým výpočtem. 14.3. Vektorové prostory, lineární závislost 1. Zjistěte, zda množina E_|_ = {x E R; x > 0} s operacemi x © y = x.y, a(Dx = xa pro x, y E R_|_, a E M. tvoří vektorový prostor. Pokud ano, určete jeho bázi a dimenzi. 2. Podle obecné teorie musí být z předchozího cvičení izomorfní s R1. Jaký je izomorfismus? (Pro každou volbu báze b E R+ a 1 G R1 dostaneme právě jeden.) 14. CVIČENÍ K PŘEDNÁŠKÁM 111 3. Zjistěte, zda daná množina tvoří vektorový podprostor v R2 M = {(x,y) g R2;a; > 0,y > 0} M = {(x,y) ER2;x = y} M = {(x,y)ER2;x.y>0} M = {(x,y)ER2;x = y+l}. Určete vždy podprostor generovaný M. 4. Prověřte lineární závislost vektorů (1,-A-Ol), (l-v^,2,l + v^), (1,-^-1,-^-1) v R3 nad skaláry R a v R3 nad skaláry Q. 5. Prověřte lineární závislost polynomů v R2[«]. a) 1 + x, 1 — x, 2 + x — x2 b) 1 - x, x - x2, x2 - 1 6. Zjistěte, zda jsou lineárně závislé matice (3 4)' (o -2) (l l) ' (2 1 ) ve vektorovém prostoru Mat2R. 7. Uvažujte R jako vektorový prostor nad Q. Je g (1, y/2)l Je VŠ g (1, y/2)l 8. Zjistěte, zda a) (1,1,1,1) patří do ((1, 0,1, 2), (0, 0,1,3), (0,1,0, 2)) c R4 b) (-1,-4,7) g R3 patří do ((1, -2, 3), (-2,1, -1), (0, -3,5), (-2, -5,3), (-1, -1, 2)). 9. Doplňte množiny do báze R4 M = {(1,-1,0,2),(0,2,1,3),(2, 0,1,7)} M = {(-1,1,0,0,), (0,-1,1,0), (0,0,-1,1)}. 14.4. Báze vektorových prostorů 1. Určete nějakou bázi vektorového podprostoru M{(xľ,..., xn) g Rn; X! + x2 + ■ ■ ■ + xn = 0} a doplňte ji na bázi Rn. Vzpomeňte přitom, jak funguje Steinitzova věta o výměně. 112 ČÁST III. DODATKY 2. Nechť Pi = (Mi), P2 = (M2) v R4, kde Mx = {(4, 0, -2, 6), (2,1, -2,3), (3,1, -2,4)} M2 = {(1,-1, 0,2), (2, 2,-1,3), (0,1,1,0)} Najděte Pi + P2, P± n P2, jejich báze a dimenze. (Připomeňte si přitom větu dimPi + dimP2 = dim(Pi + P2) + dim(Pi í~l P2).) 3. V R5 [x] najděte bázi podprostorů a) P1 = {/GB5[a;];/(íc) = /(-íc)} b) P2 = {/GR5[a;];/(a;) = -/(-»)} c) P3 = {/GR5M;/(l) = /(2) = 0}. Určete také P1 n P3, P2 + P3. 4. Najděte souřadnice vektoru v dané bázi. a) v = (2,1,1) G R3, « = ((2, 7, 3), (3,9,4), (1,5, 3)) b) v = (2,1,1) E R3, u = ((1, 0,1), (1, 0, 0), (1,1,1)) c) V = X3 + x2 +X + 1 G R4M, w = (1 + x3,x + x3,x2 + x3 + x4,x3) d) v=(12 J ^JG Mat23(R) s bazí 1 o o\ íi 1 o\ íi 1 1 o o oy'vo o oy'vo o o ooo\/o oo\/o o o -1 o o/'V-i -1 o/'V-i -1 -1 14.5. Souřadnice a lineární zobrazení 1. Připomeňte si pojem souřadnic vektoru v dané bázi a napište souřadnice vektoru (1,1,1,1) G R4 v bázi a) u= ((-1,0, 0,0), (-1,-1,0,0), (-1,-1,-1,0), (0,0,1,-1)) b) v= ((0, 0, 0, -5), (1, 2, 3,1), (1, 0, -1,0), (0,1,1, 0)). 2. Zjistěte, zdaje zobrazení /: Rn —>■ Rn lineární. a) f(x,y) = (x,y2) b) f(x,y) = (2x + Sy,x- y) c) f(x, y, z) = (x + y, x - y, x + z + 2) d) f(x, y, z) = (x - 17y + z,2x- 5y, 13y - z) 3. Připomeňte si pojem matice zobrazení. V prostoru R3 se standardní bazí u = ((1, 0, 0), (0,1,0), (0, 0,1)) napište matice následujících zobrazení a) identického zobrazení id: R3 —>■ R3 b) kolmé projekce do osy generované vektorem (1, 0, 0) c) kolmé projekce do roviny generované vektory (0,1,0), (0, 0,1) d) násobení pevně zvoleným skalárem a G R. Zapište tato zobrazení způsobem použitým v předchozím cvičení. 14. CVIČENÍ K PŘEDNÁŠKÁM 113 4. V reálném vektorovém prostoru V = C, tj. dimV = 2, najdětete nutnou a dostatečnou podmínku pro to, aby obecné lineární zobrazení ■ V bylo také lineární jako zobrazení mezi (1-rozměrnými) komplexními vektorovými prostory. 5. V prostoru C2 nad R napište matici zobrazení (ve standardní bázi), která každý vektor (p, q) E C2 zobrazí na (ip,iq). (Matice bude v Mat4(R).) 6. Napište matici (idj^)^ identického zobrazení na R4 v bazích u, v ze cvičení 1, tzv. matici přechodu. Napište také (idj^)^ a uvědomte si jak se tyto matice použijí pro převod souřadnic vektorů z jedné báze do druhé. 7. V prostoru polynomů M.3[x] uvažme báze u = (l,x,x2,x3) a v = (1 + x, 1 — x,x2 + x3,x2 — x3). Najděte matice přechodu od u k v a naopak. Použijte je k převodu souřadnic několika polynomů. (12 3 4\ 4 3 2 1 j ^G ma^ce z°brazení /: C3 [x] —>■ Ci [x] v bazích v z předchozího cvičení a standardní (l,x) na Ci[x]. Najděte obrazy polynomů 2x — x3, 1 + x2, 1 + X + x2 + X3. 9. Ve standardních bazích na R3 a R5 je dáno zobrazení / maticí A, g maticí B. A / 1 2-1 1 0 1 3 2 0 -11 0 V-2 0 1 / -21012 B= I 1 3 0 7 1 1 0 0 0 1 Uvědomte si odkud kam tato zobrazení jdou a najděte matice jejich kompozic. Zjistěte, zda půjde o izomorfismus. 14.6. Lineární zobrazení II 1. Nechť /: R4 —>■ R4 je lineární zobrazení dané vztahem f(xi,X2,X3,X4) = (x\ + 2x2 + 3a;3 + 4a;4, Axi + 3x2 + 2x3 + £4, xi - 2x2 + 3a;3 - £4, xi + x2 + x3 + x4). a) Najděte báze jádra Ker/ a obrazu Im/. b) Doplňte bázi Im/ na bázi celého R4, nejlépe bazí Ker/, pokud to půjde (promyslete si), a napište matici / v této nové bázi. 2. Matice lineárního zobrazení /: R3 ->■ R3 v bázi u = ((1,0,1), (0,1,1), (1,1,0)) je a) Zjistěte, zda je / izomorfismus. b) Pokud ano, najděte matici inverzního zobrazení ve standardní bázi. 3. Ve standardních bazích R4 [x] a Rg [x] určete matici zobrazení, které je definováno jako násobení pevně zvoleným polynomem g E M^lx]. 114 ČÁST III. DODATKY a) Zvolte sami několik různých g a najděte vždy dimenzi jádra příslušného zobrazení. b) Zjistěte dimenzi obrazu podprostoru (x2 + a;3, x — x4) při některé volbě. Promyslete si dobře, co je skutečně nutné počítat v bodech a), b). 4. Určete dimenzi obrazu a jádra zobrazení, které je definováno jako násobení maticí A = ^ ^ v Mat2(C) a) zprava b) zleva. 5. Najděte dimenzi a bázi obrazu průniku podprostoru V\ a V2 c R4 při zobrazení /: R4 —>■ R5. Přitom f(x,y,z,w) = (x + 2y + 3z + w,2x - 3y - z - 12w, -x + y + 5w,-y - z - 2w,2x - 3y - z - 12w), V1 = {(2, -1, -1,1), (-2, 3,1, -1)), V2 = {(0, 2, 0, 0), (1,1,1,1)). Dále zjistěte dimenzi vzoru podprostoru W c R5, generovaného vektorem (1,1,1,1,1). 14.7. Permutace a determinanty a) Pro permutace a 1. Uvědomte si souvislost permutace a na množině X = {l,...,n} s pořadím (a(l),...,a(n)). 1 2 3 4 5 6\ _ A 2 3 4 5 6\ 6 1 5 4 2 lj'f"^ 4 2 1 5 3j SpOC" těte kompozice a o 71", tv o a a pro všechny čtyři předchozí permutace spočtěte jejich paritu (z definice pomocí počtu inverzí), b) Napište n a a jako součiny transpozic. 2. Nechť permutace n na X = {1,..., n} je definována pomocí cyklu na k prvcích v X, k > 1, a ostatní prvky nechť jsou samodružné. k nazýváme délka cyklu 7T. Ukažte, že parita této permutace je sgn(7r) = (—l)fc_1. Odtud pak plyne, že je-li permutace a součinem cyklů 7ri,..., ns, o délkách k±,..., ks pak parita je sgn(cr) = (-l)£ť=ifcs-s. n»>/(^:j(j). Dokažte, 3. Pro transpozici a = (1,..., j,..., i,..., n) platí sgncr že tentýž vztah platí pro libovolnou permutaci a. (Návod: Užijte vztah pro paritu součinu permutací a větu, že každá permutace je součinem transpozic.) Rozložte následující permutace dané pořadím na cykly a spočtěte jejich paritu. a) (9,4,5,1,6,2,8,3,10,7) b) (9,19, 5,18,10,13, 20, 3,12,15,11,1,4,16, 8,2,17,6, 7,14). Určete paritu permutací: a) (n, n — 1,..., 2,1) b) (1,3,5, ...,2n-3,2n- 1,2,4,. c) (2, 3,1, 5, 6,4,..., 3n — 1, 3n, 3n 6. Vypočtěte determinant dle definice: ,2n) 2). 1 0 1 2 0 2 0 0 3 14. CVIČENÍ K PŘEDNÁŠKÁM 115 7. Spočtěte determinanty matic 3 4' a) b) c) d) e) 1 2 1 + í 3 - i sina; cosa; / 3 -5 4 % 2 + i —cosx sina; 4 -3 6 -1 -4 V-3 7 (1 1 1 1 2 3 1 4 9 Vl 8 27 64/ 5 -3 1 5 4 16 2 7 1 2 2 \ 3 -5 -2 3 / 14.8. Výpočet determinantů a inverzních matic 1. Spočtěte úpravou na trojúhelníkový tvar nebo vhodným Laplaceovým rozvojem deteminanty matic f1 0 0 0 5^ 2 1 -1 3 4 a) 1 0 0 0 7 3 1 -1 4 1 U -2 3 6 l) f1 0 2 0 3 2 3 3 4 4 5 b) 4 0 5 0 6 0 5 6 6 7 7 8 1 0 -1 0 1 0 Vl 1 -1 -1 1 1/ 2. Vypočtěte determinanty n-tého řádu z matice Dn e Matn a) D In b) A, /o 0 .. . 0 0 ... 0 b\ 0 a .. . 0 0 ... b 0 0 0 .. a b ... 0 0 0 0 .. c d ... 0 0 0 c .. . 0 0 ... d 0 V 0 .. . 0 0 ... 0 d) In 1 1 1\ 1 n 1 1 Vi n. 116 ČÁST III. DODATKY 3. Spočtěte inverzní matice k daným maticím metodou využívající přímé a zpětné Gausovy eliminace a použitím algebraicky adjungované matice. I 5' a) 11 7 / 1 1 1 \ b) 2 3 3 V-i -3 "2/ (1 4 -2 3 "\ c) 2 9 3 -2 -1 -6 -11 4 V 0 -1 -6 0 ) d) Všimněte si, že všechny tři matice mají determinant ±1, proto výsledné inverzní matice jsou celočíselné. Vzpomeňte obecný výsledek, který toto zajišťuje (A~x existuje právě, když \A\ je invertibilní skalár!) 14.9. Systémy lineárních rovnic I 1. Řešte systémy rovnic (a diskutujte jejich řešitelnost pro různé okruhy skalárů). 4a; i + 3x2 + 6^3 = 1 3a; i + 5x2 + 4^3 = 10 Xi - 2x2 + 2^3 = -9 12xi — X2 + 5x3 = 30 3xi — 13x2 + 2^3 = 21 7a; i + 2x2 + 3a;3 = 15 2x i — 3^2 + 17^3 — 29^4 — 36x5 = 22 2x i — 3x2 + 18£3 — 27^4 + 33^5 = 21 12a; i - 18a;2 + W2x3 - 17Ax4 - 216x5 = 132 2xx — 3^2 + 21^3 — 24a;4 — 30^5 = 20 2xx - 3x2 + 24x3 -21x4- 27xs = 19 2. Diskutujte řešení předchozích rovnic z hlediska řešení příslušných homogenních systémů a najděte fundamentální sytémy řešení pro skaláry R. 3. Najděte takový systém rovnic nad R, aby platilo (1) množina jeho řešení je {(1 + 2s - t, 2t, -1 + s - ť)T E R3; s, t E R} (2) jeho fundamentálni systém řešení je {(1,0, 0, 2,1), (0,1,1,1,0), (1,1,1,0, 2)} Umíte najít všechny takové systémy? 4. Řešte systém rovnic s parametrem a E K, uvažte přitom možnosti K = Z, K = R. xi + x2 + ax3 = 1 Xl + OLX2 + «3 = 1 ax\ + X2 + x3 = 1 14. CVIČENÍ K PŘEDNÁŠKÁM 5. Nad R řešte maticovou rovnici 117 (1) 1 -5 -3 X (2) 3 2 4 \ X 1 -4 -3 1 -5 -3 -1 6 4 -1 -2 3 2 4 u 4 0 Diskutujte přitom možnost nalezení inverzní matice, příp. použití fundamentálních systémů řešení homogeního systému. 14.10. Systémy lineárních rovnic II 1. Najděte fundamentální systém řešení následujícího systému lineárních rovnic a fundamentální systém řešení příslušného homogenního systému. Řešte nad skaláry Z, Z6, Z7. Diskutujte přitom použití Cramerova pravidla i Gausovy eliminace. 2. Ve vektorovém prostoru R4 najděte průnik podprostorů V\ a Ví zadaných ge-nerátory Vi = ((1,1,1,1), (1,0,1,0)), y2 = {(1,1,0,0), (0,1,1,1), (0,1,1,0)). Spočtěte také průnik součtu V\ + Ví s podprostorem generovaným vektorem (1, —2,3, —4). (Hodí se v tomto případě Crammerovo pravidlo?) 3. Považujte generátory podprostorů V\ a Ví z předchozího cvičení za prvky v (Z2)4, (Z3)4, resp. C4, a řešte znovu stejnou úlohu. Zejména si uvědomte, kolik prvků mají diskutované prostory a podprostory. 4. V prostoru polynomů Mq[x] uvažte podprostory V\ = (x2 + 2x3,—x3 + a;6), V2 = (2 + x2, -1 + x6, x2 + x3 + 2a;4), V3 = (x2 + x6,1 + 3a;3 + x5,x3) a spočtěte jejich průnik a V\ + Ví + V3. 14.11. Vlastní vektory a vlastní hodnoty I 1. Dejte příklad zobrazení A: R3 R3 pro které je KerA = ((1, 0, 0), (1,1,1)), ImA= ((1,0,1)). 2. Rozhodněte, zda existuje lineární zobrazení A: R3 —>■ R2, které zobrazí postupně vektory (1, 2, -3), (2,1, -2), (1, -4, 5) na vektory (1, 2), (2, 3), (1, 3). 3. Lineární zobrazení /: Mat2(R) —>■ R splňuje / ^q o)=^'"^^0 0^)=^' o)=3'"^^0 l)=^' ^aJ^e vyjádření / pomocí prvků matic, jádro, obraz. 118 ČÁST III. DODATKY 4. Zobrazení A: R^[x] —>■ R±[x] je definováno předpisem A(f)(x) = f"'(x) — 2f"(x), kde čárky označují derivaci polynomů podle proměnné x. Ověřte, že A je lineární, spočtěte jeho jádro, obraz, vlastní hodnoty, vlastní vektory. 5. Nad skaláry K = R, C najděte vlastní hodnoty a vlastní vektory zobrazení /: K3 -»■ K3, které je v bázi ((1,1, 0), (1, -1, 0), (0, 0,1)) dané maticí A 6. Nad skaláry K = Z5, R, C najděte vlastní hodnoty a vlastní vektory zobrazení / q _2 f: K2 —>■ K2, které je ve standardní bázi dané maticí A = í „ J ' J V 2 0 14.12. Vlastní hodnoty a vlastní vektory II 1. v R3 určete podprostor vlastních vektorů příslušných vlastní hodnotě 3 pro '3 0 0\ /3 1 0\ /3 1 (ť matice ,4 = | 0 3 0,5=0 3 0 ] , c = I 0 3 1 003/ 0 0 3 \ 0 0 3 2. Zjistěte, zdaje matice A podobná diagonální matici nad poli1 právě když vlastní vektory generují celý prostor K3). C (to nastane a) A c) A 4 b) A -4 7 5 9 0 3. Nechť (f>: V —>■ V je izomorfismus. Dokažte, že 0 a 0_1 mají stejné podprostory vlastních vektorů a zjistěte závislost mezi vlastními hodnotami (jsou to převrácené hodnoty, nula tam být stejně nemůže). 4. Nad skaláry K a) A 2 0 najděte vlastní čísla a vlastní vektory matic / 1 2 0 3 \ -1 -2 0 -3 0 0 2 0 V 1 2 0 3 / b) B 14.13. Vlastní hodnoty a vlastní vektory III 1. Zjistěte, jak závisí vlastní hodnoty a vlastní vektory matic A, B na parametrech a a /3. (2 3 0\ (2 3 0 \ ,4=4 10 5=4 1 0 \a 13 2) \a f3 2 + aJ 14. CVIČENÍ K PŘEDNÁŠKÁM 119 2. Najděte Jordánovy kanonické tvary matic A, B, C. A= -1 4 0 5=0 3 0 C 3. Spočtěte vlastní hodnoty a vlastní vektory matice B = 3AA — 2A3 + A2 — A + 6E (aniž byste počítali 5!) '2 -1 1 ,4=14 -2 2 2 -1 1 14.14. Afinní úlohy I 1. V rovině R2 ja dán trojúhelník ABC. Označme po řadě A', B', C středy jeho stran BC, AC, AB. Dokažte že v zaměření R2 platí (A' - A) + (B' -B) + (C - C) = 0. 2. Je dána přímka p : 2x + 3y — 6 = 0. Určete její parametrický popis. Jak se získá implicitní popis z parametrického? 3. Určete vzájemnou polohu polohu přímek (1) p : 2x - 3y + 4 = 0, q : 3x + 2y - 7 = 0 (2) p:(x,y) = (l,-l) + t(l,-2),q:2x + y-l = 0 (3) p : (x, y) = (2,1) + ŕ(-l, 3), q : (x, y) = (1, 3) + ŕ(2, -6) 4. Zjistěte vzájmenou polohu rovin (1) a : (x, y, z) = (1, -2, 3) + ŕ(-l, 0,1) + s(2,1, 0) 0 : (z, y, z) = (-1, 0,1) + ŕ(l, 1, 2) + s(-l, 3,1) (2) a : (x, y, z) = (2, -1,1) + ŕ(l, 1,1) + *(1, -1, 0) /3:x + y-2z+l = 0 (3) a : 2x - y + z - 9 = 0, (3: x + y-z = 0 5. Najděte parametrické vyjádření přímky v R3 zadané f 2x-y + z-9 = 0 p : < t x + y - z = 0 Jak vypadají rovnice všech rovin procházejících danou přímkou p (tzv. svazek rovin)? Jak se získá jejich obecná rovnice z parametrického, resp. implicitního tvaru V- Zadejte parametricky i implicitně přímku, resp. rovinu zadanou dvěmi, resp. třemi, body. Zadání volte sami. 6. Najděte příčku mimoběžek p, q procházející bodem M. Je dáno M = (7,0,4), p : (x, y, z) = (2, -1,1) + ŕ(l, 2,1), q : (x, y, z) = (1,1,1) + ŕ(2, -1,1) Jak se hledá příčka zadaná směrem? 120 ČÁST III. DODATKY 14.15. Afinní úlohy II afinní souřadnice, poměry, konvexnosť 14.16. Prostory se skalalárním součinem I 1. Zjistěte, zda je zobrazení g: R2 x R2 —>■ R skalární součin. g(x, y) = xtfx + xxy2 + x2yi + x2y2 g(x, y) = Axxyx + 2xxy2 + 5x2y2 g(x, y) = xtfx + xxy2 + x2yx + 2x2y2 2. Zkuste na R2 najít takový skalární součin, aby vektory u a v na sebe byly kolmé (1) «=(1,2), v = (2, 3) (2) «=(-5, 2), v = (10,-4) 3. Grammovým-Schmidtovým ortogonalizačním procesem sestrojte ortonormální bázi podprostoru L = ((1,1, -1, -1), (1, -1,1,1), (-1, -2,0,1)) ve standardním euklideovském R4. 4. Najděte ortogonální bázi vektorového prostoru Ms[x] se skalárním součinem definovaným vztahem f -g = f(x)g(x)dx. Najděte matici přechodu od standardní báze (1 3) do nalezené báze. 5. Najděte ortogonální průmět vektoru (1,2,3) do podprostoru L =((-1,1,1), (1,1,1)). 14.17. Prostory se skalárním součinem II 1. Na vektorovém prostoru Cn[x] definujte skalární součin tak, aby byla báze (1, x, ^x2,..., ^xn) ortonormální. 2. Najděte ortonormální bázi podprostoru L = ((3, 2, -4, -6), (8,1, -2, -16), (5,12, -14, 5), (11,3,4, -7)) c R4 ve standardním euklideovském prostoru. 3. Nejděte ortonormální fundamentální systém řešení systému rovnic 2xi — x2 + 5^3 + 7x4 = 0 4xi - 2x2 + 7x3 + 5x4 = 0 2xi — x2 + X3 — 5X4 = 0 14. CVIČENÍ K PŘEDNÁŠKÁM 121 4. Pokud to jde, doplňte dané vektory na ortogonální bázi standardního euklidovského prostoru. (Kolik máme možností?) (1) «= (2, 2,1), v = (-2,1,2) (2) «=(-3,1,-2, 2), v = (4, 2,-3, 2). 5. Určete všechny hodnoty parametrů a, b, c, pro které je matice A ortogonální. Pro tyto hodnoty spočtěte příslušný kanonický tvar. (Promyslete geometrické vlastnosti transformace!) 6. Zkuste definovat na R3 dva skalární součiny tak, aby zobrazení ■ R3, (p(xi,x2,X3) = (xi + x2 + x3, -xi + x2,x3), bylo ortogonální. a 0 2c i 2b i Vš Vě —a "71 c 14.18. Ortogonální průměty a ortogonální zobrazení 1. Najděte ortogonální doplněk podprostoru P = ((-1, 2, 0,1), (3,1, -2,4), (-4,1, 2, -4)) v R4 se standardním skalárním součinem. Pak najděte kolmé průměty vektorů standardní báze do P a P-1. 2. Nechť je L = (u, v, w) c R4. Nejděte kolmý průmět vektoru z do L a L-1. (1) z = (4, 2, -5, 3), u = (5,1, 3, 3), v = (3, -1, -3,5), w = (3, -1, 5, -3) (2) z = (2, 5, 2, -2), u = (1,1, 2, 8), v = (0,1,1, 3), w = (1, -2,1,1) 3. Najděte (přímým výpočtem) všechny ortogonální a unitární matice řádu 2, pak všechny ortogonální s kladným determinantem. 4. Zjistěte, zda je ortogonální transformace daná maticí í 7S 0 75 \ a -__L. _i. _i. A - Vš V2 VE \__L.__L. _i. / kompozicí reflexe a rotace, či zda se jedná pouze o rotaci, a najděte osu a úhel této rotace. 14.19. Bilineární a kvadratické formy 1. Zjistěte, zda je zobrazení /: R2 x R2 —>■ R bilineární forma na R2. Pokud ano, rozhodněte, zda je symetrická nebo antisymetrická. (1) f(x,y) = xxy2 (2) f(x,y) = xiyi + 2y2-12 (3) f(x, y) = xiy2 - x2yx + xxyx 122 ČÁST III. DODATKY 2. Určete hodnost bilineární formy f(x, y) = x±yi + 2x2y\ — x2y2 + 3x^y2 na R3 a najděte její matici v (1) standardní bázi R3 (2) v bázi (1,1,1), (0,1,1), (1,0,1) 3. Uvažme bilineární formu h(x, y) = 2x\y\ — 4x\y2 — 3x2y2 + 2x2yz — 4xzy2 — x^yz definovanou na C3 a nechť f(x) je jí definovaná kvadratická forma. (1) Napište analytické vyjádření /. (2) Najděte polární formu g pro /. 4. Určete hodnost kvadratické formy f(x) = x\—2x\x2+&x\Xz—2x2x$, uvažujeme-li / jako formu na C3, resp. na R5. 5. Najděte diagonální tvar formy / na R3 pomocí algoritmu doplnění na čtverce (1) / je daná formulí z předchozího cvičení (2) f(x, y) = Ax\ + 2x\ + 15a;2 + Ax\x2 - AxiXz - &x2xz (3) f(x, y) = xxx2 + xxxz + x2x3 14.20. Reálné a komplexní kvadratické formy 1. Najděte kanonické tvary kvadratických forem na C3 daných vztahy (2), (3) z cvičení 5 předchozí série. Najděte také příslušné polární báze. 2. Zjistěte vlastnosti reálných kvadratických forem, např. definitnost, pozitivní definitnost apod. (pozor na závislost na prostoru V na němž je forma definována) (1) f(x) = x\-x1x2+xl (2) f(x) = 2x\x2 + kx\Xz (3) f(x) = -2x\ - 8x1 - 3x1 + 2xix2 + 4x1X3 - 2x2xz 3. Najděte všechny hodnoty parametru a E R, pro které je kvadratická forma / na R3 positivně definitní, resp. negativně definitní (použijte Sylvestrovo kriterium) (1) f(x) = x\ + x\ + 4ax\x2 + a?x\Xz (2) f(x) = ax\ + ax\ + (a — 3)x2 + 2x±x2 + 2ax\x3 + 2x2xz 14.21. Metrické úlohy I 1. V rovině E2 je dán obdélník ABCD. Dokažte že v jejím zaměření R2 se standardním skalárním součinem platí (A — M) • (C — M) = (B — M) • (D — M). 2. Ukažte, že ortogonální doplněk zaměření nadroviny v En zadané implicitně n : a\X\-\-----\-anxn+ao = 0 je generován tzv. normálovým vektorem v = (ai,... , an). Ukažte, že pro vzdálenost bodu A = (yi,... ,yn) od n platí 14. CVIČENÍ K PŘEDNÁŠKÁM 123 3. Určete pro jaké vektory v E2, E% platí (1) ||w + v\\ = \\u — v\\ (2) \\u + v\\ = \\u\\ — \\v\\ (3) \\u + v\\ > \\u\\ — \\v\\ (4) \\u + v|| > \\u — v\\ 4. Najděte souřadnice vrcholů krychle ABCDEFGH, je-li A = (1,-1,3), B = (3, 0, 5), D = (-1,1,4) (pokud existuje). 5. Napište rovnici přímky p, která obsahuje M = (3, 2) a s přímkou q : y/Šx—y+3 = 0 svírá úhel j, resp. ^. 6. Určete bod Q souměrný k bodu P = (3,-1,4) podle přímky p : (x,y,z) = (-7,-4,7) + í(4,3,-l). 7. Najděte osu mimoběžek p : (x,y,z) = (0, —15, — 6) + í(2, — 1, 3), q : (x,y,z) = (3,4, 2)+ «(4,2,-3). 14.22. Metrické úlohy II 1. Ukažte, že odchylka dvou nadrovin je rovna odchylce jejich normálových vektorů. 2. Spočtěte výšku pravidelného čtyřstěnu ABC D v^a odchylky jeho protilehlých hran . 3. Spočtěte povrch a objem čtyřstěnu ABCD v E% je-li A = (1,-1,2), B = (2, 0,-2), C =(3, -2,0), £» = (1,1,1). 4. Spočtěte objem a výšku čtyřbokého jehlanu ABCDV v E3, je-li A = (2, —1,2), B = (0,0,5), C = (-1, 0,5), D = (4, -3, -4), V = (1, 2,1). Dále určete odchylky jeho hran od podstavy. 14.23. Metrické úlohy III 1. Uvažme n — 1 vektorů u± = (xn,..., xin), (x{, n-l)lj ,X (n- -l)n) v standardním orientovaném euklidovském vektorovém prostoru Rn. Dále uvažme matici / Ví V2 ■■■ Vn \ Xll X12 ... Xin A \x{n-l)l x(n-l)2 ••• x(n-l)n' ..., Ain), kde Aíj jsou algebraické doplňky prvků Ukažte, že vektor un = (Au,. matice A má následující vlastnosti: (1) un je kolmý na všechny u±,... , itn-i (2) velikost vektoru ||itn|| je rovna (neorientovanému) objemu rovnoběžnostěnu zadaného vektory u±,... , it(n_i) (3) ui,... ,un je báze Rn kompatibilní s orientací. V dimenzi 2 tak dostáváme obvyklý vektorový součin dvou vektorů u±, u2. 124 ČÁST III. DODATKY 2. Najděte kanonické rovnice a osy kuželosečky dané ve standardní souřadné soustavě rovnicí (1) x2 + y2 + Axy + 2x + 1 = 0 (hyperbola s vrcholem v (—— ^) a osami ve směrech (±^, ^)) (2) 2x2 — 3y2 + 5xy + x + lOy — 3 (dvě různoběžné přímky) 3. Napište rovnici kružnice procházející bodem A = (1,2) a dotýkající se přímek p : x — y + 3 = 0, q : x — y — 1 = 0. 14.24. Adjungovaná zobrazení 1. Lineární zobrazení y?: R3 —>■ R3 je dáno vztahem <^(a;, y, z) = (x - 2y + z, x + 3^, -y - ^) (1) Spočtěte duální zobrazení ■ R3 vzhledem ke standardnímu skalárnímu součinu na R3. (3) adjungované zobrazení ■ R3 vzhledem ke skalárnímu součinu ((a;, y, z), (x1, y', z')) = 2xx' + xy' + x'y + 2yy' + yz' + y'^ + 2. Na C4 se standardním skalárním součinem určete, kdy je samoadjungované zobrazení (p(x, y, z, w) = (ax, f3y, jz, 8w) pro a, f3,7, 5 £ C. 3. Na prostoru reálných polynomů stupně 2 se skalárním součinem daným f • g = Jo f(x)9(x)dx spočtěte adjungované zobrazení k (1) operaci derivování podle proměnné (2) operaci násobení pevným polynomem (3) operaci "zapomenutí monomů stupně 2" 4. Na R3 se standardním skalárním součinem najděte adjungované zobrazení k promítání na vybraný podprostor ve směru doplňkového podprostoru. Kdy bude toto promítání samoadjungované? INDEX 125 Index A-matice, 97 absolutní člen, 27 adjungované zobrazení, 86 adjungovaná matice, 86 afinní kombinace bodů, 46 afinní podprostor, 44 afinní soustava souřadnic, 44 afinní zobrazení, 52 afinní obal, 44 afinní prostor, 43 afinní repér, 44 algebraický doplněk, 22 algebraická násobnost, 35 algebraicky adjungovaná matice, 24 analytický tvar formy, 67 antisymetrická forma, 64 antisymetrický tensor, 106 báze vektorového prostoru, 12 Besselova nerovnost, 56 bilineární forma, 64 bilineární zobrazení, 64 bod, 43 bodový euklidovský prostor, 76 člen determinantu \A\, 20 čtvercová matice, 4 Cauchyova nerovnost, 56 charakteristická čísla, 32, 33 charakteristická matice, 32 charakteristický polynom matice, 33 charakteristický polynom zobrazení, 33 cyklické zobrazení, 35 cyklus, 19 dělicí poměr, 50 defekt matice A, 29 defekt zobrazení, 29 determinant matice A, 20 dimenzí, 12, 43 duální báze, 63 duální vektorový prostor, 63 duální zobrazení, 63 ekvivalentní, 17, 27 elementární dělitelé, 101 euklidovské podprostory, 76 euklidovské prostory, 53, 54 faktorový vektorový prostor, 36 fundamentální soustava řešení, 29 generátory, 11, 44 geometrická násobnost, 35 Grammův determinant, 81 Hermiteovská forma, 71 Hermiteovská matice, 71 Hermiteovské zobrazení, 86 hlavní minory, 22 hlavní submatice, 22 hodností bilineární formy, 65 hodností kvadratické formy, 66 hodností matice, 24 homogenní, 29 idempotentní zobrazení, 88 implicitní popis, 46 indefinitní, 70 invariantní faktory, 101 invariantní podprostor, 31 invertibilní matice, 5 inverze v permutaci, 19 isomorfismus, 14 jádro lineárního zobrazení, 14 jednotková matice, 4 Jordánův blok, 40 Jordánův kanonický tvar, 40 kanonický tvar, 99 kartézská souřadná soustava, 76 kladné samoadjungované zobrazení, 90 kořen polynomu, 103 kořenový prostor, 35 kořenový vektor, 35 kolmé, 54, 76 kolmý projektor, 88 komplexifikace, 60 komplexní euklidovské prostory, 75 komplexní ortogonální matice, 75 komutativní grupy, 1 komutativní okruhy, 1 komutativní tělesa, 1 konečněrozměrný, 12 kongruentní matice, 66 kontrakce, 108 konvexní množina, 51 konvexní mnohostěn, 52 konvexní obal, 51 kvadratická forma, 66 kvadrika, 82 Laplaceův rozvoj, 23 levý poloprostor, 51 lichá permutace, 19 lineárně nezávislá, 10 lineárně závislá, 10 lineární forma, 63 lineární kombinace, 10 lineární rovnice, 27 lineární zobrazení (homomorfismus), 14 maticí zobrazení, 16 matice bilineární formy, 64 matice inverzní, 5 matice opačná, 3 matice přechodu, 16 126 ČÁST III. DODATKY matice soustavy rovnic, 27 matice transponovaná, 21 metrické klasifikace forem, 71, 91 mimoběžné podprostory, 48 minimální polynom, 104 minor, 22 moduly, 2 neřešitelná soustava, 27 nedourčená soustava, 27 negativně defmitní, 70 negativně semidefmitní, 70 nehomogenní soustava, 29 nekonečněrozměrný prostor, 12 nezáporné samoadjungované zobrazení, 90 nilpotentní, 35 normální matice, 90 normální zobrazení, 89 norma, 55 normovaný vektor, 55 nulová matice, 3 obecná poloha bodů, 46 objem, 79 obraz, 14 odchylka vektorů, 77 odchylka podprostorů, 77, 79 oddělující nadrovina, 51 orientace, 47 ortogonálně diagonalizovatelné, 89 ortogonální bazí, 54 ortogonální doplněk, 54 ortogonální isomorfismus, 57 ortogonální matice, 59 ortogonální podmnožiny, 54 ortogonální systém vektorů, 54 ortogonální zobrazení, 57 ortogonální vektory, 54 ortonormální báze, 55 přímý součet, 31 parametrický popis, 46 parita permutace, 19 Parsevalová rovnost, 56 permutace, 19 počátek afinní souřadné soustavy, 44 podobné matice, 17 polární báze, 67 polární forma, 66 pole, 1 pololineární zobrazení, 85 polopřímka, 51 poloprostor, 50 polorovina, 51 polorozpadlé matice, 32 positivně definitní, 70 pravý poloprostor, 51 projektor, 88 pseudo-euklidovské vektorové prostory, 75 pseudoinverzní matice, 95 různoběžné, 48 rameny, 51 regulární, 24 rovnoběžné, 48 rovnoběžnostěn, 52, 79 rozšířená matice soustavy, 27 rozložitelné, 107 rozpadlé, 32 Řádkové elementární transformace, 5 Řešením soustavy, 27 Saarusovo pravidlo, 21 samoadjungované, 86 schodovitý tvar, 6 sesquilineární, 85 signatura formy, 70 simplex, 52 singulární čísla matice, 93 singulární matice, 24 skalární součin, 53 skaláry, 2 sloupcové elementární transformace, 5 součet podprostorů, 11 souřadnice vektoru, 14 spektrum lineárního zobrazení, 35 střed dvojice bodů, 50 standardní báze v Kn, 13 standardní euklidovský prostor, 53 standardní unitární prostor, 54 stopa matice, 33 stopa zobrazení, 33 stupněm nilpotentnosti, 35 subdeterminant, 22 submaticí matice A, 22 sudá permutace, 19 svazek nadrovin 2. druhu, 48 svazek nadrovin s osou 1z, 48 svazak přímek, 48 Sylvestrovo kritérium, 71 symetrická algebra, 107 symetrická forma, 64 symetrická matice, 21 symetrická grupa, 19 symetrické zobrazení, 86 symetrický součin, 107 systém lineárních rovnic, 27 tensorový součin, 73, 105 tensorová algebra T(V), 107 translace, 43 transpozice, 19 trojúhelníková nerovnost, 56 trs rovin, 49 uúhel, 51 uúplná kontrakce, 109 uúsečka, 50 unitární zobrazení, 57 INDEX 127 unitární isomorfismus, 57 unitární matice, 59 unitární podprostory, 54 unitární prostor, 53 unitární transformace, 58 určená soustava, 27 vektorový prostor, 9 vektor, 2 vektorový součin, 81, 123 vektorový podprostor, 11 velikostí vektoru, 55 vlastní číslo, 32 vlastní hodnota, 32, 33 vlastní vektor, 32 vnější algebra, 107 vnější součin, 81, 106, 107 volné proměnné, 28 vrchol, 51, 65 vyčíslení, 63 vzájemně kolméprojektory, 88 vzdálenost bodů, 76 vzdálenost podprostorů, 76 zákon setrvačnosti, 70 zaměřením, 43 zhomogenizovaná soustava, 29