Skalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech.
|
|
- Zdeňka Křížová
- před 9 lety
- Počet zobrazení:
Transkript
1 Kapitola 9 Skalární součin Skalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech. Definice 9.1 Je-li x = (x 1,..., x n ) T R n 1 reálný vektor dimenze n, pak definujeme euklidovskou normu (délku) vektoru x jako reálné číslo ( n ) 1/2 x = x 2 i = x T x. Pokud je x = (x 1,..., x n ) T C n 1 komplexní vektor dimenze n, pak jeho euklidovská norma (délka) je reálné číslo ( n ) 1/2 x = x i 2 = x x. Cvičení 9.1 Dokažte, že pro euklidovskou normu každého reálného (komplexního) vektoru x platí x 0, x = 0 právě když x = 0, ax = a x pro libovolný skalár a R(C). Pro každý reálný (komplexní) vektor x 0 definujeme jednotkový vektor stejného směru jako vektor u = x/ x. Název jednotkový vyplývá ze skutečnosti, že u = x x = 1 x = 1. x 1
2 KAPITOLA 9. SKALÁRNÍ SOUČIN 2 Říkáme také, že jsme vektor x normalizovali, nebo že vektor u je normalizovaný vektor x. Definice normy vektoru nám umožňuje také definovat vzdálenost dvou vektorů x, y R n 1 (C n 1 ) jako x y. Definice 9.2 Standardní skalární součin libovolných dvou reálných vektorů x = (x 1,..., x n ) T a y = (y 1,..., y n ) T definujeme jako reálné číslo x T y = x i y i. Jsou-li x = (x 1,..., x n ) T a y = (y 1,..., y n ) T komplexní vektory, pak jejich standardní skalární součin je komplexní číslo x y = x i y i. V této definici označuje x číslo komplexně sdružené k číslu x. Všimněte si rovněž, že skalární součin dvou reálných vektorů je speciálním případem skalárního součinu dvou komplexních vektorů. Vztah mezi normou a skalárním součinem udává Cauchyova-Schwarzova- Bunjakovského nerovnost, zkráceně CSB-nerovnost. Věta 9.3 Pro libovolné dva vektory x, y C n 1 platí přičemž rovnost nastává právě když x y x y, y = x y x x x. Důkaz. Nerovnost zřejmě platí, pokud je x = 0. V případě x 0 položíme a = x y x x = x y x 2. Potom platí x (ax y) = ax x y x = x y x 2 x 2 x y = 0.
3 KAPITOLA 9. SKALÁRNÍ SOUČIN 3 Proto 0 ax y 2 = (ax y) (ax y) = ax (ax y) y (ax y) = = y (ax y) = y y ay x = y 2 x 2 (x y)(y x) x 2. Vzhledem k tomu, že y x = x y, platí (x y)(y x) = x y 2, takže 0 y 2 x 2 x y 2 x 2 a odtud vyplývá 0 y 2 x 2 x y 2, tj. x y x y. Rovnost nastává právě když 0 = ax y 2, tj. právě když y = ax. CSB-nerovnost umožňuje dokázat následující trojúhelníkovou nerovnost pro reálné a komplexní vektory libovolné dimenze. Tvrzení 9.4 Pro libovolné dva vektory x, y C n 1 platí x + y x + y. Důkaz. Pro každé dva vektory x, y C n 1 platí x + y 2 = (x + y) (x + y) = x x + x y + y x + y y = = x 2 + x y + y x + y 2. Protože y x = x y, dostáváme s použitím CSB-nerovnosti Platí proto x y + y x = 2Re(x y) 2 x y 2 x y. x+y 2 x 2 +x y+y x+ y 2 x 2 +2 x y + y 2 = ( x + y ) 2. CSB-nerovnost také dovoluje definovat úhly mezi každými dvěma nenulovými reálnými vektory x = (x 1,..., x n ) T a y = (y 1,..., y n ) T libovolné dimenze n jako úhel α [0, π], pro který platí cos α = xt y x y. Protože funkce cos α je vzájemně jednoznačná na intervalu [0, π], určuje poslední rovnost úhel α jednoznačně. Všimněte si také, že v případě n = 2
4 KAPITOLA 9. SKALÁRNÍ SOUČIN 4 je tato definice v souladu s kosinovou větou pro trojúhelník, jehož vrcholy jsou počátek souřadnic a koncové body vektorů x a y úhel α je úhel sevřený vektory x a y. V tom případě totiž kosinová věta říká, že Protože x y 2 = x 2 + y 2 2 x y cos α. x y 2 = (x y) T (x y) = x T x + y T y x T y y T x = = x 2 + y 2 2x T y, dostaneme po dosazení do kosinové věty tj. x 2 + y 2 2x T y = x 2 + y 2 2 x y cos α, x T y = cos α. x y Euklidovská norma není jedinou používanou mírou velikosti vektorů. Následující definice ukazuje, že pro každé reálné číslo p 1 lze definovat normu vektorů z prostoru C n 1. Definice 9.5 Pro p 1 definujeme p-normu vektorů x = (x 1,..., x n ) T C n 1 jako reálné číslo x p = ( x i p ) 1/p. Euklidovská norma x vektoru x se tak rovná x 2. Lze dokázat následující vlastnosti p-norem: x p 0 a x p = 0 právě když x = 0. ax p = a x p pro každá skalár a C a každý vektor x, x + y p x p + y p pro každé dva vektory x, y C n 1. CBS-nerovnost pro p-normy má tvar následující Hölderovy nerovnosti. Jsouli p, q > 1 reálná čísla, pro která platí 1/p + 1/q = 1, pak pro každé dva vektory x, y C n 1 platí x y x p y q. Viděli jsme, že takto definované p-normy splňují podmínky, které jsou požadovány od obecných vektorových norem ve smyslu následující definice.
5 KAPITOLA 9. SKALÁRNÍ SOUČIN 5 Definice 9.6 Obecná vektorová norma na reálném nebo komplexním vektorovém prostoru V je zobrazení, které každému vektoru x V přiřazuje reálné číslo x R, a které splňuje následující podmínky x 0 a x = 0 právě když x = 0. ax = a x pro každá skalár a a každý vektor x V, x + y x + y pro každé dva vektory x, y V. Prostory se skalárním součinem Standardní skalární součin dvou vektorů v aritmetickém vektorovém prostoru nad reálnými nebo komplexními čísly závisí na souřadnicích těchto vektorů vzhledem ke standardní bázi. Následující definice ukazuje, jak lze definovat skalární součin na reálném nebo komplexním vektorovém prostoru obecně bez předchozí volby báze tohoto prostoru. Definice 9.7 Skalární součin na reálném (komplexním) vektorovém prostoru V je funkce, která každé uspořádané dvojici x, y V přiřazuje reálné (komplexní) číslo < x y > a splňuje následující podmínky < x x > 0 pro každý vektor x V, < x x >= 0 právě když x = 0, < x ay >= a < x y > pro libovolný skalár a a vektory x, y V, < x y + z >=< x y > + < x z > pro každé vektory x, y, z V, < x y >= < y x > pro x, y V, (v případě reálného prostoru V to znamená, že < x y >=< y x >). Všimněte si, že z poslední podmínky plyne < x x > R bez ohledu na to, je-li V reálný nebo komplexní vektorový prostor. Cvičení 9.2 Dokaže, že v každém prostoru V se skalárním součinem platí < x + y z >=< x z > + < y z > pro libovolné tři vektory x, y, z V, < ax y >= a < x y > pro každý skalár a a vektory x, y V, < 0 x >=< x 0 >= 0 pro každý vektor x V.
6 KAPITOLA 9. SKALÁRNÍ SOUČIN 6 Příklad 9.8 Aritmetické prostory R n 1 a C n 1 se standardním skalární součinem jsou příkladem obecných prostorů se skalárním součinem, pokud definujeme < x y >= x T y, případně < x y >= x y. Je-li A regulární komplexní matice řádu n, potom předpis < x y >= x A Ay definuje skalární součin na aritmetickém prostoru C n 1. Říká se mu eliptický skalární součin. Na prostoru R m n reálných matic tvaru m n můžeme definovat skalární součin předpisem < A B >= tr(a T B), kde tr(c) označuje stopu čtvercové matice C = (c ij ) řádu n, která je definována jako součet prvků na hlavní diagonále matice C tr(c) = a ii. Podobně lze definovat skalární součin na prostoru komplexních matic C m n předpisem < A B >= tr(a B). Podobně jako standardní skalární součin na aritmetickém vektorovém prostoru C n 1 definuje euklidovskou normu, lze definovat rovněž normu každého vektoru x V v libovolném prostoru se skalárním součinem V jako x = < x x >. Abychom dokázali, že takto definovaná norma splňuje podmínky obecné definice normy podle Definice 9.6, potřebujeme dokázat, že v libovolném prostoru se skalárním součinem platí variantna CSB=nerovnosti. Předtím ještě jedno cviceni. Cvičení 9.3 Jaká je norma vektoru x C n 1 v prostoru s eliptickým skalární součinem určeným regulární maticí A řádu n? Jaká je norma matice A = (a ij ) R m n určená skalárním součinem < A B >= tr(a T B)? Jaká je norma matice A = (a ij ) C m n určená skalárním součinem < A B >= tr(a B)? V následující věte je dokázána obecná CSB-nerovnost.
7 KAPITOLA 9. SKALÁRNÍ SOUČIN 7 Věta 9.9 Je-li V prostor se skalárním součinem a x je norma na V definovaná tímto skalárním součinem, pak < x y > x y pro každé dva vektory x, y V. Rovnost nastává právě když y = ax pro a = < x y > x 2. Důkaz. Můžeme postupovat stejně jako v případě důkazu Věty 9.3 s využitím Cvičení 9.2. Případ x = 0 je zřejmý a pro x 0 položíme a spočítáme, že Proto a = < x y > x 2 < x ax y >= a < x x > < x y >=< x y > < x y >= 0. 0 ax y 2 =< ax y ax y >= a < x ax y > < y ax y >= = < y ax y >=< y y > a < y x >= = y 2 x 2 < x y >< y x > x 2. Z rovnosti < x y >= < y x > vyplývá < x y >< y x >= < x y > 2, proto 0 y 2 x 2 < x y >< y x >, tj. < x y > x y. Rovnost nastává právě když nastává rovnost v prvním výpočtu důkazu, tj. právě když ax y = 0, tj. y = ax. Důsledek 9.10 Je-li V prostor se skalárním součinem, pak předpis x = < x x > definuje normu na prostoru V, tj. splnňuje podmínky Definice 9.6. Důkaz. Z definice skalárního součinu plyne, že < x x > R je vždy nezáporné číslo, proto rovněž x 0 pro každý vektor x V. Rovněž x = 0 právě když < x x >= 0 právě když x = 0.
8 KAPITOLA 9. SKALÁRNÍ SOUČIN 8 Je-li a skalár a x V, pak ax 2 =< ax ax >= aa < x x >= a 2 x 2. Pouze důkaz trojúhelníkové nerovnosti vyžaduje použití CSB-nerovnosti. x + y 2 = < x + y x + y >= Ortogonalita = < x x > + < x y > + < y x > + < y y >= = x 2 + 2Re < x y > + y 2 x < x y > + y 2 x x y + y 2 = ( x + y ) 2. Definice 9.11 Dva vektory x, y V v prostoru se skalárním součinem se nazývají kolmé (ortogonální), pokud < x y >= 0. Kolmost vektorů x, y zapisujeme x y. Stejně jako standardní skalární součin umožňuje definovat úhel mezi dvěma vektory aritmetických vektorových prostorů R n 1 a C n 1 libovolné dimenze, můžeme také definovat úhel mezi každými dvěma vektory x, y V v libovolném prostoru V se skalárním součinem jako jednoznačně určený úhel α [0, π], pro který platí cos α = < x y > x y. Z obecné CSB-nerovnosti plyne, že < x y > x y 1, úhel α je tedy dobře definován. Tato definice úhlu mezi dvěma vektory je v souladu s definicí kolmosti, neboť platí x y právě když < x y >= 0, což je právě když cos α = 0 pro úhel α mezi vektory x, y, neboli α = π/2. Definice 9.12 Posloupnost u 1, u 2,..., u n vektorů prostoru V se skalárním součinem se nazývá ortonormální, jestliže platí < u i u j >= δ ij pro libovolné dva indexy i, j = 1, 2,..., n.
9 KAPITOLA 9. SKALÁRNÍ SOUČIN 9 Tvrzení 9.13 Každá ortonormální posloupnost u 1, u 2,..., u n vektorů prostoru V se skalárním součinem je lineárně nezávislá. Důkaz. Předpokládejme, že a 1 u a n u n = 0 pro nějaké skaláry a 1,..., a n. Potom pro každé i = 1, 2,..., n platí 0 = < u i > a j u j = < u i a j u j >= j=1 j=1 = a j < u i u j >= a j δ ij = a i. j=1 j=1 Posloupnost u 1, u 2,..., u n je proto lineárně nezávislá. Známe-li nějakou ortonormální bázi u 1, u 2,..., u n prostoru V se skalárním součinem, můžeme snadno spočítat souřadnice libovolného vektoru x V vzhledem k této ortonormální bázi a rovněž snadno spočítáme skalární součin < x y > dvou vektorů x, y V. Tvrzení 9.14 Je-li u 1, u 2,..., u n ortonormální báze prostoru V se skalárním součinem, pak pro každý vektor x V platí x =< u 1 x > u 1 + < u 2 x > u < u n x > u n, tj. i-tá souřadnice vektoru x vzhledem k bázi u 1,..., u n se rovná skalárnímu součinu < u 1 x > pro každé i = 1, 2,..., n. Pokud x = a 1 u 1 + a 2 u 2 + a n u n a y = b 1 u 1 + b 2 u 2 + b n u n, pak Důkaz. Pokud pak pro každé i = 1, 2,..., n platí < x y >= a i b i. x = a j u j, j=1 < u i x >=< u i a j u j >= a j < u i u j >= a j δ ij = a i. j=1 j=1 j=1 Dále platí < x y > = < a i u i b j u j >= a i < u i b j u j >= j=1 j=1
10 KAPITOLA 9. SKALÁRNÍ SOUČIN 10 = = a i b j < u i u j >= a i b j δ ij = j=1 j=1 a i b i. Definice 9.15 Je-li u 1,..., u n ortonormální báze prostoru V se skalárním součinem a x V, pak vyjádření x =< u 1 x > u 1 + < u 2 x > u < u n x > u n nazýváme Fourierův rozklad vektoru x a koeficienty < u i x > nazýváme Fourierovy koeficienty vektoru x vzhledem k bázi u 1,..., u n. Ukážeme si ještě následující variantu Pythagorovy věty. Tvrzení 9.16 Předpokládáme, že V je reálný vektorový prostor se skalárním součinem. Dva vektory x, y V jsou ortogonální právě když x + y 2 = x 2 + y 2. Důkaz. Jsou-li vektory x, y ortogonální, platí x y = 0. Potom x + y 2 = < x + y x + y >= = < x y > + < x y > + < y x > + < y y >= = x 2 + y 2. Naopak, platí-li x + y 2 = x 2 + y 2, potom x 2 + y 2 =< x + y x + y >=< x y > + < x y > + < y x > + < y y >, a protože v reálném prostoru se skalárním součinem platí < x y >=< y x >, plyne odtud 2 < x y >= 0, tj. x y. Všimněte si, že v případě komplexního prostoru se skalárním součinem předchozí důkaz ukazuje, že z rovnosti x + y 2 = x 2 + y 2 plyne pouze Re < x y >= 0, nikoliv < x y >= 0. Opačná implikace ale zůstává beze změny, pokud x y = 0, pak x + y 2 = x 2 + y 2. Gramova-Schmidtova ortogonalizace
11 KAPITOLA 9. SKALÁRNÍ SOUČIN 11 Ukázali jsme si, jak snadno lze spočítat souřadnice nějakého vektoru vzhledem k ortonormální bázi a jak snadné je spočítat velikost skalárního součinu dvou vektorů, známe-li souřadnice těchto vektorů vzhledem k nějaké ortonormální bázi. Zbývá se přesvědčit, že v každém vektorovém prostoru se skalárním součinem existuje nějaká ortonormální báze. Snadno se přesvědčíme, že standardní báze je ortonormální báze v reálném aritmetickém prostoru R n 1 dimenze n a stejně tak rovněž v komplexním aritmetickém prostoru C n 1 dimenze n. Nyní si ukážeme algoritmus, který najde ortonormální bázi v každém prostoru se skalárním součinem. Tento algoritmus se nazývá Gramova-Schmidtova ortogonalizace. V každém vektorovém prostoru V dimenze n nad libovolným tělesem T existuje nějaká báze B : x 1, x 2,..., x n. Je-li V prostor se skalárním součinem, znamená to, že těleso skalárů je buď těleso R reálných čísel nebo těleso C komplexních čísel. Gramova-Schmidtova ortogonalizace začíná s libovolnou bází B : x 1, x 2,..., x n vektorového prostoru V se skalárním součinem a sestrojí ortonormální bázi O : u 1, u 2,..., u n tohoto prostoru, která navíc splňuje podmínku pro každé k = 1,..., n je posloupnost O k : u 1,..., u k ortonormální báze podprostoru S k = L(x 1,..., x k ). Budeme postupovat indukcí podle k. Pro k = 1 definujeme vektor u 1 = x 1 x 1. Vektor x 1 0, neboť je prvkem báze a tedy lineárně nezávislé posloupnosti. Zlomek je proto dobře definován a u 1 = 1, posloupnost O 1 : u 1 je proto ortonormální báze podprostoru S 1 = L(x 1 ) = L(u 1 ). Předpokládáme nyní, že jsme již sestrojili nějakou ortonormální bázi O k : u 1,..., u k podprostoru S k = L(x 1,..., x k ) = L(u 1,..., u k ) pro nějaké k 1 a k < n. Budeme hledat vektor u k+1 ve tvaru k u k+1 = x k+1 a i u i, kde neznáme skaláry a 1,..., a k. Vektor u k+1 musí být kolmý na všechny vektory u 1,..., u k, což platí právě když pro každé j = 1,..., k je 0 = k < u j u k+1 > = < u j x k+1 a i u i > = = k < u j x k+1 > a i < u j u i > = < u j x k+1 > a j,
12 KAPITOLA 9. SKALÁRNÍ SOUČIN 12 tj. Označíme a j = < u j x k+1 > pro všechna j = 1,..., k. k ν k+1 = x k+1 < u i x k+1 > u i. Platí ν k+1 0, neboť x k+1 L(x 1,..., x k ) = L(u 1,..., u k ) podle indukčního předpokladu (rovnost lineárních obalů L(x 1,..., x k ) = L(u 1,..., u k )) a předpokladu, že B : x 1,..., x n je báze V. Proto platí, že vektor x k+1 k < u i x k+1 > u i 0. Můžeme tak položit u k+1 = x k+1 k < u i x k+1 > u i ν k+1. Vektor u k+1 je proto kolmý na všechny vektory u j pro j = 1,..., k a navíc u k+1 = 1. Posloupnost u 1,..., u k, u k+1 je tak ortonormální a proto také lineárně nezávislá podle Tvrzení Zbývá dokázat, že L(x 1,..., x k, x k+1 ) = L(u 1,..., u k, u k+1 ). Z rovnosti vyplývá, že k x k+1 = ν k+1 u k+1 + < u i x k+1 > u i x k+1 L(u 1,..., u k, u k+1 ). Podle indukčního předpokladu dále pro každé j = 1,..., k platí Platí proto x j L(x 1,..., x k ) = L(u 1,..., u k ) L(u 1,..., u k, u k+1 ). L(x 1,..., x k, x k+1 ) L(u 1,..., u k, u k+1 ). Protože jsou obě posloupnosti x 1,..., x k, x k+1 a u 1,..., u k, u k+1 lineárně nezávislé, mají oba lineární obaly dimenzi k + 1 a jsou si proto rovné. Tím je popis a důkaz správnosti Gramovy-Schmidtovy ortogonalizace dokončen. V případě, že uvažujeme prostory R m 1 nebo C m 1 se standardním skalárním součinem a euklidovskou normou, můžeme Gramovu-Schmidtovu ortogonalizaci popsat pomocí matic. Je-li B : x 1,..., x n lineárně nezávislá posloupnost v prostoru C m 1, dostaneme Gramovou-Schmidtovou ortogonalizací ortonormální bázi u 1 = x 1 x 1 a u k+1 = x k+1 k (u i x k+1)u i x k+1 k (u i x pro k = 0,..., n 1. k+1)u i
13 KAPITOLA 9. SKALÁRNÍ SOUČIN 13 podprostoru S = L(x 1,..., x n ) prostoru C m 1. Označíme matice U 1 = 0 m 1 a U k+1 = (u 1 u 2 u k ) pro k = 1,..., n 1, a spočítáme, že u 1 x k+1 U u 2 k+1x k+1 = x k+1. u k x k+1 a k k U k+1 U k+1x k+1 = u i (u i x k+1 ) = (u i x k+1 )u i pro k = 1,..., n 1. Proto platí pro tato k, že k x k+1 (u i x k+1 )u i = x k+1 U k+1 U k+1x k+1 = (I m U k+1 U k+1)x k+1. Platí rovněž x 1 = I m x 1 = (I m U 1 U 1)x 1, dostáváme tak jednotné vyjádření pro výsledek Gramovy-Schmidtovy ortogonalizace u k = (I m U k U k )x k (I m U k U k )x k pro k = 1, 2,..., n. Klasický Gramův-Schmidtův algoritmus Je-li dána lineárně nezávislá posloupnost vektorů x 1,..., x n, můžeme Gramovu-Schmidtovu ortogonalizaci popsat následujícím algoritmem pro k = 1: u 1 x 1 x 1 pro k = 2,..., n: k 1 u k x k (u i x k )u i u k u k u k.
14 KAPITOLA 9. SKALÁRNÍ SOUČIN 14 Cvičení 9.4 Použijte Gramův-Schmidtův algoritmus na několik posloupností lineárně nezávislých vektorů. Gramovu-Schmidtovu ortogonalizaci můžeme vyjádřit ještě jiným způsobem pomocí násobení matic. Je-li dána matice X m n = (x 1 x 2 x n ) s komplexními prvky a s lineárně nezávislými sloupci, a použijeme-li klasický Gramův-Schmidtův algoritmus na posloupnost x 1,..., x n sloupcových vektorů matice X m n, dostaneme ortonormální bázi sloupcového prostoru S(X m n ) matice X m n : q 1 = x 1 ν 1 a q k = x k k 1 (q i x k)q i pro k = 2, 3,..., n, ν k kde k 1 ν 1 = x 1 a ν k = x k (q i x k )q i pro k = 2, 3,..., n. Vyjádření vektorů q 1, q 2,..., q n můžeme přepsat do tvaru k 1 x 1 = ν 1 q 1 a x k = (q i x k )q i + ν k q k pro k = 2, 3,..., n. Poslední vyjádření vektorů x k jako lineární kombinace vektorů q 1,..., q k pro k = 1,..., n můžeme vyjádřit pomocí násobení matic jako rovnost (x 1 x 2 x n ) = (q 1 q 2 q n ) ν 1 q 1 x 2 q 1 x 3 q 1 x n 0 ν 2 q 2 x 3 q 2 x n 0 0 ν 3 q 3 x n ν n Tento rozklad matice X m n můžeme zapsat jako X m n = Q m n R n n, kde Q je matice s ortonormálními sloupci a R je čtvercová horní trojúhelníková matice s kladnými prvky na hlavní diagonále. Lze ukázat, že tyto dvě podmínky určují matice Q a R jednoznačně. Tomuto rozkladu matice X říkáme QR-faktorizace matice X. Cvičení 9.5 Najděte QR-faktorizaci několika reálných a komplexních matic..
15 KAPITOLA 9. SKALÁRNÍ SOUČIN 15 Příklad 9.17 Klasický Gramův-Schmidtův algoritmus není numericky stabilní. Použijeme-li jej na posloupnost vektorů x 1 = 10 3, x 2 = 10 3, x 3 = 0, a pokud zaokrouhlujeme každý jednotlivý výpočet na tři platná místa, dostaneme posloupnost vektorů u 1 = 10 3, u 2 = 0, u 3 = 0, , 709 Tento výsledek není uspokojivý, protože vektory u 2 a u 3 nejsou příliš ortogonální. Modifikovaný Gramův-Schmidtův algoritmus Numerickou stabilitu Gramovy-Schmidtovy ortogonalizace můžeme vylepšit tím, že přeuspořádáme jednotlivé kroky výpočtu. Z předchozího popisu klasické Gramovy-Schmidtovy ortogonalizace posloupnosti reálných, případně komplexních, vektorů x 1, x 2,..., x n dimenze m dostáváme, že u k = (I U ku k )x k (I U k U k )x k, kde U 1 = 0 a U k = (u 1 u 2 u k 1 ) pro k > 1. Označíme matice E 1 = I a E i = I u i 1 u i 1 pro i > 1. Z ortogonality posloupnosti vektorů u 1, u 2,..., u n vyplývá, že E k E 2 E 1 = I u 1 u 1 u 2 u 2 u k 1 u k 1 = I U k U k. Gramovu-Schmidtovu ortogonalizaci můžeme proto vyjádřit ve tvaru u k = E k E 2 E 1 x k E k E 2 E 1 x k pro k = 1, 2,..., n. Odtud vyplývá, že Gramovu-Schmidtovu ortogonalizaci můžeme také uspořádat následovně: x 1, x 2,..., x n u 1, x 2,..., x n atd. u 1, E 2 x 2, E 2 x 3,..., E 2 x n u 1, u 2, E 2 x 3,..., E 2 x n u 1, u 2, E 3 E 2 x 3,..., E 3 E 2 x n u 1, u 2, u 3, E 3 E 2 x 4,..., E 3 E 2 x n
16 KAPITOLA 9. SKALÁRNÍ SOUČIN 16 Toto uspořádání vede k následující verzi ortogonalizačního algoritmu, který nazýváme modifikovaná Gramova-Schmidtova ortogonalizace. Mámeli dánu lineárně nezávislou posloupnost vektorů x 1, x 2,..., x n C m 1, pak spočítáme ortonormální posloupnost u 1, u 2,..., u n takto pro k = 1: u 1 x 1 x 1, pro k > 1: u j E k u j = u j (u k 1u j )u k 1 pro j = k, k + 1,..., n, u k u k u k. V exaktní aritmetice vedou oba algoritmy ke zcela stejnému výsledku. Rozdíl je v případě, kdy nepoužíváme exaktní aritmetiku a počítáme na pevný počet platných míst. Větší numerickou stabilitu takto modifikované Gramovy-Schmidtovy ortogonalizace můžeme demonstrovat v následujícím příkladě. Příklad 9.18 Použijeme-li modifikovaný Gramův-Schmidtův algoritmus na posloupnost vektorů x 1, x 2, x 3 z Příkladu 9.17 a zaokrouhlujeme-li opět každý mezivýsledek ihned na tři platná místa, dostaneme posloupnost vektorů u 1 = , u 2 = 0 0 1, u 3 = 0 1 0, což je výsledek mnohem uspokojivější, než výsledek v Příkladu Ani modifikovaný Gramův-Schmidtův algoritmus není numericky stabilní. Existují příklady, kdy vede k neuspokojivým výsledkům, pokud nepoužíváme exaktní aritmetiku. Unitární a ortogonální matice Definice 9.19 Čtvercová komplexní matice U řádu n se nazývá unitární, pokud její sloupce tvoří ortonormální bázi prostoru C n 1. Čtvercová reálná matice P řádu n se nazývá ortogonální, pokud její sloupce tvoří ortonormální bázi prostoru R n 1.
17 KAPITOLA 9. SKALÁRNÍ SOUČIN 17 Název ortogonální matice je běžně používaný, přestože mnohem vhodnější by byl název ortonormální matice. Věta 9.20 Pro komplexní čtvercovou matici U řádu n je ekvivalentní 1. U je unitární, 2. posloupnost řádkových vektorů matice U je ortonormální, 3. U 1 = U, 4. Ux = x pro každý vektor x C n 1. Důkaz Matice U je unitární právě když (U i ) U j = δ ij. Řádkový vektor (U i ) se rovná i-tému řádku matice U, proto (U ) i U j = (U i ) U j = δ ij, tj. U U = I n. Připomeňme si, že δ ij je Kroneckerův symbol, který se rovná 1, pokud i = j, a je rovný 0, pokud i j Podle Tvrzení 3.11 platí U U = I n právě když UU = I n, tj. právě když U i (U ) j = δ ij. Protože sloupcový vektor (U ) j se rovná vektoru (U j ), dostáváme U i (U j ) = U i (U ) j = δ ij. Číslo U j (U i ) je komplexně sdružené k čílsu U i (U j ) = δ ij, poslední rovnost je proto ekvivaletní s tím, že posloupnost řádkových vektorů U 1, U 2,..., U n ortonormální Je-li U U = I n a x C n 1, pak Ux 2 = (Ux) Ux = x U Ux = x x = x Platí-li pro matici U rovnost Ux 2 = x 2 pro každý vektor x C n 1, pak také pro libovolné dva vektory x, y C n 1 platí Pro normu vektoru x + y 2 platí U(x + y) 2 = x + y 2. x + y 2 = (x + y) (x + y) = x x + y y + x y + y x = = x 2 + y 2 + x y + x y = = x 2 + y Re(x y), a pro normu vektoru U(x + y) podobně dostáváme U(x + y) 2 = (x + y) U U(x + y) = = x U Ux + y U Uy + x U Uy + y U Ux = = Ux 2 + Uy 2 + x U Uy + x U Uy = = x 2 + y Re(x U Uy).
18 KAPITOLA 9. SKALÁRNÍ SOUČIN 18 Z rovnosti U(x + y) 2 = x + y 2 tak vyplývá rovnost reálných částí Re(x y) = Re(x U Uy). Obdobně dokážeme také rovnost imaginárních částí obou standardních skalárních součinů x y a x U Uy, tj. rovnost Im(x y) = Im(x U Uy). Tentokrát vyjdeme z rovnosti x + ıy = U(x + ıy), kde ı je komplexní jednotka. S využitím rovnosti ı = ı dostáváme x + ıy 2 = (x + ıy) (x + ıy) = Zcela analogicky dokážeme, že rovněž = x x + (ıy) (ıy) + x (ıy) + (ıy) y = = x 2 + ıı y 2 + ı x y + ıı y x = = x 2 + y 2 + ı x y ı y x = = x 2 + y 2 + ı (x y x y) = = x 2 + y 2 + 2ı Im(x y). U(x + ıy) 2 = x 2 + y 2 + 2ı Im(x U Uy). Platí proto rovněž rovnost imaginárních částí Im(x y) = Im(x U Uy). Z rovnosti reálných a imaginárních částí obou skalárních součinů tak dostáváme rovnost x y = x U Uy. Nyní už snadno dokončíme důkaz implikace 4 1. Pro libovolné dva indexy i, j = 1, 2,..., n platí (U i ) U j = e i U Ue j = e i e j = δ ij. Posloupnost sloupcových vektorů matice U je proto ortonormální. Podobně můžeme také dokázat ekvivalentní podmínky pro ortogonální matice. Stačí všude nahradit vektor x reálným řádkovým vektorem x T. Věta 9.21 Pro reálnou čtvercovou matici P řádu n je ekvivalentní 1. P je ortogonální, 2. posloupnost řádkových vektorů matice P je ortonormální, 3. P 1 = P T, 4. Px = x pro každý vektor x R n 1.
19 KAPITOLA 9. SKALÁRNÍ SOUČIN 19 Ortogonální doplněk Definice 9.22 Je-li V vektorový prostor se skalárním součinem a P podprostor V, pak definujeme ortogonální doplněk podprostoru P jako množinu P = {u V : < x u >= 0 pro každý vektor x P}. Následující tvrzení obsahuje základní vlastnosti ortogonálního doplňku. Tvrzení 9.23 Předpokládáme, že P je podprostor vektorového prostoru V se skalárním součinem. Potom platí 1. P je podprostor prostoru V, 2. P P = {0}, 3. je-li u 1,..., u k ortonormální báze podprostoru P a u k+1,..., u n ortonormální báze podprostoru P, pak u 1,..., u k, u k+1,..., u n je ortonormální báze prostoru V, 4. dim P = dim V dim P, 5. P = P. Důkaz. 1. Jsou-li u, v P a a libovolný skalár, pak pro každý vektor x P platí < x u + v >=< x u > + < x v >= 0 a podobně < x au >= a < x u >= 0. Ortogonální doplněk P je proto podprostor V. 2. Je-li u P P, pak < u u >= 0, tj. u = Posloupnost u 1,..., u k, u k+1,..., u n je ortonormální, a proto lineárně nezávislá podle Tvrzení Dokážeme, že je bází prostoru V. Uděláme to sporem. Kdyby platilo L(u 1,..., u k, u k+1,..., u n ) V, doplnili bychom posloupnost u 1,..., u k, u k+1,..., u n do báze prostoru V přidáním nějakých vektorů x 1,..., x m. Na lineárně nezávislou posloupnost u 1,..., u k, u k+1,..., u n, x 1,..., x m bychom použili Gramovu-Schmidtovu ortogonalizaci. Dostali bychom ortonormální posloupnost u 1,..., u k, u k+1,..., u n, v 1,..., v m. Pro vektor v 1 by pak platilo < u 1 v 1 >= 0 pro i = 1,..., k a tedy také k k < a i u i v 1 >= a i < u i v 1 >= 0,
20 KAPITOLA 9. SKALÁRNÍ SOUČIN 20 a proto také v 1 L(u 1,..., u k ) = P. To je ale ve sporu s tím, že u k+1,..., u n je báze P a v 1 L(u k+1,..., u n ). Posloupnost u 1,..., u k, u k+1,..., u n je proto bází celého prostoru V. 4. Podle části 3. dostáváme dim P = n k = dim V dim P. 5. Pro každý vektor u P a x P platí < x u >= < u x > = 0, proto rovněž u P, a tedy P P. Vzhledem k 4. platí také dim P = dim V dim P = dim V dim V + dim P = dim P, proto z právě dokázané inkluze vyplývá P = P. Následující věta o ortogonálním rozkladu dává do souvislosti čtyři základní podprostory určené maticí a ortogonální doplněk. Věta 9.24 Pro každou matice A R m n platí S(A) = N (A T ), N (A) = S(A T ). Podobně pro každou matici B C m n platí S(B) = N (B ), N (B) = S(B ). Důkaz. Vektor z S(A) právě když z = Ay pro nějaký vektor y R n 1. Platí tedy, že vektor x S(A) právě když pro každý vektor y R n 1 platí < Ay x >= 0, což je právě když y T A T x = 0, neboli právě když < y A T x >= 0. Poslední rovnost nastává právě když A T x = 0, neboli právě když x N (A T ). Tím je dokázána první z rovností. Druhou rovnost dostaneme použitím první rovnosti na transponovanou matici A T a z Tvrzení Dostáváme tak N (A) = N (A T T ) = S(A T ) a proto také N (A) = S(A T ). Analogické rovnosti pro komplexní matici B C m n dokážeme stejným postupem, pouze všude nahradíme transponované matice C T maticemi C.
21 KAPITOLA 9. SKALÁRNÍ SOUČIN 21 Předpokládejme nyní, že A R m n je reálná matice a její hodnost r(a) = dim S(A) = r. Zvolme nějakou ortonormální bázi B : u 1,..., u r sloupcového prostoru S(A) matice A a dále zvolme ortonormální bázi B : u r+1,..., u m ortogonálního doplňku S(A) = N (A T ). Posloupnost vektorů u 1,..., u r, u r+1,..., u m je potom ortonormální báze prostoru R m 1 podle Tvrzení Matice U = (u 1 u 2 u m ) je potom regulární podle Věty Dále zvolíme ortonormální bázi v 1,..., v r prostoru S(A T ) a ortonormální bázi v r+1,..., v n jeho ortogonálního doplňku S(A T ) = N (A). Matice V = (v 1 v 2 v n ) je potom rovněž regulární, ze stejného důvodu jako matice U. Nyní budeme uvažovat součin R = U T AV. Je-li R = (r ij ), pak r ij = u T i Av j. Protože u T i A = 0 pro i = r+1,..., m a Av j = 0 pro j = r+1,..., n, dostáváme pro matici R vyjádření u T 1 Av 1 u T 1 Av r R = U T u AV = T r Av 1 u T r Av r Protože U 1 = U T a V 1 = V T podle Věty 9.21, můžeme matici A vyjádřit ve tvaru ( ) A = URV T Cr r 0 = U V T. 0 0 Dále platí r(c) = r, neboť ( ) Cr r 0 r(c) = r = r(u T AV) = r(a) = r, 0 0 protože součin libovolné matice s regulární maticí nemění hodnost této matice podle Úlohy 6.4 a Úlohy 6.5. Takto získanému rozkladu A = URV T matice A říkáme URV-faktorizace matice A. Cvičení 9.6 Najděte URV-faktorizaci několika matic. Každá množina ortonormálních bází čtyř základních podprostorů určených maticí A určuje URV-faktorizaci matice A. Platí to také naopak, každá URV-faktorizace matice A určuje ortonormální báze všech čtyř podprostorů.
22 KAPITOLA 9. SKALÁRNÍ SOUČIN 22 Máme-li totiž ortonormální matice U = (U 1 U 2 ) řádu m, V = (V 1 V 2 ) řádu n a regulární matici C řádu r, pro které platí ( ) A = URV T Cr r 0 = U V T, 0 0 pak podle Úlohy 6.4 platí S(A) = S(URV T ) = S(UR) = S(U 1 C 0) = S(U 1 C) = S(U 1 ). Proto sloupcové vektory matice U 1 tvoří ortonormální bázi sloupcového prostoru S(A) matice A. Všechny sloupcové vektory matice U 2 leží v ortogonálním doplňku S(A) = N (A T ) a protože dim S(A) = m dim S(A), musí tvořit ortonormální bázi S(A) = N (A T ). Vynásobíme-li libovolnou matici B zleva regulární maticí (tj. provedemeli posloupnost elementárních řádkových úprav matice B), nezměníme nulový prostor N (B) matice B. Platí proto N (A) = N (URV T ) = N (RV T ) = N ( CV T 1 0 = N (V T 1 ) = S(V 1 ) = S(V 2 ), ) = N (CV T 1 ) = a proto také S(A T ) = N (A) = S(V 2 ) = S(V 1 ). Tím jsme dokončili důkaz následující věty o URV-faktorizaci. Věta 9.25 Je-li A R m n reálná matice hodnosti r, pak existují ortogonální matice U řádu m, ortogonální matice V řádu n a regulární matice C řádu r, pro které platí ( ) A = URV T Cr r 0 = U V T, 0 0 a dále prvních r sloupců matice U tvoří ortonormální bázi S(A), posledních m r sloupců matice U tvoří ortonormální bázi N (A T ), prvních r sloupců matice V tvoří ortonormální bázi S(A T ), posledních n r sloupců matice V tvoří ortonormální bázi N (A).
23 KAPITOLA 9. SKALÁRNÍ SOUČIN 23 Jestliže naopak jsou U ortogonální matice řádu m, V ortogonální matice řádu n a C regulární matice řádu r, pro které platí ( ) A = URV T Cr r 0 = U V T, 0 0 pak matice U a V mají uvedené čtyři vlastnosti. Později si ukážeme silnější verzi URV-faktorizace, které se říká SDVrozklad a jeho geometrický význam. Ortogonální projekce Je-li M podprostor vektorového prostoru V se skalárním součinem, platí podle Tvrzení 9.23 a Tvrzení 6.22 dim(m + M ) = dim M + dim M dim M M = = dim M + dim M = dim V, proto M + M = V. Pro každý vektor x V tak existuje vyjádření x = m+n, kde m M a n M. Toto vyjádření je určené jednoznačně, neboť je-li x = m +n jiné vyjádření splňující podmínky m M a n M, pak odečtením obou vyjádření vektoru x dostáváme rovnost 0 = (m m ) + (n n ), tj. m m = (n n ). Protože m m M a (n n ) M, dostáváme z rovnosti M M = {0}, že m m = (n n ) = 0, tj. m = m a n = n. Definice 9.26 Vektor m M nazýváme ortogonální projekce vektoru x na podprostor M a označujeme jej P M (x). Zobrazení P M : V M přiřazující každému vektoru x V jeho ortogonální projekci P M (x) na podprostor M nazýváme ortogonální projekce prostoru V na podprostor M. Lemma 9.27 Zobrazení P M : V M je lineární. Důkaz. Jsou-li x, y V libovolné vektory, P M (x) = m M, P M (y) = p M, pak existují vektory n, q M takové, že x = m + n a y = p + q. Potom x + y = (m + p) + (n + q), a protože m + p M a n + q M, plyne odtud P M (x + y) = m + p = P M (x) + P M (y). Podobně z rovnosti x = m + n plyne rovnost ax = am + an pro každý skalár a. Protože am M a ap M, plyne z definice ortogonální projekce P M, že P M (ax) = am = ap M (x).
24 KAPITOLA 9. SKALÁRNÍ SOUČIN 24 Ortogonální projekci vektoru x V na podprostor M V najdeme tak, že napřed sestrojíme ortonormální bázi u 1,..., u k podprostoru M, ortonormální bázi u k+1,..., u n ortogonálního doplňku M, a poté najdeme souřadnice vektoru x vzhledem k ortonormální bázi u 1,..., u k, u k+1,..., u n celého prostoru V. Tyto souřadnice dostaneme z Fourierova vyjádření x = < u i x > u i vektoru x vzhledem k bázi u 1,..., u k, u k+1,..., u n. Platí proto P M (x) = k < u i x > u i. Cvičení 9.7 Najděte ortogonální projekce několika vektorů na některé podprostory prostoru R n 1 a C n 1. Ortogonální projekce P M (x) vektoru x na podprostor M má následující speciální vlastnost. Tvrzení 9.28 Je-li M podprostor vektorového prostoru V se skalárním součinem a x V, pak pro každý vektor b M různý od ortogonální projekce P M (x) platí x P M (x) < x b. Důkaz. Vektor P M (x) b leží v podprostoru M, a platí proto, že (x P M (x)) (P M (x) b). Podle Pythagorovy věty, tj. Tvrzení 9.16, platí x b 2 = x P M (x) 2 + P M (x) b 2 < x P M (x) 2, protože předpokládáme P M (x) b. Definice 9.29 Reálné číslo x P M (x) nazýváme vzdálenost vektoru x od podprostoru M. Cvičení 9.8 Spočtěte vzdálenosti několika vektorů od některých podprostorů prostoru R n 1 a C n 1. Elementární ortogonální projektory a reflektory Nyní se budeme zabývat speciálním případem, kdy V = C n 1 je komplexní unitární prostor se standardním skalárním součinem a podprostor M
25 KAPITOLA 9. SKALÁRNÍ SOUČIN 25 prostoru C n 1 je definován jako ortogonální doplněk lineárního obalu L(u), kde vektor u C n 1 je jednotkový vektor, tj. u = 1. V tomto případě existuje jednoduchý způsob, jak spočítat ortogonální projekci libovolného vektoru x R n 1 na podprostor M = L(u). Označíme si P = I n uu a spočítáme vektory Px a (I n P)x. Platí Dále (I n P)x = x (I n uu )x = x x + u(u x) = (u x)u L(u). u (Px) = u (I n uu )x = u x (u u)(u x) = u x u u x = 0, tj. vektor Px L(u) = M. Protože platí x = (I n P)x + Px, dostáváme, že pro ortogonální projekci P M (x) vektoru x na podprostor M platí P M (x) = Px. Definice 9.30 Matici P = I n uu nazýváme elementární ortogonální projektor určený jednotkovým vektorem u C n 1. Pokud 0 v C n 1 je libovolný vektor, označíme u = v/ v jednotkový vektor stejné délky a stejného směru jako vektor v. Protože L(v) = L(u), platí rovněž L(v) = L(u) = M a ortogonální projekci libovolného vektoru x na podprostor M spočítáme pomocí elementárního ortogonálního projektoru určeného vektorem u = v/ v P = I n uu = I n vv v 2 = I n vv v v. Podobně najdeme také matici, pomocí které spočítáme vektor S M (x) symetrický k vektoru x vzhledem k podprostoru M = L(u). Víme totiž, že pokud je u jednotkový vektor, pak ortogonální projekce x na podprostor M se rovná P M (x) = Px. Vektor S M (x) symetrický k vektoru x vzhledem k podprostoru M splňuje rovnost S M (x) x = 2(P M (x) x) = 2(Px x) = 2(I n uu )x 2x = = (2uu )x, tj. S M (x) = x (2uu )x = (I n 2uu )x.
26 KAPITOLA 9. SKALÁRNÍ SOUČIN 26 Definice 9.31 Je-li u C n 1 jednotkový vektor, pak matici R = I n 2uu nazýváme elementární ortogonální reflektor určený vektorem u. Podobně jako v případě ortogonální projekce na podprostor M = L(u) dostaneme, že pokud v C n 1 je libovolný nenulový vektor, pak pro libovolný vektor x C n 1 spočítáme vektor S M (x) symetrický k vektoru x vzhledem k podprostoru M = L(v) jako S M (x) = (I n 2 uu u u )x. Metoda nejmenších čtverců Máme-li soustavu lineárních rovnic Ax = b s reálnými (komplexními) koeficienty, která nemá žádné řešení, můžeme najít přibližné řešení této soustavy následujícím způsobem. Z předchozí teorie víme, že soustava Ax = b je řešitelná právě když b S(A), tj. právě když vektor A leží ve sloupcovém prostoru matice A. Soustava je tedy neřešitelná právě když b S(A). Ve sloupcovém prostoru S(A) matice A existuje podle Tvrzení 9.28 vektor, který je blíže k vektoru b, než kterýkoliv jiný vektor tohoto sloupcového prostoru S(A). Tímto vektorem je ortogonální projekce vektoru b na podprostor S(A) = M. Tuto ortogonální projekci vektoru b, vektor P M (b), nazýváme řešení soustavy Ax = b metodou nejmenších čtverců. Pokud nejsou sloupcové vektory matice soustavy A lineárně nezávislé, existují různá vyjádření jednoznačně určené ortogonální projekce P M (b) vektoru pravých stran b na sloupcový prostor S(A) matice A coby lineární kombinace sloupcových vektorů matice A. Cvičení 9.9 Vyřešte několik neřešitelných soustav lineárních rovnic metodou nejmenších čtverců.
Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1
Lineární algebra 10. přednáška: Ortogonalita II Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la1 Text byl vytvořen
Součin matice A a čísla α definujeme jako matici αa = (d ij ) typu m n, kde d ij = αa ij pro libovolné indexy i, j.
Kapitola 3 Počítání s maticemi Matice stejného typu můžeme sčítat a násobit reálným číslem podobně jako vektory téže dimenze. Definice 3.1 Jsou-li A (a ij ) a B (b ij ) dvě matice stejného typu m n, pak
Regulární matice. Věnujeme dále pozornost zejména čtvercovým maticím.
Regulární matice Věnujeme dále pozornost zejména čtvercovým maticím. Věta. Pro každou čtvercovou matici A = (a ij ) řádu n nad tělesem (T, +, ) jsou následující podmínky ekvivalentní: (i) Řádky matice
V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení
A0M15EZS Elektrické zdroje a soustavy ZS 2011/2012 cvičení 1. Jednotková matice na hlavní diagonále jsou jedničky, všude jinde nuly
Matice Matice typu (m, n) je uspořádaná m-tice prvků z řádky matice.. Jednotlivé složky této m-tice nazýváme Matice se zapisují Speciální typy matic Nulová matice všechny prvky matice jsou nulové Jednotková
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice
Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice Vektorové podprostory K množina reálných nebo komplexních čísel, U vektorový prostor nad K. Lineární kombinace vektorů u 1, u 2,...,u
Učební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Skalární součin študenti MFF 15. augusta 2008 1 10 Skalární součin Požadavky Vlastnosti v reálném i komplexním případě Norma Cauchy-Schwarzova nerovnost
Učební texty k státní bakalářské zkoušce Matematika Matice. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Matice študenti MFF 15. augusta 2008 1 12 Matice Požadavky Matice a jejich hodnost Operace s maticemi a jejich vlastnosti Inversní matice Regulární matice,
Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
Euklidovský prostor Stručnější verze
[1] Euklidovský prostor Stručnější verze definice Eulidovského prostoru kartézský souřadnicový systém vektorový součin v E 3 vlastnosti přímek a rovin v E 3 a) eprostor-v2, 16, b) P. Olšák, FEL ČVUT, c)
KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO LINEÁRNÍ ALGEBRA 1 OLGA KRUPKOVÁ VÝVOJ TOHOTO UČEBNÍHO TEXTU JE SPOLUFINANCOVÁN
KATEDRA INFORMATIKY PŘÍRODOVĚDECKÁ FAKULTA UNIVERZITA PALACKÉHO LINEÁRNÍ ALGEBRA 1 OLGA KRUPKOVÁ VÝVOJ TOHOTO UČEBNÍHO TEXTU JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM ROZPOČTEM ČESKÉ REPUBLIKY
Jazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa
2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace
Vlastní čísla a vlastní vektory
Kapitola 11 Vlastní čísla a vlastní vektory Základní motivace pro studium vlastních čísel a vektorů pochází z teorie řešení diferenciálních rovnic Tato teorie říká, že obecné řešení lineární diferenciální
Skalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS )
LINEÁRNÍ ALGEBRA Úvod vektor Skalár- veličina určená jedním číselným údajem čas, hmotnost (porovnej životní úroveň, hospodaření firmy, naše poloha podle GPS ) Kartézský souřadnicový systém -je taková soustava
5. Maticová algebra, typy matic, inverzní matice, determinant.
5. Maticová algebra, typy matic, inverzní matice, determinant. Matice Matice typu m,n je matice složená z n*m (m >= 1, n >= 1) reálných (komplexních) čísel uspořádaných do m řádků a n sloupců: R m,n (resp.
11. Skalární součin a ortogonalita p. 1/16
11. Skalární součin a ortogonalita 11. Skalární součin a ortogonalita p. 1/16 11. Skalární součin a ortogonalita p. 2/16 Skalární součin a ortogonalita 1. Definice skalárního součinu 2. Norma vektoru 3.
Matematika pro studenty ekonomie
w w w g r a d a c z vydání upravené a doplněné vydání Armstrong Grada Publishing as U Průhonu 7 Praha 7 tel: + fax: + e-mail: obchod@gradacz wwwgradacz Matematika pro studenty ekonomie MATEMATIKA PRO STUDENTY
AVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie Jiří Kolafa Vektory. Vektorový prostor Vektor je často zaveden jako n-tice čísel, (v,..., v n ), v i R (pro reálný vektorový prostor);
MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z. Obsah. 1. Parciální diferenciální rovnice obecně. 2. Kvaazilineární rovnice prvního řádu
MATEMATIKA IV - PARCIÁLNÍ DIFERENCIÁLNÍ ROVNICE - ZÁPISKY Z PŘEDNÁŠEK JAN MALÝ Obsah 1. Parciální diferenciální rovnice obecně 1. Kvaazilineární rovnice prvního řádu 1 3. Lineární rovnice druhého řádu
Matematické symboly a značky
Matematické symboly a značky Z Wikipedie, otevřené encyklopedie Matematický symbol je libovolný znak, používaný v. Může to být znaménko pro označení operace s množinami, jejich prvky, čísly či jinými objekty,
Úlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
Lineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad
1. Matice a maticové operace. 1. Matice a maticové operace p. 1/35
1. Matice a maticové operace 1. Matice a maticové operace p. 1/35 1. Matice a maticové operace p. 2/35 Matice a maticové operace 1. Aritmetické vektory 2. Operace s aritmetickými vektory 3. Nulový a opačný
Lineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy.
6 Skalární součin Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy. Příklad: Určete odchylku přímek p, q : p : x =1+3t,
Lineární (ne)závislost
Kapitola 6 Lineární (ne)závislost Také tuto kapitolu zahájíme základní definicí. Definice 6.1 Předpokládáme, že V je vektorový prostor nad tělesem T. Říkáme, že posloupnost vektorů x 1, x 2,..., x n prostoru
ALGEBRA. Téma 5: Vektorové prostory
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 5: Vektorové prostory Základní pojmy Vektorový prostor nad polem P, reálný (komplexní)
2 Spojité modely rozhodování
2 Spojité modely rozhodování Jak již víme z přednášky, diskrétní model rozhodování lze zapsat ve tvaru úlohy hodnocení variant: f(a i ) max, a i A = {a 1, a 2,... a p }, kde f je kriteriální funkce a A
Lineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
maticeteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
PROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
Matice. Přednáška MATEMATIKA č. 2. Jiří Neubauer. Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Přednáška MATEMATIKA č. 2 Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz 13. 10. 2010 Uspořádané schéma vytvořené z m n reálných čísel, kde m, n N a 11 a 12 a
Soustavy lineárních rovnic
7 Matice. Determinant Soustavy lineárních rovnic 7.1 Matice Definice 1. Matice typu (m, n) jesoustavam n reálných čísel uspořádaných do m řádků a n sloupců a 11, a 12, a 13,..., a 1n a 21, a 22, a 23,...,
a m1 a m2 a mn zobrazení. Operaci násobení u matic budeme definovat jiným způsobem.
1 Matice Definice 1 Matice A typu (m, n) je zobrazení z kartézského součinu {1, 2,,m} {1, 2,,n} do množiny R Matici A obvykle zapisujeme takto: a 1n a 21 a 22 a 2n A =, a m1 a m2 a mn kde a ij R jsou její
Maticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
Matematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
Funkce zadané implicitně
Kapitola 8 Funkce zadané implicitně Začneme několika příklady. Prvním je známá rovnice pro jednotkovou kružnici x 2 + y 2 1 = 0. Tato rovnice popisuje křivku, kterou si však nelze představit jako graf
Eduard Šubert: Koktejl nápoj je vektorem z lineárního obalu ingrediencí.
Eduard Šubert: Koktejl nápoj je vektorem z lineárního obalu ingrediencí. V roce 2012 se na katedře matematiky FJFI ČVUT v Praze konala Matematická fotosoutěž. Vítězný snímek týkající se právě lineární
předmětu MATEMATIKA B 1
Metodický list pro první soustředění kombinovaného studia předmětu MATEMATIKA B 1 Název tématického celku: Vektorový prostor Cíl: Základním cílem tohoto tematického celku je pochopit, co jsou to vektory
1 Lineární prostory a podprostory
Lineární prostory a podprostory Přečtěte si: Učebnice AKLA, kapitola první, podkapitoly. až.4 včetně. Cvičení. Které z následujících množin jsou lineárními prostory s přirozenými definicemi operací?. C
Determinant. Definice determinantu. Permutace. Permutace, vlastnosti. Definice: Necht A = (a i,j ) R n,n je čtvercová matice.
[] Definice determinantu BI-LIN, determinant, 9, P Olšák [2] Determinant je číslo jistým způsobem charakterizující čtvercovou matici det A 0 pro singulární matici, det A 0 pro regulární matici používá
Matice se v některých publikacích uvádějí v hranatých závorkách, v jiných v kulatých závorkách. My se budeme držet zápisu s kulatými závorkami.
Maticové operace Definice Skalár Představme si nějakou množinu, jejíž prvky lze sčítat a násobit. Pěkným vzorem jsou čísla, která už známe od mala. Prvky takové množiny nazýváme skaláry. Matice Matice
MATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
EUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,
Edita Kolářová ÚSTAV MATEMATIKY
Přípravný kurs z matematik Edita Kolářová ÚSTAV MATEMATIKY Přípravný kurs z matematik 1 Obsah 1 Přehled použité smbolik 3 Základní pojm matematické logik a teorie množin 4.1 Element matematické logik.........................
zejména Dijkstrův algoritmus pro hledání minimální cesty a hladový algoritmus pro hledání minimální kostry.
Kapitola Ohodnocené grafy V praktických aplikacích teorie grafů zpravidla graf slouží jako nástroj k popisu nějaké struktury. Jednotlivé prvky této struktury mají často přiřazeny nějaké hodnoty (může jít
Lineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
0. Lineární rekurence Martin Mareš, 2010-07-04
0 Lineární rekurence Martin Mareš, 2010-07-04 V tomto krátkém textu se budeme zabývat lineárními rekurencemi, tj posloupnostmi definovanými rekurentní rovnicí typu A n+k = c 0 A n + c 1 A n+1 + + c k 1
Lineární algebra a analytická geometrie sbírka úloh a ř ešených př íkladů
Lineární algebra a analytická geometrie sbírka úloh a ř ešených př íkladů Linear algebra and analytic geometry problems and solved examples Klára Javornická Bakalářská práce 2010 UTB ve Zlíně, Fakulta
Kapitola 11. Vzdálenost v grafech. 11.1 Matice sousednosti a počty sledů
Kapitola 11 Vzdálenost v grafech V každém grafu lze přirozeným způsobem definovat vzdálenost libovolné dvojice vrcholů. Hlavním výsledkem této kapitoly je překvapivé tvrzení, podle kterého lze vzdálenosti
Soustavy linea rnı ch rovnic
[1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.
Lineární algebra : Báze a dimenze
Lineární algebra : Báze a dimenze (5. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 9. dubna 2014, 13:33 1 2 5.1 Báze lineárního prostoru Definice 1. O množině vektorů M z LP V řekneme,
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty. študenti MFF 15. augusta 2008
Učební texty k státní bakalářské zkoušce Matematika Vlastní čísla a vlastní hodnoty študenti MFF 15. augusta 2008 1 14 Vlastní čísla a vlastní hodnoty Požadavky Vlastní čísla a vlastní hodnoty lineárního
Západočeská univerzita v Plzni. Fakulta aplikovaných věd Katedra matematiky. Geometrie pro FST 1. Pomocný učební text
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Geometrie pro FST 1 Pomocný učební text František Ježek, Marta Míková, Světlana Tomiczková Plzeň 29. srpna 2005 verze 1.0 Předmluva
Lineární algebra I. látka z. I. semestru informatiky MFF UK. Obsah. Zpracovali: Ondřej Keddie Profant, Jan Zaantar Štětina
1 Lineární algebra I látka z I semestru informatiky MFF UK Zpracovali: Ondřej Keddie Profant, Jan Zaantar Štětina Obsah Matice2 Grupy4 Grupa permutací4 Znaménko, inverze a transpozice grup5 Podgrupy5 Tělesa6
x 2 = a 2 + tv 2 tedy (a 1, a 2 ) T + [(v 1, v 2 )] T A + V Příklad. U = R n neprázdná množina řešení soustavy Ax = b.
1. Afinní podprostory 1.1. Motivace. Uvažujme R 3. Jeho všechny vektorové podprostory jsou počátek, přímky a roviny procházející počátkem a celé R 3. Chceme-li v R 3 dělat geometrii potřebujeme i jiné
2.2. SČÍTÁNÍ A NÁSOBENÍ MATIC
22 SČÍTÁNÍ A NÁSOBENÍ MATIC V této kapitole se dozvíte: jak je definováno sčítání matic a jaké má základní vlastnosti jak je definováno násobení matic číslem a jaké má základní vlastnosti zda a proč se
Lineární algebra II. Adam Liška. 9. února 2015. Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak. rok 2007/2008
Lineární algebra II Zápisky z přednášek Jiřího Fialy na MFF UK, letní semestr, ak rok 2007/2008 Adam Liška 9 února 2015 http://kammffcunicz/~fiala http://wwwadliskacom 1 Obsah 10 Permutace 3 11 Determinant
Maticový a tenzorový počet
Maticový a tenzorový počet Doc. RNDr. Martin Kovár, Ph.D. Ústav matematiky Fakulta elektrotechniky a komunikačních technologií VUT v Brně Obsah. Test vstupních znalostí............................. 5 Matice
1 Determinanty a inverzní matice
Determinanty a inverzní matice Definice Necht A = (a ij ) je matice typu (n, n), n 2 Subdeterminantem A ij matice A příslušným pozici (i, j) nazýváme determinant matice, která vznikne z A vypuštěním i-tého
Arnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
FREDHOLMOVA ALTERNATIVA
FREDHOLMOVA ALTERNATIVA Pavel Jirásek 1 Abstrakt. V tomto článku se snažíme shrnout dosavadní výsledky týkající se Fredholmovy alternativy (FA). Postupně zmíníme FA na prostorech konečné dimenze, FA pro
3. Matice a determinanty
. Matice a determinanty Teorie matic a determinantů představuje úvod do lineární algebry. Nejrozsáhlejší aplikace mají matice a determinanty při řešení systémů lineárních rovnic. Pojem determinantu zavedl
Definice 28 (Ortogonální doplněk vektorového podprostoru). V k V n ; V k V. (Pech:AGLÚ/str D.5.1)
14.3 Kolmost podprostorů 14.3.1 Ortogonální doplněk vektorového prostou Ve vektorovém prostoru dimenze 3 je ortogonálním doplňkem roviny (přesněji vektorového prostoru dimenze ) přímka na ní kolmá (vektorový
VĚTY Z LINEÁRNÍ ALGEBRY
VĚTY Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. věta Nechť M = {x 1, x 2,..., x k } je množina vektorů z vektorového prostoru
Gymnázium, Brno. Matice. Závěrečná maturitní práce. Jakub Juránek 4.A Školní rok 2010/11
Gymnázium, Brno Matice Závěrečná maturitní práce Jakub Juránek 4.A Školní rok 2010/11 Konzultant: Mgr. Aleš Kobza Ph.D. Brno, 2011 Prohlášení Prohlašuji, že jsem předloženou práci zpracoval samostatně
y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Řádková norma (po řádcích sečteme absolutní hodnoty prvků matice a z nich
Normy matic Příklad 1 Je dána matice A a vektor y: A = 2 0 3 4 3 2 y = Spočtěte všechny jejich normy (vektor je také matice, typu n 1). Ověřte, že platí Ay A y (1) Ay = (4, 14, 2) T 2 2 Frobeniova norma
4. Trojúhelníkový rozklad p. 1/20
4. Trojúhelníkový rozklad 4. Trojúhelníkový rozklad p. 1/20 4. Trojúhelníkový rozklad p. 2/20 Trojúhelníkový rozklad 1. Permutační matice 2. Trojúhelníkové matice 3. Trojúhelníkový (LU) rozklad 4. Výpočet
Lineární algebra : Lineární zobrazení
Lineární algebra : Lineární zobrazení (6. přednáška František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 20. května 2014, 22:40 1 2 6.1 Lineární zobrazení Definice 1. Buďte P a Q dva lineární prostory
1 Vektorové prostory.
1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které
Zdrojem většiny příkladů je sbírka úloh 1. cvičení ( ) 2. cvičení ( )
Příklady řešené na cvičení LA II - LS 1/13 Zdrojem většiny příkladů je sbírka úloh http://kam.mff.cuni.cz/~sbirka/ 1. cvičení (..13) 1. Rozhodněte, které z následujících operací jsou skalárním součinem
6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
Symetrické a kvadratické formy
Symetrické a kvadratické formy Aplikace: klasifikace kvadrik(r 2 ) a kvadratických ploch(r 3 ), optimalizace(mpi) BI-LIN (Symetrické a kvadratické formy) 1 / 20 V celé přednášce uvažujeme číselné těleso
10. Vektorové podprostory
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan Definice. Bud V vektorový prostor nad polem P. Podmnožina U V se nazývá podprostor,
Kapitola 1. Tenzorový součin matic
Kapitola 1 Tenzorový součin matic Definice 1.1. Buď F komutativní těleso. Pro matice A F m n a B F r s definujeme tenzorový součin A B jako matici o rozměru mr ns zapsanou blokově: A 11 B A 12 B A 1n B
Matice. Je dána matice A R m,n, pak máme zobrazení A : R n R m.
Matice lineárních zobrazení [1] Připomenutí Zobrazení A : L 1 L 2 je lineární, když A( x + y ) = A( x ) + A( y ), A(α x ) = α A( x ). Což je ekvivalentní s principem superpozice: A(α 1 x 1 + + α n x n
1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
7. Důležité pojmy ve vektorových prostorech
7. Důležité pojmy ve vektorových prostorech Definice: Nechť Vje vektorový prostor a množina vektorů {v 1, v 2,, v n } je podmnožinou V. Pak součet skalárních násobků těchto vektorů, tj. a 1 v 1 + a 2 v
Matice. Modifikace matic eliminační metodou. α A = α a 2,1, α a 2,2,..., α a 2,n α a m,1, α a m,2,..., α a m,n
[1] Základní pojmy [2] Matice mezi sebou sčítáme a násobíme konstantou (lineární prostor) měníme je na jiné matice eliminační metodou násobíme je mezi sebou... Matice je tabulka čísel s konečným počtem
Soustavy. Terminologie. Dva pohledy na soustavu lin. rovnic. Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová.
[1] Terminologie [2] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení Definice: Necht A = (a i,j ) R m,n je matice, b R m,1 je jednosloupcová matice.
Matematika I 12a Euklidovská geometrie
Matematika I 12a Euklidovská geometrie Jan Slovák Masarykova univerzita Fakulta informatiky 3. 12. 2012 Obsah přednášky 1 Euklidovské prostory 2 Odchylky podprostorů 3 Standardní úlohy 4 Objemy Plán přednášky
2 Vektorové normy. Základy numerické matematiky - NMNM201. Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro
Cvičení 1 Základy numerické matematiky - NMNM201 1 Základní pojmy opakování Definice 1 (Norma). Norma je funkcionál splňující pro libovolné vektory x a y a pro libovolný skalár α C následující podmínky:
2. Schurova věta. Petr Tichý. 3. října 2012
2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci
7 Ortogonální a ortonormální vektory
7 Ortogonální a ortonormální vektory Ze vztahu (5) pro výpočet odchylky dvou vektorů vyplývá, že nenulové vektory u, v jsou na sebe kolmé právě tehdy, když u v =0. Tato skutečnost nám poslouží k zavedení
2. Určete jádro KerL zobrazení L, tj. nalezněte alespoň jednu jeho bázi a určete jeho dimenzi.
Řešené příklady z lineární algebry - část 3 Typové příklady s řešením Příklad 3.1: Zobrazení L: P 3 R 23 je zobrazení z prostoru P 3 všech polynomů do stupně 3 (včetně nulového polynomu) do prostoru R
1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
9. Bilineární formy. 9. Bilineární formy p. 1/14
9. Bilineární formy 9. Bilineární formy p. 1/14 9. Bilineární formy p. 2/14 Bilineární formy 1. Definice a příklady 2. Klasifikace bilineárních forem 3. Matice bilineární formy 4. Změna báze 5. Kongruentní
DEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
Y36BEZ Bezpečnost přenosu a zpracování dat. Úvod. Róbert Lórencz. http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz
Y36BEZ Bezpečnost přenosu a zpracování dat Róbert Lórencz 1. přednáška Úvod http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz Róbert Lórencz (ČVUT FEL, 2007) Y36BEZ Bezpečnost přenosu a zpracování
6 Skalární součin. u v = (u 1 v 1 ) 2 +(u 2 v 2 ) 2 +(u 3 v 3 ) 2
6 Skalární součin Skalární součin 1 je operace, která dvěma vektorům (je to tedy binární operace) přiřazuje skalár (v našem případě jde o reálné číslo, obecně se jedná o prvek nějakého tělesa T ). Dovoluje
2. Matice, soustavy lineárních rovnic
Matice, soustavy lineárních rovnic Tento učební text byl podpořen z Operačního programu Praha- Adaptabilita Irena Sýkorová Některé vlastnosti matic Uvažujmečtvercovoumatici A=(a ij ) n n Matice Asenazývásymetrická,jestližeplatí
1 Polynomiální interpolace
Polynomiální interpolace. Metoda neurčitých koeficientů Příklad.. Nalezněte polynom p co nejmenšího stupně, pro který platí p() = 0, p(2) =, p( ) = 6. Řešení. Polynom hledáme metodou neurčitých koeficientů,
1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x
1 ZOBRAZENÍ 1 Zobrazení a algebraické struktury 1 Zobrazení Příklad 1.1. (a) Ukažte, že zobrazení f : x na otevřený interval ( 1, 1). x x +1 je bijekce množiny reálných čísel R (b) Necht a, b R, a < b.
Úvod do optimalizace
Přednáška Ú-Opt, February 19, 2006:1324 Petr Lachout 1 Úvod do optimalizace Prof. RNDr. Jitka Dupačová, DrSc. Doc. RNDr. Petr Lachout, CSc. KPMS MFF UK Verze 19. února 2006 2 Obsah 1 Úvod 5 2 Optimalizace
9 Kolmost vektorových podprostorů
9 Kolmost vektorových podprostorů Od kolmosti dvou vektorů nyní přejdeme ke kolmosti dvou vektorových podprostorů. Budeme se zabývat otázkou, kdy jsou dva vektorové podprostory na sebe kolmé a jak to poznáme.
0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
V: Pro nulový prvek o lineárního prostoru L platí vlastnosti:
Zpracoval: hypspave@fel.cvut.cz. Základní vlastnosti abstraktních lineárních prostorů. Lineární závislost, nezávislost, báze, souřadnice vzhledem k bázi, matice lineárního zobrazení vzhledem k bázím.skalární
Necht L je lineární prostor nad R. Operaci : L L R nazýváme
Skalární součin axiomatická definice odvození velikosti vektorů a úhlu mezi vektory geometrická interpretace ortogonalita vlastnosti ortonormálních bázi [1] Definice skalárního součinu Necht L je lineární