Lineární algebra : Skalární součin a ortogonalita
|
|
- Tadeáš Kubíček
- před 7 lety
- Počet zobrazení:
Transkript
1 Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1
2 Prehilhertovy prostory Definice 1. Buď V LP nad T. Zobrazení (.,.) : V V T nazýváme skalární součin, platí-li pro x, y, z V a α T axiomy: Axiomatická definice skalárního součinu 1. (x, αy + z) = α(x, y) + (x, z), (linearita v druhém argumentu) 2. (x, y) = (y, x), (hermitovská symetrie) 3. (x, x) 0 ( (x, x) = 0 x = 0 ). (pozitivní definitnost) Dvojici (V, (.,.)) nazýváme prostorem se skalárním součinem (prehilbertův prostor) a značíme H. Poznámka 2. Je-li T = R v axiomu 2. je vlastnost (x, y) = (y, x) (symetrie), opruhování je v R nadbytečné. Cvičení: Pro libovolné x, y, x H a α T ověřte následující vlastnosti skalárního součinu: (αx + y, z) = α(x, z) + (y, z), (x, θ) = (θ, x) = 0. Příklady skalárních součinů Na T n definujeme (x, y) := ξ j η j, kde x = (ξ 1,..., ξ n ), y = (η 1,..., η n ). Snadno ověříme, že jse o skalární součin na T n. Tento skalární součin nazýváme standardním skalárním součinem. Pro f, g C( 0, 1 ) je zobrazení definované vztahem (f, g) := 1 skalárním součinem na LP C( 0, 1 ). 0 f(x)g(x)dx
3 3 Další příklad skalárního součinu je např. zobrazení definované na prostoru matic C n,n, (A, B) := a j,i b j,i. Buďte x, y R n sloupcové vektory a A R n,n. Zobrazení Další příklady skalárních součinů (x, y) := x T Ay splňuje axiom 1. Budeme-li navíc požadovat, aby A = A T, bude splněn i axiom 2. Platí-li tedy ješte 3. aximom je uvedené zobrazení skalárním součinem na R n. Vezměme např. n = 2, potom pro matici ( ) 1 2 A = 2 5 je ( ) ( ) 1 2 y1 (x, y) = (x 1, x 2 ) = x 2 5 y 1 y 1 + 2x 1 y 2 + 2x 2 y 1 + 5x 2 y 2 2 skalární součin na R 2. Ovšem např. pro volbu A = ( ) axiom 3. splněný není a uvedené zobrazení skalární součin není. Skalární součin zadává normu Definice 3. Buď H prostor se skalárním součinem. Zobrazení. : H T definované vztahem ( x H)( x := (x, x) ) nazýváme normou na H.
4 4 Poznámka 4. Máme-li R 3 se standardním skalárním součinem je x velikost vektoru x, tj. (euklidovská) vzdálenost bodu x = (x 1, x 2, x 3 ) od počátku θ. Z tohoto pohledu lze normu vektoru chápat jako zobecněnou velikost vektoru. Podobně je číslo x y zobecněnou vzdáleností vektorů x a y. Cvičení: Ukažte, že pro x H a α T platí: x 0 x = 0 x = θ, αx = α x. Věta 5. Buď H prehilbertův prostor. Potom pro x, y H platí: 1. (x, y) x y, (Schwarzova nerovnost) Vlastnosti normy skalárního součinu a x + y x + y, (trojúhelníková nerovnost) x + y 2 + x y 2 = 2( x 2 + y 2 ). (rovnoběžníková rovnost) Důkaz. 1. Pro x = θ platí ve Schwarzově nerovnosti rovnost. Uvažujme x θ. Nechť λ T. Potom platí 0 (λx y, λx y) = λx 2 (λx, y) (y, λx) + y 2 = λ 2 x 2 + y 2 2Re λ(x, y) pro všechna λ T. Nyní volme speciálně Pro takto zvolené λ máme λ := (x, y) x 2, (x, y) 2 x 4 x 2 + y 2 (x, y) 2 2Re x 2 0, a tedy y 2 (x, y) 2 x 2 0, z čehož vyplývá Schwarzova nerovnost.
5 5 2. Máme x + y 2 = (x + y, x + y) = (x, x) + (x, y) + (y, x) + (y, y) = x + (x, y) + (x, y) + y 2 = x 2 + 2Re (x, y) + y 2 Nyní stačí na člen Re (x, y) použít odhad Re z z, který platí pro z C, a poté Schwarzovu nerovnost, tj. Celkem dostáváme Re (x, y) (x, y) x y. x + y 2 x x y + y 2 = ( x + y ) 2, což po odmocnění levé a pravé strany dává trojúhelníkovou nerovnost. 3. Platí x + y 2 + x y 2 = (x + y, x + y) + (x y, x y) = x 2 + (x, y) + (y, x) + y 2 + x 2 (x, y) (y, x) + y 2 = 2( x 2 + y 2 ) Ortogonalita Ortogonalita Definice 6. Nechť H je prostor se skalárním součinem. Vektory x, y H nazýváme ortogonální (kolmé), právě když (x, y) = 0. Soubor vektorů (x 1,..., x n ) z H nazveme ortogonální (OG), právě když ( i, j ˆn, i j )( (x i, x j ) = 0 ). Soubor vektorů (x 1,..., x n ) nazveme ortonormální (ON), právě když ( i, j ˆn )( (x i, x j ) = δ ij ). Poznámka 7. Máme-li R 2 se standardním skalárním součinem je klasická geometrická kolmost vektorů x a y ekvivalentí rovnosti (x, y) = 0. (Rozmyslete si!) Proto je ortogonalita zobecněním pojmu kolmost z Euklidovské geometrie.
6 6 Dvě věty Věta 8 (Pythagorova věta). Nechť (x, y) je OG soubor vektorů z H. Potom x + y 2 = x 2 + y 2. Důkaz. Platí x + y 2 = (x + y, x + y) = x 2 + (x, y) + (y, x) + y 2. Nyní stačí využít, že dle předpokladu je 0 = (x, y) = (y, x). Věta 9. OG soubor nenulových vektorů je LN. Speciálně, každý ON soubor vektorů je LN. Důkaz. Buď (x 1,..., x k ) OG soubor nenulových vektorů. Uvažujme lineární kombinaci α j x j = θ, potom pro i ˆk platí 0 = (x i, θ) = x i, α j x j = α j (x i, x j ) = α i x i 2, kde jsme využili, že (x i, x j ) = 0 pro i j. Protože je podle předpokladu x i θ, je x i 0 a dostáváme α i = 0 pro všechna i ˆk. Soubor (x 1,..., x k ) je proto LN. Besselova nerovnost Definice 10. Nechť (x 1,..., x k ) je ON soubor vektorů z H, x H. Číslo (x i, x), i ˆk, nazýváme i-tý Fourierův koeficient vektoru x vzhledem k souboru (x 1,..., x k ). Pozorování: Nechť (x 1,..., x k ) je ON soubor vektorů z H, x H. Potom vektor x (x j, x)x j je kolmý na všechny vektory souboru (x 1,..., x k ). (Ověřte!)
7 7 Věta 11 (Besselova nerovnost). Nechť (x 1,..., x k ) je ON soubor vektorů z H, x H. Potom platí (x j, x) 2 x 2. Důkaz. Protože je (x 1,..., x k ) ON a s přihlédnutím k předchozímu pozorování platí 0 x (x j, x)x j, x (x j, x)x j = x, x (x j, x)x j x 2 (x j, x)(x, x j ) = x 2 (x j, x) 2. ON báze Definice 12. Je-li ON soubor (x 1,..., x n ) vektorů z H navíc báze H, nazýváme jej ortnormální báze prostoru H. Věta 13. Nechť (x 1,..., x n ) je ON soubor vektorů z H. Potom (x 1,..., x n ) je ON báze právě tehdy, když neexistuje nenulový vektor, který by byl kolmý na všechny vektory souboru (x 1,..., x n ), tzn. ( x H)( ( i ˆn)((x i, x) = 0) x = θ ). Důkaz. ( ) : Tvrzení dokážeme sporem: nechť (x 1,..., x n ) je ON báze a současně nechť x θ kolmý na všechny vektory souboru (x 1,..., x n ). Protože (x 1,..., x n ) generuje H, je x = α i x i pro nějaká α 1,..., α n T. Potom pro libovolné j ˆn platí ( ) 0 = (x j, x) = x j, α i x i = α i (x j, x i ) = α j. }{{} =δ ij Tedy x = θ, což je spor s předpokladem.
8 8 ( ) : Víme, že ON soubor (x 1,..., x n ) musí být LN. K tomu, aby to byla báze, stačí ukázat, že navíc generuje H. Vezměme x H. Vektor x (x j, x)x j je kolmý na každý vektor souboru (x 1,..., x n ), a proto podle předpokladu je x (x j, x)x j = θ, nebo-li a proto x x 1,..., x n. x = (x j, x)x j, Prostor s ON bází Věta 14. Nechť X = (x 1,..., x n ) je ON báze H. Potom platí ( ( x H) x = ) (x i, x)x i (i-tá souřadnice x v bázi X je rovna i-tému Fourierovu koeficientu (x i, x)) ( ( x, y H) (x, y) = ) (x i, x)(x i, y) ( Skalární součin počítaný v souřadnicích vypadá jako standardní s. s. ) 3. Důkaz. ( ( x H) x 2 = ) (x i, x) 2 (Parsevalova rovnost) 1. Buď x H. Protože vektor x (x i, x)x i
9 9 je kolmý na každý vektor souboru (x 1,..., x n ), musí podle předchozí věty být roven nulovému vektoru. Tedy x = (x i, x)x i. 2. S využítím již dokázané části máme pro x, y H rovnosti x = (x i, x)x i, y = (x i, y)x i. Potom platí (x, y) = (x i, x)x i, (x j, y)x j = (x i, x)(x, x j ) (x i, x j ) }{{} =δ ij = (x i, x)(x i, y). 3. Stačí v druhé části tvrzení položit y = x. Ukážeme si metodu, jak lze každý LN soubor zortnormalizovat, tj. udělat z něj ON soubor, který generuje stejný podprostor. Gramův- Schmidtův ortogonalizační proces Speciálně z každé báze lze v prehilbetově prostoru zkonstruovat ON bázi. Tedy v každém prehilbetově prostoru existuje ON báze. Věta 15 (Gramův-Schmidtův ortogonalizační proces). Buď (x 1,..., x k ) LN soubor vektorů z H. Potom existuje ON soubor (y 1,..., y k ) vektorů z H takový, že ( l ˆk)( x 1,..., x l = y 1,..., y l ). Důkaz. Budeme postupovat neúplnou matematickou indukcí v l ˆk. Pro l = 1 stačí položit y 1 := x 1 / x 1. Zde nedělíme nulou protože soubor (x 1 ) je dle předpokladu LN, a tedy x 1 θ.
10 10 Nechť tvrzení věty platí pro l < k. Ukážeme, že potom také platí i pro l + 1. Definujme pomocný vektor l z l+1 := x l+1 (y j, x l+1 )y j a normujme ho y l+1 := z l+1 z l+1. Z indukčního předpokladu víme, že x 1,..., x l = y 1,..., y l a z definice y l+1 pak zřejmě x 1,..., x l+1 = y 1,..., y l+1. Dále je dle indukčního předpokladu (y 1,..., y l ) ON soubor. Abychom ukázali, že (y 1,..., y l ) je také ON soubor, stačí ukázat (y l+1, y i ) = 0, i ˆl. To bude pravda, pokud (z l+1, y i ) = 0, i ˆl. To ale platí, neboť (z l+1, y i ) = x l+1 l l (y j, x l+1 )y j, y i = (x l+1, y i ) = (x l+1, y i ) (x l+1, y i ) = 0. (y j, x l+1 ) (y j, y i ) }{{} =δ ij Uvažujte R 4 se standardním sk. součinem. Nalezněte ON bázi podprostoru P = x 1, x 2, x 3 R 4, je-li Příklad G.-S. OG proces 1/2 x 1 = (1, 2, 2, 1), x 2 = (1, 1, 5, 3), x 3 = (3, 2, 8, 7). Soubor (x 1, x 2, x 3 ) je LN, zortnormalizujeme ho G.-S. procesem. y 1 := x 1 x 1 = 1 10 (1, 2, 2, 1). z 2 := x 2 (y 1, x 2 )y 1 = (1, 1, 5, 3) 10 (1, 2, 2, 1) = (2, 3, 3, 2) 10 y 2 := z 2 z 2 = 1 26 (2, 3, 3, 2)
11 11 Příklad G.-S. OG proces 2/2 Konečně z 3 := x 3 (y 1, x 3 )y 1 (y 2, x 3 )y 2 = (3, 2, 8, 7) (1, 2, 2, 1) (2, 3, 3, 2) = (2, 1, 1, 2) y 3 := z 3 z 3 = 1 10 (2, 1, 1, 2) Soubor (y 1, y 2, y 3 ) je ON báze podprostoru P. Ortogonální doplněk Definice 16. Buď H prehilbertův prostor, M H. Množinu M = {x H ( y M)((x, y) = 0)} nazýváme ortogonální doplněk množiny M do prostoru H. Věta 17 (o ortogonálním rozkladu). Nechť P H, dim P <, potom 1. H = P P, 2. (P ) = P. Důkaz. 1. Je-li dim P = 0 je P = H a věta platí. Nechť dim P = k N a nechť (x 1,..., x k ) je ON báze P. Nejprve ukážeme H = P + P. Libovolný vektor x H lze zapsat ve tvaru x = (x j, x)x j + x (x j, x)x j. Protože vektor x (x j, x)x j
12 12 je kolmý na každý vektor souboru (x 1,..., x k ), je x (x j, x)x j P. Našli jsem tak hledaný rozklad vektoru x. Dál dokážeme, že H = P P. Pokud x P P, musí (x, x) = 0, odkud x = 0. Tedy P P = {θ}. 2. Ukážeme nejprve inkluzi P (P ). Je-li x P, potom ( y P )((x, y) = 0). Vektor x je tedy kolmý na všechny vektory z P, proto x (P ). Naopak nechť x (P ). Podle už dokázané první části tvrzení lze x vyjádřit ve tvaru x = y + z, kde y P a z P. Protže je x (P ) a z P, platí (x, z) = 0. Potom 0 = (x, z) = (y, z) + z 2 = z 2, odkud plyne z = θ a tedy x = y P. Příklad Uvažujme R 3 se standardním skalárním součinem a P = (1, 1, 1). Množina řešení rovnice je podprostorem P. Dostáváme ((1, 1, 1), (x, y, x)) = x + y + z = 0 P = ( 1, 0, 1), ( 1, 1, 0). Rovnost R 3 = P P nám říká, že každý vektor x R 3 lze jediným způsobem rozložit na dva kolmé vektory u a v, kde vektor u leží v přímce P, vektor v leží v rovině P a x = u + v.
13 Sdružená matice Sdružená matice Ve zbylé části bude těleso T = R, nebo T = C. Definice 18. Buď (α ij ) = A T n,n. Matici (α i,j ) = A T n,n, jejíž prvky jsou definované vztahem ( i, j ˆn)(α i,j = α j,i ), nazýváme sdruženou maticí k matici A (tedy A = A T ). Cvičení: Pro A, B T n,n, α T, ověřte následující vlastnosti: 1. (A + B) = A + B, 2. (αa) = αa, 3. (AB) = B A, 4. (A ) = A, 5. E = E, Θ = Θ, 6. je-li A regulární, je i A regulární a platí (A ) 1 = (A 1 ). 7. ( x, y T n )((x, Ay) = (A x, y)) ((.,.) je standardní skal. souč. na T n ) Speciální matice Definice 19. Buď A T n,n. Říkáme, že matice A je 1. samosdružená, právě když A = A. Pro T = C nazýváme A hermitovskou. Pro T = R nazýváme A symetrickou. 2. izometrická, právě když AA = E(= A A). Pro T = C nazýváme A unitární. Pro T = R nazýváme A ortogonální. Poznámka 20. Tedy izometrická matice A je vždy regulární a platí A 1 = A.
14 14 Následují věty vyslovíme pro unitární matice (T = C), analogická tvrzení platí pro matice ortogonální (T = R). Vlastnosti unitárních matic Věta 21. Uvažujme C n prostor se standardním skalárním součinem, A C n,n. Následující tvzení jsou ekvivalentní: 1. A je unitární. 2. A je unitární. 3. Sloupce matice A tvoří ON bázi C n. 4. Řádky matice A tvoří ON bázi C n. Důkaz. Ekvivalence je zřejmá z definice unitarity. Nechť dále A A = E, potom pro i, j ˆn platí (A,i, A,j ) = (Ae i, Ae j ) = (e i, A Ae j ) = (e i, e j ) = δ ij. Tedy sloupce A tvoří ON soubor a jelikož je jich n, musí to být báze C n. Naopak z ortonormality souboru sloupců plyne (A A) ij = (e i, A Ae j ) = (A,i, A,j ) = δ ij, a tedy A A = E. Máme tedy Nakonec snadno ukážeme, že A je unitární A T je unitární. (Proveďte jako cvičení!) Odtud a z již dokázané ekvivalence (1. 3.) máme: sloupce A tvoří ON soubor A je unitární A T je unitární sloupce A T tvoří ON soubor řádky A tvoří ON soubor. Dokázali jsme a věta je dokázána. Věta 22. Buď A C n,n unitární a C n prostor se standardním skalárním součinem. Potom platí Další vlastnosti unitárních matic 1. det A = 1, 2. ( x C n )( Ax = x ), 3. λ σ(a) λ = 1. Důkaz.
15 15 1. Stačí si uvědomit, že z definice sdružené matice a determinantu plyne det A = det A T = det A = det A, kde jsme použili vlastnost det B T = det B, B T n,n. Potom 2. Platí det A 2 = det Adet A = det A det A = det(aa ) = det E = 1. Ax 2 = (Ax, Ax) = (x, A Ax) = (x, Ex) = (x, x) = x Buď λ σ(a) a x C n příslušný vlastní vektor, tedy x θ a Ax = λx. Z již dokázané vlastnosti 2. potom máme Protože x 0, je λ = 1. x = Ax = λx = λ x. Cvičení: Ukažte, že součin unitárních matic je unitární matice Diagonalizace a spektrální vlastnosti samosdružených matic Věta 23. Buď A T n,n samosdružená matice a T n prostor se standardním skalárním součinem. Potom Reálná vlastní čísla a kolmost vlastních vektorů 1. σ(a) R, 2. vlastní vektory A příslušející dvěma různým vlastním číslům jsou kolmé. Důkaz. 1. Nechť λ σ(a) a x C n příslušný vlastní vektor, tedy x θ a Ax = λx. Potom λ x 2 = (x, λx) = (x, Ax) = (A x, x) = (Ax, x) = (λx, x) = λ x 2. Protože x 0, je λ = λ, odkud plyne λ R.
16 16 2. Nechť λ, µ R jsou dvě různá vlastní čísla A s odpovídajícími vlastními vektory x, y, tedy Ax = λx a Ay = µy. Potom µ(x, y) = (x, µy) = (x, Ay) = (Ax, y) = (λx, y) = λ(x, y), odkud máme Protože µ λ, musí (x, y) = 0. (µ λ)(x, y) = 0. Věta 24 (Spektrální teorém). Buď A C n,n hermitovská matice. Potom je A podobná diagonální matici D a regulární matici P z relace podobnosti lze volit izometrickou. Tedy platí A = P DP. (Protože pro izometrickou P je P 1 = P.) Důkaz: Neuvedeme. Poznámka 25. Pro hermitovskou matici A tedy platí ( λ σ(a))(ν g (λ) = ν a (λ)). Dále pro f : C C umíme definovat f(a). Diagonalizace samosdružené matice
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
VíceLineární 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
VíceUčební 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
VíceLineární algebra : Vlastní čísla, vektory a diagonalizace
Lineární algebra : Vlastní čísla, vektory a diagonalizace (14. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 21. dubna 2014, 19:37 1 2 14.1 Vlastní čísla a vlastní vektory Nechť je
VíceLineární 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,
VíceSkalární 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,
VíceLineární 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
VícePROSTORY 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,
Více2 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:
VíceLineární algebra : Lineární prostor
Lineární algebra : Lineární prostor (3. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. dubna 2014, 14:43 1 2 3.1 Aximotické zavedení lineárního prostoru Číselné těleso Celou lineární
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
VíceEUKLIDOVSKÉ 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,
Více1 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)
VíceLineární algebra : Změna báze
Lineární algebra : Změna báze (13. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 8. dubna 2014, 10:47 1 2 13.1 Matice přechodu Definice 1. Nechť X = (x 1,..., x n ) a Y = (y 1,...,
VíceLineární algebra : Lineární (ne)závislost
Lineární algebra : Lineární (ne)závislost (4. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních technologií
VíceNecht 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
VíceDEFINICE 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
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
Více8 Matice a determinanty
M Rokyta, MFF UK: Aplikovaná matematika II kap 8: Matice a determinanty 1 8 Matice a determinanty 81 Matice - definice a základní vlastnosti Definice Reálnou resp komplexní maticí A typu m n nazveme obdélníkovou
VíceSymetrické 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
VíceMatematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan. 14.
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 14. Vlastní vektory Bud V vektorový prostor nad polem P. Lineární zobrazení f : V
VíceUčební 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
Více15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
Více6.1 Vektorový prostor
6 Vektorový prostor, vektory Lineární závislost vektorů 6.1 Vektorový prostor Nechť je dán soubor nějakých prvků, v němž je dána jistá struktura vztahů mezi jednotlivými prvky nebo v němž jsou předepsána
VíceDefinice 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
Více11. 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.
VíceVlastní číslo, vektor
[1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 17. března 2014, 12:42 1 2 0.1 Násobení matic Definice 1. Buďte m, n, p N, A
Více6 Lineární geometrie. 6.1 Lineární variety
6 Lineární geometrie Motivace. Pojem lineární varieta, který budeme v této kapitole studovat z nejrůznějších úhlů pohledu, není žádnou umělou konstrukcí. Příkladem lineární variety je totiž množina řešení
VíceMatematika 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
VíceLineární algebra : Násobení matic a inverzní matice
Lineární algebra : Násobení matic a inverzní matice (8. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
Více1 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
Více7. Lineární vektorové prostory
7. Lineární vektorové prostory Tomáš Salač MÚ UK, MFF UK LS 2017/18 Tomáš Salač ( MÚ UK, MFF UK ) 7. Lineární vektorové prostory LS 2017/18 1 / 62 7.1 Definice a příklady Definice 7.1 Množina G s binární
Více19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
VíceVlastní 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
VíceOperace s maticemi. 19. února 2018
Operace s maticemi Přednáška druhá 19. února 2018 Obsah 1 Operace s maticemi 2 Hodnost matice (opakování) 3 Regulární matice 4 Inverzní matice 5 Determinant matice Matice Definice (Matice). Reálná matice
VíceZdrojem 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
VíceMaticí 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...
VíceVektorové 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
VíceDefinice : Definice :
KAPITOLA 7: Spektrální analýza operátorů a matic [PAN16-K7-1] Definice : Necht H je komplexní Hilbertův prostor. Řekneme, že operátor T B(H) je normální, jestliže T T = T T. Operátor T B(H) je normální
Více6 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
Více7 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
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
Více10 Přednáška ze
10 Přednáška ze 17. 12. 2003 Věta: G = (V, E) lze nakreslit jedním uzavřeným tahem G je souvislý a má všechny stupně sudé. Důkaz G je souvislý. Necht v je libovolný vrchol v G. A mějme uzavřený eurelovský
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vektorový (lineární) prostor (připomenutí) Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost
VíceMATICE. 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
VíceLineární 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
Vícematiceteorie 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
VíceV 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
VíceVĚTY 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
VíceLineární algebra : Polynomy
Lineární algebra : Polynomy (2. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 15. dubna 2014, 11:21 1 2 2.1 Značení a těleso komplexních čísel Značení N := {1, 2, 3... }... množina
VíceArnoldiho 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
Vícevyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
VíceOperace s maticemi
Operace s maticemi Seminář druhý 17.10. 2018 Obsah 1 Operace s maticemi 2 Hodnost matice 3 Regulární matice 4 Inverzní matice Matice Definice (Matice). Reálná matice typu m n je obdélníkové schema A =
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
Více1 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
VíceCvičení z Lineární algebry 1
Cvičení z Lineární algebry Michael Krbek podzim 2003 2392003 Hodina Jsou dána komplexní čísla z = +2 i a w = 2 i Vyjádřete c algebraickém tvaru (z + w) 3,, (zw), z w 2 Řešte v komplexním oboru rovnice
VíceProgram SMP pro kombinované studium
Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0
Více9 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.
Více[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}
Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost s diagonální
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
VíceÚlohy 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.
VíceTeorie informace a kódování (KMI/TIK) Reed-Mullerovy kódy
Teorie informace a kódování (KMI/TIK) Reed-Mullerovy kódy Lukáš Havrlant Univerzita Palackého 10. ledna 2014 Primární zdroj Jiří Adámek: Foundations of Coding. Strany 137 160. Na webu ke stažení, heslo:
VíceMatematika 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
VíceVlastní čísla a vlastní vektory
5 Vlastní čísla a vlastní vektor Poznámka: Je-li A : V V lineární zobrazení z prostoru V do prostoru V někd se takové zobrazení nazývá lineárním operátorem, pak je přirozeným požadavkem najít takovou bázi
Více10. 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,
Více2. kapitola: Euklidovské prostory
2. kapitola: Euklidovské prostory 2.1 Definice. Euklidovským n-rozměrným prostorem rozumíme neprázdnou množinu E n spolu s vektorovým prostorem V n a přiřazením, které každému bodu a z E n a každému vektoru
VíceP 1 = P 1 1 = P 1, P 1 2 =
1 Výpočet inverzní matice Věta 1 Necht P U elementární matice vzniklá el úpravou U Pak je P U regulární Důkaz: Protože elementární úprava U je invertovatelná, existuje el úprava U, která vrací změny U
Vícepříkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.
Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl
VíceSkalární součin je nástroj, jak měřit velikost vektorů a úhly mezi vektory v reálných a komplexních vektorových prostorech.
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
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
VíceFREDHOLMOVA 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
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 2. přednáška Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 20 Co nás dneska čeká... Závislé a nezávislé
VíceKapitola 5. Symetrické matice
Kapitola 5 Symetrické matice Symetrické matice mají mezi všemi maticemi významné postavení. Nejen, že se častěji vyskytují v aplikacích, ale i jejich matematické vlastnosti jsou specifické. V této kapitole
Více2. 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
VíceOrtogonální projekce a ortogonální zobrazení
Drsná matematika I 9. přednáška Ortogonální projekce a ortogonální zobrazení Jan Slovák Masarykova univerzita Fakulta informatiky 27. 4. 2010 Obsah přednášky 1 Literatura 2 Projekce a ortogonální zobrazení
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
VíceMatematická analýza pro informatiky I.
Matematická analýza pro informatiky I. 10. přednáška Diferenciální počet funkcí více proměnných (II) Jan Tomeček jan.tomecek@upol.cz http://aix-slx.upol.cz/ tomecek/index Univerzita Palackého v Olomouci
VíceALGEBRA. 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)
VíceEukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,
VíceKatedra aplikované matematiky FEI VŠB Technická univerzita Ostrava
Lineární algebra 9. přednáška: Ortogonalita Dalibor Lukáš Katedra aplikované matematiky FEI VŠB Technická univerzita Ostrava email: dalibor.lukas@vsb.cz http://www.am.vsb.cz/lukas/la Text byl vytvořen
VíceVlastní čísla a vlastní vektory
Kapitola 15 Vlastní čísla a vlastní vektory V této a následujících kapitolách budeme zkoumat jeden z nejdůležitějších pojmů tohoto kurzu. Definice15.1 Buď A:V Vlineárnízobrazení,Vvektorovýprostornad tělesem
Více1 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
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceALGEBRA. Téma 4: Grupy, okruhy a pole
SLEZSKÁ UNIVERZITA V OPAVĚ Matematický ústav v Opavě Na Rybníčku 1, 746 01 Opava, tel. (553) 684 611 DENNÍ STUDIUM Téma 4: Grupy, okruhy a pole Základní pojmy unární operace, binární operace, asociativita,
VíceNALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Doba řešení: 3 hodiny
NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Závěrečná zkouška verze cvičná 9.1.2013 Doba řešení: 3 hodiny Přednášející: L. Barto, J. Tůma Křestní jméno: Příjmení: Instrukce Neotvírejte
Více1 Vektorové prostory a podprostory
Pro nahrazení účasti v jednotlivých cvičeních (resp. pro studenty kombinované formy) je dostačující vypracování a odevzdání tučně vyznačených příkladů. 1 Vektorové prostory a podprostory Definujte vektorový
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
VíceMatematika 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
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
VíceVektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,
Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),
VíceAfinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.
4 Afinita Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. Poznámka. Vzájemně jednoznačným zobrazením rozumíme zobrazení,
VíceKatedra 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
VíceLinearní algebra příklady
Linearní algebra příklady 6. listopadu 008 9:56 Značení: E jednotková matice, E ij matice mající v pozici (i, j jedničku a jinak nuly. [...]... lineární obal dané soustavy vektorů. Popište pomocí maticového
VíceKapitola 11: Vektory a matice 1/19
Kapitola 11: Vektory a matice 1/19 2/19 Prostor R n R n = {(x 1,..., x n ) x i R, i = 1,..., n}, n N x = (x 1,..., x n ) R n se nazývá vektor x i je i-tá souřadnice vektoru x rovnost vektorů: x = y i =
VíceVlastní čísla a vlastní vektory
Vlastní čísla a vlastní vektory 1 Motivace Uvažujme lineární prostor všech vázaných vektorů v rovině, které procházejí počátkem, a lineární zobrazení tohoto prostoru do sebe(lineární transformaci, endomorfismus)
Více