Lineární zobrazení. V prvním z následujících tvrzení navíc uvidíme, že odtud plynou a jsou tedy pak rovněž splněny podmínky:

Podobné dokumenty
Matice lineárních zobrazení

Báze a dimenze vektorových prostorů

Matematika 2 pro PEF PaE

Báze konečněrozměrných vektorových prostorů, lineární zobrazení vektorových prostorů

1 Báze a dimenze vektorového prostoru 1

MATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]

Lineární algebra Eva Ondráčková

Lineární algebra : Lineární zobrazení

Základní pojmy teorie množin Vektorové prostory

Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan

V: Pro nulový prvek o lineárního prostoru L platí vlastnosti:

Co je to univerzální algebra?

Množiny, relace, zobrazení

Regulární matice. Věnujeme dále pozornost zejména čtvercovým maticím.

Lineární algebra Kapitola 1 - Základní matematické pojmy

15. Moduly. a platí (p + q)(x) = p(x) + q(x), 1(X) = id. Vzniká tak struktura P [x]-modulu na V.

maticeteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést

1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x

VI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku

GEOMETRICKÁ ZOBRAZENÍ. Josef Janyška

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti

grupa těleso podgrupa konečné těleso polynomy komutativní generovaná prvkem, cyklická, řád prvku charakteristika tělesa

VĚTY Z LINEÁRNÍ ALGEBRY

Pavel Horák, Josef Janyška LINEÁRNÍ ALGEBRA UČEBNÍ TEXT

NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Doba řešení: 3 hodiny

Matice. Je dána matice A R m,n, pak máme zobrazení A : R n R m.

Necht tedy máme přirozená čísla n, k pod pojmem systém lineárních rovnic rozumíme rovnice ve tvaru

Pavel Horák LINEÁRNÍ ALGEBRA A GEOMETRIE 1 UČEBNÍ TEXT

ALGEBRA. Téma 4: Grupy, okruhy a pole

a počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:

ALGEBRA. Téma 5: Vektorové prostory

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

transformace je posunutí plus lineární transformace má svou matici vzhledem k homogenním souřadnicím [1]

TOPOLOGIE A TEORIE KATEGORIÍ (2017/2018) 4. PREDNÁŠKA - SOUČIN PROSTORŮ A TICHONOVOVA VĚTA.

PROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti

6 Lineární geometrie. 6.1 Lineární variety

Cvičení z Lineární algebry 1

Lineární algebra : Báze a dimenze

3 Lineární kombinace vektorů. Lineární závislost a nezávislost

Vlastní číslo, vektor

METRICKÉ A NORMOVANÉ PROSTORY

Masarykova univerzita

DEFINICE Z LINEÁRNÍ ALGEBRY

EUKLIDOVSKÉ PROSTORY

18. První rozklad lineární transformace

Lineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)

1 Lineární prostory a podprostory

Lineární algebra : Lineární prostor

10 Přednáška ze

15 Maticový a vektorový počet II

4 Lineární zobrazení. 4.1 Definice lineárního zobrazení

Těleso racionálních funkcí

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice

označme j = (0, 1) a nazvěme tuto dvojici imaginární jednotkou. Potom libovolnou (x, y) = (x, 0) + (0, y) = (x, 0) + (0, 1)(y, 0) = x + jy,

Vektorový 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,

[1] x (y z) = (x y) z... (asociativní zákon), x y = y x... (komutativní zákon).

Ortogonální projekce a ortogonální zobrazení

K oddílu I.1 základní pojmy, normy, normované prostory

Matematická analýza 1

Greenova funkce pro dvoubodové okrajové úlohy pro obyčejné diferenciální rovnice

[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}

Matematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic

Matematika I 12a Euklidovská geometrie

7. Lineární vektorové prostory

7. Důležité pojmy ve vektorových prostorech

FREDHOLMOVA ALTERNATIVA

Program SMP pro kombinované studium

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

Důkaz Heineho Borelovy věty. Bez újmy na obecnosti vezmeme celý prostor A = M (proč? úloha 1). Implikace. Nechť je (M, d) kompaktní a nechť.

0.1 Úvod do lineární algebry

Matematika B101MA1, B101MA2

Z teorie je nutné znát pojmy: lineární funkcionál, jádro, hodnost a defekt lineárního funkcionálu. Také využijeme 2. větu o dimenzi.

Matice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.

6.1 Vektorový prostor

příkladů 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.

1. Jordanův kanonický tvar

Afinní transformace Stručnější verze

Základy teorie matic

1 Linearní prostory nad komplexními čísly

(1) Dokažte, že biprodukt je součin (a tím pádem i součet). Splňují-li homomorfismy. A B je izomorfismus stejně jako A B i+j

Úlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,

0.1 Úvod do lineární algebry

1 Vektorové prostory.

Lineární algebra : Metrická geometrie

K oddílu VI.1 obecné slabé topologie Příklad 1. Necht X = C([0, 1]) s topologií bodové konvergence na [0, 1]. Popište všechny

Josef Janyška Anna Sekaninová ANALYTICKÁ TEORIE KUŽELOSEČEK A KVADRIK

1 Soustavy lineárních rovnic

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.

Necht L je lineární prostor nad R. Operaci : L L R nazýváme

Texty k přednáškám z MMAN3: 4. Funkce a zobrazení v euklidovských prostorech

Řešení. Hledaná dimenze je (podle definice) rovna hodnosti matice. a a 2 2 1

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.

Věta 12.3 : Věta 12.4 (princip superpozice) : [MA1-18:P12.7] rovnice typu y (n) + p n 1 (x)y (n 1) p 1 (x)y + p 0 (x)y = q(x) (6)

2. přednáška 8. října 2007

ftp://math.feld.cvut.cz/pub/olsak/linal/

z textu Lineární algebra

Základy teorie množin

Funkce a základní pojmy popisující jejich chování

Transkript:

Lineární zobrazení Nechť (V, +, ) a (W, +, ) jsou dva vektorové prostory nad týmž tělesem (T, +, ). Nechť f : V W je zobrazení splňující následující podmínky: ( u, v V)(f(u + v) = f(u) + f(v)), ( s T )( u V)(f(s u) = s f(u)). Pak f se nazývá lineární zobrazení nebo též homomorfismus vektorového prostoru (V, +, ) do vektorového prostoru (W, +, ). Je přitom zřejmé, že uvedené dvě podmínky lze nahradit jedinou podmínkou: ( s, t T )( u, v V)(f(s u + t v) = s f(u) + t f(v)). V prvním z následujících tvrzení navíc uvidíme, že odtud plynou a jsou tedy pak rovněž splněny podmínky: f(o) = o a ( u V)(f( u) = f(u)). Je-li takové lineární zobrazení f vektorových prostorů (V, +, ) a (W, +, ) současně bijekcí množiny V na množinu W, pak říkáme, že f je izomorfismus vektorového prostoru (V, +, ) na vektorový prostor (W, +, ). Ačkoliv u obou vektorových prostorů (V, +, ) i (W, +, ) užíváme týchž symbolů + a pro označení operací sčítání vektorů a vnějšího skalárního násobení, je to jenom kvůli jednoduchosti označení a nevyplývá z toho žádný jiný vztah mezi těmito operacemi v různých prostorech nežli ten, který je dán výše uvedenými definičními podmínkami lineárního zobrazení, resp. izomorfismu vektorových prostorů. Stejná poznámka se týká rovněž nulových vektorů o v obou vektorových prostorech. 1

Příklad. Nechť (T, +, ) je těleso a nechť m, n jsou přirozená čísla splňující m n. Potom kupříkladu zobrazení h : T n T m dané pro každá s 1, s 2,..., s n T předpisem h ( (s 1, s 2,..., s n ) ) = (s m + s m+1 + + s n, s m 1 + s m + s m+1 + + s n, s m 2 + s m 1 + s m + s m+1 + + s n,..., s 1 + s 2 + + s n ) je očividně lineárním zobrazením vektorového prostoru (T n, +, ) do vektorového prostoru (T m, +, ). Tvrzení. Jsou-li (V, +, ) a (W, +, ) vektorové prostory nad tělesem (T, +, ) a je-li f : V W lineární zobrazení vektorového prostoru (V, +, ) do vektorového prostoru (W, +, ), pak rovněž platí, že f(o) = o a že pro každý vektor u V je f( u) = f(u). Důkaz. Máme f(o) + f(o) = f(o + o) = f(o), odkud plyne o = f(o) f(o) = f(o)+f(o) f(o) = f(o)+o = f(o). Dále pro každé u V máme f(u)+f( u) = f(u u) = f(o) = o, takže f( u) je opačným vektorem k f(u), a tedy je f( u) = f(u). Tvrzení. Nechť (U, +, ), (V, +, ) a (W, +, ) jsou vektorové prostory nad tělesem (T, +, ) a nechť f : U V a g : V W jsou lineární zobrazení vektorových prostorů. Potom složené zobrazení g f : U W je rovněž lineární zobrazení příslušných vektorových prostorů. Důkaz. Nechť s, t T jsou libovolné prvky a nechť u, v U jsou libovolné vektory. Pak vychází (g f)(s u + t v) = g(f(s u + t v)) = g(s f(u) + t f(v)) = s g(f(u)) + t g(f(v)) = s (g f)(u) + t (g f)(v), což bylo třeba ověřit. 2

Tvrzení. Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad tělesem (T, +, ) a nechť f : V W je izomorfismus těchto vektorových prostorů. Potom inverzní zobrazení f 1 : W V je rovněž izomorfismem těchto vektorových prostorů. Důkaz. Skutečně, poněvadž f f 1 = id W a poněvadž f je lineární zobrazení, pro libovolné prvky s, t T a pro libovolné vektory x, y W máme f(f 1 (s x + t y)) = s x + t y = s f(f 1 (x)) + t f(f 1 (y)) = f(s f 1 (x) + t f 1 (y)). Nyní, poněvadž f 1 f = id V, aplikací inverzního zobrazení f 1 na první a poslední vektor v této posloupnosti rovností odtud obdržíme rovnost f 1 (s x + t y) = s f 1 (x) + t f 1 (y), což potvrzuje, že f 1 je rovněž lineární zobrazení. Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad týmž tělesem a nechť f : V W je lineární zobrazení. Pak pro libovolnou podmnožinu M V klademe f(m) = {f(u) u M}. Podotkněme, že jsme tak mimo jiné též definovali, co je f(u) pro libovolný podprostor U vektorového prostoru (V, +, ). Tvrzení. Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad tělesem (T, +, ) a nechť f : V W je lineární zobrazení těchto vektorových prostorů. Pak pro každý podprostor U vektorového prostoru (V, +, ) je f(u) podprostor ve vektorovém prostoru (W, +, ). Je-li M V podmnožina taková, že U = M, pak platí, že f(u) = f(m). Důkaz. Předně pro nulové vektory máme o = f(o), takže o f(u). Dále pro libovolné vektory x, y f(u) existují vektory u, v U takové, že x = f(u) a y = f(v). Odtud pak plyne, že x + y = f(u) + f(v) = f(u + v), takže x + y f(u). Je-li navíc s T libovolný prvek, pak s x = s f(u) = f(s u), takže rovněž s x f(u). Je tedy f(u) podprostor ve (W, +, ). 3

Nechť M V je podmnožina taková, že U = M. Stejně jako výše pro libovolný vektor x f(u) existuje vektor u U takový, že x = f(u). Podle poznatků o generování podprostorů z kapitoly o podprostorech vektorových prostorů pak ale existují přirozené číslo n, prvky s 1, s 2,..., s n T a vektory v 1, v 2,..., v n M takové, že u = s 1 v 1 + s 2 v 2 + + s n v n. Poněvadž f je lineární zobrazení, plyne odtud, že x = f(u) = f(s 1 v 1 + s 2 v 2 + + s n v n ) = s 1 f(v 1 ) + s 2 f(v 2 ) + + s n f(v n ). To ovšem znamená, že x f(m). Takže platí, že f(u) = f(m). Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad týmž tělesem a nechť f : V W je lineární zobrazení. Pak množina vektorů Ker f = {u V f(u) = o} se nazývá jádro lineárního zobrazení f. Tvrzení. Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad tělesem (T, +, ) a nechť f : V W je lineární zobrazení těchto vektorových prostorů. Pak jádro Ker f tohoto lineárního zobrazení f je podprostor vektorového prostoru (V, +, ). Navíc platí, že zobrazení f je prosté právě tehdy, když Ker f = {o}. Důkaz. Pro nulové vektory máme f(o) = o, takže o Ker f. Dále pro libovolné vektory u, v Ker f platí, že f(u) = o a f(v) = o, odkud plyne, že f(u + v) = f(u) + f(v) = o + o = o, takže u + v Ker f. Je-li dále s T libovolný prvek, pak rovněž f(s u) = s f(u) = s o = o, takže také s u Ker f. Je tedy Ker f podprostor ve (V, +, ). Je-li zobrazení f prosté, pak ovšem Ker f = {o}. Nechť naopak Ker f = {o}. Pak pro libovolné dva vektory u, v V takové, že f(u) = f(v), platí, že f(u v) = f(u) f(v) = o, takže u v Ker f, čili u v = o, a tedy u = v. Je tedy zobrazení f prosté. 4

Budeme se dále věnovat lineárním zobrazením vektorových prostorů konečné dimenze. Nechť tedy (V, +, ) a (W, +, ) jsou vektorové prostory konečných dimenzí nad týmž tělesem a nechť f : V W je lineární zobrazení. Pak obraz f(v) prostoru V při tomto zobrazení je podle předposledního tvrzení podprostorem ve vektorovém prostoru (W, +, ) a je to podprostor konečné dimenze. Dimenze tohoto podprostoru f(v) se nazývá hodnost lineárního zobrazení f. Podobně jádro Ker f tohoto lineárního zobrazení je podle posledního tvrzerní podprostorem ve vektorovém prostoru (V, +, ) a je to ovšem podprostor konečné dimenze. Dimenze podprostoru Ker f se nazývá defekt lineárního zobrazení f. Příklad. Nechť (T, +, ) je těleso a nechť m, n jsou přirozená čísla splňující m n. Uvažme znovu lineární zobrazení h vektorového prostoru (T n +, ) do vektorového prostoru (T m +, ) popsané v předchozím příkladu. Pak zobrazení h je očividně surjektivní, čili h(t n ) = T m, takže hodnost zobrazení h je rovna m. Je-li m = n, pak jádro tohoto lineárního zobrazení h je zřejmě Ker h = {o}, takže defekt zobrazení h je roven 0. Je-li ovšem m < n, pak jádrem tohoto zobrazení h je podprostor Ker h = {(0,..., 0, s }{{} m, s m+1,..., s n ) s m, s m+1,..., s n T, m 1 s m + s m+1 + + s n = 0} v (T n +, ), který podle poznatků o řešení homogenních lineárních rovnic je generován například vektory g i = (0,..., 0, 1, 0,..., 0, 1, 0,..., 0) }{{}}{{}}{{} m 1 i 1 n m i pro i = 1, 2,..., n m. Tyto vektory jsou lineárně nezávislé, takže tvoří bázi podprostoru Ker h. Je tedy defekt zobrazení h roven n m. 5

Věta. Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad tělesem (T, +, ) konečných dimenzí a nechť f : V W je lineární zobrazení. Pak pro dimenzi n prostoru (V, +, ) a pro hodnost k a defekt l lineárního zobrazení f platí, že k + l = n. Důkaz. Zvolme bázi w 1, w 2,..., w k podprostoru f(v). Dále zvolme vektory v 1, v 2,..., v k V tak, aby platilo f(v 1 ) = w 1, f(v 2 ) = w 2,..., f(v k ) = w k. Zvolme také bázi u 1, u 2,..., u l podprostoru Ker f. Ukážeme, že potom vektory v 1, v 2,..., v k, u 1, u 2,..., u l tvoří dohromady bázi prostoru (V, +, ). Nechť tedy x V je libovolný vektor. Pak f(x) f(v), takže existují prvky t 1, t 2,..., t k T takové, že f(x) = t 1 w 1 + t 2 w 2 + + t k w k. Položme y = t 1 v 1 + t 2 v 2 + + t k v k. Pak ovšem f(x) = f(y). Položme dále z = x y. Pak ale f(z) = f(x) f(y) = o, takže z Ker f. Existují tedy prvky s 1, s 2,..., s l T takové, že z = s 1 u 1 +s 2 u 2 + +s l u l. Odtud plyne, že x = y + z = t 1 v 1 + t 2 v 2 + + t k v k + s 1 u 1 + s 2 u 2 + + s l u l. To znamená, že vektory v 1, v 2,..., v k, u 1, u 2,..., u l generují celý prostor V. Ukážeme dále, že jsou tyto vektory lineárně nezávislé. Nechť tedy t 1, t 2,..., t k T a s 1, s 2,..., s l T jsou takové prvky, že t 1 v 1 + t 2 v 2 + + t k v k + s 1 u 1 + s 2 u 2 + + s l u l = o. Odtud plyne, že t 1 v 1 +t 2 v 2 + +t k v k = s 1 u 1 s 2 u 2 s l u l. To ale znamená, že t 1 v 1 + t 2 v 2 + + t k v k Ker f, takže f(t 1 v 1 + t 2 v 2 + + t k v k ) = o. Neboli to znamená, že t 1 w 1 + t 2 w 2 + + t k w k = o. Poněvadž vektory w 1, w 2,..., w k jsou lineárně nezávislé, plyne odtud, že t 1 = t 2 = = t k = 0. Takto dostáváme, že s 1 u 1 + s 2 u 2 + + s l u l = o. Poněvadž také vektory u 1, u 2,..., u l jsou lineárně nezávislé, plyne odtud též, že s 1 = s 2 = = s l = 0. Tvoří tedy vektory v 1, v 2,..., v k, u 1, u 2,..., u l bázi vektorového prostoru (V, +, ). To ale znamená, že k + l = n. 6

Základní význam, pokud jde o lineární zobrazení vektorových prostorů konečné dimenze, má následující fakt ozřejmující možnou rozmanitost těchto lineárních zobrazení. Věta. Nechť (V, +, ) a (W, +, ) jsou vektorové prostory nad tělesem (T, +, ) konečných dimenzí. Nechť dále vektory g 1, g 2,..., g n tvoří bázi prostoru (V, +, ). Pak pro každou volbu vektorů z 1, z 2,..., z n W existuje jediné lineární zobrazení f : V W těchto vektorových prostorů takové, že f(g 1 ) = z 1, f(g 2 ) = z 2,..., f(g n ) = z n. Důkaz. Víme, že pro každý vektor u V existují jednoznačně určené prvky s 1, s 2,..., s n T, nazývané souřadnice vektoru u v bázi g 1, g 2,..., g n, takové, že platí u = s 1 g 1 + s 2 g 2 + + s n g n. Definujme zobrazení f : V W tak, že v této situaci každému takovému vektoru u přiřadíme vektor f(u) = s 1 z 1 + s 2 z 2 + + s n z n z W. Pak se přímočarým způsobem ověří, že f je lineární zobrazení, a je jasné, že f splňuje předepsané podmínky. Nechť naopak f : V W je lineární zobrazení takové, že f(g 1 ) = z 1, f(g 2 ) = z 2,..., f(g n ) = z n. Pak pro libovolný vektor u V vyjádřený stejně jako v předchozím odstavci ve tvaru u = s 1 g 1 + s 2 g 2 + + s n g n platí, že f(u) = s 1 f(g 1 ) + s 2 f(g 2 )+ +s n f(g n ) = s 1 z 1 +s 2 z 2 + +s n z n. To ukazuje, že lineární zobrazení f je takto určeno jednoznačně. Je-li (V, +, ) vektorový prostor nad tělesem (T, +, ) a je-li f : V V lineární zobrazení prostoru (V, +, ) do něj samotného, pak říkáme,že f je lineární transformace vektorového prostoru (V, +, ). 7