1 Báze a dimenze vektorového prostoru 1

Podobné dokumenty
Základní pojmy teorie množin Vektorové prostory

DEFINICE Z LINEÁRNÍ ALGEBRY

METRICKÉ A NORMOVANÉ PROSTORY

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

Matematika 2 pro PEF PaE

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

Množinu všech matic typu m n nad tělesem T budeme označovat M m n (T ), množinu všech čtvercových matic stupně n nad T pak M n (T ).

Vektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace

Učební texty k státní bakalářské zkoušce Matematika Skalární součin. študenti MFF 15. augusta 2008

Skalární součin dovoluje zavedení metriky v afinním bodovém prostoru, tj. umožňuje nám určovat vzdálenosti, odchylky, obsahy a objemy.

Matematika B101MA1, B101MA2

Lineární algebra : Lineární prostor

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

Báze a dimenze vektorových prostorů

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

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

ALGEBRA. Téma 5: Vektorové prostory

6. Vektorový počet Studijní text. 6. Vektorový počet

3 Lineární kombinace vektorů. Lineární závislost a nezávislost

Obsah. Lineární rovnice. Definice 7.9. a i x i = a 1 x a n x n = b,

15 Maticový a vektorový počet II

Vektorové podprostory, lineární nezávislost, báze, dimenze a souřadnice

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

1 Připomenutí vybraných pojmů

Pavel Horák, Josef Janyška LINEÁRNÍ ALGEBRA UČEBNÍ TEXT

7. Lineární vektorové prostory

1 Soustavy lineárních rovnic

Lineární prostory. - vektorové veličiny(síla, rychlost, zrychlení,...), skládání, násobení reálným číslem

1 Řešení soustav lineárních rovnic

EUKLIDOVSKÉ PROSTORY

Program SMP pro kombinované studium

10. Vektorové podprostory

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

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

0.1 Úvod do lineární algebry

Úvod do lineární algebry

Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)

1 Vektorové prostory.

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

Kapitola 11: Vektory a matice:

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.

6.1 Vektorový prostor

Pavel Horák LINEÁRNÍ ALGEBRA A GEOMETRIE 1 UČEBNÍ TEXT

10. Soustavy lineárních rovnic, determinanty, Cramerovo pravidlo

Základy matematiky pro FEK

Uspořádanou n-tici reálných čísel nazveme aritmetický vektor (vektor), ā = (a 1, a 2,..., a n ). Čísla a 1, a 2,..., a n se nazývají složky vektoru

6 Skalární součin. u v = (u 1 v 1 ) 2 +(u 2 v 2 ) 2 +(u 3 v 3 ) 2

VĚTY Z LINEÁRNÍ ALGEBRY

ALGEBRA. Téma 4: Grupy, okruhy a pole

Co je to univerzální algebra?

1 Lineární prostory a podprostory

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

Lineární algebra Operace s vektory a maticemi

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

Matematika (KMI/PMATE)

0.1 Úvod do lineární algebry

Primitivní funkce a Riemann uv integrál Lineární algebra Taylor uv polynom Extrémy funkcí více prom ˇenných Matematika III Matematika III Program

Matematika I 12a Euklidovská geometrie

Matematika B101MA1, B101MA2

8 Matice a determinanty

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,

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

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

z textu Lineární algebra

0.1 Funkce a její vlastnosti

Matematika I (KMI/PMATE)

Lineární algebra : Metrická geometrie

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

Vybrané kapitoly z matematiky

Matematická analýza 1

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

0.1 Úvod do matematické analýzy

Projekty - Úvod do funkcionální analýzy

Lineární algebra - I. část (vektory, matice a jejich využití)

MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE

MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA VEKTORY, MATICE

1 Množiny, výroky a číselné obory

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

Lineární algebra Kapitola 1 - Základní matematické pojmy

Lineární algebra : Báze a dimenze

α 1 α 2 + α 3 = 0 2α 1 + α 2 + α 3 = 0

Podobnost matic. Definice 8.6. Dány matice A, B M n (C). Jestliže existuje regulární matice P M n (C) tak,

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

19 Hilbertovy prostory

Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).

7 Ortogonální a ortonormální vektory

Číselné vektory, matice, determinanty

Četba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).

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 Lineární zobrazení. 5. f(u) = u + v, kde v je pevně daný nenulový vektor z R f(u) = o.

(ne)závislost. α 1 x 1 + α 2 x α n x n. x + ( 1) x Vektoru y = ( 1) y říkáme opačný vektor k vektoru y. x x = 1. x = x = 0.

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

Cílem kapitoly je opakování a rozšíření středoškolských znalostí v oblasti teorie množin.

1 Vektorové prostory a podprostory

Vlastní čísla a vlastní vektory

7. Důležité pojmy ve vektorových prostorech

10 Funkce více proměnných

GEOMETRICKÁ ZOBRAZENÍ. Josef Janyška

Lineární algebra : Lineární (ne)závislost

Transkript:

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 operací nad A a B nazýváme každé zobrazení : A B B. Příklad 5.1 Násobení matice skalárem je levá vnější operace nad T a M m n (T ). Vektorový prostor Definice 5.2 Čtveřici (V ; +, T, ) nazýváme vektorový prostor, jestliže 1. (V ; + ) je abelovská grupa s jednotkou o (nulový vektor); 2. T je číselné těleso; 3. : T V V je levá vnější operace nad T a V ; 4. Pro všechny u, v V a všechny c, d T platí c ( u + v) = c u + c v, (c + d) u = c u + d u, (c d) u = c (d u), 1 u = u. Pole vektorového prostoru... množina V Vektory... prvky pole V Skaláry... prvky tělesa T

Vektorový prostor Příklad 5.2 Množina všech čtvercových matic stupně n nad číselným tělesem T spolu se sčítáním a násobením matice skalárem, tedy (M n (T ) ; +, T, ) tvoří vektorový prostor nad tělesem T. Množina C[a, b] spojitých funkcí na intervalu a, b R spolu s bodovým sčítáním funkcí a násobením funkcí reálným číslem zleva, tedy (C[a, b] ;, R, ), kde f, g C[a, b], x a, b, c R: tvoří vektorový prostor nad tělesem R. (f g)(x) def = f(x) + g(x), (c f)(x) def = c f(x), Lineární kombinace vektorů Definice 5.3 Necht V je vektorový prostor nad tělesem T, necht v, u 1, u 2,..., u n V. Říkáme, že vektor v je lineární kombinací vektorů u 1, u 2,..., u n, jestliže existují skaláry c 1, c 2,..., c n T tak, že v = n c i u i = c 1 u 1 + c 2 u 2 + + c n u n. i=1 Příklad 5.3 Nulový vektor o V je lineární kombinací libovolných vektorů z V. Lineární nezávislost vektorů Definice 5.4 Necht V je vektorový prostor nad tělesem T. Vektory u 1, u 2,..., u n V nazýváme lineárně závislé, jestliže existují skaláry c 1, c 2,..., c n T tak, že o = n c i u i = c 1 u 1 + c 2 u 2 + + c n u n, i=1 a přitom alespoň jedno z číslo mezi c 1, c 2,..., c n je nenulové. V opačném případě, tedy pokud n o = c i u i = c 1 u 1 + c 2 u 2 + + c n u n, i=1 pouze v případě, že c 1 = c 2 =... = c n = 0, se vektory u 1, u 2,..., u n nazývají lineárně nezávislé. V 2

Lineární nezávislost vektorů Příklad 5.4 Nulový vektor o V je lineárně závislý. Vektor o u V je lineárně nezávislý. Lineární nezávislost vektorů Věta 5.1 Necht V je vektorový prostor nad tělesem T. Jsou-li mezi vektory u 1, u 2,..., u n V některé lineárně závislé, pak jsou lineárně závislé i u 1, u 2,..., u n. Důsledek 5.2 Necht V je vektorový prostor nad tělesem T. Je-li mezi vektory u 1, u 2,..., u n V nulový vektor, pak jsou u 1, u 2,..., u n lineárně závislé. Důsledek 5.3 Necht V je vektorový prostor nad tělesem T. Jsou-li vektory u 1, u 2,..., u n V lineárně nezávislé a je-li { u j1, u j2,..., u jk } { u 1, u 2,..., u n }, pak u j1, u j2,..., jsou lineárně nezávislé. Lineární nezávislost vektorů Věta 5.4 Necht V je vektorový prostor nad tělesem T a necht u 1, u 2,..., u n V. Pak u 1, u 2,..., u n jsou lineárně závislé právě když je aspoň jeden z nich lineární kombinací ostatních. Podprostory vektorového prostoru Definice 5.5 Necht (V ; +, T, ) je vektorový prostor nad tělesem T a necht = W V. Pak (W ; +, T, ) nazveme podprostor vektorového prostoru V, jestliže 1. u, v W : u + v W, 2. u W, c T : c u W. u jk Příklad 5.5 Množina všech diagonálních čtvercových matic stupně n nad číselným tělesem T je polem podprostoru ve vektorovém prostoru (M n (T ) ; +, T, ). Množina všech funkcí f z C[a, b] splňujících f(a) = 0 tvoří pole podprostoru ve vektorovém prostoru (C[a, b] ;, R, ). 3

Podprostory vektorového prostoru Věta 5.5 Neprázdná podmnožina W pole vektorového prostoru (V ; +, T, ) je polem podprostoru ve V právě když s každými prvky u 1, u 2,..., u n obsahuje také každou jejich lineární kombinaci. Podprostory vektorového prostoru Podprostory ve VP (V ; +, T, ) můžeme uspořádat vzhledem k relaci. Sub(V )... množina všech podprostorů ve VP (V ; +, T, ) (Sub(V ); ) je uspořádaná množina s Hasseho diagramem V { o} Pro každou množinu A V, která není polem podprostoru ve V, existuje nejmenší podprostor prostoru V obsahující A, tzv. podprostor generovaný množinou A, značíme [A]. Lineární obal množiny Definice 5.6 Necht (V ; +, T, ) je vektorový prostor nad tělesem T a necht = M V. Lineárním obalem množiny M ve VP V budeme nazývat množinu všech lineárních kombinací libovolných vektorů z M. Věta 5.6 Necht (V ; +, T, ) je vektorový prostor nad tělesem T a necht = M V. Pak lineární obal množiny M ve V je právě podprostor generovaný M. Průnik podprostorů vektorového prostoru Průnik W 1 W 2 dvou podprostorů W 1 a W 2 ve VP (V ; +, T, ) je obecně opět podprostor ve V. Je to největší (vzhledem k ) podprostor ve V, který je obsažen současně ve W 1 a W 2. 4

Uvažujme množiny {( ) M + a 0 = 0 b } {( : a, b R, M 0 c = d 0 ) } : c, d R. Pak (M + ; +, R, ) a (M ; +, R, ) jsou podprostory ve VP (M 2 (R); +, R, ) a platí {( )} M + M 0 0 = = { o}. 0 0 Sjednocení podprostorů vektorového prostoru Přitom M + M není polem podprostoru VP (M 2 (R); +, R, ), protože např. ( ) ( ) ( ) 2 0 0 1, 5 2 4, 5 ( 1) +3 =, 0 1 1 0 3 1 }{{}}{{} M + M což není prvek ani z M +, ani z M, tedy ani z M + M. Obecně, jsou-li W 1 a W 2 dva podprostory VP V, pak nejmenší podprostor ve V obsahující současně jak W 1, tak i W 2 je podprostor [W 1 W 2 ]. Součet podprostorů VP Věta 5.7 Jsou-li W 1 a W 2 podprostory VP (V ; +, T, ), pak polem nejmenšího podprostoru obsahujícího současně W 1 a W 2 je množina W 1 + W 2 = { w V : w = w 1 + w 2, w 1 W 1, w 2 W 2 }. Definice 5.7 Necht (V ; +, T, ) je VP a W 1 a W 2 jeho podprostory. Podprostor W 1 + W 2 nazveme součet podprostorů W 1, W 2. Přímý součet podprostorů VP Definice 5.8 Necht (V ; +, T, ) je VP a W 1 a W 2 jeho podprostory. Je-li W 1 W 2 = { o}, pak platí V = W 1 + W 2, říkáme, že V je přímý součet podprostorů W 1, W 2 a píšeme V = W 1 W 2. Věta 5.8 5

Je-li VP (V ; +, T, ) přímým součtem podprostorů W 1 a W 2, pak každý vektor v V lze psát právě jedním způsobem ve tvaru v = w 1 + w 2, kde w 1 W 1, w 2 W 2. Příklad 5.6 VP (M 2 (R); +, R, ) čtvercových matic stupně 2 nad R je podle předchozího přímým součtem podprostorů (M + ; +, R, ) a (M ; +, R, ). Množina generátorů VP Definice 5.8 Necht (V ; +, T, ) je VP a M neprázdná podmnožina jeho pole. Je-li [M] = V, pak M se nazývá množina generátorů VP V. Příklad 5.7 Množina M = {A 1, A 2, A 3, A 4 }, kde ( ) ( ) ( 4 0 0 1 A 1 =, A 0 0 2 =, A 0 0 3 = 0 0 2 0 tvoří množinu generátorů pro VP (M 2 (R); +, R, ). Báze VP ) ( 0 0, A 4 = 0 π Definice 5.9 VP (V ; +, T, ) se nazývá konečné dimenze, má-li aspoň jednu konečnou množinu generátorů. Bází VP konečné dimenze nazveme každou lineárně nezávislou konečnou množinu { u 1, u 2,..., u n } jeho generátorů. Věta 5.9 Necht M = { u 1, u 2,..., u n } je báze VP (V ; +, T, ). Potom každý vektor v V lze jediným způsobem vyjádřit jako lineární kombinaci vektorů u 1, u 2,..., u n. Dimenze VP Věta 5.10 Je-li M = { u 1, u 2,..., u n } množina generátorů VP (V ; +, T, ), pak z ní lze vybrat nějakou bázi VP V. Věta 5.11 Necht V { o} je VP konečné dimenze. Pak každé dvě různé jeho báze mají stejný počet prvků. Definice 5.10 Je-li V { o} VP konečné dimenze, pak počet prvků některé jeho báze nazýváme dimenze VP V a píšeme dim(v ). Je-li V = { o}, položíme dim(v ) = 0. ) 6

Dimenze VP Věta 5.12 Je dán VP (V ; +, T, ), kde dim(v ) = n a dále vektory u 1, u 2,..., u n V. Pak následující tvrzení jsou ekvivalentní: 1. u 1, u 2,..., u n jsou lineárně nezávislé; 2. [{ u 1, u 2,..., u n }] = V ; 3. { u 1, u 2,..., u n } je báze V. Věta 5.13 Necht W je podprostor VP V konečné dimenze. Pak dim(w ) dim(v ). Věta 5.14 Necht W 1 a W 2 jsou podprostory VP V konečné dimenze. Pak dim(w 1 +W 2 ) = dim(w 1 ) + dim(w 2 ) dim(w 1 W 2 ). 2 Aritmetické vektorové prostory Konstrukce aritmetického VP Dáno číselné těleso (T ; +, ) a n N. Na množině T n = T T T = V definujeme binární operaci + }{{} n krát takto: (x 1, x 2,..., x n ) + (y 1, y 2,..., y n ) def = (x 1 + y 1, x 2 + y 2,..., x n + y n ). (V ; + ) je potom abelovská grupa s jednotkou (0, 0,..., 0) = o a s inverzním prvkem ( x 1, x 2,..., x n ) pro každý prvek x = (x 1, x 2,..., x n ) V. Dále zavedeme levou vnější operaci nad T a V, kde c (x 1, x 2,..., x n ) def = (c x 1, c x 2 Pak (T n ; +, T, ) je vektorový prostor, jehož dimenze je rovna číslu n. Tento vektorový prostor nazýváme aritmetický. 7

Báze aritmetického VP Dá se ukázat, že jednou z bází sestrojeného aritmetického VP V = (T n ; +, T, ) je množina { e 1, e 2,..., e n }, kde e 1 = (1, 0, 0,..., 0), e 2 = (0, 1, 0,..., 0),. e n = (0, 0,..., 0, 1), tzv. kanonická báze. Zřejmě pro každý x = (x 1, x 2,..., x n ) V platí, že x = x 1 e 1 + x 2 e 2 + + x n e n. Rozklad aritmetického VP na přímý součet podprostorů Označme V i = {(0,..., 0, x i, 0,..., 0) : x i T }. Pak množina V i je polem podprostoru aritmetického VP V = (T n ; +, T, ), kde dim(v i ) = 1 a platí V i = [{ e i }] = [{(0,..., 0, 1, 0,..., 0)}]. Navíc V i V j = pro každé i j, tedy aritmetický VP V = (T n ; +, T, ) je přímým součtem podprostorů V 1, V 2,..., V n, tzn. V = V 1 V 2 V n. Reprezentace VP konečné dimenze aritmetickým VP Uvažujme VP V = (V ; +, T, ), který není aritmetický a kde dim(v ) = n. Necht { u 1, u 2,..., u n } je některá jeho báze. Pak pro každý x V máme jednoznačné vyjádření x = x 1 u 1 + x 2 u 2 + + x n u n. Každému vektoru x V tedy přiřadíme n-tici (x 1, x 2,..., x n ), kterou můžeme považovat za vektor v aritmetickém VP (T n ; +, T, ). Pro každé x, y V a c T platí (resp. můžeme provést přiřazení) x + y (x 1 + y 1, x 2 + y 2,..., x n + y n ), c x (c x 1, c x 2,..., c x n ). 8

3 Eukleidovské vektorové prostory Skalární součin Definice 5.11 Necht V = (V ; +, R, ) je VP nad tělesem reálných čísel. Skalárním součinem na V nazveme každé zobrazení : V V R, které pro každé u, v, w V a pro každé c R splňuje: 1. u v = v u; 2. u ( v + w) = u v + u w; 3. (c u) v = c ( u v); 4. u u 0, rovnost nastane právě když u = o. Skalární součin Příklad 5.7 Je-li V = (R n ; +, R, ) aritmetický VP dimenze n nad R, pak skalární součin zde můžeme definovat následovně: x y = n x i y i, x, y R n. i=1 Je-li V = (C[a, b];, R, ) VP všech spojitých funkcí na reálném intervalu a, b nad R, pak skalární součin zde můžeme zavést předpisem: f g = b a f(x) g(x) dx, f, g C[a, b]. Eukleidovský vektorový prostor Definice 5.12 Eukleidovským vektorovým prostorem (EVP) rozumíme každý VP, na kterém je zaveden skalární součin. 9

Délka vektoru Definice 5.13 Necht V je EVP, u V. Číslo u = u u nazveme délka vektoru u. Věta 5.15 Necht V je EVP, u, v V, c R. Platí 1. c u = c u, 2. o = 0 a pro u o pak u > 0. 3. u v u v (Schwarzova nerovnost). Úhel vektorů Definice 5.14 Necht V je EVP, u v V, u o v. Úhlem vektorů u a v rozumíme číslo ϕ( u, v) = arccos u v u v Ze Schwarzovy nerovnosti plyne, že úhel ϕ je určen korektně. Platí, že cos ϕ( u, v) = u v u v, kde 0 ϕ π. Ortogonální vektory Definice 5.15 Necht V je EVP. Vektory u, v u v, jestliže ϕ( u, v) = π 2 V nazveme ortogonální (tj. kolmé), píšeme Věta 5.16 Necht V je EVP, u, v 1, v 2,..., v n V a necht platí u v i pro každé i = 1, 2,..., n. Pak u w pro každý w [{ v 1, v 2,..., v n }]. Ortogonální vektory Definice 5.16 Necht V je EVP. Vektory u 1, u 2,..., u n V nazveme vzájemně ortogonální, platí-li u i u j pro každé i j, kde i, j = 1, 2,..., n. Věta 5.17 Nenulové vzájemně ortogonální vektory u 1, u 2,..., u n z EVP V jsou lineárně nezávislé. Věta 5.18 Jsou-li vektory u 1, u 2,..., u n vzájemně ortogonální v EVP V a platí-li V = [{ u 1, u 2,..., u n }], pak množina { u 1, u 2,..., u n } je báze VP V, tzv. ortogonální báze. 10