Bi La1 Textbook

Lineární algebra 1
Daniel Dombek1
Tomáš Kalvoda2
Luděk Kleprlík3
Karel Klouda4
KAM FIT ČVUT
e2 Ae1
Ae2
ϕ ϕ
θ e1
Zimní semestr 2021/2022, 17. října 2021
1
daniel.dombek@fit.cvut.cz
2
tomas.kalvoda@fit.cvut.cz
3
ludek.kleprlik@fit.cvut.cz
4
karel.klouda@fit.cvut.cz
Vysázeno pomocí LATEX
Zdroj připraven pomocí WooWoo verze 0.3.5 a FIT PDF Template v0.2
zdrojový kód a hlášení chyb
Tomáš Kalvoda, KAM FIT ČVUT, 2017–2021
Obsah
1 Úvod 1
2 Soustavy lineárních rovnic 2

2.1 Co si z této kapitoly odneseme . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Nejjednodušší rovnice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Rovnice dvou neznámých . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Geometrická interpretace množiny řešení . . . . . . . . . . . . . . . . . . . . 9
2.5 Definice soustavy lineárních rovnic . . . . . . . . . . . . . . . . . . . . . . . 12
2.6 Matice a základní operace s nimi . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.7 Maticový zápis soustavy rovnic . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8 Soustavy ve snadno řešitelném tvaru . . . . . . . . . . . . . . . . . . . . . . 25
2.9 Konečně Gaussova eliminace (GEM) . . . . . . . . . . . . . . . . . . . . . . . 31
2.10 Zajímavosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3 Základní pojmy lineární algebry 38

3.1 Co si z této kapitoly odneseme . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 Prostor šipek v rovině . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3 Vektorový prostor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Podprostor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5 Lineární (ne)závislost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6 Lineární obal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.7 Báze podprostoru . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.8 Dimenze podprostoru . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.9 Souřadnice vzhledem k bázi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.10 Zajímavosti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Rejstřík 69
i
1 Úvod
Milé studentky, milí studenti,
od akademického roku 2021/2022 se s novou akreditací významně změnilo studium na FIT

a s ním i kurz lineární algebry. Jednou z hlavních změn je, že kurz lineární algebry se přenesl
do prvního semestru a spolu s BI-DML.21 přináší studentům první kontakt s vysokoškolskou
matematikou.
Lineární algebra poskytuje základní nástroje jak pro další studování (nejen matematické)
teorie tak i pro přímé aplikace v praxi. Proto je vyučována na prakticky každé technické
škole a FIT ČVUT nemůže být výjimkou. Neméně důležitým přínosem tohoto kurzu je, že
samotné studium matematiky obecně pomáhá rozvíjet logické myšlení, preciznost vyjadřování
i algoritmické myšlení. To jsou vlastnosti, které by měly patřit do arzenálu každého dobrého
programátora. Rádi bychom kdyby Vám kurz BI-LA1.21 poskytl jak cenné vědomosti, tak
i právě prostor pro osobní rozvoj.
Tento studijní text se snaží poskytnout ucelený úvod do lineární algebry a má ambice
být pro vás hlavním studijním materiálem. Text se snažíme neustále vylepšovat a doplňovat,
může se tedy v průběhu semestru a semestrů ještě měnit.
Doufáme, že se nám podaří, aby vám mohl sloužit při průběžné přípravě na přednášky, na
zápočtové písemky a zejména na zkoušku.
Budeme velmi rádi, když nás budete upozorňovat na chyby, překlepy či na nesrozumitelné
části textu. Jak přesně toto dělat, se dozvíte na stránce kurzu BI-LA1.21.
Mnoho pěkných chvil při studiu lineární algebry přeje
Karel Klouda a kolektiv
1
2 Soustavy lineárních rovnic
Představte si, že někdo, kdo má hodně rychlou ruku a značné množství inkoustu, si udělal
seznam všech matematických problémů a dělá si u každého čárku, kdykoli byl někde na světě
a blízkém vesmíru řešen. Řešení soustav lineárních rovnic by se skoro jistě dostalo na stupně
vítězů. Rozhodně by se tam dostalo, kdybychom vyřadili metody a výpočty, které se učí na
základní škole.
Velice prozaickým důvodem pro to, proč je hledání řešení soustav lineárních rovnic tak
často řešeným problémem, je to, že je to jeden z mála (matematických) problémů, které umíme
vždy vyřešit. Navzdory častému přesvědčení toho v matematice zas tolik vyřešit neumíme.
Měli byste již vědět, že stačí hledat kořeny polynomů (jedné proměnné) stupně pět a výše,
a už můžeme mít neřešitelný problém. Kdybychom místo soustav lineárních rovnic uvažovali
soustavy kvadratických rovnic, dostaneme také problém, který neumíme řešit. Fyzikální
zákony, ale i např. ekonomické modely, mají většinou tvar (soustav) diferenciálních rovnic.
Ani ty neumíme obecně uspokojivě vyřešit. U soustav lineárních rovnic jsme tedy v celkem
mimořádné situaci, neboť je umíme vyřešit vždycky. Jediné, co nám může zabránit najít
kompletní a přesné řešení je, že je rovnic příliš a my nemáme dostatečnou výpočetní sílu, nebo
že nás zklamou nepřesně počítající počítače (přesné řešení nám zamlží nutné zaokrouhlovací
chyby).
Co se vlastně myslí tím, že umíme vyřešit nějaký matematický problém? V předchozím
odstavci jsme tím mysleli, že existuje rozumně rychlý algoritmus (nebo chcete-li výpočet),
který umí najít přesné a kompletní řešení. Pro soustavy lineárních rovnic takové algoritmy
existují. S jedním z nich se seznámíte již v této kapitole. Pro jiné jmenované problémy takové
algoritmy buď neznáme, nebo dokonce víme, že neexistují. Samozřejmě existují postupy, jak
se vypořádat s některými speciálními případy (např. některé diferenciální rovnice speciálního
tvaru vyřešit umíme), ale my se teď bavíme o řešení ve vší obecnosti1 .
Teď byste mohli nabýt dojmu, že se např. fyzikové zabývají hledáním fyzikálních zákonů,
které jsou nám na nic, protože je neumíme „vypočítat“. Není tomu tak: málokdy umíme najít
přesné řešení, ale často umíme najít přibližné řešení dost blízké tomu přesnému, aby bylo
užitečné. Metodám hledání těchto přibližných řešení (aproximací) se obecně říká numerické
metody. Tyto metody často vypadají tak, že se pomocí nějakých sofistikovaných chytristik
sestaví taková soustava lineárních rovnic, jejíž řešení nějakým způsobem dobře aproximuje
řešení původního složitějšího problému.
Další ukázky reálných problémů, při jejichž řešení hrají soustavy lineárních rovnic klíčo-
vou roli, potkáme později v tomto kurzu. Pokud ale čtenáře tento úvod i tyto ukázky aplikací
nechají chladným, a učení se matematice považuje nezvratně za zbytečnost, chtěli bychom jej
1
Šťouravý čtenář by mohl namítnout, že soustavy lineárních rovnic jsou speciálním případem např. obecně
neřešitelných soustav polynomiálních rovnic, a měl by pravdu. My si tím ale nebudeme kazit pointu tohoto
lehkého úvodního zasvěcení.
2
2. Soustavy lineárních rovnic Co si z této kapitoly odneseme
hned na začátku upozornit, že pro absolvování tohoto kurzu se porozumění problému řešení
soustav lineárních rovnic považuje za naprosto nezbytné2 .
2.1 Co si z této kapitoly odneseme

1. Osvěžíme si relevantní znalosti ze střední školy, tedy schopnost řešit soustavy až tří rovnic
o dvou až třech neznámých.
2. Soustavy o dvou či třech neznámých lze velmi názorně geometricky interpretovat, a tuto
interpretaci si také oživíme.
3. Seznámíme se s pojmem matice a naučíme se matice sčítat a násobit.
4. Uvidíme, jak lze soustavy rovnic chápat jako matice.
5. Seznámíme se s Gaussovou eliminační metodou a pochopíme, co je horní stupňovitý tvar

soustavy (resp. matice), a proč je pro řešení klíčový.
6. Pomocí Gaussovy eliminační metody se naučíme rozhodnout, kdy má soustava řešení

a kdy je toto řešení jediné.
7. Seznámíme se s pojmem tělesa a několika příklady těles.
8. Ukážeme si, že většina toho, co platilo pro soustavy rovnic s reálnými proměnnými, platí
i pro libovolné jiné těleso.
2.2 Nejjednodušší rovnice

Jedna lineární rovnice s jednou neznámou
Nejjednodušší soustavou lineárních rovnic je soustava jedné rovnice o jedné (reálné) neznámé:
ax = b, (2.1)
kde x je neznámé reálné číslo, a a b jsou též reálná čísla a a je navíc nenulové. Tato rovnice
má za uvedených předpokladů právě jedno řešení x = a−1 b a všichni to vědí, takže můžeme
jít dál.
My ovšem dál nepůjdeme, a i když Vás to možná lehce urazí, u lineární rovnice jedné
proměnné se zastavíme. Důvody pro to jsou dva. První je ten, že metodu pro řešení soustav
lineárních rovnic, se kterou se brzy seznámíme, lze chápat jako převod problému řešení
soustavy rovnic na problém řešení několika rovnic tvaru (2.1).
Druhý důvod je pojem tělesa. Těleso bude pro mnohé čtenáře první (netriviální) abstraktní
strukturou, kterou potká. Těleso budeme definovat pomocí pojmu grupy, což je další abstraktní
struktura. Grupu můžeme do jisté míry chápat jako minimální strukturu, ve které má lineární
rovnice jedné neznámé vždy řešení, které je navíc určeno jednoznačně3 . Těleso pak můžeme
2
Zde nechť si laskavý čtenář představí opravdu nesmlouvavý a přísný pohled zkoušejícího.
3
Předem upozorňujeme, že tato věta není definicí grupy. Tato věta má usnadnit pochopení, sama o sobě ale
grupu nedefinuje. Sami asi cítíte, že zatím nevíte, co to grupa je. Řádná definice přijde později v této kapitole.
3
2. Soustavy lineárních rovnic Nejjednodušší rovnice
v podobném duchu chápat jako minimální strukturu, ve které umíme řešit soustavy lineárních
rovnic.
Vyslovme tedy slavnostně první větu tohoto textu:
Věta 2.1: Nechť a, b ∈ R a a 6= 0. Potom x = a−1 b je jediné reálné číslo splňující rovnici
ax = b.
Než provedeme důkaz, řekneme si něco ke znění této věty. Matematická věta má obvykle
dvě části. Tou první je vyslovení předpokladů, které můžeme chápat jako obdobu inicializace
proměnných při psaní programu. Každý symbol použitý ve větě musí mít určený význam:
zde jsme jasně řekli, že a, b a x jsou reálná čísla s tím, že a je navíc nenulové. Výjimkou jsou
symboly (zde například množina reálných čísel R, exponent −1, rovnítko =, atp.), které se
v kontextu považují za známé4 . Druhou částí věty je výrok (v kurzu BI-DML se dozvíte, co
to přesně znamená), o kterém v důkazu prokážeme, že je pravdivý. K důkazu využíváme
předpoklad, předchozí dokázané výroky a definice používaných pojmů.
Důkaz věty 2.1. Nejprve ukážeme, že x = a−1 b je skutečně řešením rovnice ax = b a to prostě
tak, že za x dosadíme, a využijeme vlastností reálných čísel a jejich násobení:
a(a−1 b) = (aa−1 )b = 1b = b.
První rovnítko jsme si mohli dovolit napsat díky tomu, že násobení reálných čísel je asocia-
tivní 5 . Druhé rovnítko je ospravedlněno tím, že každé nenulové reálné číslo a má oboustrannou
inverzi, značenou obvykle a−1 , pro kterou platí aa−1 = 1 = a−1 a. Poslední rovnítko stojí na
jedinečné vlastnosti (neutralitě) čísla 1: pro jakékoli reálné číslo c platí, že 1c = c. Žádné jiné
reálné číslo takovou vlastnost nemá.
Zbývá ukázat, že x = a−1 b je jediné řešení. Důkaz jednoznačnosti už nebudeme tolik
pitvat, neboť se využívají stejné vlastnosti jako výše. Předpokládejme, že x0 je také řešení
dané rovnice. Potom platí:
ax0 = b // vynásob inverzním prvkem a−1 zleva

a−1 (ax0 ) = a−1 b // přesuň závorky (asociativita)
(a−1 a)x0 = a−1 b // pro každé a je a−1 a = 1
1x0 = a−1 b // pro každé c je 1c = c
x0 = a−1 b.
Ukázali jsme, že má-li rovnice ax = b nějaké řešení, je tímto řešením právě a jen číslo a−1 b.
Důkaz je tak hotov.
I když už se této triviální větě věnujeme (zdánlivě) neadekvátně dlouho, ještě si zdůrazněme
jednu věc. Abychom větu dokázali, potřebovali jsme z následujícího seznamu právě první
čtyři vlastnosti reálných čísel a jejich násobení:
1. Za samozřejmé jsme považovali, že součinem reálných čísel je opět reálné číslo. Tj.
Násobení · je zobrazení R × R → R.
4
Ne, neexistuje žádný seznam takových „implicitně známých symbolů“. Předpokládáme, že čtenář je člověk,
který prošel standardním vzděláním, a ne počítač, kterému se všechno musí explicitně napsat.
5
Jestli nevíte, co to je asociativní, komutativní a distributivní zákon, tak se koukněte dolů pod tento důkaz.
4
2. Platnost asociativního zákona pro násobení. Tj.
(∀x, y, z ∈ R) x · (y · z) = (x · y) · z .

3. Speciální vlastnost jedničky: násobením libovolného čísla jedničkou číslo nezměníme. Tj.
(∃1 ∈ R)(∀x ∈ R) 1 · x = x · 1 = x

4. Existenci inverze pro nenulová čísla. Tzn.
(∀x 6= 0)(∃x−1 6= 0) x−1 · x = 1 = x · x−1 .

5. Užitečná, ale ne nutná je platnost komutativního zákona pro násobení. Tj.
(∀x, y ∈ R) x · y = y · x .

Všimněme si, že tyto vlastnosti má i množina Q racionálních čísel či množina C komplexních

čísel. Tedy mohli bychom úplně stejně formulovat a dokázat analogii Věty 2.1.
Naopak množina Z celých čísel už všechny tyto vlastnosti nemá: např. číslo 3 nemá
v množině celých čísel inverzi. Neexistuje celé číslo, kterým byste po vynásobení s číslem 3
dostali číslo 1.
Uf. Takže jsme kvůli triviální rovnici popsali jednu stránku, co bude dál? Pojďme si ukázat
jeden z nástrojů matematiků a to na zobecnění, aby jedna věta pokrývala hned více případů
najednou.6 Zavedeme pojem grupa, což bude minimální abstraktní struktura, kde umíme řešit
lineární rovnici o jedné neznámé.
Grupa
Začneme rovnou definicí pojmu grupy, ke kterému jsme se v předchozím textu dostali po-
drobnou analýzou řešení jednoduché rovnice.
Definice 2.1 (Grupa / Group): Nechť M je neprázdná množina a ◦ : M × M → M binární
operace7 . Platí-li
a. asociativní zákon: (∀a, b, c ∈ M ) a ◦ (b ◦ c) = (a ◦ b) ◦ c ,

b. existence neutrálního prvku: existuje e ∈ M tak, že (∀a ∈ M ) a ◦ e = e ◦ a = a ,

c. existence inverzních prvků: (∀a ∈ M )(∃a−1 ∈ M ) a ◦ a−1 = a−1 ◦ a = e ,

říkáme, že uspořádaná dvojice G = (M, ◦) je grupa.

Platí-li navíc pro ◦
• komutativní zákon: (∀a, b ∈ M ) a ◦ b = b ◦ a ,

mluvíme o Abelovské grupě.

6
Ne náhodou je lenost nazývána matkou pokroku.
7
Neboli zobrazení se dvěma argumenty.
5
Poznámka 2.1: Značení ◦ pro binární operaci jsme použili, abychom abstrahovali od ob-
vyklých značek pro binární operace + a · a zdůraznili tak, že se jedná o libovolnou binární
operaci. Ostatně, prvky uvažované grupy vůbec nemusí být čísla. Značení (M, +) a (M, ·) pro
grupy se ale také běžně používá a my jej budeme též používat, jelikož zavádět novou značku
pro klasické sčítání je čistá šikana studentů. Použije-li se ale značka +, značíme inverzní
prvek spíše −a a říkáme mu opačný, neutrálnímu prvku se pak někdy říká nulový. Podobně
při značení · se neutrálnímu prvku někdy říká jednotkový prvek. Místo a + (−b) obvykle
zkráceně píšeme a − b.
Věta 2.2: Nechť (M, ◦) je grupa a a, b ∈ M . Potom x = a−1 ◦ b je jediný prvek M splňující
rovnici a ◦ x = b.
Důkaz. Postupujeme analogicky jako v důkazu Věty 2.1. Nejprve ukážeme, že x = a−1 ◦ b je
skutečně řešením rovnice a ◦ x = b a to prostě tak, že za x dosadíme, a využijeme vlastností
grupy:
a ◦ (a−1 ◦ b) = (a ◦ a−1 ) ◦ b = e ◦ b = b.
První rovnítko jsme si mohli dovolit napsat díky tomu, že ◦ je asociativní. Druhé rovnítko je
ospravedlněno tím, že každé a ∈ M má inverzní prvek, pro který platí a ◦ a−1 = e. Poslední
rovnítko stojí na vlastnosti neutrálního prvku.
Zbývá ukázat, že x = a−1 ◦ b je jediné řešení. Předpokládejme, že x0 je také řešení dané
rovnice. Potom platí:
a ◦ x0 = b // vynásob inverzním prvkem a−1 zleva

a ◦ (a ◦ x0 ) = a−1 ◦ b
−1
// přesuň závorky (asociativita)
(a−1 ◦ a) ◦ x0 = a−1 ◦ b // pro každé a je a−1 ◦ a = e
e ◦ x0 = a−1 ◦ b // pro každé c je e ◦ c = c
x0 = a−1 ◦ b.
Ukázali jsme, že má-li rovnice a◦x = b nějaké řešení, je tímto řešením právě prvek a−1 ◦b ∈ M .
Důkaz je tak hotov.
Nyní bychom mohli Větu 2.1 a zahodit, neboť je okamžitým důsledkem předchozí věty
a faktu, že (R \ {0}, ·) je grupa.
Věta 2.2 platí pro jakoukoli grupu, tedy i pro ty, se kterými jsme se doposud setkali,
ale i pro ty, které kdykoliv potkáte v budoucnu! Pro přehlednost je shrňme v následujícím
pozorování.
Pozorování 2.1: Následující uspořádané dvojice (množina, binární operace) tvoří grupu:
(Z, +), (R, +), (Q, +), (C, +), (R \ {0}, ·),
(Q \ {0}, ·), (C \ {0}, ·), (Zn , +n ), (Zp \ {0}, ·p ),
kde n ≥ 2 je přirozené číslo a p je prvočíslo.8

Ve všech těchto množinách má tedy rovnice a ◦ x = b, kde ◦ je příslušná binární operace,
jednoznačné řešení!
Naopak grupu netvoří
(N, +), (Z \ {0}, ·), (Q, ·), (R, ·), (C, ·), (Zn \ {0}, ·).
8
Grupy Zn a Zp budou definovány v části 2.3 o modulární aritmetice.
6
2. Soustavy lineárních rovnic Rovnice dvou neznámých
2.3 Rovnice dvou neznámých a modulární počítání

Těleso
Takže rovnice jedné neznámé máme zmáknuté, pojďme přidat další neznámou. Nejjednodušší
případ je jedna lineární rovnice o dvou neznámých x, y ∈ R
ax + by = c, a, b, c ∈ R.
Co se změnilo? Potřebujeme navíc k násobení · i další operaci sčítání +. Mějme jednu takovou
speciální rovnici s nulovou pravou stranou:
2x + 3y = 0.
Představme si, že bychom věděli, že y = 1. Jak postupujeme dál? Nejdříve vyřešíme rovnici
2x + 3 = 0 vůči sčítání. Řešením je 2x = 0 − 3 = −3.9 Poté vyřešíme vůči násobení a získáme
x = 2−1 (−3).10
Získali jsme jedno řešení x = −3/2, y = 1. Snadno si ověříte přímým dosazením, že
x̃ = 3, ỹ = −2 je další řešení.
Díky hezké vlastnosti R můžeme rovnou říci, že i x + x̃, y + ỹ je také řešení této soustavy
s nulovou pravou stranou, neboť
2(x + x̃) + 3(y + ỹ) = 2x + 2x̃ + 3y + 3ỹ = (2x + 3y) + (2x̃ + 3ỹ) = 0 + 0 = 0.
Tedy pro řešení soustavy více proměnných potřebujeme abstraktní strukturu, která obsa-
huje rovnou dvě grupy – jak pro sčítání, tak i pro násobení a navíc distributivní zákon. I pro
takovou strukturu máme v matematice jméno:
Definice 2.2 (Těleso / Field): Nechť M je neprázdná množina a + : M × M → M , · :
M × M → M dvě binární operace. Platí-li, že
a. (M, +) je Abelovská grupa (neutrální prvek značíme 0 a nazýváme nulovým prvkem),
b. (M \ {0}, ·) je grupa (neutrální prvek značíme 1 a nazýváme jednotkový prvek),
c. platí levý a pravý11 distributivní zákon, tj.
∀a, b, c ∈ M : a(b + c) = ab + ac ∧ (b + c)a = ba + ca,
nazýváme uspořádanou trojici T = (M, +, ·) tělesem.

Je-li navíc (M \ {0}, ·) Abelovská grupa, je T komutativní těleso.
Poznámka 2.2: V celém následujícím textu budeme z praktických důvodů uvažovat pouze
komutativní tělesa T = Q, R, C nebo Zp ,12 ať už to bude explicitně zdůrazněno nebo ne.13 .
9
Využili jsme, že přesně víme, jak vypadají řešení v grupě (R, +).
10
Využili jsme, že přesně víme, jak vypadají řešení v grupě (R \ {0}, ·).
11
Pokud je operace · komutativní, stačí nám vyžadovat pouze jeden distributivní zákon, druhý potom
dostaneme automaticky. Naštěstí ale tělesa, se kterými budeme pracovat v tomto kurzu, budou vždy komutativní.
12
Zp stále nemáme definováno, ale už se k tomu mílovými kroky blížíme.
13
Tedy pomalu můžete zapomínat abstraktní pojmy grupa a těleso, než na vás znova vybafnou v BI-LA2.
7
2. Soustavy lineárních rovnic Rovnice dvou neznámých
Modulární aritmetika
Zatím jsme si hráli pouze s množinami čísel, které důvěrně známe ze základní a střední školy.
Nyní však půjdeme ještě dál: vyměníme i operace sčítání a násobení. Uděláme to tak šikovně,
že si přeci jen vyrobíme z celých čísel strukturu, kde bude vše potřebné pro řešení soustav
lineárních rovnic fungovat.14 Využijeme následující označení: pro libovolné celé m ∈ Z
a přirozené n ≥ 2 označíme
m mod n
zbytek po dělení čísla m číslem n. Zbytek bereme vždy z množiny15 {0, 1, . . . , n − 1}. Např.
platí
33 mod 7 = 5, −3 mod 10 = 7, 33 mod 11 = 0.
S pomocí tohoto značení můžeme zavést dvě nové binární operace16 . První je sčítání modulo
n, kde n ≥ 2 je přirozené. Budeme jej značit +n . Definované je následovně: pro libovolná celá
čísla m a q definujeme
m +n q := (m + q) mod n.
Lapidárně řečeno, jedná se o klasické sečtení a poté aplikování modn.
Analogicky definujeme násobení modulo n značené ·n :
m ·n q := (m · q) mod n.
Pomocí těchto dvou operací budeme chtít sestrojit analogii množiny reálných čísel a jejich
násobení a sčítání. K tomu budeme potřebovat mj. vědět, zda jsou sčítání a násobení modulo
asociativní.
Lemma 2.1: Sčítání a násobení celých čísel modulo n jsou asociativní a komutativní binární
operace a platí pro ně distributivní zákon.
Důkaz je technický a co do myšlenek triviální, a proto jej přeskočíme (resp. necháme
kolegům z BI-DML).
Zkusme nyní najít prvky, které by mohly hrát roli reálných čísel 0 a 1: hledáme tedy prvek
e ∈ Z takový, že pro všechna m ∈ Z platí
e +n m = m.
To je trochu problém, neboť výsledkem sčítání modulo n je vždy číslo z množiny {0, 1, . . . , n−
1} a rovnost tak nemůže pro m mimo tuto množinu platit. Jak to vyřešíme? Omezíme se
pouze na tuto množinu. Dokonce si pro ni zavedeme značku
Zn = {0, 1, . . . , n − 1}.
Nyní můžeme říci, že hledaný prvek je 0, neboť pro všechna m ∈ Zn jistě platí, že
0 +n m = m +n 0 = m.
Role reálného čísla 1 také zůstane celému číslu 1, neboť pro všechna m ∈ Zn jistě platí, že
1 ·n m = m ·n 1 = m.
14
Neboli vyrobíme těleso v souladu s Definicí 2.2.
15
Kdybychom chtěli být kujóni, mohli bychom říci, že zbytek po dělení 7 číslem 3 jsou 4, ale to by to dělení
bylo takové nedotažené.
16
Binární operaci na množině M prostě chápejte jako zobrazení z M × M do M .
8
2. Soustavy lineárních rovnic Geometrická interpretace množiny řešení
Zbývá nám najít opačné resp. inverzní prvky. S opačnými je to celkem jednoduché. Pro
každé m ∈ Zn hledáme nějaké x ∈ Zn tak, že
m +n x = 0.
Takové x ale snadno najdeme, je-li m = 0, je x = 0, jinak je x = n − m ∈ Zn .
Rozmyslete si, že už máme všechny informace pro to, abychom mohli říci, že (Zn , +n ) je
grupa pro libovolné n ∈ N.
Příklad 2.1: Uvažujme sčítání modulo 13. Potom skutečně platí, že 0 +13 0 = 0, 1 +13 12 = 0,
2 +13 11 = 0, 3 +13 10 = 0, . . . , 6 +13 7 = 0 (dále je to díky komutativitě +13 jasné).
Zbývají inverzní prvky: pro každé m ∈ Zn bychom chtěli najít x tak, že
m ·n x = x ·n m = 1.
To jistě nepůjde pro m = 0 a budeme se muset omezit na Zn \ {0}, to nám ale nevadí, neboť
to jsme museli udělat i v reálných číslech. Stačí ale toto omezení? Zkusme hledat inverzní
prvek k číslu 2 při násobení modulo 6. Platí následující:
2 ·6 1 = 2, 2 ·6 2 = 4, 2 ·6 3 = 0, 2 ·6 4 = 2, 2 ·6 5 = 4.
Dvojka tedy inverzi nemá. Můžeme si ale například všimnout, že 5 ·6 5 = 1, tedy že číslo 5
inverzi má. Důvod, proč 2 inverzi nemá a 5 má, je ten, že pětka je s 6 nesoudělná a dvojka
nikoli17 .
Lemma 2.2: Nechť n ≥ 2 je přirozené číslo. Pro m ∈ Zn \ {0} má rovnice
m ·n x = 1
řešení x ∈ Zn , právě když jsou m a n nesoudělná.
Speciálně, pokud je n prvočíslo, tak řešení existuje pro každé m ∈ Zn \ {0}.
Lemma dokazovat nebudeme a necháme si to opět do kurzu BI-DML. Důkaz není složitý,
ale není ani moc „lineárně algebraický“.
Co jsme se tedy dozvěděli: mají-li mít všechny prvky Zn \ {0} inverzi, musí být všechny
nesoudělné s n. Taková situace ale nastává pouze tehdy, je-li n prvočíslo!
Nyní už víme, že pro prvočísla p je i (Zp \ {0}, ·p ) grupa. Spolu s distributivitou z Lem-
matu 2.1 získáváme, že (Zp , +p , ·p ) je těleso.
2.4 Geometrická interpretace množiny řešení

Než se vrhneme na řešení rovnic o více neznámých pojďme se podívat na to, co známe ze
střední školy o rovnicích v R.
Jedna lineární rovnice o dvou neznámých x, y ∈ R
ax + by = c, a, b, c ∈ R,
definuje (mimo triviální případ a = b = 0) přímku v rovině R2 (pro jistotu: R2 je množina
uspořádaných dvojic reálných čísel, neboli kartézský součin R × R).
17
Dvě celá čísla jsou nesoudělná, je-li jejich největší společný dělitel číslo 1. Např. prvočíslo p je nesoudělné
se všemi čísly 1, 2, . . . , p − 1. Nula naopak není nesoudělná s žádným číslem větším než jedna, neboť každé
číslo dělí nulu.
9
Poznámka 2.3: Poznamenejme, že i např. rovnici 3x = 2 lze prohlásit za rovnici dvou

neznámých, kterou chápeme jako 3x + 0y = 2. I pro tuto rovnici platí, že množina jejích
řešení tvoří přímku v R2 ; je to přímka x = 2/3, tedy kolmice na osu x protínající ji v bodě
x = 2/3.
Podobně jako rovnice dvou neznámých definuje přímku v R2 , definuje rovnice tří nezná-
mých x, y, z ∈ R
ax + by + cz = d, a, b, c, d ∈ R
rovinu v prostoru R3 . Jedinou výjimkou je podobně jako výše případ a = b = c = 0, kdy je
buď množina řešení prázdná (když d 6= 0) nebo je množinou řešení celé R3 .
Vyvrcholením naší snahy porozumět problému hledání řešení soustav lineárních rovnic
bude Frobeniova věta, která nám řekne, jak přesně množina řešení vypadá a s dalšími poznatky
i umožní tuto množinu přesně popsat. Než se k formulaci Frobeniovy věty dostaneme, musíme
probrat mnoho pojmů. Už nyní si ale můžeme naznačit, jaké vlastnosti množina řešení soustavy
rovnic může mít. Ve vší obecnosti budeme uvažovat soustavu m rovnic o n neznámých (n
a m jsou přirozená čísla) a to nad libovolným tělesem. Jak ale později uvidíme, všechny
možnosti toho, jak množina řešení může vypadat, lze demonstrovat už na jednoduchém
(a představitelném) případě rovnic o třech neznámých.
Z Frobeniovy věty nám vyplyne, že existují tři možnosti: soustava nemá žádné řešení,
má právě jedno anebo jich má nekonečně mnoho (alespoň tedy nad nekonečnými18 tělesy).
Ukážeme si příklady všech těchto možností.
Uvažme soustavu dvou rovnic o třech neznámých:
2x + y − z = 3,
2x + y − z = 4.
Jelikož jsou obě levé strany rovnic stejné, nemohou se pro žádnou trojici (x, y, z) ∈ R3 rovnat
současně 3 i 4, a proto žádné řešení této soustavy neexistuje.
Pro soustavu tří rovnic o třech neznámých
3x + 2y + z = 6,
2y + z = 3, (2.2)
z = 1,
zjevně platí, že má jediné řešení (1, 1, 1). Skutečně, stačí totiž použít Větu 2.1: Má-li být
(x, y, z) řešení, musí platit z = 1. Je-li z = 1, přechází druhá rovnice na jedinou rovnici jedné
neznámé 2y = 2 a ta má jediné řešení y = 1. Podobně zjistíme, že první rovnice nám po
dosazení za y a z říká, že x = 1.
Když se na rovnice podíváme jako na rovnice tří rovin, můžeme říci, že řešením soustavy
jsou body R3 , které leží v průniku všech těchto tří rovin. Jak to vypadá, je vykresleno na
Obrázku 2.1.
Soustavu rovnic
3x + 2y + z = 6,
2y + z = 3, (2.3)
3x + 6y + 3z = 12
18
Nekonečné těleso je těleso mající nekonečně mnoho prvků. Např. tedy Q, R a C.
10
Obrázek 2.1: Vizualizace systému rovnic (2.2). První rovnice je vykreslena červeně, druhá
modře a třetí žlutě.
zatím nebudeme přímo řešit, ale díky obrázku 2.2 vidíme, že průnik, a tedy i množina řešení,
tvoří v R3 přímku. Když se podíváme podrobněji na rovnice (2.3), můžeme si všimnout, že
poslední rovnice je vlastně součtem první a dvojnásobku druhé rovnice. Je tedy jasné, že
pokud nějaký bod (x, y, z) ∈ R řeší první a druhou rovnici, musí nutně řešit i tu třetí a třetí
rovnice je v systému vlastně zbytečná. Systém (2.3) má pak nutně množinu řešení shodnou se
systémem
3x + 2y + z = 6,
2y + z = 3
neboli s průnikem dvou rovin. A průnik dvou rovin, pokud nejsou rovnoběžné, je vždy přímka.
Poslední (poněkud triviální) případ, který může nastat, demonstruje tato soustava
3x + 2y + z = 6,
6x + 4y + 2z = 12,
9x + 6y + 3z = 18.
I méně pozorný čtenář si všimne, že druhá rovnice je dvojnásobkem a třetí trojnásobkem

rovnice první. Proto pro libovolné řešení první rovnice musí nutně platit, že je současně
řešením rovnice druhé i třetí a že tento systém vlastně odpovídá systému jedné rovnice
3x + 2y + z = 6 a geometricky je to tedy rovina.
Viděli jsme na čtyřech příkladech, že už pro soustavy rovnic o třech neznámých mohou
nastat situace, kdy řešení neexistuje, je právě jedno anebo je jich nekonečně mnoho. V případě
nekonečně mnoha řešení navíc můžeme dostat přímku (jednodimenzionální19 množinu) nebo
rovinu (dvoudimenzionální množinu). Jak si snadno rozmyslíme, jiné případy u průniku
19
Pojem dimenze zatím chápejme intuitivně, přesný význam mu dáme později.
11
2. Soustavy lineárních rovnic Definice soustavy lineárních rovnic
Obrázek 2.2: Vizualizace systému rovnic (2.3). První rovnice je vykreslena červeně, druhá
modře a třetí žlutě.
rovin v R3 ani nastat nemohou. Co je překvapivější, že o moc více se nemůže stát ani v (n-
dimenzionálním) prostoru Rn , když budeme uvažovat soustavy rovnic o n neznámých pro
libovolné přirozené n.
2.5 Definice soustavy lineárních rovnic a snadno

řešitelný případ
Opusťme již středoškolský prostor R3 a definujme si řádně pojem soustavy lineárních rovnic.
Definice 2.3: Nechť n a m jsou přirozená čísla a pro všechna i ∈ {1, . . . , m} a všechna
j ∈ {1, . . . , n} platí, že aij ∈ T a bi ∈ T .20 Systém rovnic
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. .. .. .. (2.4)
. . . . . .
am1 x1 + am2 x2 + · · · + amn xn = bm
nazýváme soustavou m lineárních rovnic o n neznámých21 x1 , . . . , xn ∈ T . Číslu aij

říkáme j-tý koeficient i-té rovnice.
20
Připomínáme T = Q, R, C nebo Zp .
21
Jelikož v tomto textu budeme mluvit téměř výhradně o soustavách lineárních rovnic, budeme pro zkrácení
někdy mluvit prostě o soustavách, pokud nebude hrozit nedorozumění.
12
Množinu všech uspořádaných n-tic (x1 , x2 , . . . , xn ) ∈ T n , pro které po dosazení do (2.4)

je splněno všech m rovnic, nazýváme množinou řešení soustavy a značíme ji S.
Platí-li b1 = b2 = · · · = bm = 0, říkáme, že soustava (2.4) je homogenní. Není-li soustava
homogenní, je22 nehomogenní.
Přestože se v definici objevuje cizí slovo, neměla by čtenáře moc ničím zaskočit a tím pádem
ani obohatit. Přesto si jako lehkou intelektuální rozcvičku uveďme následující jednoduchá
pozorování, nad kterými by se čtenář měl zamyslet a sám sobě vysvětlit, proč jsou pravdivé23 .
Pozorování 2.2: Následující pozorování se týkají soustavy rovnic (2.4), z Definice 2.3 je
přebráno i značení.
a. Číslo aij je číslo, kterým se násobí proměnná xj v i-té rovnici24 .
b. Množina řešení soustavy je rovna průniku množin řešení jednotlivých rovnic25 .
c. Homogenní soustava má vždy alespoň jedno řešení (0, 0, . . . , 0) ∈ T n .
d. (0, 0, . . . , 0) ∈ T n není nikdy řešení nehomogenní soustavy rovnic.
e. Je-li (x1 , x2 , . . . , xn ) ∈ T n řešení homogenní soustavy, pak pro libovolné α ∈ T je
(αx1 , αx2 , . . . , αxn ) ∈ T n také řešení. Neboli:

(∀α ∈ T ) ∀(x1 , x2 , . . . , xn ) ∈ T n (x1 , x2 , . . . , xn ) ∈ S ⇒

⇒ (αx1 , αx2 , . . . , αxn ) ∈ S ,
kde S je množina řešení homogenní soustavy.

f. Pro T = Q, R nebo C má-li homogenní soustava i jiné řešení než (0, 0, . . . , 0) ∈ T n , pak
má nekonečně řešení.
Důkaz. Jediné pozorování, které lehce okomentujeme, je pozorování e. Ukážeme, že platí pro
soustavy, kde m = 1, neboli pro jednu rovnici. Platnost pro libovolné soustavy pak plyne26
z pozorování b. Nechť tedy pro nějaké (x1 , x2 , . . . , xn ) ∈ T n platí
a11 x1 + a12 x2 + · · · + a1n xn = 0.
Díky tomu, že pro sčítání a násobení čísel platí distributivní zákon (tj. můžeme vytýkat před
závorku), můžeme psát
a11 αx1 + a12 αx2 + · · · + a1n αxn = α(a11 x1 + a12 x2 + · · · + a1n xn ) = α0 = 0,
a tedy i (αx1 , αx2 , . . . , αxn ) ∈ T n je řešení.

22
Jak šokující.
23
Udělejte to! Bude hůř a na horší časy je třeba mít natrénováno.
24
Toto uvádíme, abychom upozornili na konvenci, že se index řádku/rovnice píše jako první a index
sloupce/proměnné jako druhý. Tuto konvenci budeme držet i u matic. Mnemotechnická pomůcka: je to podle
abecedy (ř → s).
25
I jednu rovnici lze chápat jako soustavu rovnic, takže pojem množina řešení je dobře definován i pro
jednotlivé rovnice.
26
To si také rozmyslete a pochopte!
13
Když už tedy máme definovanou soustavu lineárních rovnic, můžeme konečně přistoupit
k otázce, jak najít její řešení. Již jsme si mohli na dříve uvedených příkladech všimnout, že
některé soustavy se dají řešit snadno a některé ne. Uvažujme například soustavy
3x + 2y + z = 6, 2y + z = 3, z = 1 (2.5)
a
3x + 2y + z = 6, 3x + 6y + 4z = 13, 4y + 2z = 6. (2.6)
První soustavu už jsme řešili výše (je totožná s (2.2)) a zjistili jsme, že díky speciálnímu tvaru
rovnic ji umíme vyřešit pomocí řešení tří lineárních rovnic pro jednu neznámou. Získali
jsme jediné řešení (1, 1, 1). S využitím zavedeného značení tedy pro tuto soustavu platí
S = {(1, 1, 1)}. Jak snadno ověříme, pro druhou soustavu rovnic, tedy soustavu (2.6), je
(1, 1, 1) také řešení. Není ale už tak snadno vidět, jak na toto řešení přijít a ani jestli je jediné.
Jak vidno, některé soustavy mají tvar, který umožňuje snadné hledání množiny řešení
a jiné soustavy nikoli. Pro hledání řešení by tedy bylo velice užitečné, pokud bychom každou
soustavu mohli upravit tak, že bychom ji dostali do toho „vyřešitelného tvaru“, aniž bychom
změnili množinu řešení. A jak uvidíme, máme štěstí, takové úpravy existují. Jsou dokonce
velice jednoduché (opět používáme značení z Definice 2.3):
(U1) Prohození dvou rovnic.
(U2) Vynásobení jedné rovnice nenulovým číslem, přesněji výměna rovnice
ai1 x1 + ai2 x2 + · · · + ain xn = bi
rovnicí
ai1 αx1 + ai2 αx2 + · · · + ain αxn = αbi
pro nějaké 1 ≤ i ≤ m a α ∈ T \ {0}.
(U3) Přičtení libovolného násobku jedné rovnice k jiné rovnici, přesněji nahrazení rovnice
ai1 x1 + ai2 x2 + · · · + ain xn = bi
za rovnici
(ai1 + αaj1 )x1 + (ai2 + αaj2 )x2 + · · · + (ain + αajn )xn = bi + αbj
pro nějaká různá čísla i, j ∈ {1, 2, . . . , m} a α ∈ T .
Ukažme si nyní, že pomocí těchto tří úprav umíme převést soustavu z rovnice (2.6) na tu
v rovnici (2.5):
3x + 2y + z = 6, 3x + 2y + z = 6,
U3 U3
3x + 6y + 4z = 13, −−−→ 4y + 3z = 7, −−−→
r2−r1 r2−r3
4y + 2z = 6 4y + 2z = 6
3x + 2y + z = 6, 3x + 2y + z = 6,
U1 U2
z = 1, −−−→ 4y + 2z = 6, −1−→
r2↔r3 ·r2
4y + 2z = 6 z =1 2
3x + 2y + z = 6,
2y + z = 3,
z = 1.
14
Popisky u šipek naznačují, jakou úpravu jsme použili: např. −−−→ značí, že jsme použili
U3
r2−r3
úpravu (U3), konkrétně jsme k druhé rovnici přičetli −1 násobek rovnice třetí27 . Upravovat
soustavy rovnic tedy umíme, co je ale důležité, že všech pět soustav uvedených výše má
stejné množiny řešení! A jelikož množinu řešení finální soustavy známe, je to S = {(1, 1, 1)},
známe i řešení všech předchozích. Zbývá nám jenom ukázat, že to opravdu funguje.
Věta 2.3: Převedeme-li jednu soustavu lineárních rovnic na jinou pomocí jedné z úprav (U1),
(U2) nebo (U3), mají obě soustavy stejnou množinu řešení.
Důkaz. Z definice množiny řešení (viz definice (2.3)) je jasné, že prohození rovnic na tuto
množinu nemá žádný vliv, a tvrzení věty pro úpravu (U1) tedy platí.
Dále ukážeme, že změníme-li jednu rovnici pomocí úpravy (U2), množina řešení této jedné
rovnice se nezmění. Že se nezmění ani množina řešení soustavy je pak zřejmé (viz bod b.
v Pozorování 2.2). Chceme vlastně ukázat, že množina řešení i-té rovnice (používáme stále
značení z Definice 2.3 a z definice úprav (U1 – U3) výše)
ai1 x1 + ai2 x2 + · · · + ain xn = bi ,
pro nějaké 1 ≤ i ≤ m, je stejná jako množina řešení rovnice
ai1 αx1 + ai2 αx2 + · · · + ain αxn = αbi
pro libovolné nenulové α ∈ T . Díky distributivitě sčítání a násobení čísel víme, že
ai1 αx1 + ai2 αx2 + · · · + ain αxn = α(ai1 x1 + ai2 x2 + · · · + ain xn ) = αbi .
A jelikož je rovnice αy = αz pro nenulové α ekvivalentní s rovnicí y = z, je důkaz pro (U2)

hotov28 .
Pro úpravu (U3) postupujeme stejně jako pro (U2): díky j-té rovnici soustavy, která říká,
že
aj1 x1 + aj2 x2 + · · · + ajn xn = bj
plyne z rovnosti
(ai1 + αaj1 )x1 + (ai2 + αaj2 )x2 + · · · + (ain + αajn )xn =

= (ai1 x1 + ai2 x2 + · · · + ain xn ) + α(aj1 x1 + aj2 x2 + · · · + ajn xn ) =
= bi + αbj ,
že platí
(ai1 x1 + ai2 x2 + · · · + ain xn ) + αbj = bi + αbj .
Tato rovnice má zřejmě stejnou množinu řešení jako rovnice
ai1 x1 + ai2 x2 + · · · + ain xn = bi .
27
Lidštěji řečeno, odečetli jsme od druhé rovnice tu třetí.
28
Tím, že zde vypisujeme takovéto (zřejmé) důvody proto, proč něco platí, se snažíme čtenáři ukázat, jak by
měl uvažovat. Výhledově takto podrobného vysvětlování ubude, protože doufáme, že jej dostanete pod kůži.
15
2. Soustavy lineárních rovnic Matice a základní operace s nimi
2.6 Matice a základní operace s nimi

V této sekci si zavedeme jeden z nejdůležitějších pojmů lineární algebry: pojem matice.
Nejedná se o nic složitého (jsou to vlastně jen čísla zapsaná do obdélníku), což je dobře, neboť
se s tímto pojmem budete potkávat často i během dalšího studia a nejen v matematických
předmětech. Pro nás je ale akutní motivace velice prozaická: chceme si zjednodušit značení
soustavy lineárních rovnic.29
Zjednodušení spočívá v zavedení konvence, která určuje význam koeficientu podle jeho
polohy, což umožňuje vyhnout se opakovanému psaní názvů proměnných. Uveďme příklad
tohoto zjednodušeného zápisu:
 
3x + 2y + z = 6, 3 2 1 6
3x + 6y + 4z = 13, budeme zapisovat jako  3 6 4 13  .
4y + 2z =6 0 4 2 6
Pokud není řečeno jinak, sloupce odpovídají pořadí proměnných podle abecedy či indexu,
tedy první sloupec odpovídá x (resp. x1 ), druhý y (resp. x2 ) atd.
Definice 2.4 (Matice / Matrix): Nechť m, n ∈ N. Uspořádaný soubor mn čísel30 z T zapsaný
do tabulky31 o m řádcích a n sloupcích nazýváme matice typu m×n. Matice obvykle značíme
takto:  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  .. .. . . ..  ,
 
 . . . . 
am1 am2 · · · amn
kde aij jsou prvky matice (někdy je značíme také jako Aij nebo Aij a nazýváme je ij-té
prvky). Číslu i říkáme řádkový a číslu j sloupcový index32 .
Množinu všech matic typu m × n značíme T m,n . Jako A:j ∈ T m,1 značíme j-tý sloupec
matice A:  
a1j
 a2j 
A:j =  ..  .
 
 . 
amj
Podobně Ai: ∈ T 1,n značí i-tý řádek matice A:

Ai: = ai1 ai2 · · · ain .
Dvě matice se rovnají, pokud jsou stejného typu a mají shodné všechny odpovídající prvky.
Pro označení řádku, respektive sloupce využíváme tkz. dvojtečkovou syntaxi, se kterou se
můžete potkat například v Pythonu. Například A2: znamená, že si zafixujeme index řádku
na dvojce a za dvojtečku dosadíme postupně všechny přípustné hodnoty, v tomto případě
1, 2, . . . , n. Dostaneme A21 , A22 , . . ., A2n , neboli řádek (A21 A22 . . . A2n ).
29
Další trik z výbavy matematika, zavedení vhodné symboliky, aby si zjednodušil život.
30
Připomínáme T = Q, R, C nebo Zp .
31
Do dvourozměrného pole, chcete-li.
32
Mnemotechnická pomůcka Mřs , kde řádek ř je v abecedě před sloupcem s.
16
Nyní si zavedeme čtyři základní operace, které budeme dále hojně využívat. Je to násobení
matice číslem, sčítání dvou matic, transponování matice a násobení dvou matic. Z těchto
operací již snadno odvodíme odčítání (což je vlastně přičítání (−1) násobku) a např. mocnění
A3 = A · A · A).
Násobení matice číslem a sčítání matic

Jak násobení matice číslem tak sčítání matic bude definováno tzv. „po prvcích“. Pro matice
typu m × n to tedy bude odpovídat m · n nezávislých násobení dvou reálných čísel resp. m · n
nezávislých sčítání dvou reálných čísel. Při sčítání po prvcích musíme mít ke každému prvku
jedné matice odpovídající prvek druhé matice (musí být ve stejném řádku i sloupci), a proto
umíme sčítat pouze matice stejného typu (rozměru).
Definice 2.5 (Sčítání matic): Buďte m, n ∈ N, α ∈ T a A, B ∈ T m,n matice s prvky aij resp.
bij . Součin čísla α ∈ T a matice A definujeme takto:
 
αa11 αa12 · · · αa1n
 αa21 αa22 · · · αa2n 
αA :=  .. .. . . ..  .
 
 . . . . 
αam1 αam2 · · · αamn
Součet matic A a B definujeme jako

 
a11 + b11 a12 + b12 · · · a1n + b1n
 a21 + b21 a22 + b22 · · · a2n + b2n 
A + B :=  .. .. . . .. .
 
 . . . . 
am1 + bm1 am2 + bm2 · · · amn + bmn
Matici A + (−1)B nazýváme rozdíl matice A a B a značíme A − B, matici (−1)A značíme

jako −A.
Poznámka 2.4: Předchozí definici si můžeme zkráceně také přepsat po složkách. Máme-li
m, n ∈ N, α ∈ T a A, B ∈ T m,n potom α · A a A + B jsou matice z T m,n definované po
složkách takto: ∀i ∈ {1, . . . m}, ∀j ∈ {1, . . . n} platí
(αA)ij = αAij a (A + B)ij = Aij + Bij .
Uveďme opět několik pozorování, které si laskavý čtenář sám promyslí (tj. dokáže) a sám
sobě vysvětlí, proč jsou pravdivá. Většina z nich plyne z toho, co bylo řečeno před předchozí
definicí, tedy že definice operací po prvcích vlastně znamená, že se jedná o mn nezávislých
(ale uspořádaných) operací s dvěma čísly.
Poznámka 2.5: Buďte m, n ∈ N, α, β ∈ T a mějme matice A, B, C ∈ T m,n .
1. Matice αA i A + B jsou opět prvky T m,n , neboli násobení číslem ani sčítání matic nemění
počet řádků ani počet sloupců.
2. Jelikož je sčítání matic definováno po složkách a sčítání je komutativní, resp. asociativní,
je i sčítání matic komutativní, resp. asociativní. Platí tedy
A+B=B+A
17
a
(A + B) + C = A + (B + C).
3. Jelikož je sčítání matic a násobení matice číslem definováno po složkách, plyne z toho, že
sčítání a násobení splňuje distributivní zákon zleva i zprava, to, že je distributivní i operace
násobení matic číslem vůči maticovému sčítání zleva i zprava. Přesněji, platí rovnost
α(A + B) = αA + αB
a
(α + β)A = αA + βA.
4. Díky tomu, že 1 je neutrální vůči násobení, nezmění při násobení matici. Jelikož 0 krát
cokoliv je 0, násobením matice nulou vznikne matice obsahující pouze nuly33 . Neboli platí
rovnost
1A = A
a  
0 0 ··· 0
 .. .. . . ..  .
0A =  . . . .
0 0 ··· 0
5. Pro všechna přirozená čísla n platí
nA = A {z· · · + A} .
| +A+
nkrát
Důkaz. Důkazy jsou přímočaré rozepsání tvrzení po složkách. Dokážeme první část bodu (3),
zbytek necháme čtenáři jako jednoduché cvičení.
Dokazujeme α(A + B) = αA + αB. První si povšimněme, že nalevo je součet dvou
matic typu m × n, tedy matici m × n, kterou po té přenásobíme číslem α, což ale zachová typ
m × n. Na pravé straně analogicky zjistíme, že máme taky matici typu m × n. Tedy nalevo
i nalevo máme matici stejného typu.
Stačí tedy ukázat, že se rovnají jednotlivé složky těchto matic. Mějme i ∈ {1, . . . , m},
j ∈ {1, . . . , n} a počítejme čistě s využitím definic jednotlivých operací:

α(A + B) ij
=α A+B ij
= α(Aij + Bij ) =
= αAij + αBij = (αA)ij + (αB)ij =
= (αA + αB)ij
33
V budoucnu budeme tuto matici značit Θ a nazývat ji nulová matice.
18
Transponovaná matice
Transpozice matice není aritmetická operace, ale spíše jakési přeskládání prvků. Jelikož se
často provádí, zavádí se pro ni speciální značení.
Definice 2.6 (Transpozice matice): Buďte m, n ∈ N a A ∈ T m,n matice s prvky aij . Trans-
pozicí matice A nazýváme matici z T n,m , jejíž prvek v j-tém řádku a i-tém sloupci je roven
aij . Tuto matici značíme AT .
Tj. ∀i ∈ {1, . . . n}, ∀j ∈ {1, . . . m} pro prvky transponované matice platí
(AT )ij = aji .
Transponování tedy vlastně znamená, že vezmeme řádky matice A a zapíšeme je do

sloupců (při zachovaném pořadí).
Příklad 2.2: Platí následující:
 
  1
T 1 4
1 2 3 T 2
= 2 5  a 1 2 3 4 =3 .

4 5 6
3 6
4
Pro každou matici A také platí (AT )T = A.
Násobení matic
Násobení matice maticí bude pro mnohé z čtenářů první zásadnější novinkou34 . Je proto
možné, že při prvním pohledu na definici si některý čtenář pomyslí „Proč zrovna takhle?“. Už
brzy uvidíme, že zvolená definice násobení má např. tu výhodu, že pomocí ní budeme moci
zjednodušit značení pro soustavu rovnic (2.4) na jednoduchou (maticovou) rovnici Ax = b.
To ale není zdaleka jediná výhoda a skutečný důvod, proč je součin matic definován takto, se
dozvíte později.
Definice 2.7 (Součin matic): Buďte m, n, p ∈ N, A ∈ T m,n matice s prvky aij a B ∈ T n,p
matice s prvky bij . Součinem matic A a B je matice D ∈ T m,p s prvky dij , pro kterou platí
n
(2.7)
X
dij = aik bkj ,
k=1
a kterou značíme D = A · B.35 Tečku často v zápisu vynecháváme, jak už to tak u násobení
bývá.
V této definici je třeba věnovat pozornost každému písmenku. Například si všimneme,
že matice A a B mohou být různého typu. Co se musí shodovat, je počet (označený jako n)
sloupců matice A a počet řádků matice B. Proč se musí tato dvě čísla shodovat je jasné ze
sumy (2.7): sčítací index k nabývá hodnot od 1 do n a ve sčítancích aik bkj pak tento index
hraje roli sloupcového indexu matice A a řádkového indexu matice B.
34
Samozřejmě ne pro ty nadšence, kteří kurz lineární algebry opakují.
35
znamená, že do aik bkj postupně dosadíme za k hodnoty 1, 2, . . . , n. Tedy k=1 aik bkj je zkrácený
Pn Pn
k=1
zápis pro ai1 b1j + ai2 b2j + . . . ain bnj .
19

 
1 2 3 −1
1 2 −1  8 11 14 −3
· 4 5 6 −1 = .
1 0 1 2 3 4 −1
1 1 1 0
Například prvek 14 ležící ve výsledné matici v prvním řádku a třetím sloupci získáme tak,
že vezmeme první řádek 1 2 −1 levé matice a třetí sloupec 3 6 1 pravé matice
T
a sečteme výsledky součinů provedených „po prvcích“:
1 · 3 + 2 · 6 + (−1) · 1 = 14.
Součin matic není obecně komutativní. Může se snadno stát, že součin AB je definován
a BA není (viz předchozí příklad). Ale i pokud oba součiny definovány jsou, násobení stejně
není obecně komutativní, protože výsledky mohou být matice různého typu. A i když stejného
typu jsou, nemusí si být rovny.
Příklad 2.4: Platí následující
 
1
1 1 1 2 = 6 ,
3
tedy výsledkem násobení matice z R1,3 maticí z R3,1 je matice z R1,1 .

Po prohození pořadí matic je výsledek z R3,3 :
   
1 1 1 1
2 1 1 1 = 2 2 2 .
3 3 3 3
Aby násobení mohlo být vůbec komutativní, musíme se omezit na matice, které mají
stejný počet řádků i sloupců. Jedná se o matice typu n × n a nazývají se ze zřejmého důvodu
čtvercové Pro čtvercové matice A, B ∈ T n,n platí, že matice AB i matice BA jsou opět z T n,n .
Je tedy komutativní alespoň násobení čtvercových matic? Není, jak je vidět na následujícím
příkladě.

1 1 1 0 2 1 1 0 1 1 1 1
= a = .
0 1 1 1 1 1 1 1 0 1 1 2
Komutativní tedy násobení matic obecně není, platí pro něj alespoň asociativní zákon?
Ukážeme si, že platí, musíme se ale opět omezit na matice takových rozměrů, aby uvažované
násobení bylo dobře definované.
Věta 2.4: Nechť m, n, s, t ∈ N. Pro libovolné matice A ∈ T m,n , B ∈ T n,s a C ∈ T s,t platí
A(BC) = (AB)C.
Důkaz. V následujících rovnostech používáme definici maticového násobení a využíváme

toho, že násobení reálných čísel je asociativní, a také toho, že pro sčítání a násobení reálných
čísel platí distributivní zákon. Symbolem (BC)kj značíme prvek matice BC v k-tém řádku
20
2. Soustavy lineárních rovnic Maticový zápis soustavy rovnic
a j-tém sloupci. Ukážeme, že ij-tý prvek matice A(BC) je roven ij-tému prvku matice
(AB)C pro libovolné 1 ≤ i ≤ m a 1 ≤ j ≤ t:
n
X n
X s
X n X
X s
[A(BC)]ij = Aik (BC)kj = Aik Bk` C`j = Aik Bk` C`j
k=1 k=1 `=1 k=1 `=1
s Xn s n
! s
X X X X
= Aik Bk` C`j = Aik Bk` C`j = (AB)i` C`j
`=1 k=1 `=1 k=1 `=1
= [(AB)C]ij .
Protože jsme i, j volili libovolně, každý ij-tý prvek matice A(BC) je roven ij-tému prvku
matice (AB)C. Tedy A(BC) = (AB)C.
Ještě jednou zdůrazňujeme, že asociativitu násobení matic jsme dokázali pouze s využitím
definice tohoto násobení a s využitím asociativity násobení a distributivity násobení a sčítání
čísel.
Mohli bychom si vymyslet ještě mnoho různých vlastností maticového násobení, a proto
to aspoň trochu uděláme:
Věta 2.5: V následujících tvrzeních jsou rozměry matic A, B a C vždy takové, aby obsažené
výrazy měly smysl a α ∈ T . Platí:
a. A(B + C) = AB + AC, (pravý distributivní zákon)
b. (A + B)C = AC + BC, (levý distributivní zákon)
c. α(AB) = (αA)B = A(αB),36
d. (AB)T = BT AT .
Větu dokazovat nebudeme, protože věříme, že si důkazy laskavý čtenář udělá sám. Vždy
bude platit, že si vystačí s definicí násobení, transponování a sčítání matic, definicí násobení
matice číslem a asociativitou, distributivitou a komutativitou37 násobení a sčítání reálných
čísel38 .
2.7 Maticový zápis soustavy rovnic

Zkusme si teď jen tak vynásobit následující dvě matice:
   
a11 a12 · · · a1n x1
 a21 a22 · · · a2n   x2 
A =  .. .. ... ..  ∈ T
m,n
a x =  ..  ∈ T n,1 .
   
 . . .   . 
am1 am2 · · · amn xn
36
Pozor je to jiné tvrzení než Věta 2.4.
37
Tu potřebujeme pro důkaz posledních dvou rovností.
38
Opakujeme to pořád dokola záměrně, jestli budete ještě pár stránek číst, budete za to vděční! Pokud tedy
nejste ten typ studentů, kterému se člověk nezavděčí.
21
Vzhledem k tomu, že matice A má stejně sloupců jako matice x řádků, násobení půjde jako
po másle. Výsledkem bude tato matice z T m,1 :
 
a11 x1 + a12 x2 + · · · + a1n xn
 a21 x1 + a22 x2 + · · · + a2n xn 
Ax =  .. .
 
 . 
am1 x1 + am2 x2 + · · · + amn xn
Abychom se dostali k pointě, položíme si otázku, kdy se matice Ax rovná matici

 
b1
 b2 
b =  ..  ∈ T m,1 .
 
 . 
bm
Podle Definice 2.4 se matice rovnají, pokud jsou stejného typu (což je zde splněno, obě jsou
typu m × 1) a mají stejné všechny odpovídající prvky, proto rovnost Ax = b nastává, právě
když
a11 x1 + a12 x2 + · · · + a1n xn = b1 ,
a21 x1 + a22 x2 + · · · + a2n xn = b2 ,
.. .. ... .. .
. . . = ..
am1 x1 + am2 x2 + · · · + amn xn = bm .
V tom ale pozorný čtenář jistě poznává naší dobrou známou soustavu lineárních rovnic (2.4)
z Definice 2.3! Zápis Ax = b je tedy naprosto ekvivalentním vyjádřením týchž rovností.
Jelikož je mnohem elegantnější, budeme jej v dalším textu preferovat a pro jistotu si jeho
pomocí (také) definujeme pojem soustavy lineárních rovnic39 . Než ale přistoupíme k samotné
definici, zavedeme si značení, které budeme hojně používat v následujícím textu.
Definice 2.8: Nechť m, n ∈ N. Prvky T m,1 budeme nazývat m prvkové vektory a namísto
T m,1 budeme často psát pouze T m . Vektor z T m , jehož všechny prvky jsou nuly, budeme
nazývat nulový vektor a značit θ. Matici z T m,n , jejíž všechny prvky jsou nuly, budeme
nazývat nulovou maticí a značit Θ.
Z definice plyne, že T m je množina m prvkových vektorů psaných „do sloupce“. Neboli
 
x1
 x2 
(x1 , x2 , . . . , xm ) =  .. 
 
 . 
xm
Této konvence se budeme držet. Pokud budeme potřebovat zapsat vektor x do řádku, použi-
jeme operaci transpozice xT .
39
Je trochu neobvyklé, mít v jednom matematickém textu dvě definice téhož pojmu, i když jsou třeba
ekvivalentní. Obvyklý postup je jednu si vybrat a o druhé dokázat, že je ekvivalentním vyjádřením téhož
(v případě nejasností kontaktujte prosím odborníka na tuto problematiku Ing. Miroslava Hrončoka). V našem
případě se ale nejedná ani o klasickou ekvivalenci, je to prostě to samé, jenom jinak označené. Proto si „prohřešek“
dvou definic dovolíme.
22
Definice 2.9 (Maticový zápis soustavy lineárních rovnic): Nechť m, n ∈ N, A ∈ T m,n ,

b ∈ T m . Rovnici
Ax = b (2.8)
nazýváme soustavou m lineárních rovnic pro n neznámých x1 , x2 , . . . , xn . Vektor
 
x1
 x2 
x =  .. 
 
 . 
xn
nazýváme vektorem neznámých a vektor b = b1 b2 · · · bm vektorem pravých

T
stran.
Matici A nazýváme maticí soustavy a matici
 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
(A | b) =  .. .. ... .. .. 
 
 . . . . 
am1 am2 · · · amn bm
rozšířenou maticí soustavy40 . Je-li b = θ ∈ T m , mluvíme o homogenní soustavě. Sou-

stava Ax = θ je přidruženou homogenní soustavou lineárních rovnic k soustavě
Ax = b.
Množinu všech řešení soustavy Ax = b značíme S a množinu řešení přidružené
homogenní soustavy S0 .
Struktura řešení soustavy

V Poznámce 2.2 jsme si ukázali, že je-li x řešením homogenní soustavy Ax = θ, pak také αx
je jejím řešením pro libovolné α ∈ T . S využitím jednoduššího značení a vlastností násobení
matic si můžeme snadno41 ukázat o množině řešení další důležité věci.
Věta 2.6: Uvažujme soustavu rovnic Ax = b. Platí následující:
a. Je-li x ∈ S0 a α ∈ T , je také αx ∈ S0 .
b. Je-li x, y ∈ S0 , je také x + y ∈ S0 .
c. Je-li x, y ∈ S, je x − y ∈ S0 .
d. Buď x ∈ S, potom pro každý vektor y ∈ S existuje nějaký vektor z ∈ S0 tak, že y = x + z.
e. Buď x ∈ S, potom pro každý vektor z ∈ S0 platí, že x + z ∈ S.

40
Svislá čára mezi posledním a předposledním sloupcem se používá pouze pro grafické zvýraznění toho,
co považujeme za pravou stranu. Nemá žádný jiný význam a rozšířená matice soustavy je normální matice
z T m,n+1 .
41
S dobrým značením do toho a půl je hotovo.
23
Důkaz. Tvrzení a. už jsme dokázali dříve v bodu (e) Pozorování 2.2, ale pro porovnání toho,
jak nám nový přístup ulehčí život si jej dokážeme znovu.
Máme-li x homogenní řešení, potom víme Ax = θ. S využitím bodu (c) z Věty 2.5 obdržíme
A(αx) = α(Ax) = αθ = θ.
Tedy i αx je homogenním řešením.
Tvrzení b. je přímým důsledkem distributivního zákona (viz Větu 2.5, bod a.) a zřejmého
faktu, že θ + θ = θ:
A(x + y) = Ax + Ay = θ + θ = θ,
tedy skutečně i x + y řeší přidruženou homogenní soustavu a patří do množiny S0 .
Jelikož je x − y definováno jako x + (−1)y, dostáváme s pomocí a. a b. toto:
A(x − y) = A(x + (−1)y) = Ax + A((−1)y) = Ax + (−1)Ay = Ax − Ay.
Můžeme tedy říci, že distributivní zákon platí pro násobení i vůči odčítání matic. Z předpokladu
tvrzení c. x, y ∈ S plyne, že Ax = Ay = b, což s využitím předchozího výpočtu dává
A(x − y) = Ax − Ay = b − b = θ,
tedy skutečně x − y ∈ S0 .
Tvrzení d. je přímým důsledkem c., neboť hledaný z je roven vektoru y − x, který je dle c.
prvkem S0 a zároveň zřejmě platí42 x + (y − x) = y.
Tvrzení e. je jen dalším důsledkem distributivního zákona a toho, že b + θ = b:
A(x + z) = Ax + Az = b + θ = b.
Zavedeme si ještě jeden pojem, který nám umožní zapsat tvrzení d. a e. v elegantnějším
a čitelnějším formátu:
Definice 2.10: Buďte a ∈ T m a B ⊆ T m . Součet vektoru a a množiny B definujeme
následovně:
a + B := {a + b | b ∈ B}.
Součet vektoru a množiny je tedy definován jako množina všech součtů vektoru a se
všemi možnými vektory z množiny B.
Kdyby se čtenář necítil ohledně této definice pevný v kramflecích, nechť si rozmyslí
rovnosti v následujícím příkladě.
Příklad 2.6: Platí následující rovnosti:
a. 4 + {−1, 2, 3} = {3, 6, 7}.
b. Je-li {2z | z ∈ Z} množina všech sudých celých čísel, potom je 1 + {2z | z ∈ Z} =
{1 + 2z | z ∈ Z} množina všech lichých čísel.
c. Je-li {(x, 0) | x, y ∈ R, x = y} osa x potom
(2, 1) + {(x, 0) | x ∈ R} = {(2 + x, 1) | x ∈ R}
je přímka procházející bodem (2, 1) rovnoběžná s osou x.
42
Sami si rozmyslete, jaké všechny vlastnosti aritmetických operací s maticemi zde používáme.
24
2. Soustavy lineárních rovnic Soustavy ve snadno řešitelném tvaru
1 (2, 1) + {(x, 0) | x ∈ R}
(2, 1)
x
θ 1
Definici součtu vektoru a množiny budeme používat často i v následujících kapitolách43 ,

zde jej ale použijeme k přeformulování tvrzení d. a e. z předchozí věty.
Věta 2.7: Nechť x̃ je nějaké řešení soustavy Ax = b, potom pro tuto soustavu platí, že
S = x̃ + S0 .
Když se nad tím trochu zamyslíme, zjistíme, že tato věta je skutečně ekvivalentní s tvrze-
ními d. a e.: d. říká, že S ⊆ x + S0 a z e. pak plyne, že S ⊇ x + S0 . Dohromady tedy máme
S = x + S0 a věta je dokázána.
Rovnost S = x + S0 může vypadat nevinně, ale pro naši snahu umět kompletně vyřešit
libovolnou soustavu lineárních rovnic je klíčová, říká nám totiž, že pokud chceme popsat
celou množinu řešení, stačí umět najít jedno řešení a umět popsat množinu řešení přidružené
homogenní soustavy.
2.8 Soustavy ve snadno řešitelném tvaru

V této kapitole už jsme si vydatně o soustavách lineárních rovnic popovídali, takže konečně
můžeme začít studovat, jak hledat jejich řešení. Bohužel ještě nemáme veškerou výbavu
k tomu, abychom tento úkol dotáhli úplně do konce. Přeci jen se ale mnoho důležitého
o množině řešení zjistit naučíme. Konkrétně byste po přečtení této a následující části měli být
schopni:
• Poznat, zda má soustava alespoň jedno řešení nebo nemá řešení žádné.
• Poznat, jestli má daná soustava právě jedno řešení nebo jich má nekonečně mnoho.
• V případě, že má soustava právě jedno řešení, toto řešení nalézt.
• V případě, že má soustava více než jedno řešení, nalézt jich mnoho.
Co se zatím nedozvíte je to, jak popsat množinu řešení, když bude mít nekonečně prvků44 .
Popsat nekonečnou množinu je někdy záludný problém neb to samozřejmě nelze udělat
43
Nota bene, je to velice obvyklé značení a často se používá bez dalšího komentáře, protože se předpokládá,
že jej má laskavý čtenář v paži.
44
Přesněji řečeno se to dozvíte, ale nebudete o tom vědět (tj. nebudeme schopní to dokázat).
25
prostým výčtem a musí se nějakým způsobem zachytit struktura této množiny. Někdy je to
jednoduché, např. množinu sudých čísel popíšeme snadno:
{2k | k ∈ Z},
jsou to prostě všechny celočíselné násobky dvou. A někdy je to zase extrémně složité, např.
u množiny prvočísel. Tu popsat nějakým konečným způsobem, který by jasně říkal, jak
všechna prvočísla vypadají, neumíme45 .
V případě řešení soustav lineárních rovnic si ukážeme, že množina S0 vždy tvoří podprostor,
tedy existuje konečná množina různých řešení (tzv. báze) taková, že všechna ostatní řešení
získáme jejich lineární kombinací. Sami asi cítíte, že je trochu problém, že se tu oháníme
pojmy, které Vám nic neříkají. O to, aby Vám něco říkaly, se postaráme v další kapitole.
Horní stupňovitý tvar

V sekci 2.4 jsme viděli, že některé soustavy se dají vyřešit snadno, protože se dají přímočaře
převést ze soustavy rovnic na řešení nezávislých lineárních rovnic s jednou proměnnou. Jako
příklad jsme si uvedli soustavu (v rovnici (2.5)), kterou maticově můžeme zapsat
 
3 2 1 6
0 2 1 3 . (2.9)
0 0 1 1
Vlastnost, která z této soustavy dělala snadno řešitelný problém, byla tato: Jedna z rovnic
měla formu jednoduché lineární rovnice s jednou neznámou (konkrétně z = 1). Po jejím
vyřešení a dosazení za tuto neznámou nám zbyly dvě rovnice pro dvě neznámé (zde jsou to x
a y), jejichž tvar umožňoval opět jednu neznámou snadno spočítat. Toto navíc bylo možné
opakovat, dokud jsme neohodnotili všechny proměnné.
Na soustavě (2.9) byla tato vlastnost snadno vidět, podobně snadno lze ale vyřešit třeba
tuto soustavu:  
0 1 0 2
 0 2 −1 2  . (2.10)
3 0 1 8
Z první rovnice vykoukáme, že y = 2. Když za y dosadíme (prostřední sloupec vynásobíme
dvěma, odečteme jej od sloupce pravých stran a následně jej vynulujeme – toto by se dalo
popsat jako odečtení tohoto sloupce od obou stran soustavy), dostaneme:
 
0 0 0 0
 0 0 −1 −2  ,
3 0 1 8
což odpovídá soustavě dvou rovnic pro dvě neznámé x a z:

0 −1 −2
.
3 1 8
45
Kdybyste na něco přišli, můžete dostat buď hodně peněz, nebo taky záhadně zmizet, neb kvůli některým
šifrám by z toho mohlo být docela mrzení.
26
V této soustavě máme další triviální rovnici −z = −2 s řešením z = 2. Po dosazení a dalším

odečtení sloupce odpovídající proměnné z dostáváme

0 0 0
,
3 0 6
což odpovídá rovnici 3x = 6. Soustava má tedy jediné řešení a to (2, 2, 2).
Když se podíváme (ne moc zkušeným okem) na soustavy (2.9) a (2.10), je jasné, že z tvaru
té první je „snadná řešitelnost“ mnohem lépe vidět, neboť rovnici, která má snadné řešení,
najdeme vždy dole a proměnnou této rovnice vždy vpravo. Jak uvidíme, na tento tvar se
můžeme z (2.10) také dostat, aniž bychom měnili množinu řešení. V tomto konkrétním příkladu
stačí napsat řádky v opačném pořadí (to jistě množinu řešení nemění) a prohodit druhý a třetí
sloupec (to také množinu řešení nemění, neboť sčítání je komutativní46 ). Výsledkem je soustava
 
3 1 0 8
 0 −1 2 2  .
0 0 1 2
Nyní už by měl jen trochu zúčastněný čtenář být schopen vysvětlit47 , proč platí následující:
Pozorování 2.3: Nechť pro matici soustavy Ax = b platí následující:
a. A ∈ T n,n (tj. je čtvercová),
b. Aii 6= 0 pro všechny i ∈ {1, 2, . . . , n} (tj. diagonální prvky jsou nenulové),
c. je-li i > j je Aij = 0 (tj. prvky pod diagonálou jsou nulové,
potom má soustava právě jedno řešení.
Poznámka: Maticím splňujícím současně první a třetí bod se říká horní trojúhelníkové.
Jak již víme, soustavy nemusí mít vždy jediné řešení, mohou jich mít více (i nekonečně)
nebo nemusí mít žádné. Z toho je jasné, že ne všechny soustavy budeme schopni převést na
tvar popsaný v Pozorování 2.3. Například soustava
 
3 1 0 8
 0 −1 2 2 
 
3 1 1 10 
6 1 3 21
řešení nemá, ale na první pohled to vidět není. Naopak u soustavy
 
3 1 0 8
 0 −1 2 2 

0
 (2.11)
0 1 2
0 0 0 1
to vidíme okamžitě, neb poslední řádek odpovídá neřešitelné rovnici48 0 = 1.
46
Ha, další užitečná vlastnost!
47
Pokud tomu nerozumíte, přečtete si tuto část ještě jednou. Tato „rada“ platí, i když už jste jí předtím četli.
Stále platí, že bude hůř a tady není vůbec vhodné něco nechápat!
48
Možná Vám připadá, že je to poněkud ulítlý příklad neřešitelné soustavy, ale není: každá neřešitelná soustava
vede na takovouto zřejmou nepravdu. Ostatně když byste chtěli někoho přesvědčit, že rovnice 2x = 2(x + π)
nemá řešení, také ukážete, že by muselo platit že π = 0.
27
Existuje tedy tvar soustavy, ze kterého je vidět, že má soustava právě jedno řešení a i tvar,
který přímo křičí, že soustava řešení žádné nemá. Existuje tvar soustavy, ze kterého poznáme,
že řešení je více? Ano, koukněme třeba na následující soustavu tří rovnic o pěti neznámých
(x1 , x2 , x3 , x4 , x5 ):  
3 1 0 2 0 7
 0 −1 2 2 1 1  . (2.12)
0 0 0 1 1 2
Najdeme si dvě různá řešení a s jejich pomocí dalších nekonečně mnoho řešení. Nejprve
zkusme najít taková řešení, pro která je x3 = x5 = 0. To vlastně odpovídá tomu, že vynecháme
třetí a pátý sloupec soustavy. Výsledkem je soustava pro tři neznámé (x1 , x2 , x4 )
 
3 1 2 7
 0 −1 2 1  ,
0 0 1 2
která má, jak víme z Pozorování 2.3, právě jedno řešení. Snadno spočítáme, že x4 = 2, x2 = 3
a x1 = 0. Pro původní soustavu tedy dostáváme řešení x = (0, 3, 0, 2, 0). Když položíme
x2 = x4 = 0, dostaneme podobně soustavu
 
3 0 0 7
0 2 1 1 ,
0 0 1 2
která nám s použitím stejného postupu dá řešení y = (7/3, 0, −1/2, 0, 2).

Máme tedy dvě různá řešení soustavy (2.12) x, y ∈ S. Z bodu c. Věty 2.6 víme, že vektor
z = x − y = (−7/3, 3, 1/2, 2, −2) je řešením přidružené homogenní soustavy, neboli je
prvkem S0 . Z bodu a. téže věty víme, že vektor αz je pro libovolné α ∈ R také z S0 . Konečně
podle bodu e. platí, že pro libovolné α ∈ R je vektor
x + αz ∈ S
a my tak dostáváme nekonečně mnoho řešení!

Když se podíváme na soustavy (2.9), (2.11) a (2.12), u kterých jsme si ukázali, že je snadné
je vyřešit, můžeme si všimnout jedné vlastnosti. Kdybychom v každém řádku nahradili nuly,
které jsou nalevo od nejlevějšího nenulového prvku (v tomto řádku), nějakým kvádrem,
dostaneme schody, po kterých budeme moci vystoupat až k prvnímu řádku. Ukažme49 si to
na soustavách (2.9), (2.11) a (2.12):
49
Tady prosíme laskavého čtenáře o trochu fantazie, která mu z malých černých čtverečků udělá kvádry,
které tvoří slibované schody.
28
   
1 6
3 2 3 2 1 6
1 3 −→
0 2   2 1 3
0 0
1 1 1 1
   
30 81 3 1 0 8
 0 −1
2 2  −1 2 2 

0 −→  
1 2
0  1 2
00 10 1
   
3 1 0 2 0 7 3 1 0 2 0 7
 0 −1 2 2 1 1  −→  −1 2 2 1 1  .
0 0 0 1 1 2 1 1 2
Tvaru, který tuto schodovitou vlastnost bude mít, říkáme horní stupňovitý tvar. Jelikož
si tady jen tak nepovídáme, ale seriózně budujeme lineární algebru, musíme uvést řádnou
a přesnou definici50 .
Definice 2.11: Pro přehlednější zápis si zavedeme následující značení: Je-li n ∈ N potom
definujeme
n̂ = {1, 2, . . . , n}.
Definice 2.12 (HST): O matici D ∈ T m,n řekneme, že je v horním stupňovitém tvaru,
jestliže všechny řádky jsou nulové, nebo existuje k ∈ m̂ tak, že řádky 1 až k matice D jsou
nenulové a řádky k + 1 až m jsou nulové51 a jestliže platí následující:
Označme pro každé i ∈ k̂ index nejlevějšího nenulového prvku v i-tém řádku jako ji , tj.
ji = min{` ∈ n̂ | Di` 6= 0}.
Potom platí 1 ≤ j1 < j2 < · · · < jk .52

Je-li matice v horním stupňovitém tvaru, potom sloupcům s indexy j1 , j2 , . . . , jk říkáme
hlavní sloupce, ostatním říkáme vedlejší sloupce.
O soustavě Ax = b řekneme, že je v horním stupňovitém tvaru, pokud rozšířená matice
této soustavy (A | b) je v horním stupňovitém tvaru.
Poznámka 2.6: Asi si říkáte: „Zlaté kvádry a schody, kdo se v tomhle má vyznat.“ Pokud při-
jdete na elegantnější přesnou definici horního stupňovitého tvaru, neváhejte napsat autorům,
budou Vám vděční.
50
Pojem „schody“ nemá zřejmě rigorózní matematickou definici.
51
Takto krkolomně říkáme, že případné nulové řádky matice musí být vyskládány dole.
52
Neboli první nenulové číslo nenulového řádku je vždy napravo od prvního nenulového prvku o řádek výše.
29
Pro představu přikládáme schéma obecné matice D v horním stupňovitém tvaru:

 
0 · · · 0 D1j1 · · · ∗ ∗ ··· ∗ ∗ ··· ∗ ∗ ··· ∗
 |{z} 
 6=0 
0 ··· 0 0 · · · 0 D2j2 · · · ∗ ∗ ··· ∗ ∗ · · · ∗
 
 |{z} 
 6=0 
0 ··· 0 ··· 0 · · · 0 D3j3 · · · ∗ ∗ · · · ∗
 
 0 0 
|{z}
=
6 0
 
 .. .. .. .. .. .. .. 
 
. . . . . . .
 
 
0 ··· 0 ··· 0 ··· 0 · · · 0 Dkjk · · · ∗ 
 
 0 0 0 
 |{z}
=
6 0

 
0 ··· 0 0 ··· 0 0 ··· 0 0 ··· 0 0 · · · 0
 .. .. .. .. .. .. 
 
. . . . . .
 
0 ··· 0 0 ··· 0 0 ··· 0 0 ··· 0 0 · · · 0
Pro ujasnění značení uveďme následující příklad (používá značení z Definice 2.12):
Příklad 2.7: Pro soustavu (2.9) platí
k=3 a j1 = 1 < j2 = 2 < j3 = 3.
Soustava je tedy dle definice v horním stupňovitém tvaru. Má tři hlavní sloupce (první, druhý
a třetí sloupec) a jeden vedlejší (čtvrtý sloupec, neboli vektor pravých stran).
Pro soustavu (2.10) platí
k=3 a j1 = 2 = j2 = 2 > j3 = 1.
Tato soustava tedy není v horním stupňovitém tvaru.

k=4 a j1 = 1 < j2 = 2 < j3 = 3 < j4 = 4.
Tato soustava je v horním stupňovitém tvaru a všechny čtyři sloupce jsou hlavní.
k=3 a j1 = 1 < j2 = 2 < j3 = 4.
Soustava je v horním stupňovitém tvaru. Má tři hlavní sloupce (první, druhý a čtvrtý sloupec)
a tři vedlejší (třetí, pátý a šestý sloupec).
Na příkladech jsme si ukázali, že z horního stupňovitého tvaru umíme rozpoznat tři různé
situace: soustava má právě jedno, resp. žádné, resp. více řešení. Tyto příklady byly v jistém
smyslu univerzální, neboť platí následující věta.
Věta 2.8: Mějme soustavu lineárních rovnic Ax = b, kde A ∈ T m,n . Je-li tato soustava
v horním stupňovitém tvaru, platí následující:
a. Je-li poslední sloupec matice (A | b) hlavní, soustava nemá řešení.
30
2. Soustavy lineárních rovnic Konečně Gaussova eliminace (GEM)
b. Je-li poslední sloupec matice (A | b) jediný vedlejší sloupec, má soustava právě jedno
řešení.
c. Je-li poslední sloupec matice (A | b) vedlejší a existuje-li ještě jiný vedlejší sloupec, má
soustava více než jedno řešení.
Jiný případ než tyto tři nastat nemůže.

Důkaz. Je jasné, že případy a. – c. pokrývají všechny možnosti, které mohou nastat.
Tvrzení a. je triviální, neboť z definice hlavního sloupce plyne, že rozšířená matice soustavy
obsahuje řádek 0 0 · · · 0 c , kde c je nenulové číslo. To ale odpovídá rovnici 0 = c,

která nemá řešení. Řešení tedy nemá ani soustava rovnic53 .

Předpoklad tvrzení b. vlastně znamená, že matice A splňuje předpoklady Pozorování 2.3.
Již nebudeme znovu vysvětlovat, že to znamená, že řešení soustavy je jednoznačně dané.
Zbývá ukázat, že platí c. To ukážeme tak, že najdeme jedno řešení a pak nějaké nenulové
řešení příslušné homogenní soustavy Ax = θ. Existence více než jednoho řešení pak již plyne
z tvrzení e. a a. Věty 2.6.
Jedno řešení získáme tak, že proměnné odpovídající vedlejším sloupcům v matici A
(nikoliv (A | b)) položíme rovny nule. Je jasné, že tyto proměnné nebudou mít poté žádný
vliv na ostatní proměnné, proto můžeme jejich odpovídající sloupce ignorovat. Po vynechání
těchto vedlejších sloupců z matice (A | b), dostaneme matici v horním stupňovitém tvaru
splňující předpoklad tvrzení b. Takto vzniklá soustava má již jediné řešení, které doplníme do
proměnných odpovídajícím hlavním sloupcům matice (A | b).
Označme vektor proměnných jako
T
x = x1 x2 · · · xn .
Nenulové řešení soustavy Ax = θ najdeme takto54 Buď ` index nějakého vedlejšího sloupce.
Označme matici, která vznikne z A vynecháním `-tého sloupce, jako matici Ā ∈ T m,n−1 .
Podobně označme x̄ vektor, který vznikne z x vynecháním prvku x` . Soustava Āx̄ = −A:`
je jistě v horním stupňovitém tvaru, který splňuje buď předpoklad tvrzení b. nebo tvrzení c.
Pro takové soustavy ale již umíme najít řešení, označme jej (x̄1 , x̄2 , . . . , x̄`−1 , x̄`+1 , . . . , x̄n ).
Z konstrukce tohoto řešení plyne, že n-tice čísel (x̄1 , x̄2 , . . . , x̄`−1 , 1, x̄`+1 , . . . , x̄n ) je nenulové
řešení původní homogenní soustavy Ax = θ.
2.9 Konečně Gaussova eliminace (GEM)

Zbývá ukázat, že každou soustavu lze převést na horní stupňovitý tvar. Využijeme k tomu
úpravy (U1), (U2) a (U3) z části 2.5. Jelikož jsme ale pro soustavy začali používat maticový
zápis, přeformulujeme si i tyto úpravy jako úpravy matice. Pro matici A ∈ T m,n s prvky aij
definujeme55 tyto operace Gaussovy eliminace (GEM):
53
Vzpomeňme tvrzení b. v Pozorování 2.2.
54
Zkráceně bychom postup hledání tohoto řešení mohli popsat takto: vezměme nějaký (ne ten poslední)
vedlejší sloupec v soustavě Ax = θ a za příslušnou proměnnou dosaďme jedničku. Tento sloupec pak převeďme
na pravou stranu (objeví se tam vynásobený číslem −1) a získáme tak nehomogenní soustavu. Ta nutně splňuje
předpoklady b. nebo tvrzení c. a umíme ji tedy vyřešit. Nalezené řešení doplňme jedničkou za vynechanou
proměnnou a získáme nenulové řešení původní homogenní soustavy.
55
Písmeno G je od jména Gauss. Pojmenovávat různé věci po panu Gaussovi je v matematice takový folklór.
31
(G1) Prohození dvou řádků.
(G2) Vynásobení jednoho řádku matice nenulovým číslem, přesněji nahrazení řádku

ai1 ai2 · · · ain
řádkem
αai1 αai2 · · · αain ,
pro nějaké 1 ≤ i ≤ m a α ∈ T \ {0}.
(G3) Přičtení libovolného násobku jednoho řádku k jinému, přesněji nahrazení řádku

ai1 ai2 · · · ain
řádkem
(ai1 + αaj1 ) (ai2 + αaj2 ) · · · (ain + αajn ) ,
pro nějaká různá čísla i, j ∈ {1, 2, . . . , m} a α ∈ T .
Jelikož jsme vlastně pouze přeznačili úpravy (U1) až (U3), platí i analogická verze Věty 2.3.
Věta 2.9: Převedeme-li rozšířenou matici jedné soustavy na rozšířenou matici jiné pomocí
jedné z úprav (G1), (G2) nebo (G3), mají obě soustavy stejnou množinu řešení.
Nejprve si ukážeme, že matici každé soustavy s nenulovým prvním sloupcem umíme
převést pomocí (G1) až (G3) do tvaru, kdy má v prvním sloupci nenulový prvek pouze v prvním
řádku56 . Tento fakt pak využijeme ke konstrukci algoritmu, který převede libovolnou matici
do horního stupňovitého tvaru. Postupovat budeme takto (upravujeme matici A ∈ T m,n
s prvky aij )
a. Pokud je a11 = 0, prohodíme 1. řádek s i-tým řádkem, pro který je ai1 6= 0. (úprava (G1)
a využití předpokladu o nenulovosti prvního sloupce v matici soustavy)
b. Pro j = 2, 3, . . . , m přičteme k j-tému řádku α násobek prvního řádku (úprava (G3)), kde
α splňuje rovnici
aj1 + αa11 = 0. (2.13)
Naposledy si rozpitváme vlastnosti aritmetických operací s čísly: využili jsme toho, že

rovnice (2.13) má v T vždy řešení, konkrétně α = −aj1 a−1
11 . Jeho existence plyne z vlastností
tělesa a to konkrétně, že víme, jak vypadá řešení rovnice a + x = b pro libovolné a, b ∈ T –
x = −a + b, a rovnice cx = d pro libovolné c 6= 0, d ∈ T – y = c−1 d.
Nyní tedy víme, že rovnice aj1 + αa11 = 0 má řešení: víme totiž, že řešením rovnice
aj1 + y = 0 je y = −aji a řešením αa11 = −aji je α = −aj1 a−1 11 .
A je to tady, můžeme si popsat Gaussovu eliminační metodu (GEM):
Algoritmus 2.1 (GEM): Cíl algoritmu: Pro matici B ∈ T m,n , hledáme takovou posloupnost
úprav (G1) a (G3), která ji převede do horního stupňovitého tvaru.
Postup: Položme k = ` = 1. Dokud je k ≤ m nebo ` ≤ n, provádíme následující:57
56
Čistě nulový sloupec nám při řešení pochopitelně nevadí, znamená, že řešení zadané soustavy na jedné
z proměnných vůbec nezáleží a lze ji volit libovolně.
57
Začneme v prvním řádku v prvním sloupci a pokračujeme, dokud nedorazíme do posledního řádku nebo
sloupce.
32
1. Platí-li Bj` = 0 pro všechna j = k, k + 1, . . . , m, položte ` = ` + 1 a opakujeme krok 1.58

2. Je-li Bk` = 0 a Bj` 6= 0 pro nějaké j ∈ {k + 1, m} prohodíme pomocí pravidla (G1) j-tý
a k-tý řádek a pokračujeme do kroku 3.59
3. Máme Bk` 6= 0.60 Pomocí (G3) odečteme od všech spodnějších řádků vhodný násobek
k-tého řádku tak, abychom vynulovali všechny prvky `-tého sloupce pod prvkem na k-tém
řádku.61 Položte k = k + 1, ` = ` + 1 a pokračujme krokem 1.62
Pokud Vám tento popis není blízký63 , můžeme si algoritmus převyprávět:
• V prvním kroku zleva doprava vynecháváme sloupce, dokud nenarazíme na nenulový
sloupec.
• V druhém kroku vhodně prohodíme řádky (G1) tak, aby první řádek měl na začátku
nenulové číslo.
• V třetím kroku vytvoříme pomocí odečítání vhodného násobku prvního řádku (G3)
schod v prvním sloupci (tj. nulové prvky na začátku 2. až posledního řádku). Vynecháme
první řádek a první sloupec matice a pokračujeme krokem 1, dokud jsme nevynechali
všechny řádky nebo sloupce.
Při počítání se nemusíme striktně držet algoritmu. Můžeme upravit pořadí úprav (G1)
a (G3) v GEM, či můžeme použít pravidlo (G2) a výpočty si tak případně zjednodušit. Při
provádění GEM tedy máme poměrně velkou svobodu. Obecně platí, že se při provádění GEM
vyplatí myslet pár tahů dopředu: při vhodném pořadí úprav si výpočet můžeme významně
ulehčit.
Uveďme si pro ilustraci běhu GEM následující příklad.
Příklad 2.8: Rozhodněte, kolik má následující soustava pro neznámé x1 , x2 , . . . , x5 ∈ R
řešení:  
6 12 0 1 1 4
2 4 0 0 0 1
3 6 3 9 0 9
Můžeme postupovat přímo podle Algoritmu 2.1. Začneme v prvním řádku v prvním sloupci,
tj. k := 1, ` := 1. Jelikož je v prvním řádku v prvním sloupci nenulové číslo, krok 1 i krok 2
nic neudělají. Pokračujeme krokem 3, kdy budeme nulovat prvky pod prvkem 6.
   
6 12 0 1 1 4 6 12 0 1 1 4
G3
 2 4 0 0 0 1  −−− −−→  0 0 0 − 13 − 13 − 31 
ř2−1/3·ř1
3 6 3 9 0 9 3 6 3 9 0 9
 
6 12 0 1 1 6
G3
−−−−−→  0 0 0 − 3 − 3 − 13 
1 1
ř3−1/2ř1
0 0 3 17 2
− 21 172
58
Je-li zpracovávaný sloupec nulový, ignorujeme jej a pokračujeme na další sloupec.
59
Je-li ve zpracovávaném sloupci nula na začátku nula, a v témž sloupci je někde níže nenula, vyměníme
řády, tak abychom dostali nenulu na začátek.
60
Díky kroku 2.
61
Po zajištění nenuly na začátku zpracovávaného sloupce, odečteme patřičný násobek zpracovávaného řádku,
abychom vynulovali prvky pod začátkem zpracovávaného sloupce.
62
Tím máme hotové zpracování sloupce i řádku a můžeme pokračovat na dalším řádku a sloupci.
63
Komu jinému by ale měl být blízký, než studentům FITu!
33
Nyní jsme hotovi na prvním řádku a v prvním sloupci. Ty už upravovat nebudeme a můžeme
je ignorovat. A pokračujeme v dalším řádku a sloupci, tedy k := 2, ` := 2.
Vidíme, že druhý sloupec je nulový od druhého řádku níže. Krok 1 říká, že je tedy také už
hotov a můžeme jej ignorovat. Pokračujeme v dalším sloupci, tzn. ` := 3.
Ve třetím sloupec od druhého řádku není nenulový, tedy krok 1 nic neprovede. Krok 2
nám přehodí řádek začínající nulou za řádek, který na nulu nezačíná.
   
6 12 0 1 1 6 6 12 0 1 1 6
G1
 0 0 0 − 1 − 1 − 1  −− −→  0 0 3 17 − 12 17 
3 3 3 ř2↔ř3 2 2
17 1 17 1 1 1
0 0 3 2 −2 2
0 0 0 −3 −3 −3
Nyní už máme matici v HST. Ověřme si, že se algoritmus zastaví. Krok 3 nic neodečte, protože
pod prvkem 3 je již 0. Ale zvýší nám indexy k := 3, ` := 4, čímž se ale algoritmus ukončí.
Vidíte, že soustava je v HST ale obsahuje spoustu zlomků, velké čísla, je „nehezká“. My
se ale nemusíme striktně držet algoritmu. Užitím (G1)–(G3) upravujeme rozšířenou matici
soustavy následovně:
   
6 12 0 1 1 4 3 6 3 9 0 9
G1 G2
 2 4 0 0 0 1  −− −→  2 4 0 0 0 1  −−−→
ř1↔ř3 1/3∗ř1
3 6 3 9 0 9 6 12 0 1 1 4
   
1 2 1 3 0 3 1 2 1 3 0 3
 2 4 0 0 0 1  −−G3 −−→  0 0 −2 −6 0 −5  −−−−→
G3
ř2−2∗ř1 ř3−6∗ř1
6 12 0 1 1 4 6 12 0 1 1 4
 
1 2 1 3 0 3
 0 0 −2 −6 0 −5  −−G3 −−→
ř3−3∗ř2
0 0 −6 −17 1 −14
 
1 2 1 3 0 3
 0 0 −2 −6 0 −5 
0 0 0 1 1 1
Tato matice je také v horním stupňovitém tvaru a obsahuje „hezčí čísla“.

Vraťme se k řešení úlohy. Ať už jsme GEMovali podle algoritmu nebo druhým způsobem,
získali jsme matici, která má tři vedlejší sloupce (2., 5. a 6.), tedy dle bodu c. ve Větě 2.8 má
soustava více řešení.
Pro radost si nějaká řešení najděme. Položme například x2 = x4 = 0. Dostaneme soustavu
 
1 1 3 3
 0 −2 −6 −5  ,
0 0 1 1
která má jediné řešení x1 = 1/2, x3 = −1/2, x4 = 1. Dostáváme tedy řešení, které můžeme
zapsat ve tvaru pětice (1/2, 0, −1/2, 1, 0).
Abychom nalezli nějaké řešení příslušné homogenní rovnice
 
1 2 1 3 0 0
 0 0 −2 −6 0 0 
0 0 0 1 1 0
34
2. Soustavy lineárních rovnic Zajímavosti
postupujme jako v důkazu bodu c. Věty 2.8. Jednu proměnnou odpovídající vedlejšímu sloupci
položíme rovnu nenulovému číslu (v důkazu je to 1, ale funguje to s libovolným nenulovým
číslem) a ostatní položíme rovné nule. Když budeme trochu fundovaně koukat na tuto soustavu,
vybereme si třeba nastavení x2 = 1 a x5 = 0. Odstraněním pátého sloupce a převedením
pátého na pravou stranu dostaneme soustavu
 
1 1 1 −2
 0 −2 −6 0 ,
0 0 1 0
která má jediné řešení x1 = −2, x3 = 0, x4 = 0. Dostáváme tedy nenulové řešení homogenní

soustavy (−2, 1, 0, 0, 0). Snadno již díky Větě 2.6 dostaneme dalších nekonečně mnoho řešení.
2.10 Zajímavosti
V této sekci si zmíníme několik zajímavostí, které můžou čtenáři pomoci prohloubit pochopení
lineární algebry. U zkoušky či pro zápočet nejsou vyžadovány.
Blokové násobení a algoritmy pro maticové násobení

Definice 2.13: Uvažujme dvě matice sestavené po blocích takto:

A1,1 A1,2 B1,1 B1,2
A= , B= .
A2,1 A2,2 B2,1 B2,2
Nechť jednotlivé bloky jsou takového typu, že násobení Ai,j Bj,k je definováno pro všechna
i, j, k ∈ 2̂. Potom platí

A1,1 B1,1 + A1,2 B2,1 A1,1 B1,2 + A1,2 B2,2
AB = .
A2,1 B1,1 + A2,2 B2,1 A2,1 B1,2 + A2,2 B2,2
Poznamenejme, že analogický výsledek platí i pro jinak vytvořené bloky. Například platí
A(B1 B2 . . . Bp ) = (AB1 AB2 . . . ABp ). (2.14)
Uvažujme čtvercové matice A, B ∈ T n,n . K výpočtu součinu AB podle definice potřebujeme

n3 operací (operací myslíme vynásobení dvou čísel, které je výpočetně náročnější než sčítání)64 .
Nedalo by se ušetřit?
Rekurzivní algoritmus násobení matic: Vychází z blokového násobení (Definice 2.13). Pro
jednoduchost výpočtu složitosti předpokládejme, že rozměr matic n = 2k , pro nějaké k ∈ N.
Pokud násobíme dvě matice blokově, dle definice musíme provést dohromady 8 součinů
(tvaru Ai,j Bj,k ) matic polovičních rozměrů (plus nějaké to sčítání, které zanedbáváme). Počet
operací násobení označme F (n), potom platí:65
64
Je to takový přibližný odhad, součin AB má n2 prvků, pro každý z nich počítáme sumu n sčítanců a pro
každý z nich potřebujeme jedno násobení.
65
Jako by se nechumelilo, jen tak si tu řešíme jeden z mnoha druhů rekurentní rovnic. Děláme to ovšem
docela dřevorubecky a bez pořádného vysvětlování! Ctihodný čtenář nechť v tom vidí něžnou reklamu na
předmět BI-ZDM.
35
F (n) =8F (n/2) = 8(8F (n/4)) = 8(8(8F (n/8))) = · · ·

=8k F (n/2k ) = 8k F (1) = 8k = (2k )3 =
=n3 .
Rekurzivní Strassenův algoritmus: Vychází z blokového násobení, ale vystačí jen se sedmi
součiny. Položíme-li
X1 = (A1 + A4 )(B1 + B4 ), X5 = (A1 + A2 )B4 ,

X2 = (A3 + A4 )B1 , X6 = (A3 − A1 )(B1 + B2 ),
X3 = A1 (B2 − B4 ), X7 = (A2 − A4 )(B3 + B4 ),
X4 = A4 (B3 − B1 ) .
potom platí rovnost

A 1 A2 B1 B2 X1 + X 4 − X5 + X7 X 3 + X5
= .
A 3 A4 B3 B4 X 2 + X4 X1 − X 2 + X3 + X6
Pro počet operací F (n), kde opět pro jednoduchost předpokládáme n = 2k , nyní dostáváme
lepší odhad:66
F (n) =7F (n/2) = 7(7F (n/4)) = 7(7(7F (n/8))) = · · ·

=7k F (n/2k ) = 7k F (1) = 7k = 7log2 n =
=nlog2 7 ∼
= n 2,807 .
Strassenův algoritmus se běžně používá pro násobení velkých matic. Existují sice asympto-
ticky rychlejší algoritmy pro maticové násobení, nicméně jejich výhoda by se projevila až pro
extrémně velké matice (které ani nelze v počítači reprezentovat). V současnosti je asympto-
ticky nejrychlejší algoritmus od Francoisa Le Galla (publ. 2014), který počítá s přibližně
n2,3728639 operacemi.
Další tělesa
Pro naše účely v těchto skriptech k BI-LA1 uvažujte vždy za těleso T vždy Q, R, C nebo Zp .
Nicméně můžeme hrdě prohlásit, že analogie všech vět se stejnými důkazy platí pro libovolné
těleso.
Těles je však neuvěřitelně mnoho. Jejich studium patří do obecné algebry a teorie čísel.
Pro informatiky jsou důležitá zejména konečná tělesa, třeba už jen proto, že se pomocí nich
kóduje a šifruje. Zájemce o úvod do kódóvání můžeme odkázat na původní skripta k BI-LIN.67
Tělesa Zp nejsou ale jediná konečná tělesa. To není moc překvapivé, vždyť těleso je hodně
obecná struktura vymezená jen několika jednoduchými vlastnostmi. Přesto ale nemůžeme
66
Proč předposlední rovnost 7log2 n = nlog2 7 vůbec platí? Schválně si trochu procvičte úpravy mocnin.
67
Lineární algebra pro starší akreditaci. Doporučujeme se podívat na kódování až po probrání a zvládnutí
podkapitoly o varietách.
36
Obrázek 2.3: Výpočetní složitosti algoritmů pro maticové násobení [zdroj: wikipedia.org]
tělesa úplně jednoduše sypat z rukávu: např. lze ukázat, že neexistuje těleso, které by mělo 10
prvků.
Platí totiž, že je-li T těleso s konečným počtem prvků, je tento počet vždy mocnina
nějakého prvočísla (tj. konečná tělesa mají pk prvků, kde p je prvočíslo a k je přirozené číslo).
Obvyklé značení takovéhoto tělesa s pk prvky je GF (pk ).68 Tělesa s počtem prvků p jsme si
ukázali, jsou to právě tělesa Zp , tedy Zp = GF (p1 ).
Konstrukce těchto těles není obtížná, jen je nad rámec našeho základního kurzu lineární
algebry. Zájemcům můžeme doporučit nakouknout do materiálů NI-MPI69 , jak se tato tělesa
s neprvočíselným počtem prvků konstruují, a také doporučit NI-MKY70 , kde uvidí jejich
aplikaci.
V počítačích je práce s čísly mnohem složitější.71 Nemáme k dispozici nekonečné množství
paměti, abychom mohli pro každé číslo si uložit nekonečný desetiný rozvoj. Například pokud
užijeme obvyklých 32 bitů, tak máme k dispozici „jen“ 232 čísel. Obvyklou reprezentací
reálných číslech v počítači je formát s plovoucí čárkou s omezenou pamětí pro cifry a exponent
čísla. Přirozeně počítání s takovými čísly je náchylné na zaokrouhlovací chyby a každý
programátor i uživatel na to musí nutně brát zřetel. Více o těchto strojových číslech se dozvíte
opět v NI-MPI, či můžete nakouknot do popularizačního blogu na marastu Základní potíže
při práci s čísly s plovoucí čárkou. Studiem metod nejméně náchylných na takové chyby se
zabývá numerická matematika.
68
GF = Galois field, neboli Galoisovo těleso.
69
Matematika pro informatiku, zimní semestr prvního ročníku magisterského studia.
70
Matematika pro kryptologii, letní semestr prvního ročníku magisterského studia.
71
Nebo vlastně jednodušší. Záleží jak na to nahlédneme.
37
3 Základní pojmy lineární algebry
V předchozí kapitole už jsme se setkali s pojmem vektor – vektory jsou jakékoliv n-tice
vhodných čísel.
Geometrickou představu takových n-tic dobře známe z dřívějších fází vzdělávacího pro-
cesu. Je-li1 n ≤ 3, umíme si n-tici reálných čísel poměrně snadno představit jako bod v n-
rozměrném prostoru (nebo také n-dimenzionálním – oba pojmy prozatím chápeme pouze
intuitivně!2 ) o daných souřadnicích (v pravoúhlém systému os x, y, z, . . . ), případně jako
orientovanou úsečku (šipku), která začíná v počátku soustavy souřadnic a končí v bodě
o daných souřadnicích.
Aniž bychom se nad tím kdovíjak zamýšleli, s takovými vektory umíme jednoduše pracovat
– jak si dále ukážeme, umíme je sčítat mezi sebou a násobit vhodným číslem. Pro tyto operace
platí v jistém smyslu pěkné vlastnosti, víme například, že nezáleží na pořadí, v jakém vektory
sčítáme, že vynásobením libovolného vektoru číslem 1 se tento vektor nezmění, a tak dále.
3.1 Co si z této kapitoly odneseme

1. Ze středoškolských znalostí si připomeneme pojem vektorů jako orientovaných úseček
a početní operace s nimi.
2. Rozšíříme si tento pojem vektorový prostor o prostory T n . Tedy n-tice čísel ze Q, R, C či

Zp .
3. Zavedeme si pojem podprostor a pomocí dalších pojmů, jako například lineární (ne)závislost,
postupně dojdeme k přesnému zavedení pojmu báze podprostoru a jeho dimenze.
3.2 Prostor šipek v rovině

Ze střední školy víte, že prvky R2 jsou uspořádané reálné dvojice, které umíme jednak sčítat
mezi sebou, jednak násobit reálným číslem – obě operace definujeme tzv. po složkách, viz
Definice 2.5. Abychom tyto operace odlišili od klasického sčítání a násobení reálných čísel,
dočasně je označíme jako ⊕, resp. .
Geometricky si lze prvky R2 představovat jako body roviny x = (x1 , x2 ). Pro geomet-
rickou ilustraci operací ⊕ a je názorné spojit bod (x1 , x2 ) s pevně zvoleným počátkem
θ = (0, 0) a uvažovat o prvcích R2 jako o tzv. orientovaných úsečkách:
1
Pohádkové číslo 3 je hranicí pro lidskou představivost, nikoli však pro lineární algebru.
2
Tohoto luxusu si užijme, dokud můžeme. Jakmile k jakémukoli pojmu uvedeme precizní definici, stává se
jeho „intuitivní popis“ silně nežádoucím, především pak u zkoušky!
38
3. Základní pojmy lineární algebry Prostor šipek v rovině
x2
θ x1
Sčítání prvků R2 po složkách,
x ⊕ y = (x1 , x2 ) ⊕ (y1 , y2 ) := (x1 + y1 , x2 + y2 ),
pak odpovídá přirozenému skládání orientovaných úseček doplněním na rovnoběžník:
x2 + y 2
x2
x⊕y
x
y2 y
θ x1 y1 x1 + y 1
Podobně, násobení číslem orientovanou úsečku pouze prodlužuje nebo zkracuje,
α x = α (x1 , x2 ) := (αx1 , αx2 ).
Směr orientované úsečky se buďto vůbec nemění (pro α > 0), nebo se celá orientovaná úsečka
„překlopí“ podle počátku θ na opačnou polopřímku (pro α < 0)3 :
αx
αx2
x2 x
βx1 θ x1 αx1
βx2
βx (α > 1, β < 0)
3
Chybějící případ α = 0 je triviální, násobením nulou dostaneme vždy úsečku nulové délky, tj. bod.
39
3. Základní pojmy lineární algebry Vektorový prostor
Laskavý čtenář si doma jistě sám ověří (ať už geometrickou „šipkovou“ úvahou, nebo
čistě početně s využitím definice sčítání a násobení pro orientované úsečky4 ), že ve světě
orientovaných úseček v rovině, vybudovaném nad tělesem reálných čísel R a vybaveném
operacemi ⊕, , platí některé očividné pravdy, shrnuté v následujícím pozorování, a to velmi
neformálním a ostudně nematematickým jazykem5 .
Pozorování 3.1: Uvažujme prvky R2 (nazvěme je „vektory“) s operacemi ⊕ (sčítání) a
(násobení reálným číslem) definovanými po složkách. Množina vektorů v R2 je uzavřená
na obě operace ⊕, 6 a dále splňuje následující vlastnosti (uvažovaná reálná čísla a vektory
mohou být libovolné):
1. Nezáleží na pořadí, v jakém vektory sčítáme.
2. Sčítáme-li tři vektory, můžeme nejprve sečíst první dva a k výsledku přičíst třetí, nebo
obráceně (první vektor přičíst k už provedenému součtu dalších dvou) a výsledek se
nezmění.
3. Vynásobíme-li vektor jedním číslem a poté druhým, dostaneme totéž, jako bychom ho
násobili najednou součinem těchto čísel.
4. Vynásobíme-li dva vektory stejným číslem a výsledky sečteme, dostaneme totéž, jako
bychom vektory nejprve sečetli a až pak tímto číslem vynásobili.
5. Vynásobíme-li stejný vektor zvlášť dvěma čísly a tyto dva výsledky sečteme, dostaneme
totéž, jako bychom tento vektor rovnou vynásobili součtem obou čísel.
6. Vynásobíme-li libovolný vektor jedničkou, nezmění se.
7. V rovině existuje vektor, který můžeme dostat vynásobením libovolného vektoru nulou, je
to tzv. nulový vektor θ („šipka začínající a končící v počátku“).
3.3 Vektorový prostor

V této části rozšíříme studentům velmi dobře známý prostor R2 zavedený v části 3.2 a to
hned dvěma způsoby. Za prvé připustíme místo R hned T = Q, R, C nebo Zp a za druhé
nahradíme dvojku libovolným přirozeným číslem n.
V takto obecném, ale přesto intuitivním, vektorovém prostoru T n si vybudujeme a osaháme
teorii lineární algebry – odvodíme si, jak popsat podprostory7 , jak hledat jejich báze a mnoho
dalších věcí.
Potřeba pracovat „ve více dimenzích“ je přirozená, například velmi často je potřeba řešit
soustavy lineárních rovnic pro více8 než tři proměnné – začneme pracovat se čtveřicemi,
4
Tento způsob je pro nás samozřejmě atraktivnější. Navíc je to užitečný trénink pro budoucí dokazování
všelijakých matematických tvrzení.
5
Takové nepřesné vyjadřování sami doma nezkoušejte, my už to taky víckrát neuděláme!
6
Lidově řečeno: sečteme-li dva vektory, dostaneme opět vektor v R2 a, podobně, vynásobíme-li vektor
číslem, výsledkem bude opět vektor v R2 .
7
Představte si přímky, roviny či dokonce 3d podprostory v něčem „více dimenzionálním“.
8
Opravdu řádově více.
40
pěticemi – obecně s n-ticemi reálných čísel (n ≥ 1). Jelikož teorii budeme mít pro libovolné
přirozené n, nebudeme muset vše opět a opět odvozovat znovu.9
V souladu s definicemi 2.4 a 2.5 z části 2.6 a Definicí 2.8 z části 2.7 zavedeme vektorový
prostor T n :
Definice 3.1: Nechť T je libovolné těleso10 a n ∈ N. Množinu n-tic
{(x1 , . . . , xn ) | xi ∈ T pro každé i ∈ n̂} .
spolu s operacemi +, · definovaných po složkách takto: pro každé α ∈ T a pro každé x, y ∈ T n

položíme
x + y = (x1 , . . . , xn ) + (y1 , . . . , yn ) := (x1 + y1 , . . . , xn + yn ) ,

α · x = α · (x1 , . . . , xn ) := (αx1 , . . . , αxn ) ,
nazýváme vektorovým prostorem T n .

Prvky vektorového prostoru přirozeně nazýváme vektory a prvky tělesa T nazýváme
skaláry. Ačkoli by se mohlo zdát divné, že obyčejnému „číslu“ říkáme skalár, má to svůj his-
torický (geometrický důvod). Představme si pod pojmem vektor (v duchu dřívějších příkladů)
orientovanou šipku v rovině či prostoru vedoucí z počátku soustavy souřadnic do nějakého
bodu. Operace násobení číslem pak s takovou šipkou nedělá nic jiného, než že ji „prodlužuje
či zkracuje“ (jinak také „škáluje“). Anglické to scale pak přirozeně vede k pojmu scalar, česky
skalár. Obzvláště v delším textu pak budeme běžně zkracovat sousloví vektorový prostor jako
VP.
Kvůli zkrácení formulace všech následující vět, definic, poznámek, atd. a abychom nemuseli
neustále dokola psát „Nechť n ∈ N“ a podobně, formuluje následující poznámku.
Poznámka 3.1: Celý zbytek této kapitoly budou n a m označovat přirozená čísla a T těleso
Q, R, C, nebo Zp .
Už jsme si v rámci povídání o maticích v Poznámce 2.5 dokázali o tomto vektorovém
prostoru T n spoustu cenných vlastností:
Poznámka 3.2: Vektorový prostor T n je uzavřený vůči operacím sčítání vektorů a násobení
vektoru skalárem, tj.
+ : T n × T n → T n, · : T × Tn → Tn
a dále platí
1. Sčítání vektorů je komutativní:
(∀x, y ∈ T n )(x + y = y + x) .
2. Sčítání vektorů je asociativní:
(∀x, y, z ∈ T n ) (x + y) + z = x + (y + z) .

9
Oblíbenou ilustrací obráceného principu je pak otázka, jakým způsobem si matematik představuje čtyřroz-
měrný prostor. Jednoduše, představí si prostor n rozměrný a pak zvolí n = 4.
10
Tedy si představujme T = Q, R, C, nebo Zp .
41
3. Násobení skalárem je asociativní:
(∀α, β ∈ T )(∀x ∈ T n ) α · (β · x) = (αβ) · x .

4. Násobení skalárem je distributivní zleva:
(∀α ∈ T )(∀x, y ∈ T n ) α · (x + y) = (α · x) + (α · y) .

5. Násobení skalárem je distributivní zprava:
(∀α, β ∈ T )(∀x ∈ T n :) (α + β) · x = (α · x) + (β · x) .

6. Neutrální prvek 1 ∈ T je neutrální i vůči násobení vektoru skalárem:
(∀x ∈ T n )(1 · x = x) .
7. Existuje nulový vektor v T n a nulový násobek libovolného vektoru je nulový vektor
(∃θ ∈ T n )(∀x ∈ T n )(0 · x = θ) .
Čtenář si jistě snadno sám zkontroluje, že pozorované vlastnosti šipek v R2 z Pozorování 3.1
přesně odpovídají vlastnostem v Poznámce 3.2. Proč vypichujeme zrovna tyto vlastnosti?
Odpověď najdete v sekci Zajímavosti o vektorových prostorech 3.10.
Poznámka 3.3: Je-li řeč o významu symbolů a rozlišování kontextu, musíme upozornit na
jeden častý nešvar. Mezi oblíbené studentské hříchy totiž patří takové činy jako je „sčítání“
skaláru s vektorem, nebo „násobení“ vektoru vektorem – nic takového ale (zatím11 ) nemáme
definováno, jde tedy o naprosté nesmysly. Podobně se vyvarujte mluvit o součinu „vektor
krát skalár“.
Poznámka 3.4: Abychom měli v používaných výrazech alespoň trochu pořádek a přehled,
pokusíme se o důsledné rozlišování skalárů a vektorů. Pro zápis vektorů (ať již konkrétních
při výpočtech, nebo obecných ve zněních vět) budeme vždy používat malá tučné písmena
latinské abecedy, tedy
a, b, . . . , x, y, . . . .
Oproti tomu skaláry – prvky číselných těles – budeme důsledně značit malými řeckými
písmeny,
α, β, γ, δ, . . . .
Složky vektoru i jednotlivé neznámé v soustavách budeme označovat malými netučnými
písmeny,
x, y, z, . . . , x1 , . . . , xn , . . . .
11
Lze sice zavést různé součiny mezi vektory, tzv. skalární součin a vektorový součin. To ale nepatří do
náplně tohoto kurzu.
42
3. Základní pojmy lineární algebry Podprostor
3.4 Podprostor
Začněme jednoduchou naivní představou, která by nám měla posloužit jako motivace k zave-
dení nového pojmu podprostor 12 . Omezíme se přitom na těleso R reálných čísel. Jak jsme si
už vysvětlili, Rn je pro každé n ∈ N vektorovým prostorem. Ten „nejmenší“ z nich, R1 si mů-
žeme jednoduše představit jako přímku s označeným počátkem θ = 0, jednotlivé vektory pak
odpovídají buďto bodům na přímce, nebo orientovaným úsečkám vedoucím z θ do nějakého
bodu na přímce.
Podíváme-li se stejným způsobem na R2 , dostaneme rovinu s počátkem θ = (0, 0)13 .
V této rovině je přitom „obsažen“ celý předchozí prostor R1 – například jako osa x (v řeči
pravoúhlého systému souřadnic (x, y)). Jinými slovy, každý vektor a ∈ R1 lze v jistém smyslu
považovat i za vektor v R2 , konkrétně jako (a, 0) ∈ R2 . Podobně bychom mohli postupovat
dále a konstatovat, že v R3 je v jistém smyslu obsažen jak celý prostor R1 , tak i celý R2
(například jako rovina určená osami x a y s korespondencí (a, b) ∈ R2 ↔ (a, b, 0) ∈ R3 )14 .
Ideálně jsme teď tedy mohli nabýt správného dojmu, že různé vektorové prostory nemusí
nutně být „každý z jiného světa“, ale že spolu mohou nějak souviset. Konkrétně, mohou být
celé obsaženy v jiných, „větších“, vektorových prostorech a samy mohou i jiné vektorové
prostory obsahovat jako své podmnožiny. Toť naší motivací pro pojem podprostor.
Definice 3.2: Nechť P je neprázdná podmnožina T n . Řekneme, že P je podprostor vekto-
rového prostoru T n , právě když platí15 :
1. množina P je uzavřená vůči sčítání vektorů v ní, tzn.
(∀x, y ∈ P )(x + y ∈ P ) ,
2. Množina P je uzavřená vůči násobení vektorů v ní libovolným skalárem, tzn.
(∀α ∈ T )(∀x ∈ P )(αx ∈ P ).
Vztah „být podprostorem“ pak značíme
P ⊂⊂ T n .
S uvedením konkrétních příkladů ještě chvíli počkáme, řekneme si nejprve pár základních
vlastností podprostorů.
Pozorování 3.2: Nechť P ⊂⊂ T n . Pak platí:
1. Každý podprostor obsahuje nulový vektor:
(∀P ⊂⊂ T n )(θ ∈ P ).
2. Množina obsahující pouze nulový vektor a celý vektorový prostor jsou podprostory:
{θ} ⊂⊂ T n a T n ⊂⊂ T n .
12
Pro jistotu opět zopakujme: motivační naivní představa nerovná se přesná definice!
13
De facto zde opakujeme část 3.2, opakování je ale matka moudrosti.
14
S touto představou samozřejmě můžeme pokračovat v libovolném Rn , ale není třeba to s motivací přehánět.
15
Vágně řečeno P je množina uzavřená na obě vektorové operace +, ·.
43
Ponecháme na čtenáři, aby si tyto jednoduché vlastnosti odůvodnil16 .

Definice 3.3: Podprostory {θ} a T n vektorového prostoru T n nazýváme triviálními pod-
prostory. Každý podprostor P ⊂⊂ T n pro který současně platí P 6= T n nazýváme vlastním
podprostorem17 .
Poznámka 3.5: Ačkoli první bod v Pozorování 3.2 vypadá nevinně, je velmi praktický,
chceme-li dokázat, že nějaká množina podprostorem není. Víme18 , že implikaci obecně nelze
obrátit, ale lze ji tzv. obměnit, (A ⇒ B) ⇔ (¬B ⇒ ¬A). Tedy zatímco fakt θ ∈ P pro
nějakou podmnožinu P ⊆ T n rozhodně nestačí na to, aby P byla podprostorem,19 můžeme
s klidným srdcem říci, že
/ P ⇒ P není podprostorem V .
θ∈
Příklady podprostorů
Příklad 3.1: V R2 jsou jedinými netriviálními podprostory přímky procházející počátkem
θ = (0, 0), například
P = {(x, y) ∈ R2 | x + 2y = 0} ⊂⊂ R2 .
Přímky, které neprocházejí počátkem, nemohou být podprostory.

Příklad 3.2: V R3 jsou jedinými netriviálními podprostory přímky a roviny procházející
počátkem θ = (0, 0, 0), například
P1 ={(x, y, z) ∈ R3 | x + 2y = 0 ∧ z = 0} ⊂⊂ R3 ,
P2 ={(x, y, z) ∈ R3 | x + 2y = 0} ⊂⊂ R3 ,
P3 ={(x, y, z) ∈ R3 | 2x + y − z = 0} ⊂⊂ R3 .
Rovina či přímka, která neprochází počátkem, nemůže být podprostor.20 Např. množina
{(x, y, z) ∈ R3 | 2x + y − z = 3} není podprostor R3 .
Ke klasifikaci podprostorů v R3 lze dojít i následující naivní úvahou. Dejme tomu, že

chceme zkonstruovat všechny možné podprostory v R3 , rozeberme si, jaké máme možnosti:
1. Každý podprostor musí obsahovat nulový vektor θ – nejmenším podprostorem je zřejmě
ten triviální, tj. {θ}.
2. Každý netriviální podprostor musí kromě θ obsahovat ještě nějaký další bod, přidejme tedy
nějaké nenulové a ∈ R3 . Jenže podprostor musí být uzavřený na vektorové +, ·, to zřejmě
zajistíme přidáním všech násobků αa, α ∈ R. V závislosti na volbě a ∈ R tak dostaneme
libovolnou přímku procházející počátkem.
16
Tak, aby je byl schopen odůvodnit i případnému zkoušejícímu.
17
Jen aby bylo jasno: netriviální podprostor není totéž, co vlastní podprostor. Podprostor {θ} je vlastním
podprostorem a není netriviálním.
18
Od kolegů z BI-DML.
19
Středoškolsky: Každý podprostor prochází počátkem, ale ne každá množina obsahující počátek je podpro-
storem.
20
V budoucnu je budeme nazývat varietou.
44
3. Abychom dostali ještě větší podprostor, vezmeme libovolnou přímku procházející počátkem
a přidáme k ní bod, který v ní neleží. Chceme-li pak zařídit uzavřenost výsledné množiny
na vektorové operace, musíme do ní přidat všechny reálné násobky přidaného bodu a ještě
k tomu všechny součty bodů na původní přímce a nově přidaných. Rozmyslete si, že tím
vždy získáme nějakou rovinu, která prochází počátkem.
4. Poslední možností je vzít nějakou rovinu z bodu 3. a přidat k ní nějaký bod, který v ní
neleží, a opět zajistit uzavřenost na operace. Tím ovšem získáme triviální podprostor –
celé R3 .
Poznámka 3.6: Celá předchozí úvaha stála na jednoduché geometrické představě „třírozměrného
prostoru“ – ta je na vektorový prostor T n krátká. Podotkněme, že jsme přitom už vlastně ně-
které pojmy z lineární algebry použili (aniž bychom o nich věděli), oba si pořádně zadefinujeme
v částech 3.5 a 3.6:
• Při přidávání nových bodů k podprostorům jsme využívali formulace „neleží na stejné
přímce nebo ve stejné rovině“, toto souvisí s obecnějším pojmem lineární nezávislost.
• Při zajišťování uzavřenosti na vektorové operace jsme přidávali všechny možné součty
a násobky už obsažených vektorů. Tuto humpoláckou formulaci v budoucnu nahradíme
sofistikovanějším pojmem – konstrukcí lineárního obalu.
Podprostory jsou mimo jiné obyčejné podmnožiny nějakého T n . Můžeme na ně tedy
aplikovat obvyklé množinové operace – například průnik a sjednocení.
Operace s podprostory
Příklad 3.3: Uvažujme následující podprostory v R2 :
E1 := R × {0} = {(x, 0) | x ∈ R} ,
E2 := {0} × R = {(0, y) | y ∈ R} .
Dle definic snadno odvodíme, že

1. E1 ∩ E2 = {(0, 0)} je podprostor.
2. E1 ∪ E2 = {(x, y) ∈ R2 | x = 0 ∨ y = 0} není podprostor. Skutečně, obsahuje například
vektory (1, 0) a (0, 1), ale už ne jejich součet (1, 1).
Bod 2. v předchozím příkladu nám poslouží jako protipříklad. Našli jsme dvojici podpro-
storů v nějakém VP, jejichž sjednocení není podprostor – tedy tvrzení „Sjednocení libovolných
dvou podprostorů v libovolném VP je také podprostor“ není pravdivé. Naopak bod 1. nám
může naznačovat, že v případě průniku podprostorů bude situace příznivější – ale vzhledem
k tomu, že máme k dispozici jen konkrétní příklad, příslušná tvrzení budeme muset dokázat
obecně.21
Věta 3.1: Buď T n vektorový prostor nad tělesem T , nechť P a Q jsou libovolné podprostory
T n . Pak platí následující:
21
„Propříklad“ NIKDY není důkazem jakéhokoliv tvrzení! Pouze nám může poskytnout domněnku, že by
něco mohlo platit.
45
3. Základní pojmy lineární algebry Lineární (ne)závislost
a. Průnik podprostorů je podprostor, tedy vždy platí
P ∩ Q ⊂⊂ T n .
b. sjednocení podprostorů P ∪ Q nemusí být podprostorem.
Důkaz. Druhá část plyne z existence protipříkladu, viz Příklad 3.3. Pojďme dokázat první část.
Jelikož P, Q ⊆ T n a oba obsahují alespoň nulový vektor θ, zřejmě platí P ∩ Q ⊆ T n
i P ∩ Q 6= ∅. Tím jsme ověřili neprázdnost průniku.
Ověříme, že pro každé α ∈ T a x, y ∈ P ∩ Q platí x + y ∈ P ∩ Q a současně αx ∈ P ∩ Q:
Nechť α ∈ T a x, y ∈ P ∩ Q jsou libovolné. Pak snadno odvodíme, že
P,Q⊂⊂T n
(x, y ∈ P ∧ x, y ∈ Q) ⇒ (x + y ∈ P ∧ x + y ∈ Q) ⇒ (x + y ∈ P ∩ Q),
P,Q⊂⊂T n
⇒ (αx ∈ P ∧ αx ∈ Q) ⇒ (αx ∈ P ∩ Q),
což znamená, že P ∩ Q je podprostor.

Poznamenejme ještě, že tvrzení věty výše lze rozšířit i na operace s více podprostory, než
jen se dvěma – pro pochopení nám ale postačí tato jednodušší varianta.
Poznámka 3.7: Zvídavý čtenář by si mohl položit otázku, jestli existuje nějaká další pod-
mínka, která zaručí, že sjednocení nějakých dvou podprostorů už nutně podprostor je. Uvádíme
ji jen pro úplnost a i její důkaz ponecháváme pouze na iniciativě čtenářů. Jsou-li P, Q ⊂⊂ T n ,
pak platí
P ∪ Q ⊂⊂ T n ⇔ (P ⊆ Q) nebo (Q ⊆ P ) .

3.5 Lineární (ne)závislost

V této části se poprvé objeví slovní spojení soubor vektorů (délky m), s typickým značením
(x1 , x2 , . . . , xm ), kde xi ∈ T n pro každé i ∈ m̂ .
Připomínáme, že m̂ je zkrácené značení pro {1, . . . , m}. Soubor vektorů je m-tice vektorů z T n .
Slovíčko soubor používáme, abychom rozlišili m-tici čísel od souboru, tj. m-tice vektorů.22
Poznámka 3.8: Důrazně upozorněme na jeden oblíbený problém se značením. Napíšeme-li
na tabuli bez kontextu pouze (x1 , x2 , . . . , xm ), může to znamenat minimálně tyto dvě různé
věci! A to:
1. Soubor vektorů, pokud x1 , x2 , . . . , xm jsou postupně očíslované vektory ve VP T n . Toto lze

zapsat trochu nepřesně, ale srozumitelně jako (x1 , x2 , . . . , xm ) ⊆ T n . My raději budeme
preferovat korektní (ale delší) slovní zápis: „Nechť (x1 , x2 , . . . , xm ) je soubor vektorů
z T n .“
2. Jeden jediný vektor x = (x1 , x2 , . . . , xm ) z vektorového prostoru T m , tedy vektor, jehož

složkami jsou popořadě x1 , x2 , . . . , xm ∈ T . V tom případě musíme použít správný zápis
(x1 , x2 , . . . , xm ) ∈ T m .
22
Čistě formálně bychom mohli psát (x1 , x2 , . . . , xm ) ∈ (T n )m , ale toho se radši vyvarujeme.
46
Definice 3.4: Nechť x ∈ T n a (x1 , . . . , xm ) je soubor vektorů z T n . Říkáme, že vektor x je

lineární kombinací souboru (x1 , . . . , xm ), právě když existují čísla α1 , . . . , αm ∈ T taková,
že m
X
x= αi xi .
i=1
Čísla αi , i ∈ m̂, nazýváme koeficienty lineární kombinace. Jestliže (∀i ∈ m̂)(αi =

0), nazýváme takovou lineární kombinaci triviální. V opačném případě23 jde o lineární
kombinaci netriviální.
O triviálních lineárních kombinacích lze rovnou odvodit, že se vždy rovnají nulovému
vektoru θ. Pokuste se to sami dokázat, nebudete přitom potřebovat nic jiného než základní
vlastnosti nulových vektorů.
Definice 3.5: Nechť (x1 , . . . , xm ) je soubor vektorů z T n . Řekneme, že soubor (x1 , . . . , xm )
je lineárně nezávislý (LN), právě když pouze triviální lineární kombinace tohoto souboru je
rovna nulovému vektoru θ. V opačném případě nazýváme soubor lineárně závislým (LZ).
Jinými slovy24 :
• (x1 , . . . , xm ) je LN ⇔
m
!
X
(∀α1 , . . . , αm ∈ T ) αi xi = θ ⇒ (∀i ∈ m̂)(αi = 0) .
i=1
• (x1 , . . . , xm ) je LZ ⇔
m
!
X
(∃α1 , . . . , αm ∈ T )(∃k ∈ m̂) αk 6= 0 ∧ αi xi = θ .
i=1
Tedy lineárně nezávislé soubory jsou soubory takových vektorů, ze kterých není možné
(pomocí násobení skaláry a sčítání vektorů mezi sebou) vyrobit nulový vektor – tedy jiným
než triviálním způsobem (jako triviální lineární kombinaci). V jiných kurzech lineární algebry
můžete narazit na definici jinou, se zněním: „Soubor vektorů je LZ právě tehdy, pokud je
jeden z vektorů souboru lineární kombinací ostatních.“ My se ale v našem kurzu budeme
držet Definice 3.5, protože se (jak si brzy ukážeme) mnohem snadněji ověřuje a snadněji se
s ní pracuje! Navíc vůbec není jasné, jak je to z tohoto pohledu s lineární ne/závislostí souboru
obsahujícího jeden vektor. Později, ve Větě 3.3 si navíc ukážeme, jak spolu tyto charakterizace
lineární (ne)závislosti souvisejí.
Pozorování 3.3: Následující jednoduché vlastnosti (především „malých“) souborů vektorů,
lze odvodit přímo z Definice 3.5:
1. Lineární (ne)závislost nezávisí na pořadí vektorů v souboru.
2. Obsahuje-li soubor dva stejné vektory, potom je LZ.
3. Obsahuje-li soubor nulový vektor, potom je LZ.

23
Tzn. (∃i ∈ m̂)(αi 6= 0).
24
Jazykem predikátové logiky.
47
4. Soubor délky 1 je LZ, právě když je tvořen nulovým vektorem.

5. Soubor délky 2 je LZ, právě když jeden25 vektor je násobkem druhého.
6. Přidáním vektoru do LZ souboru vznikne LZ soubor.
7. Odebráním vektoru z LN souboru délky alespoň dva vznikne LN soubor.
Důkaz. Můžeme si společně okomentovat26 například body 2. a 6., zbytek si laskavý čtenář
ověří doma27 sám.
• Bod 2.: Předpokládejme, že soubor (x1 , . . . , xm ) splňuje xk = x` pro nějaké dva indexy
k, ` ∈ m̂, k 6= `. Zvolíme-li koeficienty lineární kombinace tak, aby platilo
αk = 1, α` = −1, a αi = 0 pro každé i ∈ m̂ \ {k, `} ,
bude se jednat o netriviální lineární kombinaci, která současně splňuje

m
X
αi xi = 1xk + (−1)x` = θ .
i=1
• Bod 6.: Je-li soubor (x1 , . . . , xm ) LZ, tak víme, že existují koeficienty α1 , . . . , αm ∈ T ,
z nichž je aspoň jeden je nenulový, splňující
α 1 x1 + · · · + α m x m = θ .
Přidáme-li do souboru libovolný vektor, označme jej xm+1 , dostaneme dodefinováním

αm+1 = 0 netriviální28 lineární kombinaci splňující
α1 x1 + · · · + αm xm + αm+1 xm+1 = α1 x1 + · · · + αm xm = θ ,
| {z }
=θ
tedy soubor zůstává i po přidání xm+1 stále LZ.
Příklad 3.4: Na pojem lineární nezávislosti můžeme přirozeně nahlížet, jako na jisté zobec-
nění známých geometrických vlastnost bodů „neležet v jedné přímce / v jedné rovině“, jak už
jsme lehce prozradili v Poznámce 3.6. Konkrétně platí následující:
• Dvě orientované úsečky v R2 (nebo R3 ) leží celé v jedné přímce, právě když jsou
odpovídající vektory LZ.
• Tři orientované úsečky v R3 leží celé v jedné rovině, právě když jsou odpovídající
vektory LZ.
• Soubor vektorů z R2 délky 3 je vždy LZ.
• Soubor vektorů z R3 délky 4 je vždy LZ.
25
Ale nevíte, jestli ten první nebo ten druhý!
26
Tedy dokázat.
27
Nebo v tramvaji, či jinde dle libosti.
28
Protože alespoň jeden z původních koeficientů α1 , . . . , αn je nenulový.
48
Ověření lineární (ne)závislosti

Velice častou úlohou v lineární algebře je ověření, zda je zadaný soubor vektorů lineárně
závislý nebo nezávislý. Vždy můžeme postupovat přesně podle Definice 3.5:
Algoritmus 3.1 (Ověření LN/LZ souboru vektorů): Pro zadaný soubor vektorů (x1 , . . . , xm )
ve VP T n ověřte, zda je LN nebo LZ.
1. Hledáme, jestli existuje i jiná m-tice koeficientů α1 , . . . , αm ∈ T než (0, . . . , 0) taková, že
příslušná lineární kombinace je rovna nulovému vektoru.
2. Koeficienty α1 , . . . , αm ∈ T proto považujme za neznámé v rovnici
α1 x1 + · · · + αm xm = θ.
3. Z definice vektorových operací rovnici výše převeďme na soustavu lineárních rovnic, tato
soustava nám vyjde vždy homogenní.29
4. Soustavu převeďme pomocí GEM do horního stupňovitého tvaru. Dle Věty 2.8 určíme,
kolik existuje řešení.
5. Existuje-li jediné řešení (α1 , . . . , αn ) = (0, . . . , 0), je zadaný soubor LN, v opačném případě
je LZ.
Výše popsaný univerzální postup předvedeme na příkladech:
Příklad 3.5: Vyšetříme lineární nezávislost souboru (1, 2, 3), (4, 2, 3), (3, 4, 2) v Z35 .

Hledáme koeficienty α, β, γ ∈ Z5 takové, že platí
α(1, 2, 3) + β(4, 2, 3) + γ(3, 4, 2) = θ = (0, 0, 0) .
Z definice vektorových operací pak dostáváme rovnost dvou vektorů z Z35 ,
(α + 4β + 3γ, 2α + 2β + 4γ, 3α + 3β + 2γ) = (0, 0, 0) ,
která vede na soustavu lineárních rovnic v proměnných α, β, γ ∈ Z5 .

Úpravou pomocí GEM pak dostáváme
     
1 4 3 0 1 4 3 0 1 4 3 0
2 2 4 0 ∼ 0 4 3 0 ∼ 0 1 3 0 .
3 3 2 0 0 1 3 0 0 0 1 0
Jelikož se jedná o soustavu, jejíž rozšířená matice má jediný vedlejší sloupec (ten pravých
stran), existuje právě jedno řešení (α, β, γ) = (0, 0, 0) a zadaný soubor je LN.
Příklad 3.6: Vyšetříme lineární nezávislost souboru
(1, 0, 1, 0), (2, 2, 0, 0), (2, 0, 1, 1), (1, 1, 2, −2) v R4 .

Hledáme koeficienty α, β, γ, δ ∈ Q takové, že platí
α(1, 0, 1, 0) + β(2, 2, 0, 0) + γ(2, 0, 1, 1) + δ(1, 1, 2, −2) = θ = (0, 0, 0, 0) .

29
Třeba proto, že triviální lineární kombinace je vždy rovna nulovému vektoru. Proto (α1 , . . . , αm ) =
(0, . . . , 0) je vždy jedno z řešení. A řešením nehomogenní soustavy by nikdy nebyl nulový vektor.
49
3. Základní pojmy lineární algebry Lineární obal
Z definice vektorových operací pak dostáváme rovnost dvou vektorů z R4 ,
(α + 2β + 2γ + δ, 2β + δ, α + γ + 2δ, γ − 2δ) = (0, 0, 0, 0) ,
která vede na soustavu lineárních rovnic v proměnných α, β, γ, δ ∈ R.

       
1 2 2 1 0 1 2 2 1 0 1 2 2 1 0 1 2 2 1 0
0 2 0 1 0 0
  2 0 1 0 0 2
  0 1 0 0
  2 0 1 0
 ∼ ∼ ∼ .
1 0 1 2 0   0 −2 −1 1 0   0 0 −1 2 0 0 0 −1 2 0
0 0 1 −2 0 0 0 1 −2 0 0 0 1 −2 0 0 0 0 0 0
Jelikož se jedná o soustavu, jejíž rozšířená matice má kromě posledního ještě jeden vedlejší
sloupec, existuje více než jedno řešení, musí existovat i nenulové – tzn. netriviální řešení.30
Zadaný soubor je tedy LZ.
Pozorování 3.4: Při získání trochu početní praxe si povšimneme, že při vyšetřování LN/LZ
souboru (x1 , . . . , xm ) přejde rovnice α1 x1 + · · · + αm xm = θ na homogenní soustavu m
rovnic o n neznámých, jejíž matice soustavy má x1 , x2 , . . . , xm jsou zapsané ve sloupcích
matice soustavy:  
 x1 x2 . . . xm θ  . (3.1)
Varování 3.1: Metoda „dám vektory do matice a zgemuji“ bez porozumění, co a proč počítám,
je zásádní chybou, která se vám v budoucnu může velmi vymstít!
Pozorování 3.5: Je-li m > n, potom soubor (x1 , . . . , xm ) vektorů z T n je lineárně závislý.
Důkaz. Řešíme rovnici
α1 x1 + · · · + αm xm = θ.
Z Pozorování 3.1 víme, že příslušná rozšířená matice soustavy 3.1 má n řádků a m+1 sloupců.31
Po aplikaci GEM algoritmu získáme soustavu v HST, která má nejvýše tolik hlavních sloupců,
kolik máme řádků, tj. max m. To ale znamená, že máme alespoň zbylých n − m + 1 sloupců
je vedlejších.
Máme tedy více než jeden vedlejší sloupec, proto existuje více32 řešení a soubor je LZ.
3.6 Lineární obal

Definice 3.6: Buď (x1 , . . . , xm ) soubor vektorů z T n . Množinu všech lineárních kombinací
tohoto souboru nazveme lineárním obalem souboru (x1 , . . . , xm ) a značíme ji
hx1 , . . . , xm i.
Neboli m
nX o
hx1 , . . . , xm i = αi xi | αi ∈ T pro každé i ∈ m̂ .
i=1
30
Například α = 12, β = 1, γ = 4, δ = 2, ale na konkrétních číslech nezáleží.
31
Jeden sloupec za každý vektor plus jeden nulový sloupec.
32
tedy určitě i netriviální
50
Pozorný čtenář si nyní jistě vzpomene na komentář nad Poznámkou 3.6 a uvědomí si, že
když jsme konstruovali jednoduché podprostory obohacováním množin o všechny myslitelné
lineární kombinace jejich vektorů, vyráběli jsme vlastně jejich lineární obaly.
Před uvedením ilustračních příkladů si jen vyslovme jednoduché pozorování, jehož důkaz
můžeme opět nechat z velké části na čtenáři.
Pozorování 3.6: Nechť (x1 , . . . , xm ) je soubor vektorů z vektorového prostoru T n . Pak platí:
1. lineární obal obsahuje nulový vektor:
θ ∈ hx1 , . . . , xm i,
2. vektory leží ve svém lineárním obalu, přesněji:
x1 , . . . , xm ∈ hx1 , . . . , xm i,
3. je-li vektor již v lineárním obalu, tak jeho přidáním se lineární obal nezmění:
z ∈ hx1 , . . . , xm i ⇒ hx1 , . . . , xm i = hx1 , . . . , xm , zi,
4. lineární obal je uzavřený na součet a násobení vektorů skalárem:
(∀x, y ∈ hx1 , . . . , xm i) x + y ∈ hx1 , . . . , xm i a

(∀x, y ∈ hx1 , . . . , xm i) αx ∈ hx1 , . . . , xm i .
5. lineární obal souboru vektorů z lineárního obalu souboru vektorů neobsahuje nic navíc:
je-li k ∈ N a z1 . . . zk ∈ hx1 , . . . , xm i, potom

hz1 , . . . , zk i je podmnožinou hx1 , . . . , xm i.
Důkaz. Pro procvičení si společně dokážeme aspoň část bodu 4.: Předpokládejme, že x, y ∈
hx1 , . . . , xm i, tedy x je lineární kombinací našeho souboru (x1 , . . . , xm ) a stejně tak i y. Tedy
existují koeficienty α1 , . . . , αm , β1 , . . . , βm ∈ T takové33 , že platí
m m
αi xi a y =
X X
x= βi xi .
i=1 i=1
Sečtením vektorů obdržíme:
x + y = α1 x1 + · · · + αm xm + β1 x1 + · · · + βm xm .
Víme, že sčítání vektorů je komutativní, tedy vektory můžeme sčítat v libovolném pořadí.
Poté využijeme, že násobení skalárů vektorem je distributivní a dostaneme kýženou rovnost:
(x + y) = α1 x1 + β1 x1 · · · + αm xm + βm xm = (α1 + β1 )x1 + · · · + (αm + βm )xm .
Což je ale lineární kombinace souboru (x1 , . . . , xm ), a tedy x + y ∈ hx1 , . . . , xm i. Uzavřenost

na násobení skalárem lze dokázat analogicky.
33
Pozor, koeficienty pro x a pro y jsou obecně různé, proto je potřebujeme rozlišit a píšeme alfy a bety.
51
Pojďme si rozmyslet, jak vypadají některé jednoduché příklady lineárních obalů.

Příklad 3.7: Lineární obaly souborů vektorů v prostorech R2 a R3 vypadají následovně:
• Lineární obal nulového vektoru (počátku) je množina pouze s počátkem.
• Lineární obal nenulového vektoru z R2 (nebo z R3 ) je množina všech vektorů ležících

ve společné přímce.
• Lineární obal LN souboru dvou vektorů z R2 je celé R2 .
• Lineární obal LN souboru dvou vektorů z R3 je množina všech vektorů ležících ve

společné rovině.
• Lineární obal LN souboru tří vektorů z R3 je celé R3 .
Příklad 3.8: Na jednoduchém příkladu můžeme ilustrovat, jak moc i při konstrukci lineárního
obalu záleží na konkrétním tělese. Nechť
x1 = (1, 0, 1, 0), x2 = (0, 1, 1, 0) ∈ T 4 ,
označme jejich lineární obal L = hx1 , x2 i. Vyjádříme, jak vypadá libovolný prvek v ∈ L,
v závislosti na tělese T :
Vždy platí, že
v ∈ L ⇔ ∃α, β ∈ T : v = α(1, 0, 1, 0) + β(0, 1, 1, 0) ,

⇔ v ∈ {(α, β, α + β, 0) | α, β ∈ T } .
• Pro nekonečné těleso T = Q, R nebo C nic moc dalšího dělat nelze. Máme prvky L
parametrizované pomocí α, β ∈ T libovolných.
• V případě konečných těles je pouze konečně možností pro volby α, β ∈ T , můžeme

tedy dosazováním získat všechny prvky L:
• Je-li T = Z2 :
L = {(α, β, α + β, 0) | α, β ∈ {0, 1}}

= {(0, 0, 0, 0), (0, 1, 1, 0), (1, 0, 1, 0), (1, 1, 0, 0)}
• Je-li T = Z3 :
L = {(α, β, α + β, 0) | α, β ∈ {0, 1, 2}}

= {(0, 0, 0, 0), (0, 1, 1, 0), (0, 2, 2, 0), (1, 0, 1, 0), (1, 1, 2, 0),
(1, 2, 0, 0), (2, 0, 2, 0), (2, 1, 0, 0), (2, 2, 1, 0)}
52
Leckoho mohla trknout jistá podobnost mezi příklady různých lineárních obalů a mezi
popisem možných podprostorů v R2 a R3 , který jsme uvedli už dříve. Bez jakýchkoli tajemství
nyní prozrazujeme, že tato podobnost není vůbec náhodná. Z bodu 1. a 4. z Pozorování 3.6 plyne
neprázdnost a uzavřenost na sčítání a násobení skalárem, tedy přímo dostaneme následující
tvrzení:
Věta 3.2: Buď (x1 , . . . , xm ) soubor vektorů z T n , potom platí:
hx1 , . . . , xm i ⊂⊂ T n .
Nyní už tedy víme, že lineární obal souboru vektorů je podprostorem. Platí to i obráceně?
Ano! Pro libovolný podprostor budeme umět najít soubor vektorů34 , jehož lineárním obalem
bude právě ten podprostor. Jak na to se dozvíme již brzy v sekci Hledání báze podprostoru 3.8.
Lineární obal a lineární (ne)závislost

Se znalostí pojmu lineární obal a jeho vlastností můžeme konečně šikovněji formulovat alter-
nativní charakterizaci vlastnosti LZ, a to že „soubor vektorů je LZ právě tehdy, pokud je jeden
z vektorů souboru lineární kombinací ostatních“, a dokázat, že to je skutečně ekvivalentní
vlastnost.
Věta 3.3: Buď (x1 , . . . , xm ) soubor vektorů z T n a m ≥ 2. Potom (x1 , . . . , xm ) je LZ právě
tehdy, když
∃k ∈ m̂ : xk ∈ hx1 , . . . , xk−1 , xk+1 , . . . , xm i .
Důkaz. Dokážeme dvě implikace:
1. (⇒) : Je-li soubor (x1 , . . . , xm ) LZ, existují α1 , . . . , αm ∈ T takové, že
m
X
αi xi = θ
i=1
a přitom existuje index k ∈ m̂, pro který αk 6= 0. Rovnici výše upravíme. Odečteme
sčítance αi xi pro i 6= k
αk xk = −α1 x1 − . . . − αk−1 xk−1 − αk+1 xk+1 − . . . − αn xn
a vydělíme nenulovým číslem αk na
xk = αk−1 (−α1 )x1 · · · + αk−1 (−αk−1 )xk−1 + αk−1 (−αk+1 )xk+1 · · · + αk−1 (−αn )xn ,
což znamená, že xk ∈ hx1 , . . . , xk−1 , xk+1 , . . . , xm i.
2. (⇐) : Je-li xk ∈ hx1 , . . . , xk−1 , xk+1 , . . . , xm i, pak existují koeficienty βi ∈ T takové, že
xk = β1 x1 + . . . + βk−1 xk−1 + βk+1 xk+1 + . . . + βm xm .
Odečteme-li xk a dodefinujeme-li si βk := −1, dostaneme
m
X
βi x i = θ ,
i=1
tedy netriviální (Jelikož je alespoň βk 6= 0.) lineární kombinaci souboru (x1 , . . . , xm )

dávající nulový vektor, což znamená, že soubor (x1 , . . . , xm ) je LZ.
34
Dokonce LN soubor vektorů.
53
3. Základní pojmy lineární algebry Báze podprostoru
Rozmyslete si, že z tohoto výsledku spolu s bodem 3. z Pozorování 3.6 lze přímo odvodit
jednoduchý důsledek: Je-li soubor vektorů LZ, lze z něj odebrat nějaký vektor a přitom
nezměnit lineární obal souboru. Přesněji:
Důsledek 3.1: Buď (x1 , . . . , xm ) LZ soubor vektorů z T n , m ≥ 2. Potom
(∃k ∈ m̂) (hx1 , . . . , xm i = hx1 , . . . , xk−1 , xk+1 , . . . , xm i) .
V jistém smyslu „obrácené“35 tvrzení nám říká, kdy lze LN soubor zvětšit a jeho nezávislost
přitom zachovat.
Věta 3.4: Buď (x1 , . . . , xm ) LN soubor vektorů z T n a y ∈
/ hx1 , . . . , xm i. Potom soubor
(x1 , . . . , xm , y) je také LN.
Důkaz. Zvolíme si libovolnou lineární kombinaci zvětšeného souboru. Předpokládejme, že
pro nějakou volbu skalárů α1 , α2 , . . . , αm+1 ∈ T platí
α1 x1 + . . . + αm xm + αm+1 y = θ . (3.2)
Dokážeme, že tato lineární kombinace musí být triviální. Uvažujme dva případy:
1. Je-li αm+1 = 0, pak poslední člen na levé straně je +0y = θ a ten můžeme ignorovat.
Vznikne tím lineární kombinace pouze prvků z původního souboru (x1 , . . . , xm ). Ten je
ovšem LN, tedy nutně αi = 0 pro každé i ∈ m\ + 1.
2. Je-li αm+1 6= 0, potom v rovnici 3.2 výše lze číslem αm+1 dělit a po zřejmých úpravách
dostáváme
−1
y = αm+1 (−αm+1 )x1 + . . . + (αm )−1 (−αm+1 )xm ,
což je spor s předpokladem y ∈
/ hx1 , . . . , xm i. Situace αm+1 6= 0 tedy nikdy nenastává.
Musí tedy αm+1 = 0 a zbytek plyne z 1. bodu.
3.7 Báze podprostoru

V této části si představíme další klíčový pojem – bázi podprostoru.
Pojem báze si lze nejsnáze ilustrovat v jednoduchém vektorovém prostoru, v R2 . Jeden
z mnoha36 příkladů báze je soubor B = ((1, 0), (0, 1)) dvou vektorů, z nichž každý určuje
jednu ze dvou os kartézského souřadnicového systému. Tento soubor je tzv. bází R2 ze dvou
důvodů. Jednak je „dost velký“37 na to, aby šel každý jiný vektor z R2 vyjádřit jako lineární
kombinace vektorů z B a jednak je lineárně nezávislý – tedy není „zbytečně velký“38 .
35
Což je jen vágní a nijak nedefinovaný pojem.
36
Jeden z nekonečně mnoha.
37
Velmi lidově řečeno. . .
38
Vzpomeňme na Důsledek 3.1 o lineárně závislých souborech vektorů.
54
Definice 3.7: O souboru vektorů (x1 , . . . , xm ) z prostoru T n řekneme, že generuje podpro-

stor P ⊂⊂ T n , právě když x1 , . . . , xm ∈ P a platí:
hx1 , . . . , xm i = P.
V případě, že P = T n můžeme zjednodušeně říkat (x1 , . . . , xm ) generuje (vektorový) prostor

T n.
Definice 3.8: Mějme P ⊂⊂ T n . Existuje-li ve T n soubor vektorů (x1 , . . . , xm ) takový, že
1. (x1 , . . . , xm ) je LN,
2. (x1 , . . . , xm ) generuje P ,
nazýváme soubor vektorů (x1 , . . . , xm ) bází podprostoru P .

Jako dříve: v případě, že P = T n můžeme zjednodušeně říkat, že (x1 , . . . , xm ) je bází
(vektorového) prostoru T n .
Poznamenejme, že jeden podprostor P může mít více různých bází39 . Nicméně, jak si
později dokážeme, všechny báze jednoho podprostoru musí mít stejný počet prvků. Před
uvedením prvních příkladů bází si stručně shrňme, jak ověřit že daný soubor vektorů je bází
podprostoru.
Jelikož lineární nezávislost už ověřit umíme (viz Algoritmus 3.1), zbývá umět ověřit druhou
vlastnost bází a to, že generují celý podprostor P .
Algoritmus 3.2 (Ověření zda soubor generuje P ): Pro zadaný soubor vektorů (x1 , . . . , xm )
v podprostoru P ⊂⊂ T n ověřte, zda generuje celý podprostor.
1. Hledáme, jestli pro libovolný vektor v ∈ P existuje nějaká m-tice koeficientů α1 , . . . , αm ∈

T taková, že příslušná lineární kombinace je rovna vektoru v.
2. Koeficienty α1 , . . . , αm ∈ T považujme za neznámé v rovnici
α1 x1 + · · · + αm xm = v.
3. Z definice vektorových operací rovnici výše převeďme na soustavu lineárních rovnic.

Vektor v nám pak do této soustavy (do její pravé strany) vnese nějaké parametry z T .
4. Soustavu převeďme pomocí GEM do horního stupňovitého tvaru. Dle Věty 2.8 určeme,
kolik existuje řešení.
5. Existuje-li pro libovolné hodnoty parametrů (tj. pro libovolný vektor v) alespoň jedno
řešení, zadaný soubor generuje podprostor P .
Jak si můžeme snadno povšimnout, Algoritmy 3.1 a 3.2 jsou si velice podobné. Stačí si
uvědomit, že když z rovnic v bodech 2. obou algoritmů sestavujeme soustavy rovnic a ty
následně řešíme pomocí GEM, tyto soustavy mají, až na pravé strany, stejné matice. Stačí tedy
s touto soustavou pracovat jen jednou, a to s pravou stranou odvozenou z obecného vektoru
v ∈ P . Z horního stupňovitého tvaru pak můžeme diskutovat obě vlastnosti bází najednou:
1. Má-li soustava pro libovolnou pravou stranu alespoň jedno řešení, soubor generuje P .
39
Je-li T = Q, R či C, pak dokonce nekonečně mnoho!
55
2. Má-li přidružená homogenní soustava pouze jedno řešení, je soubor LN.40

Postup ilustrujeme na příkladech souborů z Příkladů 3.5 a 3.6, pouze místo lineární
nezávislosti zkoumáme druhou vlastnost bází.
Příklad 3.9: Ověříme, zda soubor (1, 2, 3), (4, 2, 3), (3, 4, 2) generuje Z35 .

Pro libovolný vektor v = (v1 , v2 , v3 ) ∈ Z35 hledáme koeficienty α, β, γ ∈ Z5 takové, že

platí
α(1, 2, 3) + β(4, 2, 3) + γ(3, 4, 2) = v = (v1 , v2 , v3 ) .
Z definice vektorových operací pak dostáváme rovnost dvou vektorů z Z35 ,
(α + 4β + 3γ, 2α + 2β + 4γ, 3α + 3β + 2γ) = (v1 , v2 , v3 ) ,
která vede na soustavu lineárních rovnic v proměnných α, β, γ ∈ Z5 .
     
1 4 3 v1 1 4 3 v1 1 4 3 v1
 2 2 4 v2  ∼  0 4 3 3v1 + v2  ∼  0 1 3 2v1 + v3  .
3 3 2 v3 0 1 3 2v1 + v3 0 0 1 v2 + v3
Jelikož se jedná o soustavu, jejíž rozšířená matice má jediný vedlejší sloupec (ten pravých
stran), existuje pro každou trojici parametrů (v1 , v2 , v3 ) nějaké řešení (α, β, γ) a zadaný soubor
generuje Z35 .
Dokonce existuje vždy právě jedno řešení (tedy i pro nulovou pravou stranu, které od-
povídá řešení (α, β, γ) = (0, 0, 0)) a rovnou potvrzujeme i lineární nezávislost zadaného
souboru – jedná se o bázi Z35 .
Příklad 3.10: Vyšetříme zda soubor
(1, 0, 1, 0), (2, 2, 0, 0), (2, 0, 1, 1), (1, 1, 2, −2) generuje R4 .

Hledáme koeficienty α, β, γ, δ ∈ R takové, že platí

α(1, 0, 1, 0) + β(2, 2, 0, 0) + γ(2, 0, 1, 1) + δ(1, 1, 2, −2) = v = (v1 , v2 , v3 , v4 ) .
Z definice vektorových operací pak dostáváme rovnost dvou vektorů z R4 ,
(α + 2β + 2γ + δ, 2β + δ, α + γ + 2δ, γ − 2δ) = (v1 , v2 , v3 , v4 ) ,
která vede na soustavu lineárních rovnic v proměnných α, β, γ, δ ∈ R.
      
1 2 2 1 v1 1 2 2 1 v1 1 2 2 1 v1 1 2
0 2 0 1 v2   0 2 0 1 v2  ∼ 0 2 0 1 v2  ∼ 0 2
     
 ∼
1 0 1 2 v3   0 −2 −1 1 −v1 + v3   0 0 −1 2 −v1 + v2 + v3   0 0
0 0 1 −2 v4 0 0 1 −2 v4 0 0 1 −2 v4 0 0
Jelikož parametry v1 , v2 , v3 , v4 volíme libovolně z R, existují volby (např. v = (1, 0, 0, 0).),
pro které má rozšířená matice soustavy poslední sloupec hlavní. Tedy existují vektory z R4 ,
které nejsou obsaženy v lineárním obalu zadaného souboru – ten tedy negeneruje celé R4
a nemůže jít o bázi.
Lineární závislost souboru bychom zjistili ze stejné matice, pro volbu v11 = v12 = v21 =
v22 = 0 zjevně existuje více než jedno řešení.
40
Přemýšlivý student jistě snadno dojde k podmínce, v jakém tvaru musí matice soustavy být, aby byl
zkoumaný soubor bází – vzpomeňme na Pozorování 2.3.
56
3. Základní pojmy lineární algebry Dimenze podprostoru
Zatím jsme si neukázali, že každý podprostor má nějakou bázi. Nicméně věříme, že

s následující bázi celého prostoru se čtenář již potkal.41
Definice 3.9: Ve vektorovém prostoru T n označme
e1 :=(1, 0, 0, . . . , 0),
e2 :=(0, 1, 0, . . . , 0),
..
.
en :=(0, 0, 0, . . . , 1).
Potom soubor En = (e1 , e2 , . . . , en ) je báze T n .

Soubor En nazýváme standardní bází (někdy známý taky jako kanonická báze). U jejich
prvků se můžeme často setkat s označením jednotkové vektory.
3.8 Dimenze podprostoru

O druhém stěžejním pojmu dimenze máme nejspíš každý nějakou intuitivní představu, přímce
většinou přisuzujeme dimenzi 1, rovině 2 a „prostoru“ dimenzi 3. My bychom rádi těmto
číslům dali nějaký smysl a také pojem zobecnili pro prostory T n . Dimenze bude v jistém
smyslu měřit, jak je podprostor P „velký“ – bude určovat, jaké největší lineárně nezávislé
soubory lze ve P nalézt. Jak si mimo jiné spolu dokážeme, všechny báze daného vektorového
prostoru mají počet prvků přesně rovný dimenzi.
Definice 3.10: Buď P podprostor T n . Řekneme, že dimenze podprostoru P je rovna
• 0, pokud ve T n neexistuje LN soubor délky 1.
• d ∈ N, pokud ve T n existuje LN soubor délky d, ale každý soubor délky d + 1 už je LZ.

Dimenzi podprostoru P označujeme symbolem dim P .
Poznámka 3.9: Na první pohled nemusí být jasné, že předchozí definice je korektně defino-
vaný pojem. Proto si její korektnost ukažme.
Než se na důkaz vrhneme budeme potřebovat následující pomocné tvrzení. Rozmyslete si,
jak plyne přímo z Pozorování 3.3.
Lemma 3.1: 1. Existuje-li LN soubor délky m, potom existuje LN soubor libovolné délky
i ∈ m̂.
2. Je-li každý soubor délky m LZ, potom každý soubor libovolné délky i ∈ {m, m + 1, . . . }
je LZ.
Důkaz Poznámky 3.9. Musíme ukázat dvě tvrzení
1) Dimenze P vždy existuje. Přesněji vždy existuje nějaké číslo d ∈ N ∪ {0}, které splňuje
podmínky definice dimenze.
Víme z Pozorování 3.5, že každý soubor délky n + 1 vektorů z P je LZ.42 Mějme k ∈ N
nejmenší takové, že každý soubor délky k ∈ N je LZ. Víme, že 1 ≤ k ≤ n + 1
41
Alespoň v R2 , či R3 .
42
Neboli neexistuje žádný LN soubor vektorů z P délky n + 1.
57
Je-li k = 1 tak to přesně znamená, že dim P = 0.

Pro k ≥ 2 dostáváme z minimality k to, že existuje LN soubor délky k − 1 a každý soubor
délky k je LZ. Neboli dim P = k − 1.
2) Dimenze P je jednoznačná. Přesněji chceme ukázat, že neexistuje více takových d ∈
N ∪ {0}, které splňují podmínky definice dimenze.
Mějme k jako v předchozím bodu. Z konstrukce k víme, že každý soubor délky k je
LZ. Z bodu 2. Lemmatu 3.1 obdržíme, že každý soubor délky k, k + 1, . . . je také LZ. Tedy
neexistuje LN soubor délky k, k + 1, . . . a dimenze nemůže být k, k + 1, . . . , proto dim P < k
Je-li k = 1 máme dim P < 1 tedy opravdu dim P = 0. Je-li k ≥ 2 z konstrukce k víme,
že existuje LN soubor délky k − 1. Bod 1. Lemmatu 3.1 říká, že existují LN soubory délky
1, 2, . . . , k − 1. Tedy z definice dimenze získáme, že nutně dim P > k − 2.
Dohromady obdržíme k − 2 < dim P < k. Jelikož k − 1 je jediné celé číslo, které splňuje
tuto rovnici. Je dim P = k − 1.
Pozorování 3.7: V T n jistě existuje LN soubor délky n, například En = (e1 , e2 , . . . en ).
Současně víme z Pozorování 3.5, že každý soubor z T n délky n + 1 je LZ.
Přímo z definice dostáváme očekávatelnou informaci
dim T n = n.
Speciálně, dim R2 = 2, dim R3 = 3.

Vášnivý čtenář jiných textů o lineární algebře by zde mohl namítnout, že naše definice
dimenze je, lidově řečeno, „nějaká podivná“ – že on43 zná definici jinou a jednodušší. Kon-
krétně: Dimenze vektorového prostoru je počet prvků jeho báze. Toto tvrzení je pravdivé a i my
si ho v této části textu dokážeme. Jde o klasické dilema, kdy jeden pojem lze jednoznačně
charakterizovat více vlastnostmi, které jsou ekvivalentní – jednu si musíme vybrat a ty další
z ní dokázat. Přirozená otázka zní, proč je „naše“ definice „lepší“, resp. proč jsme ji vybrali. Je
sice hůře představitelná, ale je logicky mnohem úspornější44 , jediné co k ní totiž potřebujeme
je definice lineární (ne)závislosti! Naproti tomu „alternativní definice“ výše potřebuje ke své
smysluplnosti nejen znalost pojmu báze, ale také toho, že každý podprostor bázi má a že
všechny báze jednoho podprostoru mají stejně prvků – což není úplně triviální, všechno si to
spolu postupně teprve dokážeme.
Začneme několika jednoduchými vlastnostmi, které by přímo z definice dimenze měl
každý umět odvodit a dokázat.
Věta 3.5: 1. dim P = 0 ⇔ P = {θ}.
2. Podpodprostor {θ} nemá bázi.
3. Buď m ∈ N a nechť v P ⊂⊂ T n existuje m -členný LN soubor. Potom
dim P ≥ m.
4. Buď m ∈ N a nechť je v P ⊂⊂ T n každý m -členný soubor LZ. Potom
dim P ≤ m − 1.
43
Či ona!
44
Můžete si vyhledat termín Occamova břitva, jde o myšlenkově blízký pojem.
58
Důkaz. 1. Je-li dim P = 0, potom z definice každý jednočlenný soubor vektorů ve P je LZ.
Z Pozorování 3.3 nutně plyne, že každý takový soubor může obsahovat jen nulový vektor.
Tedy v P leží pouze θ, nebo-li P = {θ}. Je-li naopak P = {θ}, pak jediný soubor délky 1
je (θ) a ten je LZ.
2. V triviálním vektorovém podprostoru {θ} neexistuje žádný LN soubor, tudíž {θ} nemůže
mít bázi.
3. Pomocí bodu 1. Lemmatu 3.1 a definice dimenze a získáme, že dim P ∈

/ {0, 1, 2 . . . m − 1}.
Proto dim P ≥ m.
4. Z bodu 2. Lemmatu 3.1 a definice dimenze obdržíme, že dim P ∈

/ {m, m + 1 . . . }. Proto
dim P ≤ m − 1.
Souvislost báze a dimenze

Cílem této části je dokázat si souvislost mezi počtem prvků báze a dimenzí. Začneme s pří-
pravnými tvrzeními.
Tvrzení 3.1: Máme-li soubor vektorů (x1 , . . . , xm ), který generuje podprostor P ⊂⊂ T n ,
potom dim P ≤ m.
Důkaz. Pro spor předpokládejme, že dim P > m. Potom z definice dimenze existuje LN soubor
délky delší než m. Bod 1. Lemmatu 3.1 nám dává, že existuje i LN soubor vektorů z P délky
m+1, nazvěme jeho vektory y1 , . . . , ym+1 . Mějme i ∈ m
\ + 1. Jelikož yi ∈ P = hx1 , . . . , xm i,
víme, že pro každé yi existuje řešení soustavy
α1 x1 + . . . αm xm = yi . (3.3)
Tuto soustavu můžeme zároveň řešit pro všechny i = 1, 2, 3, . . . m, i m + 1, prostě si je na

pravou stranu napíšeme najednou. Získáme soustavu v maticovém zápisu
 
 x1 x2 . . . xm y1 y2 . . . ym+1  . (3.4)
Dále budeme psát jen jednu oddělující svislou čáru, která bude oddělovat soubory vektorů
s x od těch s y. Pomocí GEM převedeme do HST. Dostaneme matici ve tvaru.
∼ (A|B) .
Pojďme si tuto matici rozšířené soustavy analyzovat. Víme, že soustava má řešení, tudíž
každý sloupec matice B musí být vedlejší.45 Jelikož je A má m řádků a je v HST, má nejvýše
m nenulových řádků!46 Protože jsou sloupce B vedlejší, i tato matice musí mít nejvýše m
nenulových řádků.
Uvažujme soustavu:
α1 y1 + . . . αm+1 ym+1 = θ. (3.5)
45
Kdyby i-tý sloupec byl hlavní znamenalo by to, že pro yi soustava 3.3 nemá řešení.
46
Dobře si rozmyslete!
59
Soustavě odpovídá matice  

 y1 y2 . . . ym+1 θ  .
Pokud použijeme úplně stejné GEM kroky jako výše při převedení soustavy 3.4, obdržíme
matici
∼ (B|θ) ,
o které víme, že má nejvýše m nenulových řádků. Gemujeme dál a dostaneme soustavu v HST:
∼ (D|θ).
Co o ni víme? Algorimus GEMu nepřidává nenulové řádky, tedy i D má nejvýše m nenulových

řádků. Proto má nejvýše m hlavních sloupců. Celkově má D ale m + 1 sloupců, tudíž (D|θ)
obsahuje kromě posledního sloupce alespoň jeden další vedlejší. Soustava 3.5 má více řešení,
proto je soubor (y1 , . . . , ym+1 ) LZ a to je SPOR!
Následující věta nám ušetří práci při hledání podprostoru P dimenze d ∈ N. Jakmile
ověříme u souboru délky d jednu z vlastností generuje P /je LN, obdržíme automaticky i druhou
vlastnost.
Věta 3.6: Nechť (x1 , . . . , xd ) je soubor vektorů z P ⊂⊂ T n a dim P = d ∈ N. Potom
následující tvrzení jsou ekvivalentní:
1. Soubor (x1 , . . . , xd ) je báze P .
2. Soubor (x1 , . . . , xd ) je LN.
3. Soubor (x1 , . . . , xd ) generuje P .
Důkaz. Implikace 1. =⇒ 2. plyne přímo z definice báze.

Dokážeme 2. =⇒ 3. Věta 3.2 nám říká, že hx1 , . . . , xd i ⊆ P . Stačí proto dokázat opačnou
inkluzi, P ⊆ hx1 , . . . , xd i, budeme postupovat sporem.
Kdyby existoval prvek xd+1 ∈ P takový, že xd+1 ∈ / hx1 , . . . , xn i, pak by zvětšený soubor
(x1 , . . . , xd , xd+1 ) byl LN, jak víme z Věty 3.4. To by ale znamenalo dle Věty 3.5, že dim P ≥
d + 1, tedy spor.
Zbývá ukázat 3. =⇒ 1. Mějme soubor (x1 , . . . , xd ), který generuje P , musíme dokázat,
že tento soubor je LN.
Pro spor předpokládejme, že (x1 , . . . , xd ) je LZ. Je-li d = 1, tak to znamená, že x1 = θ
a P = hθi, což je spor s dim P = 1.
Je-li d ≥ 2 můžeme pomocí Důsledku 3.1 nalézt soubor délky n − 1 generující P . Z Tvr-
zení 3.1 pak ale plyne, že dim P ≤ d − 1, což je spor.
Věta 3.7: Nechť P je podprostor T n takový, že dim P = d ∈ N. Potom ve P existuje d
-členná báze.
Důkaz. Protože dim P = d, existuje z definice dimenze LN soubor délky d. Z předchozí
Věty 3.6 víme, že je to báze P .
Věta 3.8: Nechť d ∈ N a nechť v P ⊂⊂ T n existuje d -členná báze. Potom dim P = d.
60
Důkaz. Označme d -člennou bázi P jako (y1 , . . . , yd ). Víme, že existence d-prvkového LN

souboru implikuje dim P ≥ d. Na druhou stranu (y1 , . . . , yd ) generuje P a z Tvrzení 3.1
plyne dim P ≤ d. Proto je v tomto případě dim P = d.
Důsledek 3.2: Všechny báze P ⊂⊂ T n mají stejný počet prvků, roven dim P .
Důkaz. Předpokládejme nejprve, že ve P existují dvě konečné báze, jedna s m ∈ N vektory
a druhá s d ∈ N vektory. Podle předchozí věty potom m = dim P a současně d = dim P .
Dimenze P je ale jednoznačně určené číslo, a proto m = d.
Hledání báze podprostoru

Už tedy víme, že v každém podprostoru, který není jen θ, existuje báze, víme, kolik má mít
prvků a také víme, jak ověřit, zda nějaký soubor bází je. Co ale vlastně moc nevíme je, jak
nějakou bázi konkrétně najít, případně vytvořit ze souborů, které bázemi nejsou. O tom budou
následující dvě jednoduchá tvrzení. V obou případech budeme mít k dispozici nějaký soubor
vektorů, který z vlastností báze splňuje právě jednu – a my si dokážeme, že lze vytvořit soubor,
který splňuje obě.
Věta 3.9: Nechť {θ} 6= P = hy1 , . . . , ym i ⊂⊂ T n . Potom dim P = d ≤ m a existují
navzájem různé indexy i1 , . . . , id ∈ m̂ takové, že (yi1 , . . . , yid ) je báze P .
Jinými slovy: z každého generujícího souboru lze vybrat bázi.
Důkaz. První část tvrzení je zopakování Tvrzení 3.1.
Druhá část věty plyne z faktu, že v LZ souboru vždy existuje prvek, který lze ze souboru
odebrat, aniž by se změnil jeho lineární obal (viz Důsledek 3.1). Takto můžeme ze souboru
(y1 , . . . , yn ) postupně odebírat prvky tak dlouho, dokud vzniklý soubor nebude LN. To nastane,
až bude v souboru zbývat d vektorů, protože dim P = d.
Věta 3.10: Nechť (x1 , . . . , xm ) je LN soubor vektorů z P ⊂⊂ T n a dim P = d ∈ N. Potom
existují vektory xm+1 , . . . , xd ∈ P takové, že (x1 , . . . , xd ) je báze P .
Jinými slovy: každý lineárně nezávislý soubor lze doplnit na bázi.
Důkaz. Jelikož každý soubor délky d + 1 a delší je LZ, musí být m ≤ d. Jestli soubor
(x1 , . . . , xm ) není bází P , tak nutně negeneruje P . Proto musí existovat xm+1 ∈
/ hx1 , . . . , xm i.
Přidáme jej do našeho souboru. Díky Větě 3.4 víme, že zachováme lineární nezávislost. Tento
postup iterujeme, dokud nově vzniklý soubor negeneruje celé P .
To nastane v momentě, kdy přidáme d − m vektorů, jelikož soubor (x1 , . . . , xd ) bude LN
soubor délky d v prostoru dimenze d.
Poznámka 3.10: Ve Větách 3.10 a 3.9 jsme postupně přidávali, respektive ubírali po jednom
vektoru. Pokud jsme zběhlí v počítání zjistíme, že můžeme rovnou po jednom výpočtu přidat,
respektive ubrat tolik vektorů, abychom rovnou získali bázi. Více se dozvíte na prosemináři
a cvičení.
61
Vlastnosti dimenze
Základy pojmu podprostor už máme v malíčku, proto se nyní zaměříme na zkoumání, jak je
to s jeho dimenzí. Ukážeme si, že „menší“ podprostor má „menší“ dimenzi.
Věta 3.11: Nechť P, Q jsou podprostory T n splňující P ⊆ Q. Potom
dim P ≤ dim Q.
Je-li navíc P 6= Q, potom

dim P < dim Q.
Důkaz. Nejdříve si dokažme první část. Je-li dim P = 0, tvrzení triviálně platí.47
Máme-li k := dim P > 0, potom z definice dimenze existuje LN soubor délky k vektorů
z P . Tento soubor ale také leží ve Q, proto z Věty 3.5 je dim Q ≥ k = dim P.
Zbývá nám dokázat druhou část věty. Buď nyní P ⊂⊂ Q vlastní podmnožinou Q, tj.
P 6= Q. Z předchozího kroku a předpokladu už víme, že
k := dim P ≤ dim Q,
chceme dokázat ostrou nerovnost k < dim Q.

Je-li dim P = 0, tj. P = {θ}, musí platit Q 6= {θ}, a tedy dim Q ≥ 1 > 0 = dim P
a nerovnost platí.
Je-li dim P = k ≥ 1, existuje k -členný LN soubor vektorů z P , označme jej (x1 , . . . , xk ).
Protože P 6= Q, existuje xk+1 ∈ Q takový, že xk+1 ∈ / P = hx1 , . . . , xk i. Potom z Věty 3.4
obdržíme, že soubor (x1 , . . . , xk , xk+1 ) je LN. Odkud rovnou plyne dim Q ≥ k + 1 > k =
dim P .
V obou případech platí dim P < dim Q.
Potenciálně užitečný důsledek této věty nám pak říká, že pokud o nějakých podprostorech
dokážeme, že maji stejnou dimenzi a jeden je podmnožinou druhého, tak se musejí rovnat.
Důsledek 3.3: Buď P, Q podprostory T n , P ⊆ Q a dim P = dim Q. Potom P = Q.
Speciálně: je-li P ⊂⊂ T n a dim P = n, tak P = T n .
Jak už jsme si řekli, každý podprostor (potažmo i každý vektorový prostor) může mít
více bází. Tedy úlohy typu nalezněte bázi zadaného podprostoru nemají jednoznačné řešení.
Chceme-li pak porovnat správnost dvou různých výsledků, jde v podstatě o ověření, zda dva
různé soubory vektorů generují stejný (pod)prostor, tedy zda se rovnají jejich lineární obaly.
K tomu se nám v budoucnu bude hodit následující pozorování, využívající pojem dimenze48 .
Pozorování 3.8: Buďte (x1 , . . . , xd ) a (y1 , . . . , ym ) dva soubory vektorů z T n . Potom
hx1 , . . . , xd i = hy1 , . . . , ym i
právě tehdy, když
dimhx1 , . . . , xd i = dimhy1 , . . . , ym i = dimhx1 , . . . , xd , y1 , . . . , ym i.

47
Zřejmě pro každé m ∈ N, je 0 ≤ m.
48
Bohužel až budoucnu. Zatím totiž nemáme k dispozici jednoduché pravidlo pro výpočet dimenze lineárního
obalu zadaného souboru vektorů. K tomu se nám bude hodit pojem hodnost matice, který si zavedeme v následující
kapitole!
62
3. Základní pojmy lineární algebry Souřadnice vzhledem k bázi
Důkaz. (⇒) : Z rovnosti hx1 , . . . , xn i = hy1 , . . . , ym i speciálně máme
∀j ∈ m̂ : yj ∈ hx1 , . . . , xn i.
Proto přidáním vektorů y1 , . . . , ym do souboru (x1 , . . . , xn ) se nezmění obal souboru. Je tedy
hx1 , . . . , xn i = hx1 , . . . , xn , y1 , . . . , ym i .
Analogicky obdržíme
hy1 , . . . , ym i = hx1 , . . . , xn , y1 , . . . , ym i .
Proto se všechny tři obaly rovnají, a tedy musejí mít také stejnou dimenzi.
(⇐) : Naopak, protože
hx1 , . . . , xn i ⊆ hx1 , . . . , xn , y1 , . . . , ym i
a dimenze obou obalů se rovnají (dle předpokladu), musejí se podle Důsledku 3.3 už oba tyto
podprostory rovnat. Stejnou úvahou dojdeme i k rovnosti
hy1 , . . . , ym i = hx1 , . . . , xn , y1 , . . . , ym i .
Celkem proto platí hx1 , . . . , xn i = hy1 , . . . , ym i.
3.9 Souřadnice vzhledem k bázi

V této části si zavedeme pojem souřadnice vzhledem k bázi, který nám usnadní orientaci v pod-
prostoru. Tento pojem oceníte především později v předmětu BI-LA2 při práci s lineárními
zobrazeními, je ta, že namísto vektorů v obecném VP budeme moci pracovat pouze s jejich
souřadnicemi v dané bázi – ať už je zvolena jakkoli.
Začneme přípravnou větou, která říká, že koeficienty lineární kombinace báze jsou vždy
dobře definovány a to jednoznačně.
Věta 3.12: Nechť (x1 , . . . , xd ) je báze P ⊂⊂ T n . Potom ke každému v ∈ P existuje právě
jedna uspořádaná d-tice (α1 , . . . , αd ) ∈ T d taková, že
d
X
v= αi xi .
i=1
Důkaz. Existence (α1 , . . . , αd ): Protože báze generuje P, neboli P = hx1 , . . . , xd i, musí exis-
tovat čísla α1 , . . . , αd ∈ T (koeficienty lineární kombinace) taková, že
d
X
v= αi xi .
i=1
Jednoznačnost: Pro spor předpokládejme, že existuje nějaká další d-tice koeficientů (β1 , . . . , βd ) ∈
T taková, že ∃i ∈ dˆ : αi 6= βi a
d
d
X d
X
v= αi x i = βi xi .
i=1 i=1
63
Potom nutně platí také

d
X
(αi − βi )xi = θ.
i=1
Soubor (x1 , . . . , xd ) je ovšem LN, tedy nulový vektor lze získat pouze triviální lineární
kombinací a nutně (∀i ∈ d)(α ˆ i − βi = 0), což je spor.
Definice 3.11: Nechť B = (x1 , . . . , xd ) je báze P ⊂⊂ T n a vektor v ∈ P splňuje

d
X
v= αi xi .
i=1
Souřadnicemi vektoru v ∈ P vzhledem k bázi B nazveme uspořádanou d-tici (sloupcový

vektor49 )  
α1
 .. 
(v)B :=  .  ∈ T d,1 .
αd
Zdůrazněme, že pojem souřadnice v bázi je opravdu korektně definován. I když tím
jen opakujeme důkaz Věty 3.12, je užitečné ještě jednou poznamenat, že právě existence
a jednoznačnost souřadnic je ta hlavní motivace, proč se báze definuje tak, jak se definuje.
Obě vlastnosti bází jsou potřeba (Zkuste si to sami rozmyslet)!
1. Díky tomu, že báze generuje P , souřadnice vždy existují.
2. Díky lineární nezávislosti báze jsou navíc určeny jednoznačně.
Možná vám tento pojem přijde jako úplná novinka, ale když si vzpomenete na rozkládání
vektoru do dvou daných směrů ze střední školy, tak to nebylo nic jiného než zjišťování
souřadnic vzhledem k bázi pomocí geometrie.
αx
v
x
1 y
αy θ 1
49
Připomínáme, že na sloupcový vektor T d,1 můžeme také dle potřeby nahlížet jako na d-tici z T d , tj.
(v)B = (α1 , . . . , αd ).
64
Na obrázku jsme rozložili vektor v = (0, 7/2) do směrů x = (2, 3) a y = (3, 1). Zjistili
jsme, že v = 3/2x + (−1)y, tedy souřadnice vektoru v vzhledem k bázi B = (x, y) jsou
(v)B = (3/2, −1).
Algoritmus 3.3 (Nalezení souřadnic vektoru v bázi): Pro zadaný vektor v ∈ P ⊂⊂ T n , kde
P má bázi B = (x1 , . . . , xd ), nalezněte souřadnice v vůči bázi B.
1. Hledáme d-tici koeficientů α1 , . . . , αd ∈ T takovou, že příslušná lineární kombinace prvků
báze je rovna vektoru v.
2. Koeficienty α1 , . . . , αd ∈ T považujme za neznámé v rovnici
α1 x1 + · · · + αd xd = v .
3. Z definice vektorových operací rovnici výše převeďme na soustavu lineárních rovnic. Pravá
strana soustavy bude určena vektorem v.
4. Soustavu převeďme pomocí GEM do horního stupňovitého tvaru. Jelikož B = (x1 , . . . , xd )
je báze, musí existovat právě jedno řešení (α1 , . . . , αd ) této soustavy – a to jsou hledané
souřadnice vektoru v v bázi B.
Příklad 3.11: Ve standardní bázi E3 = (e1 , e2 , e3 ) prostoru R3 má vektor v = (a, b, c)
souřadnice (a, b, c). Skutečně, triviálně platí (a, b, c) = a(1, 0, 0) + b(0, 1, 0) + c(0, 0, 1), tedy
v = ae1 + be2 + ce3 .
A souřadnice obecného vektoru ve standardní bázi splňují
v = (a, b, c) ⇒ (v)E3 = (a, b, c) .
Příklad 3.12: Soubor B = (x1 , x2 , x3 ), kde
x1 = (1, 1, 1), x2 = (1, 1, 2), x3 = (1, 2, 3),
je jiná báze R3 . Souřadnice vektoru v = (a, b, c) nalezneme dle Algoritmu 3.3.
Řešíme rovnici
α(1, 1, 1) + β(1, 1, 2) + γ(1, 2, 3) = v = (a, b, c) ,
s parametry a, b, c ∈ R a neznámými α, β, γ ∈ R. Přímo získanou SLR řešíme Gaussovou
eliminací50 :
     
1 1 1 a 1 1 1 a 1 1 1 a
1 1 2 b  ∼ 0 0 1 b − a ∼ 0 1 2 c − a ∼
1 2 3 c 0 1 2 c−a 0 0 1 b−a
   
1 1 0 2a − b 1 0 0 a+b−c
∼ 0 1 0 a − 2b + c  ∼  0 1 0 a − 2b + c  ,
0 0 1 b−a 0 0 1 b−a
50
Poznamenejme, že už v třetím kroku bychom mohli s úpravami skončit, soustava je v horním stupňovitém
(dokonce trojúhelníkovém) tvaru! Protože to ovšem daná soustava umožňuje, můžeme ji ještě několika snadnými
úpravami dále zjednodušovat.
65
3. Základní pojmy lineární algebry Zajímavosti
s výsledkem (α, β, γ) = (a + b − c, a − 2b + c, b − a). Tedy
v = (a + b − c)x1 + (a − 2b + c)x2 + (−a + b)x3
s souřadnice obecného vektoru vůči bázi B splňují
v = (a, b, c) ⇒ (v)B = (a + b − c, a − 2b + c, −a + b) .
Tedy například pro vektor w = (4, 2, 3) máme
(w)B = (4 + 2 − 3, 4 − 2 · 2 + 3, −4 + 2) = (3, 3, −2).
3.10 Zajímavosti
V této kapitole jsme pracovali s velmi specifickým prostorem T n . Jak už je v matematice
běžné, tak pojem vektorový prostor lze zobecnit, aby zahrnoval mnohem více objektů.
Obecné vektorové prostory

V různých situacích můžeme dojít k potřebě pracovat s prvky všelijakých množin jako s vektory
v nějakém prostoru, může jít o matice, nekonečné posloupnosti, polynomy, spojité funkce i o
mnohem roztodivnější objekty. Abychom nebyli nuceni zavádět nové a nové prostory a pro
ně budovat od základů celou potřebnou teorii znovu, lze zavést pojem vektorový prostor
mnohem obecněji.
Hlavní pointa celé teorie, kterou v průběhu kurzu BI-LA2 společně vybudujete, pak
spočívá v tom, že vlastně příliš nezáleží na tom, které konkrétní těleso („množinu používaných
čísel“, viz Definice 2.2) zvolíte, s jakými konkrétními vektory budete pracovat a jak přesně
budou operace sčítání vektorů a násobení vektorů skalárem budou vypadat. Jediné, na čem
bude záležet, je, jestli budou splněny konkrétní základní vlastnosti – přesně ty, které jsme
v Pozorování 3.1 popsali pro VP T n – ty nazveme axiomy. Čistě z těchto axiomů pak odvodíme
veškerou teorii, která pak bude univerzálně platit úplně stejně pro každou strukturu, která
tyto axiomy splňuje! Takové struktury budeme se nazývají nazývat „(obecné) vektorové
prostory“.
Definice 3.12: Nechť T je libovolné komutativní těleso, jeho neutrální prvky vůči operacím
sčítání, resp. násobení označme 0, resp. 1. Mějme dána neprázdnou množinu V a dvě zobrazení
⊕ : V × V → V, :T ×V →V .
Řekneme, že V je vektorový prostor nad tělesem T s vektorovými operacemi ⊕ a , právě

když platí následující axiomy vektorového prostoru:
1. ∀a, b ∈ V : a ⊕ b = b ⊕ a,
2. ∀a, b, c ∈ V : (a ⊕ b) ⊕ c = a ⊕ (b ⊕ c),
3. ∀α, β ∈ T, ∀a ∈ V : α (β a) = (αβ) a,
4. ∀α ∈ T, ∀a, b ∈ V : α (a ⊕ b) = (α a) ⊕ (α b),
5. ∀α, β ∈ T, ∀a ∈ V : (α + β) a = (α a) ⊕ (β a),
66
6. ∀a ∈ V : 1 a = a,
7. ∃θ ∈ V, ∀a ∈ V : 0 a = θ.
Obecné vektorové prostory můžeme rozdělit na ty s konečnou, nebo nekonečnou dimenzí.
VP V je konečně dimenzionální, pokud existuje m ∈ N takové, že každý soubor vektorů z V
délky m je je LZ, jinak má dimenzi nekonečnou.
Konečně dimenzionální prostory mají obdobné vlastnosti jako T n . Prakticky každou větu
z této kapitoly můžeme reformulovat pro obecný vektorový prostor a většinou i s obdobným
důkazem. Pomocí analogie souřadnic vůči bázi viz Definice 3.11 lze nalézt propojení mezi
konečně dimenzionálními vektorovými prostory a nám známými VP T n .51
Nejjednodušším příkladem obecnějšího vektorového prostoru než T n je prostor matic.
Příklad 3.13: Máme-li T libovolné těleso a m, n ∈ N. Čtveřice
(T m,n , T, +, ·),
kde T m,n značí množinu matic, +, · operace s maticemi jako dříve je vektorový prostor.
V prostoru T m,n lze zavést standardní bázi podobně jako v T n : Soubor
Emn = (e11 , . . . , e1n , e21 , . . . , e2n , . . . , em1 , . . . , emn ) ,
kde eij je matice z T m,n , která má na pozici s indexy ij jedničku a všude jinde nuly, je báze
T m,n .
Příklad 3.14: Dalším příkladem je množina polynomů stupně nejvýše n
Pn = an xn + an−1 xn−1 + . . . a1 x1 + a0 | ai ∈ T, ∀i ∈ {0, . . . , n}

se standartním sčítáním polynomů a násobením polynomu číslem, jak jste zvyklí ze střední
školy.
Tento prostor má přirozenou bázi {1, x, x2 , . . . , xn }, tudíž jeho dimenze je n + 1.
Situace se začne komplikovat, pokud budou ve V existovat LN soubory libovolné délky, to
jest v nekonečně dimenzionálním prostoru. Stále bude platit řada tvrzení, které známe pro T n ,
ale už si nevystačíme jen s pojmem soubor vektorů. Abychom mohli definovat bázi, budeme
muset definovat LN/LZ, lineární obal i pro množiny, což si necháme do BI-LA2, zájemci můžou
již nyní také nahlédnout do skript k původnímu předmětu BI-LIN.
Velmi užitečným příkladem, se kterým budete pracovat v BI-MA1 je VP všech posloupností:
Příklad 3.15: Je-li T je libovolné těleso, symbol T ∞ označuje množinu všech (nekonečných)
posloupností prvků z tělesa T . Čtveřice
(T ∞ , T, +, ·),
kde operace +, · definujeme po složkách, tedy pro každé α ∈ T a pro každé x, y ∈ T ∞ platí
x + y = (x1 , x2 , x3 , . . . ) + (y1 , y2 , y3 , . . . ) := (x1 + y1 , x2 + y2 , x3 + y3 , . . . ) ,

αx = α(x1 , x2 , x3 , . . . ) := (αx1 , αx2 , αx3 , . . . ) ,
je vektorový prostor.
51
To proojení je pomocí souřadnic vůči bázi, nazývá se souřadnicový izomorfismus.
67
V prostoru T ∞ je situace s nalezením konkrétní báze o dost složitější. Označíme-li
e1 :=(1, 0, 0, 0, . . . ),
e2 :=(0, 1, 0, 0, . . . ),
e3 :=(0, 0, 1, 0, . . . ),
..
.
neboli pro každé k ∈ N je ek nekonečná posloupnost nul s jedinou jedničkou na k-té pozici.
Potom možná trochu překvapivě množina
E∞ = {e1 , e2 , e3 , . . . }
netvoří bázi T ∞ ,52 . Je to báze pouze jen podprostoru P ⊂⊂ T ∞ , který obsahuje právě
všechny posloupnosti s konečně mnoha nenulovými členy.
Existuje mnoho dalších příkladů nekonečně dimenzionálních prostorů, ve svém studiu se
určitě setkáte s VP polynomů, funkcí, spojitých funkcí, či diferencovatelných funkcí.
Často u takových prostorů ani neumíme explicitně bázi najít. Obecně existence báze
pro každý VP je ekvivalentní s tzv. Axiomem výběru. Zájemce můžeme odkázat na volitelný
předmět BI-ALO.
52
I pro lineární obalu množiny budou povoleny pouze lineární kombinace konečně mnoha prvků.
68
Rejstřík
úsečka součin, 19
orientovaná, 38 soustavy, 23
transpozice, 19
báze, 55
standardní, 57 násobení
modulo, 8
dimenze
podprostoru, 57 podprostor, 43
triviální, 44
eliminace vlastní, 44
Gaussova (GEM) - algoritmus, 32 prvek
Gaussova (GEM) - operace, 31 inverzní, 5
grupa, 5 jednotkový, 7
Abelovská, 5 neutrální, 5
nulový, 7
index
řádkový, 16 rovnice
sloupcový, 16 koeficient, 12
skalár, 41
kombinace
sloupec
lineární, 47
hlavní, 29
lineární kombinace vedlejší, 29
koeficienty, 47 součet
triviální, 47 modulo, 8
lineární obal vektoru a množiny, 24
souboru, 50 soubor
vektorů, 46
matice, 16 soubor vektorů
číselný násobek, 17 generuje, 55
čtvercová, 20 lineárně nezávislý (LN), 47
řádek, 16 lineárně závislý (LZ), 47
horní trojúhelníková, 27 soustava
nulová, 22 homogenní, 13
prvky, 16 lineárních rovnic, 12
rozšířená, 23 množina řešení, 13
rozdíl, 17 nehomogenní, 13
sloupec, 16 soustava rovnic
součet, 17 homogenní, 23
69
3. Základní pojmy lineární algebry Rejstřík
maticový zápis, 23
množina řešení, 23
množina řešení homogenní soustavy,
23
přidružená homogenní, 23
těleso, 7
komutativní, 7
tvar
horní stupňovitý, 29
vektor, 22, 41
neznámých, 23
nulový, 22
pravých stran, 23
souřadnice, 64
vektorový prostor, 41
obecný, 66
zákon
asociativní, 5
distributivní, 7
komutativní, 5
70

Bi La1 Textbook

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bi La1 Textbook

Uploaded by

Copyright:

Available Formats

Lineární algebra 1

KAM FIT ČVUT

Zimní semestr 2021/2022, 17. října 2021

2 Soustavy lineárních rovnic 2

3 Základní pojmy lineární algebry 38

Milé studentky, milí studenti,

od akademického roku 2021/2022 se s novou akreditací významně změnilo studium na FIT

Mnoho pěkných chvil při studiu lineární algebry přeje

Karel Klouda a kolektiv

2.1 Co si z této kapitoly odneseme

3. Seznámíme se s pojmem matice a naučíme se matice sčítat a násobit.

4. Uvidíme, jak lze soustavy rovnic chápat jako matice.

5. Seznámíme se s Gaussovou eliminační metodou a pochopíme, co je horní stupňovitý tvar

6. Pomocí Gaussovy eliminační metody se naučíme rozhodnout, kdy má soustava řešení

7. Seznámíme se s pojmem tělesa a několika příklady těles.

2.2 Nejjednodušší rovnice

ax0 = b // vynásob inverzním prvkem a−1 zleva

2. Platnost asociativního zákona pro násobení. Tj.

4. Existenci inverze pro nenulová čísla. Tzn.

(∀x 6= 0)(∃x−1 6= 0) x−1 · x = 1 = x · x−1 .

5. Užitečná, ale ne nutná je platnost komutativního zákona pro násobení. Tj.

Všimněme si, že tyto vlastnosti má i množina Q racionálních čísel či množina C komplexních

a. asociativní zákon: (∀a, b, c ∈ M ) a ◦ (b ◦ c) = (a ◦ b) ◦ c ,

b. existence neutrálního prvku: existuje e ∈ M tak, že (∀a ∈ M ) a ◦ e = e ◦ a = a ,

c. existence inverzních prvků: (∀a ∈ M )(∃a−1 ∈ M ) a ◦ a−1 = a−1 ◦ a = e ,

říkáme, že uspořádaná dvojice G = (M, ◦) je grupa.

• komutativní zákon: (∀a, b ∈ M ) a ◦ b = b ◦ a ,

mluvíme o Abelovské grupě.

a ◦ x0 = b // vynásob inverzním prvkem a−1 zleva

kde n ≥ 2 je přirozené číslo a p je prvočíslo.8

2.3 Rovnice dvou neznámých a modulární počítání

a. (M, +) je Abelovská grupa (neutrální prvek značíme 0 a nazýváme nulovým prvkem),

b. (M \ {0}, ·) je grupa (neutrální prvek značíme 1 a nazýváme jednotkový prvek),

c. platí levý a pravý11 distributivní zákon, tj.

∀a, b, c ∈ M : a(b + c) = ab + ac ∧ (b + c)a = ba + ca,

nazýváme uspořádanou trojici T = (M, +, ·) tělesem.

2.4 Geometrická interpretace množiny řešení

Poznámka 2.3: Poznamenejme, že i např. rovnici 3x = 2 lze prohlásit za rovnici dvou

I méně pozorný čtenář si všimne, že druhá rovnice je dvojnásobkem a třetí trojnásobkem

2.5 Definice soustavy lineárních rovnic a snadno

a11 x1 + a12 x2 + · · · + a1n xn = b1

nazýváme soustavou m lineárních rovnic o n neznámých21 x1 , . . . , xn ∈ T . Číslu aij

Množinu všech uspořádaných n-tic (x1 , x2 , . . . , xn ) ∈ T n , pro které po dosazení do (2.4)

kde S je množina řešení homogenní soustavy.

a11 x1 + a12 x2 + · · · + a1n xn = 0.

a11 αx1 + a12 αx2 + · · · + a1n αxn = α(a11 x1 + a12 x2 + · · · + a1n xn ) = α0 = 0,

a tedy i (αx1 , αx2 , . . . , αxn ) ∈ T n je řešení.

ai1 x1 + ai2 x2 + · · · + ain xn = bi ,

pro nějaké 1 ≤ i ≤ m, je stejná jako množina řešení rovnice

ai1 αx1 + ai2 αx2 + · · · + ain αxn = αbi

pro libovolné nenulové α ∈ T . Díky distributivitě sčítání a násobení čísel víme, že

A jelikož je rovnice αy = αz pro nenulové α ekvivalentní s rovnicí y = z, je důkaz pro (U2)

(ai1 + αaj1 )x1 + (ai2 + αaj2 )x2 + · · · + (ain + αajn )xn =

ai1 x1 + ai2 x2 + · · · + ain xn = bi .

2.6 Matice a základní operace s nimi

Násobení matice číslem a sčítání matic

Součet matic A a B definujeme jako

Matici A + (−1)B nazýváme rozdíl matice A a B a značíme A − B, matici (−1)A značíme

(αA)ij = αAij a (A + B)ij = Aij + Bij .

5. Pro všechna přirozená čísla n platí

(AT )ij = aji .

Transponování tedy vlastně znamená, že vezmeme řádky matice A a zapíšeme je do

Pro každou matici A také platí (AT )T = A.

Příklad 2.3: Platí následující: