Professional Documents
Culture Documents
Bi La1 Textbook
Bi La1 Textbook
Daniel Dombek1
Tomáš Kalvoda2
Luděk Kleprlík3
Karel Klouda4
e2 Ae1
Ae2
ϕ ϕ
θ e1
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
Rejstřík 69
i
1 Úvod
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.
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. Soustavy o dvou či třech neznámých lze velmi názorně geometricky interpretovat, a tuto
interpretaci si také oživíme.
8. Ukážeme si, že většina toho, co platilo pro soustavy rovnic s reálnými proměnnými, platí
i pro libovolné jiné těleso.
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:
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. Soustavy lineárních rovnic Nejjednodušší rovnice
(∀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
(∀x, y ∈ R) x · y = y · x .
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
5
2. Soustavy lineárních rovnic Nejjednodušší rovnice
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:
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 ),
(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
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
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.
9
2. Soustavy lineárních rovnic Geometrická interpretace množiny řešení
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
2. Soustavy lineárních rovnic Geometrická interpretace množiny řešení
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.
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.
12
2. Soustavy lineárních rovnic Definice soustavy lineárních rovnic
(∀α ∈ T ) ∀(x1 , x2 , . . . , xn ) ∈ T n (x1 , x2 , . . . , xn ) ∈ S ⇒
⇒ (αx1 , αx2 , . . . , αxn ) ∈ S ,
Díky tomu, že pro sčítání a násobení čísel platí distributivní zákon (tj. můžeme vytýkat před
závorku), můžeme psát
13
2. Soustavy lineárních rovnic Definice soustavy lineárních rovnic
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
2. Soustavy lineárních rovnic Definice soustavy lineárních rovnic
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 αx1 + ai2 αx2 + · · · + ain αxn = α(ai1 x1 + ai2 x2 + · · · + ain xn ) = αbi .
že platí
(ai1 x1 + ai2 x2 + · · · + ain xn ) + αbj = bi + αbj .
Tato rovnice má zřejmě stejnou množinu řešení jako rovnice
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
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
2. Soustavy lineárních rovnic Matice a základní operace s nimi
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).
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
2. Soustavy lineárních rovnic Matice a základní operace s nimi
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
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
2. Soustavy lineárních rovnic Matice a základní operace s nimi
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
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
2. Soustavy lineárních rovnic Matice a základní operace s nimi
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
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
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.
Příklad 2.5: Platí následující:
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.
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:
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 .
21
2. Soustavy lineárních rovnic Maticový zápis soustavy rovnic
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
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
2. Soustavy lineárních rovnic Maticový zápis soustavy rovnic
stran.
Matici A nazýváme maticí soustavy a matici
a11 a12 · · · a1n b1
a21 a22 · · · a2n b2
(A | b) = .. .. ... .. ..
. . . .
am1 am2 · · · amn bm
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 .
23
2. Soustavy lineárních rovnic Maticový zápis soustavy rovnic
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
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.
• Poznat, zda má soustava alespoň jedno řešení nebo nemá řešení žádné.
• Poznat, jestli má daná soustava právě jedno řešení nebo jich má nekonečně 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
2. Soustavy lineárních rovnic Soustavy ve snadno řešitelném tvaru
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.
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
26
2. Soustavy lineárních rovnic Soustavy ve snadno řešitelném tvaru
27
2. Soustavy lineárních rovnic Soustavy ve snadno řešitelném tvaru
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
x + αz ∈ S
28
2. Soustavy lineárních rovnic Soustavy ve snadno řešitelném tvaru
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.
29
2. Soustavy lineárních rovnic Soustavy ve snadno řešitelném tvaru
Pro ujasnění značení uveďme následující příklad (používá značení z Definice 2.12):
Příklad 2.7: Pro soustavu (2.9) platí
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 je v horním stupňovitém tvaru a všechny čtyři sloupce jsou hlavní.
Pro soustavu (2.12) platí
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:
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.
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.
31
2. Soustavy lineárních rovnic Konečně Gaussova eliminace (GEM)
(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)
32
2. Soustavy lineárních rovnic Konečně Gaussova eliminace (GEM)
33
2. Soustavy lineárních rovnic Konečně Gaussova eliminace (GEM)
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
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
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.
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
35
2. Soustavy lineárních rovnic Zajímavosti
Rekurzivní Strassenův algoritmus: Vychází z blokového násobení, ale vystačí jen se sedmi
součiny. Položíme-li
Pro počet operací F (n), kde opět pro jednoduchost předpokládáme n = 2k , nyní dostáváme
lepší odhad:66
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
2. Soustavy lineárních rovnic Zajímavosti
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. Zavedeme si pojem podprostor a pomocí dalších pojmů, jako například lineární (ne)závislost,
postupně dojdeme k přesnému zavedení pojmu báze podprostoru a jeho dimenze.
38
3. Základní pojmy lineární algebry Prostor šipek v rovině
x2
θ x1
x2 + y 2
x2
x⊕y
x
y2 y
θ x1 y1 x1 + y 1
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):
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.
7. V rovině existuje vektor, který můžeme dostat vynásobením libovolného vektoru nulou, je
to tzv. nulový vektor θ („šipka začínající a končící v počátku“).
40
3. Základní pojmy lineární algebry Vektorový prostor
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
+ : T n × T n → T n, · : T × Tn → Tn
a dále platí
(∀x, y ∈ T n )(x + y = y + x) .
(∀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. Základní pojmy lineární algebry Vektorový prostor
(∀α ∈ T )(∀x, y ∈ T n ) α · (x + y) = (α · x) + (α · y) .
(∀α, β ∈ T )(∀x ∈ T n :) (α + β) · x = (α · x) + (β · x) .
(∀x ∈ T n )(1 · x = x) .
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 :
(∀x, y ∈ P )(x + y ∈ P ) ,
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:
(∀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
3. Základní pojmy lineární algebry Podprostor
/ 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 .
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
44
3. Základní pojmy lineární algebry Podprostor
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} .
45
3. Základní pojmy lineární algebry Lineární (ne)závislost
P ∩ Q ⊂⊂ T n .
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),
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:
46
3. Základní pojmy lineární algebry Lineární (ne)závislost
• (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:
47
3. Základní pojmy lineární algebry Lineární (ne)závislost
• 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 .
α1 x1 + · · · + αm xm + αm+1 xm+1 = α1 x1 + · · · + αm xm = θ ,
| {z }
=θ
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
3. Základní pojmy lineární algebry Lineární (ne)závislost
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 .
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
49
3. Základní pojmy lineární algebry Lineární obal
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.
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
3. Základní pojmy lineární algebry Lineární obal
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,
x1 , . . . , xm ∈ hx1 , . . . , xm i,
3. je-li vektor již v lineárním obalu, tak jeho přidáním se lineární obal nezmění:
5. lineární obal souboru vektorů z lineárního obalu souboru vektorů neobsahuje nic navíc:
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
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:
51
3. Základní pojmy lineární algebry Lineární obal
Příklad 3.8: Na jednoduchém příkladu můžeme ilustrovat, jak moc i při konstrukci lineárního
obalu záleží na konkrétním tělese. Nechť
označme jejich lineární obal L = hx1 , x2 i. Vyjádříme, jak vypadá libovolný prvek v ∈ L,
v závislosti na tělese T :
Vždy platí, že
• Pro nekonečné těleso T = Q, R nebo C nic moc dalšího dělat nelze. Máme prvky L
parametrizované pomocí α, β ∈ T libovolných.
• Je-li T = Z2 :
• Je-li T = Z3 :
52
3. Základní pojmy lineární algebry Lineární obal
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.
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
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
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.
54
3. Základní pojmy lineární algebry Báze podprostoru
hx1 , . . . , xm i = P.
1. (x1 , . . . , xm ) je LN,
2. (x1 , . . . , xm ) generuje P ,
α1 x1 + · · · + αm xm = v.
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
3. Základní pojmy lineární algebry Báze podprostoru
56
3. Základní pojmy lineární algebry Dimenze podprostoru
e1 :=(1, 0, 0, . . . , 0),
e2 :=(0, 1, 0, . . . , 0),
..
.
en :=(0, 0, 0, . . . , 1).
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
3. Základní pojmy lineární algebry Dimenze podprostoru
dim T n = n.
dim P ≥ m.
dim P ≤ m − 1.
43
Či ona!
44
Můžete si vyhledat termín Occamova břitva, jde o myšlenkově blízký pojem.
58
3. Základní pojmy lineární algebry Dimenze podprostoru
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.
α1 x1 + . . . αm xm = yi . (3.3)
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
3. Základní pojmy lineární algebry Dimenze podprostoru
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).
60
3. Základní pojmy lineární algebry Dimenze podprostoru
61
3. Základní pojmy lineární algebry Dimenze podprostoru
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.
k := dim P ≤ dim Q,
hx1 , . . . , xd i = hy1 , . . . , ym i
62
3. Základní pojmy lineární algebry Souřadnice vzhledem k bázi
∀j ∈ m̂ : yj ∈ hx1 , . . . , xn i.
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 .
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
3. Základní pojmy lineární algebry Souřadnice vzhledem k bázi
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.
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
3. Základní pojmy lineární algebry Souřadnice vzhledem k bázi
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
v = (a, b, c) ⇒ (v)B = (a + b − c, a − 2b + c, −a + b) .
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.
⊕ : V × V → V, :T ×V →V .
66
3. Základní pojmy lineární algebry Zajímavosti
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
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
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
je vektorový prostor.
51
To proojení je pomocí souřadnic vůči bázi, nazývá se souřadnicový izomorfismus.
67
3. Základní pojmy lineární algebry Zajímavosti
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