Geometria i Algebra Liniowa (dla I-go roku informatyki WMIM UW) Leszek Plaskota Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski

Transkrypt

1 Geometria i Algebra Liniowa (dla I-go roku informatyki WMIM UW) Leszek Plaskota Instytut Matematyki Stosowanej i Mechaniki Uniwersytet Warszawski styczeń 2009

2 ii

3 Spis treści 1 Grupy i cia la, liczby zespolone Podstawowe struktury algebraiczne Grupa Cia lo Cia lo liczb zespolonych Definicja Postać trygonometryczna Wzór de Moivre a Pierwiastki z jedynki Sprzeżenie Wielomiany Algorytm Hornera Zasadnicze twierdzenie algebry Macierze liczbowe Podstawowe definicje Macierze szczególnych formatów Podzia l blokowy Dzia lania na macierzach Podstawowe dzia lania Mnożenie macierzy Mnożenie macierzy w postaci blokowej Dalsze oznaczenia Macierze trójkatne i jednostkowe Uk lad równań jako równanie macierzowe Macierze nieosobliwe Grupa macierzy nieosobliwych Warunek nieosobliwości macierzy iii

4 iv SPIS TREŚCI Permutacje Normy wektorów i macierzy Ogólna definicja normy Normy wektorów Normy p-te Pożyteczne (nie)równości Normy macierzy Normy p-te Pożyteczne (nie)równości Norma Frobeniusa Przestrzenie liniowe Przestrzenie i podprzestrzenie Definicja i podstawowe w lasności Podprzestrzenie liniowe Baza i wymiar przestrzeni Liniowa (nie)zależność Baza i wymiar, twierdzenie Steinitza Przyk lady Sumy i sumy proste Suma (prosta) dwóch podprzestrzeni Suma (prosta) w ogólnym przypadku Izomorfizm przestrzeni Warstwy modulo Y Definicja Przestrzeń warstw Obraz, rzad i jadro macierzy Obraz i rzad macierzy Rzad kolumnowy i rzad wierszowy Rzad macierzy Przestrzeń zerowa (jadro) macierzy Rozk lad wzgledem obrazu i jadra Funkcjona ly liniowe Funkcjona ly Definicja i przyk lady

5 SPIS TREŚCI v Przestrzeń sprz eżona Refleksywność Równość X i X Przyk lady Rozszerzenie rachunku macierzy Macierze wektorów i funkcjona lów Postać macierzowa izomorfizmów Uk lady równań liniowych Zbiór rozwiazań Twierdzenie Kroneckera-Capelliego Zbiór rozwiazań jako warstwa Uk lady nieosobliwe Efektywna metoda rozwiazania Ogólny schemat Eliminacja Gaussa Konstrukcja rozwiazania ogólnego Interpretacja macierzowa eliminacji Analiza operacji elementarnych Rozk lad trójkatno-trójk atny macierzy Eliminacja bez przestawień Przekszta lcenia liniowe Podstawowe pojecia i w lasności Obraz, jadro i rzad przekszta lcenia Przyk lady Różnowartościowość Przestrzeń przekszta lceń liniowych Macierz przekszta lcenia liniowego Definicja Izomorfizm Lin(X, Y) i K m,n Dalsze w lasności macierzy przekszta lceń Obraz i jadro przekszta lcenia/macierzy Zmiana bazy Z lożenie przekszta lceń

6 vi SPIS TREŚCI 9 Wyznacznik macierzy Definicja i pierwsze w lasności Wyznacznik a operacje elementarne Permutacja kolumn Kombinacja liniowa kolumn Dalsze w lasności wyznaczników Wyznacznik iloczynu macierzy Wyznacznik macierzy nieosobliwej i transponowanej Definicja kombinatoryczna wyznacznika Wzory Cramera Formy dwuliniowe i kwadratowe Formy dwuliniowe Definicja i przyk lady Macierz formy dwuliniowej Twierdzenie Sylwester a Formy kwadratowe Określoność formy kwadratowej Kryterium Sylwester a Przestrzenie Euklidesowe Definicja, iloczyn skalarny i norma Rzut prostopad ly Zadanie aproksymacji Twierdzenie o rzucie prostopad lym Uk lady ortogonalne Macierz Grama Ortogonalizacja Grama-Schmidta Rozk lad ortogonalno-trójkatny macierzy

7 Nota autora Niniejszy skrypt zosta l napisany z myśla o studentach pierwszego roku informatyki na Wydziale Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego, uczeszczaj acych na semestralny wyk lad pt. Geometria z algebra liniowa. Skrypt powstawa l równolegle z prowadzonym wyk ladem, a stad zawiera treści przekazywane na wyk ladzie i praktycznie tylko te treści. Powinien wiec, i takie by lo moje zamierzenie, stanowić dla studentów podstawowy przewodnik po w/w wyk ladzie. Skrypt ma swoja historie. W swoim czasie prof. Andrzej Kie lbasiński prowadzi l na tym samym wydziale i także dla studentów informatyki wyk lad pt. Algebra liniowa i jej metody obliczeniowe. Pozosta lościa po tym wyk ladzie sa, m.in., obszerne odreczne notatki prowadzacego. Notatki te wyda ly mi sie (i nie tylko mi) na tyle cenne, że sta ly sie podstawa do przygotowania bieżacego wyk ladu. Ponieważ, w wyniku reformy studiów, wyk lad zosta l ograniczony do jednego semestru, materia l musia l być z konieczności mocno skrócony. Jednak duch wyk ladu i w szczególności oryginalna notacja wprowadzona przez prof. Kie lbasińskiego pozosta ly, mam nadzieje, niezmienione. Skrypt ma dynamiczny charakter i jest na bieżaco poprawiany i modyfikowany. Leszek Plaskota Warszawa, styczeń

8 2 SPIS TRESCI

9 Rozdzia l 1 Grupy i cia la, liczby zespolone Dla ustalenia uwagi, bedziemy używać nastepuj acych oznaczeń: N = { 1, 2, 3,... } - liczby naturalne, Z = { 0, ±1, ±2,... } - liczby ca lkowite, W = { m n : m Z, n N } - liczby wymierne, R = W - liczby rzeczywiste, C = { (a, b) : a, b R } - liczby zespolone. Dwuargumentowym dzia laniem wewnetrznym w zbiorze X nazywamy dowolna funkcje z iloczynu kartezjańskiego X X w X. Wynik takiego dzia lania na parze (x, y) bedziemy oznaczać przez x y. 1.1 Podstawowe struktury algebraiczne Zaczniemy od przedstawienia abstrakcyjnych definicji grupy i cia la Grupa Definicja 1.1 Zbiór (niepusty) G wraz z wewnetrznym dzia laniem dwuargumentowym jest grupa jeśli spe lnione sa nastepuj ace warunki (aksjomaty grupy): 3

10 4 ROZDZIA L 1. GRUPY I CIA LA, LICZBY ZESPOLONE (i) a, b, c G (a b) c = a (b c) ( l aczność dzia lania) (ii) e G a G a e = a = e a (istnienie elementu neutralnego) (iii) a G a G a a = e = a a (istnienie elementów przeciwnych/odwrotnych) Jeśli ponadto (iv) a, b G a b = b a to grupe nazywamy przemienna (lub abelowa). Grupe bedziemy oznaczać przez {G, }. Zauważmy, że już z aksjomatów grupy wynika, iż element neutralny jest wyznaczony jednoznacznie. Rzeczywiście, za lóżmy, że istnieja dwa elementy neutralne, e 1 i e 2. Wtedy, z warunku (ii) wynika, że e 1 = e 1 e 2 = e 2. Podobnie, istnieje tylko jeden element odwrotny dla każdego a G. Jeśli bowiem istnia lyby dwa odwrotne, a 1 i a 2, to mielibyśmy a 1 = e a 1 = (a 2 a) a 1 = a 2 (a a 1) = a 2 e = a 2, przy czym skorzystaliśmy kolejno z w lasności (ii), (iii), (i) i ponownie (iii) i (ii). Latwo też pokazać, że w grupie {G, } równania a x = b oraz y c = d dla a, b, c, d G maja jednoznaczne rozwiazania. W uzasadnieniu, ograniczymy sie tylko do pierwszego równania. Latwo sprawdzić, że x = a b jest rozwiazaniem. Z drugiej strony, jeśli x jest rozwiazaniem to a (a x) = a b, czyli x = a b. Przyk ladami grup sa: {Z, +}, gdzie elementem neutralnym jest e = 0, a elementem przeciwnym do a do a jest a. {W \ {0}, }, gdzie e = 1 a a = a 1 jest odwrotnościa a.

11 1.1. PODSTAWOWE STRUKTURY ALGEBRAICZNE 5 Grupa obrotów p laszczyzny wokó l poczatku uk ladu wspó lrzednych, gdzie elementem neutralnym jest obrót o kat zerowy, a elementem odwrotnym do obrotu o kat α jest obrót o kat α. Zwróćmy uwage na istotność wyjecia zera w drugim przyk ladzie. Ponieważ 0 nie ma elementu odwrotnego, {W, } nie jest grupa. Nie sa też grupami np. {N, } (nie ma elementów odwrotnych) oraz {R, } (nie ma l aczności oraz elementu neutralnego) Cia lo Definicja 1.2 Cia lem (a ściślej, cia lem przemiennym) nazywamy (co najmniej dwuelementowy) zbiór K z dwoma dwuargumentowymi dzia laniami wewnetrznymi, dodawaniem + i mnożeniem, spe lniajace nastepuj ace warunki (aksjomaty cia la): (i) {K, +} jest grupa przemienna (w której element neutralny oznaczamy przez 0, a element przeciwny do a przez a), (ii) {K \ {0}, } jest grupa przemienna (w której element neutralny oznaczamy przez 1, a odwrotny do a przez a 1 ), (iii) a, b, c K a (b + c) = a b + a c (mnożenie jest rozdzielne wzgledem dodawania). 1 Bezpośrednio z definicji cia la można pokazać nastepuj ace ogólne w lasności (uzasadnienie pozostawiamy jako proste ćwiczenie): , 2. a K 0 a = 0 = a 0, 3. a K ( 1) a = a, 4. jeśli a b = 0 to a = 0 lub b = 0, 5. jeśli a 0 i b 0 to (a b) 1 = b 1 a 1, 1 Przyjmujemy konwencj e, że w wyrażeniach w których wyst epuj a i dodawania i mnożenia najpierw wykonujemy mnożenia.

12 6 ROZDZIA L 1. GRUPY I CIA LA, LICZBY ZESPOLONE dla dowolnych a, b K. W ciele możemy formalnie zdefiniować odejmowanie i dzielenie, mianowicie a b := a + ( b) a, b K, a/b := a b 1 a K, b K \ {0}. Przyk ladem cia la sa liczby rzeczywiste R z naturalnymi dzia laniami dodawania i mnożenia. Cia lem jest też zbiór liczb z tymi samymi dzia laniami. { a + b 2 : a, b W } R 1.2 Cia lo liczb zespolonych Ważnym przyk ladem cia la jest cia lo liczb zespolonych, któremu poświecimy ta cześć wyk ladu Definicja Definicja 1.3 Cia lo liczb zespolonych to zbiór par uporzadkowanych C := R R = { (a, b) : a, b R } z dzia laniami dodawania i mnożenia zdefiniowanymi jako: dla dowolnych a, b, c, d R. 2 (a, b) + (c, d) = (a + c, b + d), (a, b) (c, d) = (a c b d, a d + b c), Formalne sprawdzenie, że C ze zdefiniowanymi dzia laniami jest cia lem pozostawiamy czytelnikowi. Tu zauważymy tylko, że elementem neutralnym 2 Zauważmy, że znaki dodawania i mnożenia wystepuj a tu w dwóch znaczeniach, jako dzia lania na liczbach rzeczywistych oraz jako dzia lania na liczbach zespolonych. Z kontekstu zawsze wiadomo w jakim znaczeniu te dzia lania sa użyte.

13 1.2. CIA LO LICZB ZESPOLONYCH 7 dodawania jest (0, 0), a mnożenia (1, 0). Elementem przeciwnym do (a, b) jest (a, b) = ( a, b), a odwrotnym do (a, b) (0, 0) jest ( ) a (a, b) 1 = a 2 + b, b. 2 a 2 + b 2 Zdefiniujemy mnożenie liczby zespolonej przez rzeczywista w nastepuj acy (naturalny) sposób. Niech z = (a, b) C i c R. Wtedy Przyjmujac ta konwencje, mamy c (a, b) = (a, b) c = (c a, c b). (a, b) = a (1, 0) + b (0, 1). W końcu, utożsamiajac liczbe zespolona (a, 0) z liczba rzeczywista a, oraz wprowadzajac dodatkowo oznaczenie otrzymujemy ı := (0, 1) (a, b) = a + ı b. (1.1) a = Rz nazywa sie cześci a rzeczywista, a b = Iz cześci a urojona liczby zespolonej. Sama liczbe zespolona ı nazywamy jednostka urojona. Zauważmy, że ı 2 = ( 1, 0) = Postać trygonometryczna Postać (1.1) jest najbardziej rozpowszechniona. Czesto wygodnie jest użyć również postaci trygonometrycznej, która jest konsekwencja interpretacji liczby zespolonej (a, b) jako punktu na p laszczyźnie (tzw. p laszczyźnie zespolonej) o wspó lrzednych a i b. Dok ladniej, przyjmujac z := a 2 + b 2 oraz kat φ tak, że sin φ = b z, cos φ = a z,

14 8 ROZDZIA L 1. GRUPY I CIA LA, LICZBY ZESPOLONE otrzymujemy z = z (cos φ + ı sin φ). (1.2) Jest to w laśnie postać trygonometryczna. Liczbe rzeczywista z nazywamy modu lem liczby zespolonej z, a φ jej argumentem, φ = argz. Jeśli z 0 i za lożymy, że φ [0, 2π) to postać trygonometryczna jest wyznaczona jednoznacznie. Piszemy wtedy φ = Argz Wzór de Moivre a Niech z = z (cos φ + ı sin φ), w = w (cos ψ + ı sin ψ) bed a dwoma liczbami zespolonymi. Wtedy w z = w z ((cos φ cos ψ sin φ sin ψ) + ı(sin φ cos ψ + sin ψ cos φ)) a stad = w z (cos(φ + ψ) + ı sin(φ + ψ)), w z = w z oraz arg(w z) = argw + argz. W laśnie w tych równościach przejawia sie wygoda postaci trygonometrycznej. W szczególności mamy bowiem z 2 = z 2 (cos 2φ + ı sin 2φ) i postepuj ac dalej indukcyjnie otrzymujemy wzór de Moivre a. Mianowicie, dla dowolnej liczby zespolonej z w postaci trygonometrycznej (1.2) mamy z n = z n (cos(nφ) + ı sin(nφ)), n = 0, 1, 2,... (1.3) Latwo zauważyć, że wzór (1.3) jest prawdziwy również dla n = 1, a stad dla wszystkich ca lkowitych n. Przyjmujac za z 1/n szczególne rozwiazanie równania w n = z, mianowicie z 1/n = z 1/n (cos(φ/n) + ı sin(φ/n)), gdzie φ = Argz, uogólniamy (1.3) dla wszystkich wyk ladników wymiernych. Stosujac dalej argument z przejściem granicznym (każda liczba rzeczywista jest granica ciagu liczb wymiernych) otrzymujemy w końcu nastepuj acy uogólniony wzór de Moivre a: a R z a = z a (cos(aφ) + ı sin(aφ)). Prostym wnioskiem z ostatniego wzoru jest równanie z = z ω φ,

15 1.2. CIA LO LICZB ZESPOLONYCH 9 gdzie ω = cos 1 + ı sin 1 = 0, ı 0, C. Jest to uogólnienie na przypadek liczb zespolonych wzoru x = x sgn(x) znanego z przypadku liczb rzeczywistych Pierwiastki z jedynki Rozpatrzmy rozwiazania równania z n = 1 dla dowolnej naturalej n. W dziedzinie rzeczywistej pierwiastkiem jest 1 jeśli n jest nieparzyste, albo 1 i ( 1) jeśli n jest parzyste. W dziedzinie zespolonej mamy zawsze n pierwiastków. Rzeczywiście, ponieważ 1 = cos(2kπ) + ı sin(2kπ), ze wzoru de Moivre a dostajemy, że wszyskie pierwiastki wyrażaja sie wzorami ( ) ( ) 2kπ 2kπ z k := cos + ı sin, k = 0, 1, 2,..., n 1. n n Zauważmy, że z j leża na okregu jednostkowym p laszczyzny zespolonej. Zbiór G = {z k : k = 0, 1,..., n 1} ze zwyk lym mnożeniem liczb zespolonych tworzy grupe z elementem neutralnym z 0 = Sprz eżenie Liczbe sprzeżon a do z = a + ıb definiujemy jako z := a ıb. Zauważmy, że z = z oraz z z = z 2. Mamy też z + z 2 = Rz i z z 2ı = Iz. I jeszcze jedna ważna w lasność sprz eżenia. Jeśli {+,,, /} to w z = w z. Stosujac indukcje, można ten wzór uogólnić w nastepuj acy sposób. Jeśli f(u 1, u 2,..., u s ) jest wyrażeniem arytmetycznym, gdzie u j sa sta lymi lub zmiennymi zespolonymi, to f(u 1, u 2,..., u s ) = f(u 1, u 2,..., u s ).

16 10 ROZDZIA L 1. GRUPY I CIA LA, LICZBY ZESPOLONE 1.3 Wielomiany Definicja 1.4 Wielomianem p nad cia lem K nazywamy funkcje zmiennej z o wartościach w ciele K dana wzorem p(z) := n a j z j = a 0 + a 1 z + + a n z n, j=0 gdzie a j K, 0 j n, a n 0, sa wspó lczynnikami wielomianu. Liczbe n nazywamy stopniem wielomianu i oznaczamy n = deg p. (Przyjmujemy przy tym, że deg 0 =.) Algorytm Hornera Każdy wielomian p(z) = n k=0 a kz k stopnia n 1 o wspó lczynnikach zespolonych można podzielić przez dwumian z ξ otrzymujac p(z) = q(z)(z ξ) + η, gdzie deg q = n 1, a η C. Dodatkowo, jeśli p ma wspó lczynniki rzeczywiste i ξ R, to q ma również wspó lczynniki rzeczywiste i η R. Iloraz q oraz reszte η z dzielenia można otrzymać stosujac algorytm Hornera: { b n := a n ; for k := n 1 downto 0 do b k := a k + ξ b k+1 ; } Wtedy q(z) = n k=1 b kz k 1 oraz reszta η = b Zasadnicze twierdzenie algebry Dla wielomianów zespolonych prawdziwe jest nastepuj ace ważne twierdzenie. Twierdzenie 1.1 (Zasadnicze Twierdzenie Algebry) Każdy wielomian zespolony p stopnia co najmniej pierwszego ma pierwiastek zespolony, tzn. równanie p(z) = 0 ma rozwiazanie.

17 1.3. WIELOMIANY 11 Twierdzenie 1.1 mówi, że liczby zespolone C sa cia lem algebraicznie domknietym. (Przypomnijmy, że liczby rzeczywiste R nie sa algebraicznie domkniete, bo np. równanie x = 0 nie ma rozwiazań w R.) Konsekwencja algebraicznej domknietości C jest faktoryzacja (rozk lad) wielomianu zespolonego na czynniki pierwszego stopnia. Dok ladniej, stosujac n-krotnie zasadnicze twierdzenie algebry oraz fakt, że jeśli ξ jest pierwiastkiem wielomianu p to reszta z dzielenia p przez ( ξ) jest zerowa, otrzymujemy rozk lad p(z) = a n (z z 1 )(z z 2 ) (z z n ), (1.4) gdzie z j, 1 j n, sa pierwiastkami p. Zak ladajac, że tylko m pierwiastków jest parami różnych (1 m n), możemy równoważnie napisać, że p(z) = a n (z u 1 ) s 1 (z u 2 ) s2 (z u m ) sm, gdzie u i u j o ile i j, oraz m j=1 s j = n. Przy tym zapisie, s j nazywamy krotnościa pierwiastka u j. Za lóżmy teraz, że wspó lczynniki wielomianu p sa rzeczywiste, a j R, 0 j n. Za lóżmy też, że p(ξ) = 0 i ξ / R. Wtedy ξ ξ i p(ξ) = n a j ξ j = j=0 n a j ξ j = j=0 n a j ξ j = 0 = 0, j=0 tzn. jeśli ξ jest pierwiastkiem to także liczba sprzeżona ξ jest pierwiastkiem; obie wystepuj a w rozwinieciu (1.4). Ale (z ξ)(z ξ) = z 2 z(ξ + ξ) + ξξ = z 2 2zRξ + ξ 2 jest trójmianem kwadratowym o wspó lczynnikach rzeczywistych. St ad wniosek, że wielomian rzeczywisty daje si e roz lożyć na iloczyn czynników stopnia co najwyżej drugiego.

18 12 ROZDZIA L 1. GRUPY I CIA LA, LICZBY ZESPOLONE

19 Rozdzia l 2 Macierze liczbowe 2.1 Podstawowe definicje Macierza (nad cia lem K) nazywamy tablice prostokatn a a 1,1 a 1,2... a 1,n a 2,1 a 2,2... a 2,n A =..., a m,1 a m,2... a m,n gdzie a i,j K, 1 i m, 1 j n. Bedziemy mówić, że A jest macierza formatu m n, tzn. macierza o m wierszach i n kolumnach. Zbiór wszystkich takich macierzy oznaczamy przez K m,n Macierze szczególnych formatów n n Macierze kwadratowe K n,n. m 1 Macierze jednokolumnowe nazywane wektorami. Zbiór wektorów oznaczamy przez K m,1 = K m, a 1 K m A = (a i,1 ) = a = â = (a i ) m i=1 = a 2.. a m 13

20 14 ROZDZIA L 2. MACIERZE LICZBOWE 1 n Macierze jednowierszowe nazywane funkcjona lami. Zbiór funkcjona lów oznaczamy przez K 1,n = K nt (albo K nh ), K nt A = (a 1,j ) = a T = â T = (a j ) n j=1 = [a 1,..., a n ]. 1 1 Macierze jednoelementowe, utożsamiane z K, tzn. K 1,1 = K Podzia l blokowy Czesto wygodnie jest przedstawić macierz w postaci blokowej, która w ogólności wyglada nastepuj aco: A 1,1... A 1,t A =.. K m,n, (2.1) A s,1... A s,t gdzie A p,q K mp,nq, 1 p s, 1 q t, s p=1 m p = m, t q=1 n q = n. Na postać blokowa można patrzyć jak na macierz, której elementami sa macierze. Z drugiej strony, macierz liczbowa można interpretować jako macierz w postaci blokowej z blokami formatu 1 1. Ważne szczególne przypadki to podzia l kolumnowy macierzy, A = [ a 1, a 2,..., a n ], gdzie a j = oraz podzia l wierszowy macierzy, â T 1 â T A = 2. â T m a 1,j a 2,j. a m,j, 1 j n,, gdzie ât i = [a i,1, a i,2,..., a i,n ], 1 i m. 2.2 Dzia lania na macierzach Podstawowe dzia lania Możemy na macierzach wykonywać różne dzia lania. Podstawowe z nich to:

21 2.2. DZIA LANIA NA MACIERZACH 15 u K, A K m,n = B = u A K m,n, b i,j = u a i,j (mnożenie macierzy przez liczbe) A, B K m,n = C = A + B K m,n, c i,j = a i,j + b i,j (dodawanie macierzy) A K m,n A C m,n A C m,n = B = A T K n,m, b j,i = a i,j (transpozycja macierzy) = B = A H K n,m, b j,i = a i,j (sprz eżenie hermitowskie) = B = A C m,n, b i,j = a i,j (modu l macierzy) W szczególności, mamy też dla u, v K C, A, B C m,n, (u A ± v B) H = u A H ± v B H, ( A T ) T = A = ( A H ) H. Zauważmy, że macierze formatu m n z dzia laniem dodawania sa grupa przemienna, przy czym elementem neutralnym jest macierz zerowa (gdzie a i,j = 0 i, j), a przeciwna do (a i,j ) jest macierz ( a i,j ). Jeśli macierze dane sa w postaci blokowej (2.1) to: B = u A = B p,q = u A p,q C = A + B = C p,q = A p,q + B p,q B = A T B = A H = B p,q = A T q,p = B p,q = A H q,p Mnożenie macierzy Jeśli A K m,l i B K l,n to C = A B K m,n, gdzie c i,j = l a i,k b k,j, 1 i m, 1 j n. k=1

22 16 ROZDZIA L 2. MACIERZE LICZBOWE Zauważmy, że mnożenie A B jest wykonalne wtedy i tylko wtedy gdy liczba kolumn macierzy A jest równa liczbie wierszy macierzy B. Jeśli A jest w postaci wierszowej, a B kolumnowej, A = â T 1. â T m, B = [ b1,..., b l ], to c i,j = â T i b j i, j. Podstawowe w lasności mnożenia macierzy sa nastepuj ace. (Zak ladamy, że macierze sa odpowiednich formatów tak, że dzia lania sa wykonalne.) (A + B) C = A C + B C C (A + B) = C A + C B (rozdzielność mnożenia wzgl edem dodawania) u (A B) = (u A) B = A (u B) = (A B) u (u K) (A B) C = A (B C) ( l aczność mnożenia) Dowody tych w lasności polegaja na zwyk lym sprawdzeniu. Dlatego, dla przyk ladu, pokażemy tu jedynie l aczność. Niech macierze A, B, C bed a odpowiednio formatów m k, k l, l n. (Zauważmy, że tylko wtedy odpowiednie mnożenia sa wykonalne.) Mamy ( l l k ) ((A B) C) i,j = (A B) i,s c s,j = a i,t b t,s c s,j Mamy też Rzeczywiście, = s=1 k t=1 a i,t l b t,s c s,j = s=1 = (A (B C)) i,j. s=1 t=1 k a i,t (B C) t,j t=1 (A B) T = B T A T, (A B) H = B H A H. ( (A B) H ) i,j = (A B) j,i = l a j,k b k,i k=1

23 2.2. DZIA LANIA NA MACIERZACH 17 = = l l a j,k b k,i = b k,i a j,k k=1 k=1 l ( ) ( ) B H i,k A H = ( B H A H). k,j i,j k= Mnożenie macierzy w postaci blokowej Jeśli macierze sa podane w postaci blokowej to można je mnożyć blok-pobloku (tak jak w przypadku bloków 1 1) o ile formaty odpowiednich bloków sa zgodne. Dok ladniej, jeśli A = (A i,k ), B = (B k,j ), 1 i m, 1 k l, 1 j n, oraz dla wszystkich i, j, k liczba kolumn bloku A i,k macierzy A jest równa liczbie wierszy bloku B k,j macierzy B to iloczyn 1 i m, 1 j n, gdzie Wtedy gdzie C = A B = (C i,j ), C i,j = l A i,k B k,n. k=1 Pokażemy to na przyk ladzie. Niech A = A 1,1 A 1,2 A 1,3 A 1,4 A 2,1 A 2,2 A 2,3 A 2,4 A 3,1 A 3,2 A 3,3 A 3,4 C =, B = C 1,1 C 1,2 C 2,1 C 2,2 C 3,1 C 3,2, B 1,1 B 1,2 B 2,1 B 2,2 B 3,1 B 3,2 B 4,1 B 4,2. C 1,1 = A 1,1 B 1,1 + A 1,2 B 2,1 + A 1,3 B 3,1 + A 1,4 B 4,1, C 1,2 = A 1,1 B 1,2 + A 1,2 B 2,2 + A 1,3 B 3,2 + A 1,4 B 4,2, C 2,1 = A 2,1 B 1,1 + A 2,2 B 2,1 + A 2,3 B 3,1 + A 2,4 B 4,1, C 2,2 = A 2,1 B 1,2 + A 2,2 B 2,2 + A 2,3 B 3,2 + A 2,4 B 4,2, C 3,1 = A 3,1 B 1,1 + A 3,2 B 2,1 + A 3,3 B 3,1 + A 3,4 B 4,1, C 3,2 = A 3,1 B 1,2 + A 3,2 B 2,2 + A 3,3 B 3,2 + A 3,4 B 4,2,

24 18 ROZDZIA L 2. MACIERZE LICZBOWE o ile formaty bloków A i,k i B k,j sa zgodnie. Bardzo ważnym przypadkiem szczególnym mnożenia blokowego jest [ A B = A b1, b 2,..., ] b l = [A b 1, A b 2,..., A ] b l. Zwróćmy jeszcze uwage na fakt, że jeśli a K m oraz b K n to C = a b T K m,n jest macierza formatu m n, nazywana iloczynem wewnetrznym wektorów. Jeśli natomiast wektory sa tych samych formatów, a, b K n, to c = a T b = b T a K jest liczba, nazywana iloczynem zewnetrznym. W przypadku a, b C n definiujemy również iloczyn skalarny wektorów jako liczbe zespolona g = b H a C. 2.3 Dalsze oznaczenia Macierze trójkatne i jednostkowe Wyróżnimy nastepuj ace podzbiory macierzy formatu m n (niekoniecznie kwadratowych): TRIU m,n = { A K m,n : i > j a i,j = 0 }, TRIL m,n = { A K m,n : i < j a i,j = 0 }, DIAG m,n = { A K m,n : i j a i,j = 0 }. Sa to odpowiednio macierze trójkatne górne, trójkatne dolne i diagonalne. Zauważmy, że każdy z tych podzbiorów macierzy stanowi grupe ze wzgledu na dzia lanie dodawania macierzy (sa to podgrupy {K m,n, +}), oraz DIAG m,n = TRIU m,n TRIL m,n.

25 2.4. MACIERZE NIEOSOBLIWE 19 Ponieważ macierze diagonalne D DIAG m,n maja elementy niezerowe jedynie na g lównej diagonali, powiedzmy d i, 1 i min(m, n), bedziemy pisać D = diag ( ) d 1, d 2,..., d min(m,n). Szczególnie ważnymi macierzami diagonalnymi sa (kwadratowe) macierze jednostkowe I n = diag n (1, 1,..., 1) K }{{} n,n. n Jeśli A K m,n to I m A = A = A I n, co oznacza, że I m i I n sa elementami neutralnymi mnożenia (odpowiednio lewostronnym i prawostronnym) Uk lad równań jako równanie macierzowe Rozpatrzmy nastepuj acy uk lad równań: a 1,1 x 1 + a 1,2 x a 1,n x n = b 1 a 2,1 x 1 + a 2,2 x a 2,n x n = b a m,1 x 1 + a m,2 x a m,n x n = b m. (2.2) Mówimy, że jest to uk lad m równań liniowych z n niewiadomymi. Liczby a i,j K nazywamy i wspó lczynnikami uk ladu, b i wyrazami wolnymi, a x j to niewiadome. Oznaczmy A = (a i,j ) K m,n, b = (bi ) K m, x = (x j ) K n. Wtedy uk lad (2.2) możemy równoważnie zapisać po prostu jako równanie macierzowe A x = b. 2.4 Macierze nieosobliwe Grupa macierzy nieosobliwych W zbiorze K n,n mnożenie macierzy jest dzia laniem wewnetrznym. Ponadto, jak wcześniej zauważyliśmy, mnożenie jest l aczne, a macierz jednostkowa

26 20 ROZDZIA L 2. MACIERZE LICZBOWE I n = diag(1,..., 1) K n,n jest elementem neutralnym mnożenia, A K n,n A I n = A = I n A. (Przypomnijmy, że element neutralny, jeśli istnieje, jest tylko jeden.) Naturalnym staje sie teraz pytanie, czy istnieja elementy odwrotne. Niestety, nie zawsze. Na przyk lad, latwo sprawdzić, że (niezerowa) macierz [ nie ma odwrotności (zarówno lewostronnej jak i prawostronnej). Z drugiej strony, wiele macierzy niezerowych maja odwrotności. Na przyk lad, macierze [ A = ] ] oraz B = [ 1 0 1/2 1/2 stanowia pare macierzy do siebie wzajemnie odwrotnych, A B = I 2 = B A, tak, że możemy napisać B = A 1 i A = B 1. (Przypomnijmy, że element odwrotny, jeśli istnieje, jest wyznaczony jednoznacznie.) ] Definicja 2.1 Macierz kwadratowa A K n,n dla której istnieje macierz odwrotna A 1 K n,n nazywamy odwracalna albo nieosobliwa. Macierz, która nie posiada macierzy odwrotnej nazywamy osobliwa. Zwróćmy uwage na fakt, że pojecie macierzy (nie)osobliwej przys luguje jedynie macierzy kwadratowej. Iloczyn macierzy nieosobliwych jest macierza nieosobliwa. Rzeczywiście, jeśli A, B K n,n to sprawdzamy bezpośrednio, że odwrotnościa C = A B jest macierz Stad wniosek, że C 1 = B 1 A 1. zbiór macierzy nieosobliwych formatu n n z dzia laniem mnożenia macierzy jest grupa (nieprzemienna).

27 2.4. MACIERZE NIEOSOBLIWE Warunek nieosobliwości macierzy Twierdzenie 2.1 Aby macierz A K n,n by la nieosobliwa potrzeba i wystarcza, aby dla każdego b K n uk lad równań A x = b mia l jednoznaczne rozwiazanie x K n. Dowód. (Konieczność.) Jes li A jest nieosobliwa to latwo sprawdzić, że x = A 1 b jest rozwiazaniem. Z drugiej strony, jeśli x jest rozwiazaniem, A x = b, to A 1 (A x) = A 1 b, czyli x = A 1 b jest rozwiazaniem jednoznacznym. (Dostateczność.) Uk lady równań A b j = e j, gdzie e j jest j-tym wersorem, e j = [0,..., 0, 1, 0,..., 0] T, (gdzie jedynka stoi na j-tym miejscu) maja jednoznaczne rozwiazania b j, 1 j n. Biorac B = [ b 1, b 2,..., b n ] mamy A B = [A b 1,..., A b n ] = [ e 1,..., e n ] = I n. Pozostaje jeszcze pokazać, że B A = I n. Rzeczywiście, mamy (A B) A = A, czyli A (B A) = A. Rozwiazaniem równania A Z = A jest Z = I n, a ponieważ z za lożenia rozwiazanie to jest jednoznaczne to B A = I n. Stad B = A 1, co kończy dowód. Jednym z ważnych wniosków z tego twierdzenie jest nastepuj acy. Wniosek 2.1 Macierz trójkatna (górna lub dolna) T K n,n jest nieosobliwa wtedy i tylko wtedy gdy wszystkie elementy na g lównej diagonali sa niezerowe. Rzeczywiście, wystarczy sprawdzić jednoznaczna rozwiazywalność odpowiedniego uk ladu równań. Dodajmy, że macierz odwrotna do trójkatnej dolnej (górnej), jeśli istnieje, jest też trójkatna dolna (górna) Permutacje Niech p = [p(1), p(2),..., p(n)] Perm(n) bedzie permutacja n elementowa. Odpowiadajac a tej permutacji macierz P = (p i,j ) K n,n zdefiniowana jako { 1 gdy j = p(i), p i,j = 0 gdy j p(i),

28 22 ROZDZIA L 2. MACIERZE LICZBOWE nazywamy macierza permutacji. Na przyk lad, jeśli p = [3, 1, 4, 2] Perm(4) to P = Równoważnie, macierz kwadratowa P jest macierza permutacji wtedy i tylko wtedy gdy w każdym wierszu i w każdej kolumnie wystepuje dok ladnie jedna jedynka, a pozosta le elementy sa zerami. Latwo sprawdzić, że permutacje n-elementowe Perm(n) tworza grupe ze wzgledu na ich z lożenie, (q p)(i) = q(p(i)) 1 i n. Elementem neutralnym jest permutacja identycznościowa id(i) = i i, a elementem odwrotnym do p jest permutacja odwrotna p zdefiniowana równościa p (p(i)) = i i. Podobnie, macierze permutacji tworza grupe ze wzgledu na mnożenie macierzy, przy czym P (q p) = P (p) P (q). Rzeczywiście, (P (q p)) i,j = 1 w.t.w. gdy q(p(i)) = j. Z drugiej strony, (P (p) P (q)) i,j = 1 w.t.w gdy (P (q)) p(i),j = 1, czyli znów q(p(i)) = j. Podobnie pokazujemy, że P (p ) = (P (p)) 1 = (P (p)) T. Zauważmy jeszcze, że jeśli P = P (p), p Perm(n), to P x 1. x n = x p(1). x p(n) czyli mnożenie wektora z lewej strony przez macierz permutacji skutkuje zamiana kolejności wspó lrzednych. Podobnie, â T â P 1. T p(1) =., â T n â T p(n)

29 2.4. MACIERZE NIEOSOBLIWE 23 powoduje przestawienie wierszy macierzy zgodnie z p. Ponieważ A P = ( (A P ) ) T T ( = P T A ) T T, dochodzimy do wniosku, że A P permutuje kolumny A zgodnie z p, A P T permutuje kolumny A zgodnie z p.

30 24 ROZDZIA L 2. MACIERZE LICZBOWE

31 Rozdzia l 3 Normy wektorów i macierzy W tym rozdziale zak ladamy, że K C. 3.1 Ogólna definicja normy Niech ψ : K m,n [0, + ) bedzie przekszta lceniem spe lniajacym warunki: (i) A K m,n ψ(a) = 0 A = 0, (ii) A K m,n u K ψ(u A) = u ψ(a), (iii) A, B K m,n ψ(a + B) ψ(a) + ψ(b) (nierówność trójkata albo subaddytywność). Każde takie przekszta lcenie ψ nazywamy norma w K m,n i oznaczamy ψ(a) = A. Norma jest miara wielkości macierzy. Dlatego A B uznajemy za miar e odleg lości mi edzy macierzami A i B. Powiemy, że norma jest monotoniczna gdy warunek A B (tzn. gdy a i,j b i,j i, j) implikuje A B. Jeśli norma w K n,n spe lnia A B A B, A, B K n,n, to mówimy, że norma jest submultiplikatywna. 25

32 26 ROZDZIA L 3. NORMY WEKTORÓW I MACIERZY 3.2 Normy wektorów Normy p-te Wektory w K n sa szczególnymi macierzami. W tym przypadku, ważnymi przyk ladami norm sa normy Schura, zdefiniowane dla danej p, 1 p, jako ( n ) 1/p x p = x i p dla 1 p <, i=1 x = max 1 i n x i. Nietrudno zauważyć, że x = lim p x p, x K n. Warunki (i) i (ii) normy sa trywialnie spe lnione przez normy Schura. Warunek (iii) latwo sprawdzić dla p = 1,. Dla p = 1 mamy bowiem a dla p = x + y 1 = n x i + y i i=1 n x i + i=1 n y i = x 1 + y 1, x + y = max 1 i n x i + y i max 1 i n x i + max 1 i n y i = x + y. (W obu przypadkach zastosowaliśmy nierówność trójkata u + v u + v dla liczb zespolonych u i v.) Dla innych wartości p warunek (iii) jest dużo trudniej pokazać. Dlatego ograniczymy sie tu jedynie do przypadku p = 2. Lemat 3.1 (Nierówność Schwarza) Dla dowolnych u, v K n mamy i=1 u H v u 2 v 2. Dowód. Dla t K mamy 0 u + v t 2 2 = ( u + v t) H ( u + v t) = u H u + t t v H v + u H v t + v H u t = u t 2 v t u H v (ω (ϕ+ψ) + ω (ϕ+ψ)), gdzie t = t ω ψ, u H v = u H v ω ϕ, ω = cos 1 + ı sin 1.

33 3.2. NORMY WEKTORÓW 27 Biorac teraz ψ = ϕ mamy a biorac ψ = π ϕ mamy 0 u t u H v + t 2 v 2 2, 0 u t u H v + t 2 v 2 2. Stad dla dowolnej τ R otrzymujemy 0 u τ u H v + τ 2 v 2 2. Ponieważ prawa strona ostatniej nierówności jest, jako funkcja τ, trójmianem kwadratowym o wartościach nieujemnych, to 0 = 4 ( u v 2 u 2 2 v 2 2), co implikuje u H v u 2 v 2 i kończy dowód. Na podstawie nierówności Schwarza mamy teraz u + v 2 2 = u v u H v + v H u = u v R( u H v) czyli nierówność trójkata dla 2. u v u H v u v u 2 v 2 = ( u 2 + v 2 ) 2, Pożyteczne (nie)równości Nietrudno pokazać nastepuj ace nierówności l acz ace normy p-te Schura dla p = 1, 2,. Mianowicie, dla każdego u K n mamy u u 1 n u, u u 2 n u, u 2 u 1 n u 2,

34 28 ROZDZIA L 3. NORMY WEKTORÓW I MACIERZY przy czym ostatnia z tych nierówności jest konsekwencja nierówności Schwarza, u 1 = n u i = i=1 ( n n ) 1/2 ( n ) 1/2 u i 1 u i = n u 2. i=1 i=1 i=1 Dodatkowo zauważamy, że nierówności tych nie można poprawić. Na przyk lad, dla pierwszego wersora e 1 mamy e 1 p = 1 p, a dla 1 = [1, 1,..., 1] K n mamy 1 1 = n 1 2 = n 1. Kula jednostkowa w K n (ze wzgledu na norme ) nazywamy zbiór wektorów K = { u K n : u 1}. Z podanych powyżej nierówności wynika w szczególności, że K 1 K 2 K, gdzie K p jest kula jednostkowa w normie p-tej Schura. Zauważmy jeszcze, że normy p-te sa monotoniczne oraz, że dla dowolnej macierzy permutacji P K n,n i wektora x K n P x p = x p, tzn. norma p-ta wektora jest niezmiennicza ze wzgledu na przestawienia kolejności jego wspó lrzednych. 3.3 Normy macierzy Normy p-te Normy p-te macierzy sa definiowane (indukowane) przez normy p-te wektorów w nastepuj acy sposób: A x p A p = sup 0 x K x n p = sup { A x p : x K n, x p = 1}. Zauważmy, że używamy tego samego oznaczenia dla norm wektora jak i macierzy. Jest to uzasadnione, gdyż norma p-ta macierzy jest uogólnieniem

35 3.3. NORMY MACIERZY 29 normy p-tej wektora. Dla A = [u 1,..., u m ] T K m,1 = K m mamy bowiem A p = sup t =1 A t p = ( m i=1 u i p ) 1/p. (Tutaj t K!) Wprost z definicji wynika, że normy indukowane macierzy spe lniaja warunek zgodności (z norma wektorowa), tzn. A K m,n x K n A x p A p x p. Normy te sa również submultiplikatywne, A K m,l B K l,n A B p A p B p. Rzeczywiście, dla x K l mamy skad (A B) x p = A (B x) p A p B x p A p B p x p, (A B) x p sup A p B p. x 0 x p Dla macierzy permutacji P K m,m i Q K n,n mamy P A Q T p = A p, co oznacza, że przestawienie kolumn i wierszy macierzy nie zmienia jej p- tej normy. Rzeczywiście, ponieważ przestawienie wspó lrz ednych nie zmienia normy p-tej wektora, mamy P A Q T x p sup x 0 x p A Q T x p = sup x 0 Q T x p A y p = sup. y 0 y p Pożyteczne (nie)równości Dla niektórych p, norme można wyrazić w sposób pozwalajacy ja latwo obliczyć. Lemat 3.2 Dla dowolnej macierzy A = (a i,j ) K m,n (a) (b) A = max 1 i m n j=1 a i,j, A 1 = max 1 j n m i=1 a i,j.

36 30 ROZDZIA L 3. NORMY WEKTORÓW I MACIERZY Dowód. (a) Dla x = [x 1,..., x n ] T K n mamy n n A x = max a i,j x j max a i,j x j 1 i m 1 i m j=1 j=1 ( ) n x a i,j. max 1 i m j=1 Z drugiej strony, weźmy x = (x j) taki, że x j = ω ϕ j, 1 j n, gdzie ϕ j jest argumentem liczby a s,j, tzn. a s,j = a s,j ω ϕ j, a s jest tym indeksem i, dla którego suma n j=1 a i,j jest najwieksza. Wtedy x = 1 oraz A x n a s,j x j = n a s,j ω ϕ j ω ϕ j n = a s,j, j=1 j=1 a stad A max n 1 i m j=1 a i,j. (b) Dla dowolnego x mamy m n A x 1 = a i,j x j = i=1 j=1 n x j j=1 i=1 m i=1 ( m a i,j n a i,j x j j=1 max 1 j n j=1 ) m a i,j x 1. Z drugiej strony, dla x takiego, że x j = 0 dla j s, x j = 1 dla j = s, gdzie s jest tym indeksem j dla którego suma m i=1 a i,j jest najwieksza, mamy x 1 = 1 oraz A x 1 = m i=1 a i,s, a stad A 1 max m 1 j n i=1 a i,j. Z powyższego lematu latwo widać, że i=1 A T = A H = A 1, A T 1 = A H 1 = A. Szczególna role odgrywa norma druga 2, ze wzgledów, które bed a jasne później. Niestety, nie wyraża sie ona w tak prosty sposób jak 1 i. W odróżnieniu od tych ostatnich, norma druga ma jednak dodatkowa ważna w lasność; mianowicie, dla dowolnej A K m,n A T 2 = A H 2 = A 2.

37 3.3. NORMY MACIERZY 31 Równość ta wynika bezpośrednio z faktu, że A 2 = sup sup y H A z, z y gdzie suprema wziete sa po z K n i y K m takich, że z 2 = 1 = y 2. Rzeczywiście, dla dowolnych y i z o jednostkowych normach mamy y H A z y 2 A z 2 = A z 2 A 2, przy czym w pierwszej nierówności zastosowaliśmy nierówność Schwarza. Z drugiej strony, dla z o jednostkowej normie i takiego, że A z 0 mamy A z 2 = A z 2 2 A z 2 gdzie podstawiliśmy y = A z/ A z Norma Frobeniusa = (A z)h A z sup y H A z, A z 2 y 2 =1 Norme Frobeniusa (albo Euklidesowa) macierzy A K m,n definiujemy jako A F = ( m i=1 j=1 ) 1/2 n a i,j 2. Zaleta normy F jest jej latwa obliczalność, natomiast wada, że nie jest to norma indukowana przez żadna norme wektorowa. Zwiazek miedzy norma Frobeniusa i norma druga pokazuje nastepuj acy lemat. Lemat 3.3 Dla dowolnej A K m,n mamy A 2 A F min(m, n) A 2. Dowód. Wykorzystujac nierówność Schwarza, dla dowolnego x K n o jednostkowej normie drugiej mamy m A x 2 n 2 ( m n ) 2 2 = a i,j x j a i,j x j i=1 j=1 i=1 j=1 ( m n ) ( n ) a i,j 2 x j 2 = A 2 F, i=1 j=1 j=1

38 32 ROZDZIA L 3. NORMY WEKTORÓW I MACIERZY a stad A 2 A F. Z drugiej strony, przedstawiajac A jako A = [ a 1, a 2,..., a n ], a j K m, mamy A 2 A e j 2 = a j 2, gdzie e j jest j-tym wersorem. Stad A n n a j 2 2 = 1 n A 2 F, j=1 czyli A F n A 2. Ale również co kończy dowód. A F = A T F m A T 2 = m A 2, Zauważymy jeszcze jedna w lasność norm p-tych macierzy. Niech macierz A bedzie dana w postaci blokowej, Wtedy A = [A 1, A 2,..., A s ]. A k p = sup A k x k p = x k p=1 Podobnie, jeśli to sup A x p = A p. x p=1 A = sup x k p=1, x j = 0,j k A 1 A 2. A t A k p p = sup A k x p p x p=1 sup x p=1 = sup A x p p = A p p. x p=1 s A j x j j=1 p t A j x p p j=1

39 3.3. NORMY MACIERZY 33 Stad dostajemy wniosek, że jeśli A jest w postaci blokowej to dla każdego bloku A i,j mamy A i,j p A p, 1 p. Oczywiście, ta w lasność zachodzi również dla normy Frobeniusa.

40 34 ROZDZIA L 3. NORMY WEKTORÓW I MACIERZY

41 Rozdzia l 4 Przestrzenie liniowe 4.1 Przestrzenie i podprzestrzenie Definicja i podstawowe w lasności Niech X z dzia laniem dodawania + bedzie grupa przemienna (abelowa). Oznaczmy przez 0 element neutralny tej grupy, a przez ( a) element przeciwny do a X. Za lóźmy ponadto, że w X zdefiniowane jest dzia lanie mnożenia przez skalary, czyli elementy pewnego cia la K, które spe lnia nastepuj ace warunki: 1 (i) a X α K α a = a α X (ii) a X 1 a = a (gdzie 1 jest jedynka w K) (iii) a, b X α, β K (α + β) a = α a + β a α (a + b) = α a + α b (α β) a = α (β a). Definicja 4.1 Zbiór X z dzia laniami o wyżej wymienionych w lasnościach nazywamy przestrzenia liniowa nad cia lem K i oznaczamy X K (albo po prostu X ). 1 Zauważmy, że symbolu używamy zarówno do oznaczenia mnożenia skalaru przez element z grupy jak i mnożenia skalaru przez skalar. Podobnie + oznacza zarówno dodawanie w ciele K jak i w grupie X. Nie prowadzi to jednak do niejednoznaczności, bo z kontekstu zawsze wiadomo o jakie dzia lanie chodzi. 35

42 36 ROZDZIA L 4. PRZESTRZENIE LINIOWE Podamy kilka elementarnych w lasności przestrzeni liniowych: a X 0 a = 0 a X ( 1) a = a α K a X [ α a = 0 (α = 0) lub (a = 0) ] Pierwsza w lasność wynika z równości 0 a = (0 + 0) a = 0 a + 0 a, a druga z równości 0 = 0 a = (1 + ( 1)) a = a + ( 1) a. Implikacja w lewa strone w ostatniej w lasności jest oczywista. Aby pokazać implikacje w prawa strone za lóżmy, że α 0 = 0 i α 0. Wtedy a = 1 a = (α 1 α) a = α 1 (α a) = α 1 0 = 0. Elementy przestrzeni liniowej X K nazywamy zwykle wektorami, odwo lujac sie do odpowiedniej interpretacji geometrycznej. Przyk ladami przestrzeni liniowych sa R n R, Cn R, Cn C, Km,n K. We wszystkich tych przyk ladach mnożenie wektora przez skalar zdefiniowane jest w naturalny sposób wyraz po wyrazie. Przestrzeń liniowa nad R (albo nad C) tworza też wielomiany stopnia co najwyżej (n 1) o wspó lczynnikach rzeczywistych (albo zespolonych). Oznaczamy ja przez P R n (albo Pn C ) Podprzestrzenie liniowe Definicja 4.2 Niech X K bedzie przestrzenia liniowa. Niepusty podzbiór Y X nazywamy podprzestrzenia (liniowa) przestrzeni X K, gdy Y jest przestrzenia liniowa nad K (z dzia laniami jak w X ). Piszemy przy tym Y K X K. Twierdzenie 4.1 Na to, aby Y K X K potrzeba i wystarcza, że: (i) a, b Y a + b Y (ii) α K a Y α a Y. Dowód. (i) i (ii) oznaczaja, że dodawanie wektorów i mnożenie ich przez skalar nie wyprowadzaja poza zbiór Y. Pozosta le warunki bycia podprzestrzenia sa w sposób oczywisty spe lnione, bo sa one spe lnione w X. Szczególnymi przyk ladami podprzestrzeni sa Y = X (podprzestrzeń niew laściwa) oraz Y = {0} (podprzestrzeń zerowa).

43 4.2. BAZA I WYMIAR PRZESTRZENI 37 Twierdzenie 4.2 Cześć wspólna dowolnej rodziny podprzestrzeni przestrzeni liniowej X K jest też podprzestrzenia X K. Dowód. Niech {Y j } j J, gdzie J jest (być może nieskończonym) zbiorem indeksów, bedzie dowolna rodzina podprzestrzeni. Oznaczmy Y = j J Y j. Wobec twierdzenia 4.1 wystarczy pokazać, że dzia lania dodawania i mnożenia przez skalar nie wyprowadzaja poza zbiór Y. Rzeczywiście, warunek a, b Y oznacza, że a, b Y j dla wszystkich j J, a stad również a + b Y j. W konsekwencji a +b j J Y j = Y. Podobne uzasadnienie dla mnożenia przez skalar omijamy. Ważnymi przyk ladami podprzestrzni liniowych przestrzeni macierzy K m,n K sa TRIL m,n, TRIU m,n oraz DIAG m,n. Podprzestrzeniami liniowymi w P K n s a P K k z k n, albo wielomiany w których zmienna wystepuje tylko w potegach parzystych. (Przyjmujemy przy tym, że, czyli stopień wielomianu zerowego, jest liczba parzysta.) 4.2 Baza i wymiar przestrzeni Liniowa (nie)zależność Niech {b j } n j=1 X oraz i {α j } n j=1 K. Element b = n α j b j j=1 nazywamy kombinacja liniowa elementów {b j }, przy czym liczby {α j } sa wspó lczynnikami tej kombinacji. Zauważmy, że B = span(b 1, b 2,..., b n ) := { n α j b j j=1 } : {α j } n j=1 K, czyli zbiór wszystkich kombinacji liniowych danych elementów {b j }, jest podprzestrzenia przestrzeni X K. Mówimy, że B jest rozpieta na elementach b 1,..., b n.

44 38 ROZDZIA L 4. PRZESTRZENIE LINIOWE Definicja 4.3 Uk lad {b j } n j=1 X jest liniowo zależny jeśli istnieje uk lad skalarów {α j } n j=1 K zawierajacy liczby niezerowe, dla którego n α j b j = 0. j=1 Definicja 4.4 Uk lad {b j } n j=1 X jest liniowo niezależny jeśli nie jest liniowo zależny, tzn. gdy dla dowolnych skalarów {α j } n j=1 z równości wynika, że α j = 0, 1 j n. n α j b j = 0 j=1 Latwo zauważyć, że dowolny (niepusty) poduk lad uk ladu liniowo niezależnego jest uk ladem liniowo niezależnym. Z drugiej strony, jeśli uk lad ma poduk lad liniowo zależny to uk lad wyjściowy jest liniowo zależny. Rozpatrzmy dowolny uk lad {b j } n j=1. Jeśli jest on liniowo zależny to istnieja {α j } n j=1 takie, że dla pewnego s mamy α s 0 oraz n j=1 α j b j = 0. Wtedy n ( b s = α ) j b j, α s s j=1 czyli b s span (b 1,..., b s 1, b s+1,..., b n ), a stad span(b 1,..., b s,..., b n ) = span(b 1,..., b s 1, b s+1,..., b n ). Można tak postepować dalej otrzymujac w końcu uk lad liniowo niezależny rozpinajacy ta sama przestrzeń co {b j } n j=1. (Ponieważ uk lad wyjściowy jest skończony, proces wyjmowania kolejnych wektorów musi sie skończyć po co najwyżej n krokach.) Wniosek 4.1 Z każdego uk ladu wektorów (b 1,..., b n ) można wyjać poduk lad (b j(1),..., b j(k) ), 1 j(1) < < j(k) n (0 k n) taki, że jest on liniowo niezależny oraz span(b 1,..., b n ) = span(b j(1),..., b j(k) ).

45 4.2. BAZA I WYMIAR PRZESTRZENI Baza i wymiar, twierdzenie Steinitza Definicja 4.5 Uk lad {b j } n j=1 nazywamy baza przestrzeni Y K X K gdy: (i) jest on liniowo niezależny, (ii) Y = span(b 1, b 2,..., b n ). Mamy nastepuj ace ważne twierdzenie. Twierdzenie 4.3 Każda przestrzeń liniowa Y K ma baze. Ponadto, wszystkie bazy sa równoliczne. Twierdzenie to prowadzi do nastepuj acej definicji. Definicja 4.6 Liczb e elementów bazy danej przestrzeni Y K nazywamy jej wymiarem i oznaczamy dim(y K ). Dowód twierdzenia 4.3 o istnieniu i równoliczności baz udowodnimy teraz jedynie w przypadku przestrzeni rozpietych na uk ladach skończonych. Zauważmy najpierw, że z Wniosku 4.1 natychmiast wynika, iż takie przestrzenie maja baze. Dowód równoliczności baz opiera sie na nastepuj acym bardzo pożytecznym twierdzeniu. Twierdzenie 4.4 (Steinitza o wymianie) Niech span(b 1,..., b n ) span(c 1,..., c m ) = X, przy czym uk lad {b j } n j=1 jest liniowo niezależny. Wtedy n m oraz n elementów uk ladu {c j } n j=1 można wymienić na {b j } n j=1 otrzymujac uk lad rozpinajacy X. Dowód. (Indukcja wzgledem n.) Dla n = 0 teza jest oczywista. Za lóźmy, że teza zachodzi dla n 1. Wtedy n 1 m oraz X = span(b 1,..., b n 1, c n, c n+1,..., c m ).

46 40 ROZDZIA L 4. PRZESTRZENIE LINIOWE (Zak ladamy bez zmniejszenia ogólności, że wymieniliśmy n 1 poczatkowych elementów uk ladu {c j } m j=1.) Ponieważ b n X to można go przedstawić w postaci kombinacji liniowej n 1 b n = α j b j + j=1 m β j c j. Zauważmy, że istnieje s, n s m, taka, że β s 0, bo w przeciwnym przypadku b n by lby liniowo zależny od b 1,..., b n 1. Stad n m oraz c s = b n 1 n β s j=1 ( αj β s ) b j j=n m s j=n ( βj β s ) c j, tzn. c s jest liniowa kombinacja wektorów b 1,..., b n, c n,..., c s 1, c s+1,..., c m. Wymieniajac c s na b n dostajemy X = span(c 1,..., c m ) = span(b 1,..., b n 1, c n,..., c m ) To kończy dowód. = span(b 1,..., b n 1, b n, c n+1,..., c m ). Biorac teraz dwie bazy, (b 1,..., b n ) oraz (c 1,..., c m ), tej samej przestrzeni Y K i stosujac twierdzenie Steinitza otrzymujemy z jednej strony n m, a z drugiej m n. Stad m = n, czyli bazy sa równoliczne. Z twierdzenia Steinitza można latwo wywnioskować nastepuj ace w lasności. (Poniżej zak ladamy, że dim(x K ) <.) 1. Każdy uk lad liniowo niezależny w X można uzupe lnić do bazy w X. 2. Jeśli Y K X K to dim(y K ) dim(x K ). 3. Niech Y K X K. Wtedy Y = X dim(y K ) = dim(x K ) Przyk lady Podamy teraz kilka przyk ladów przestrzeni i ich baz.

47 4.3. SUMY I SUMY PROSTE 41 K m K = span( e 1, e 2,..., e m ), gdzie e j = [0,..., 0, 1, 0,..., 0] T jest j-tym wersorem (jedynka na j-tej wspó lrzednej). Stad dim(k m K ) = m. gdzie Stad dim(k m,n K ) = m n. K m,n K = span(e i,j : 1 i m, 1 j n), { 1 i = p, j = q, (E i,j ) p,q = 0 wpp. C m,n R = span(e i,j, ı E i,j : 1 i m, 1 j n) (ı = 1). Stad dim(c m,n R ) = 2 m n. i dim(p n R ) = n. P n R = span(1, t, t 2,..., t n 1 ) 4.3 Sumy i sumy proste Suma (prosta) dwóch podprzestrzeni Niech Y i Z bed a podprzestrzeniami X. Definiujemy iloczyn tych podprzestrzeni jako S = Y Z := {x X : x Y i x Z}, oraz sum e jako T = Y + Z := {y + z : y Y, z Z}. Zauważmy, że suma podprzestrzeni nie jest zwyk l a suma teoriomnogościowa. Oczywiście, zarówno iloczyn S jak i suma T sa podprzestrzeniami X.

48 42 ROZDZIA L 4. PRZESTRZENIE LINIOWE Definicja 4.7 Jeśli iloczyn Y Z = {0} to sume Y + Z nazywamy suma prosta i oznaczamy T = Y Z. Podamy teraz kilka w lasności wymiarów sum i sum prostych. (W1) 0 dim(y Z) min (dim(y), dim(z)) (W2) max (dim(y), dim(z)) dim(y + Z) min (dim(x ), dim(y) + dim(z)) (W3) (W4) dim(y + Z) = dim(y) + dim(z) dim(y Z) dim(y Z) = dim(y) + dim(z) W lasność (W1) jak i lewa strona (W2) wynikaja po prostu z zawierania sie odpowiednich podprzestrzeni, a prawa strona w (W2) z faktu, że Y + Z X oraz, że suma teoriomnogościowa baz w Y i Z rozpina Y + Z. Ponieważ (W4) wynika bezpośrednio z (W3), dla pe lności dowodu wystarczy pokazać (W3). W tym celu bierzemy baze (b 1,..., b u ) w Y Z, a nastepnie uzupe lniamy ja do bazy (b 1,..., b u, y u+1,..., y s ) w Y oraz do bazy (b 1,..., b u, z u+1,..., z t ) w Z. Jasne jest, że span(y u+1,..., y s ) span(z u+1,..., z t ) = {0}, bo inaczej wspólny element niezerowy by lby w Y Z, a wówczas uk lad (b 1,..., b u, y u+1,..., y s ) nie by lby liniowo niezależny. Uk lad (b 1,..., b u, y u+1,..., y s, z u+1,..., z t ) jest wiec liniowo niezależny i rozpina Y + Z, a wiec jest też baza tej przestrzeni. Dlatego dim(y + Z) = u + (s u) + (t u) = s + t u = dim(y) + dim(z) dim(y Z).

49 4.3. SUMY I SUMY PROSTE Suma (prosta) w ogólnym przypadku Uogólnimy pojecia sumy i sumy prostej na dowolna, ale skończona, liczbe podprzestrzeni. Niech Y j, 1 j s, bed a podprzestrzeniami X. Sume tych podprzestrzeni definujemy jako Y = Y 1 + Y Y s = s j=1 Y j := {y y s : y j Y j, 1 j s}. Definicja 4.8 Jeśli dla każdego t, 1 t s, ( s ) Y t Y j = {0} t j=1 to sume Y Y s = s j=1 Y j nazywamy suma prosta i oznaczamy Y 1 Y s = s Y j. j=1 Twierdzenie 4.5 Jeśli Y = s j=1y j to każdy wektor y Y ma jednoznaczne przedstawienie w postaci y = y 1 + y y s, y j Y j, 1 j s. Dowód. (Indukcja wzgledem s.) Dla s = 1 twierdzenie jest w oczywisty sposób prawdziwe. Za lóżmy, że jest ono prawdziwe dla s 1. Niech Wtedy y = y y s = y y s. s 1 Y s y s y s = (y j y j ) Y Y s 1, j=1 a ponieważ Y 1 Y s 1 Y s to y s = y s i y y s 1 = y y s 1. Wobec tego, że Y 1 Y s 1, co wynika wprost z definicji sumy prostej, możemy teraz skorzystać z za lożenia indukcyjnego, aby wywnioskować, że y j = y j dla 1 j s 1. To kończy dowód.

50 44 ROZDZIA L 4. PRZESTRZENIE LINIOWE Zauważmy, że jeśli Y = Y 1 Y s to suma teoriomnogościowa baz w Y j, 1 j s, jest baza Y. W szczególnym przypadku, gdy (b 1,..., b n ) jest baza X to X = span(b 1 ) span(b n ). Ponadto, każdemu wektorowi x X można jednoznacznie przyporzadkować wspó lczynniki α j, 1 j n, takie, że x = n α j b j. j=1 4.4 Izomorfizm przestrzeni Definicja 4.9 Przestrzeń X K jest izomorficzna z Y K (obie przestrzenie nad tym samym cia lem) gdy istnieje wzajemnie jednoznaczne (różnowartościowe i na ) odwzorowanie f : X Y zachowujace kombinacje liniowe, tzn. x 1, x 2 X α 1, α 2 K f(α x 1 + α 2 x 2 ) = α 1 f(x 1 ) + α 2 f(x 2 ). Odwzorowanie f nazywamy izomorfizmem. Zauważmy, że jeśli f : X Y jest izomorfizmem to f(0) = 0 (bo f(0) = f(0 + 0) = f(0) + f(0)). Izomorfizm zachowuje też liniowa (nie)zależność wektorów, co wynika z faktu, że warunek s j=1 α j f(b j ) = 0 jest równoważny f( s j=1 α j b j ) = 0, czyli s j=1 α j b j = 0. Stad mamy prosty wniosek, że izomorfizm f przeprowadza baze (b 1,..., b n ) przestrzeni X na baze (f(b 1 ),..., f(b n )) przestrzeni Y. Ponadto mamy: (i) każda przestrzeń jest izomorficzna ze soba, (ii) jeśli X jest izomorficzna z Y to Y jest izomorficzna z X, (iii) jeśli X jest izomorficzna z Y oraz Y jest izomorficzna z Z to X jest izomorficzna z Z.