Académique Documents
Professionnel Documents
Culture Documents
Mańkowski Dominik
W razie błędów i uwag: mankowski.dominik@gmail.com
2016
1 Relacja równoważności
Jest to relacja dwuargumentowa, zwrotna, symetryczna i przechodnia. Jest ona
określona dla pewnego x ∈ X.
• Zwrotna: xρx
• Symetryczna: xρy ⇒ yρx
• Przechodnia: jeśli xρy ∧ yρz ⇒ xρz
Przykład: Sprawdzić, czy relacja xρy ⇐⇒ sin x − sin y ∈ Z dla X = R Aby
sprawdzić, czy relacja jest relacją równoważności należy po prostu zbadać jej
zwrotność, symetryczność i przechodność.
1
2 Klasa abstrakcji
Klasą abstrakcji nazywamy zbiór [x]ρ = {y ∈ X : yρx}. A teraz po ludzku.
Bierzemy sobie jakąś liczbę należącą do X i mamy wypisać dla niej wszystkie
elementy spełniające relację równoważności. Przykładowo, dla relacji z poprzed-
niego działu należy wyznaczyć klasę abstrakcji dla 0. Robi się to w następujący
sposób:
Czyli innymi słowy mówiąc każdy y dla którego zachodzi 0ρy. I teraz sobie
zobaczmy, jakie wartości będą spełniać to wyrażenie.
kπ
sin 0 − sin y ∈ Z ⇐⇒ sin y ∈ Z ⇐⇒ y ∈ k : 2 ,k ∈Z
Czyli: [0]ρ = k : kπ
2 ,k ∈ Z
Z kolei dla 1:
1ρy ⇐⇒ 1 12 − 4 = y y 2 − 4 n √ √ o
I po rozwiązaniu równania y y 2 − 4 = −3 wychodzi: [1]ρ = − 13−1 13−1
2 , 1, 2
2
3 Działanie ◦
p
Niech X = R oraz x ◦ y = 3 x3 + y 3
Mając takie coś, należy sprawdzić czy:
• ◦ jest łączne: (x ◦ y) ◦ z = x ◦ (y ◦ z),
• ◦ jest przemienne: x ◦ y = y ◦ x,
3
4 Obraz i przeciwobraz funkcji
Niech x ∈ X.
• Obraz elementu: x ∈ X ⇒ y = f (x). Wtedy y - obraz elementu x. Wyja-
śniać chyba nie trzeba.
• Niech A ⊆ X. Obraz zbioru, z definicji: {y ∈ Y : f (x) = y dla pewnego x ∈ A}.
Czyli jest to po prostu zbiór wartości, jakie funkcja przyjmuje dla x z za-
danego przedziału. Przykład:
x ∈ R, f (x) = x2 . Wtedy obraz jest równy [0, ∞).
• Obraz funkcji: mając dany wzór funkcji y = f (x) wyprowadzamy z niej
wzór na x = f (y). Tyle.
• Przeciwobraz. Z definicji: f −1 [B] = {x ∈ X : f (x) ∈ B}. Czyli mamy
zbiór wartości funkcji (tj. wartości, jakie może przyjąć y i mamy stąd
wyliczyć jakie x może pasować). Przykład:
Kolejny przykład:
Załóżmy, że mamy funkcję: f (x, y) = x2 − sin y. Czy prawdą jest, że
(−1, 1) ∈ f −1 ([0, 1))?
W tego typu zadaniach wygodnie jest się posłużyć definicją. Czyli:
f −1 ([0, 1)) = (x, y) ∈ R2 : f (x, y) ∈ [0, 1)
4
5 Iniekcja, surjekcja, itd.
• Surjekcja - inaczej mówiąc, funkcja ”na” - funkcja, pokrywająca całą swo-
ją przeciwdziedzinę. Przykłady:
R → R (czytaj: x może przyjąć każdą wartość z rzeczywistych, tak samo
y), f (x) = x2 . Funkcja nie jest ”na”, ponieważ nie przyjmuje wartości
ujemnych.
R → [0, ∞), f (x) = x2 Funkcja jest surjekcją, bo zapełnia całą przeciw-
dziedzinę (czyli dla każdego f (x) ze zbioru [0, ∞) istnieje x spełniający
taką zależność).
• Iniekcja - inaczej mówiąc funkcja różnowartościowa. Np. y = x jest funkcją
różnowartościową, y = x2 już nie (bo np. f (−1) = f (1)). Przykład w jaki
sposób się sprawdza różnowartościowość:
5
6 Liczby zespolone
Liczbę zespoloną nazywamy liczbę postaci z = a + jb, gdzie a, b ∈ R. Zbiór liczb
zespolonych oznaczamy literą C - od angielskiego complex (złożony, zespolony).
Parę podstawowych właściwości liczby zespolonej:
• <z = Rez = a, =z = Imz = b
• z1 + z2 = a1 + a2 + j(b1 + b2 )
• z = z ? = a − jb (”sprzężenie liczby zespolonej”)
√
• |z| = a2 + b2 (moduł liczby zespolonej)
Własności modułu:
|z1 | |z2 | = |z1 z2 |
n
|z n | = |z|
r = |z| = |z| - moduł liczby zespolonej (promień na płaszczyźnie zespolo-
nej)
2
zz = |z|
• arg z = arctan ab dla a > 0 - argument liczby zespolonej. Uwaga! Dla
a < 0 wzór wygląda inaczej, dlatego zawsze starajcie się doprowadzić do
dodatniego a.
arg(z1 z2 ) = arg(z1 ) + arg(z2 )
• Teraz ważna rzecz: postać trygonometryczna liczby zespolonej. Jak ma-
my sobie liczbę zespoloną z = a + jb, to możemy ją zamienić na postać:
z = |z| (cos ϕ + j sin ϕ), gdzie ϕ - argument liczby zespolonej.
= −1 − j na postać trygonometryczną.
Przykład: zamienić liczbę z p
z = −1 − j = −(1 + j) = − ((−1)2 + (−1)2 ) (cos ϕ + j sin ϕ).
ϕ = arg(1 + j) = arctan 11 = π4
√
z = − 2 cos π4 + j sin π4
6
√ 100 √ 100
z 100 = (−1−j)100 = − 2 cos π4 + j sin π4 cos 100π 100π
= − 2 4 + j sin 4 =
250 (cos π + j sin π) = −250
• Kolejną ważną rzeczą z tego wynikającą są pierwiastki z jedynki. Zgodnie
ze
√ wzorem de Moivre’a:
n
1 = cos 2kπ 2kπ
n + j sin n , k ∈ {0, 1, . . . , n − 1}
I się to przyda przy wykorzystaniu następującego twierdzenia:
7
7 Rozkład na ułamki proste
Możliwe postacie ułamków prostych nad R:
a
1) (x−b)n, n 1
ex+f
2) (ax2 +bx+c)n , n 1, e może być równe 0, ∆ < 0
Odpowiedzi: a), d) - nie (ponieważ stopień licznika jest nie mniejszy niż sto-
pień mianownika), b) - nie, ponieważ ∆ > 0, c) - tak (bo ∆ < 0), d) - tak, e)
nie.
Twierdzenie 4 Każda liczba zespolona stopnia n ma n pierwiastków.
8
8 Podprzestrzeń liniowa
Na początek przestrzenie i ich oznaczenia:
R - jakiś punkt z liczb rzeczywistych z przestrzeni jednowymiarowej (dim R = 1,
dim - dimension (z ang. wymiar)), np. x ∈ R
R2 - para punktów z przestrzeni dwuwymiarowej (dim R2 = 2), np. (x, y) ∈ R2 ,
R3 - punkt z przestrzeni trójwymiarowej - dosyć oczywiste. (dim R3 = 3), np.
(x, y, z) ∈ R3 ,
C - punkt z przestrzeni liczb zespolonych, (dim C = 2), np. z ∈ C, dla większych
wymiarów będzie analogicznie jak dla R - tyle, że pomnożone razy 2,
R0 [x] - przestrzeń wektorowa {1}, dim R0 [x] = 1
R1 [x] - przestrzeń wektorowa {x,
1}, dim R1 [x] = 2
Rn [x] - przestrzeń wektorowa xn , xn−1 , . . . , 1 , dim Rn [x] = n + 1
Podprzestrzeń liniowa.
W podprzestrzeni liniowej chodzi o to, że jak mamy sobie jakąś przestrzeń V ,
to musimy sprawdzić, czy dana przestrzeń U jest jej podprzestrzenią. Mówiąc
to zrozumialej:
- masz sobie przestrzeń V ,
- dostajesz jakąś inną przestrzeń U
- masz za zadanie sprawdzić, czy ta przestrzeń U jest podprzestrzenią V ; innymi
słowy mówiąc - czy dziedziczy po niej działania (czy ma takie same właściwo-
ści).
Aby tego się dowiedzieć, należy sprawdzić 3 właściwości U :
- Czy 0 ∈ U ,
- Czy αU ∈ U (jednorodność)
- Czy u + v ∈ U (addytywność)
Przykład:
Czy U jest podprzestrzenią liniową przestrzeni V nad R?
U = (x, y, z) ∈ R3 : x − 4y + 3z = 0
No i widzimy, że właściwość przestrzeni U jest taka, że x − 4y + 3z = 0. Jeśli
zostanie ona zachowana, to jest wszystko ok. Więc sprawdzamy:
9
• Wektor zerowy: musimy sprawdzić, czy wektor (0, 0, 0) ∈ U . Widać to od
razu dla (0, 0, 0).
Więc U jest podprzestrzenią liniową przestrzeni V .
10
9 Baza i wymiar przestrzeni
Co to jest baza? Baza jest to układ wektorów {x1 , . . . , xn }, który jest liniowo
niezależny i generuje całą przestrzeń.
Liniowa niezależność: nie możemy wygenerować żadnego wektora przy kombi-
nacji liniowej innych.
Możliwość wygenerowania całej przestrzeni: za pomocą układu możemy uzyskać
każdy element danej przestrzeni.
Przykład: mamy przestrzeń wektorową V = R3 . Czy układ jest bazą V ?
a) A = {(1, 0), (0, 1)} - nie, ponieważ nie sposób wygenerować trzeciego wymia-
ru,
b)A = {(1, 1, 0), (0, 1, 0), (0, 0, 1)} - jest bazą. Można wygenerować każdą liczbę
postaci (a, b, c), a, b, c ∈ R. Jest liniowo niezależny (tj. nie możemy uzyskać jed-
nego z nich za pomocą operacji na dwóch pozostałych). Liniową niezależność ta-
1 0 0
kiego układu można prosto obliczyć, licząc wyznacznik macierzy 1 1 0 .
0 0 1
Jeśli wyznacznik 6= 0, to układ jest liniowo niezależny (oznaczenie: l.n.).
c)A = {(1, 0, 0), (1, 1, 1), (0, 1, 1)} - nie jest bazą - jest liniowo zależny (drugi
wektor = suma pierwszego i trzeciego),
d)A = {(1, 0, 0), (1, 1, 0), (1, 0, 0), (0, 0, 1)} - jest bazą - wektor liniowo zależny
skreślamy i zostaje nam układ l.n.
11
Stąd: (x, y, z, t) → (x, y, − 23 x, x + y), więc tę przestrzeń da się wygenerować za
pomocą wektorów: x(1, 0, − 32 , 1) oraz y(0, 1, 0, 1).
W związku tym baza będzie równa: 1, 0, − 32 , 1 , (0, 1, 0, 1)
12
10 Przekształcenie liniowe
Czym jest przekształcenie liniowe? Jest to działanie mające na celu przekształ-
cenie przestrzeni V w W (ozn. V → W ). Funkcję ϕ : V → W nazywamy
przekształceniem liniowym, jeśli dla dwóch wektorów u, v ∈ V zachodzi:
- Addytywność: ϕ(u + v) = ϕ(u) + ϕ(v)
- Jednorodność: ϕ(αv) = αϕ(v)
Jak sprawdzić, czy funkcja jest przekształceniem liniowym? Należy właśnie
sprawdzić 2 powyższe warunki.
13
Znajdźmy więc jakiś wektor z R4 , który należy do jądra. Wtedy rozwiązuje-
my układ:
(
x+z =0
y−t=0
Widać od razu, że rozwiązaniem będzie wektor postaci (x, y, y, −x).
Przykładowo: ϕ((1, 2, 2, −1)) = (0, 0), więc (1, 2, 2, −1) ∈ ker ϕ.
Z rzeczy ważnych: zachodzi jeszcze związek dim V = dim ker ϕ + dim Imϕ.
Jeśli przekształcenie jest nieosobliwe (dim ker ϕ = 0) oraz dim V = dim W , co
też implikuje W = Imϕ, to jest ono izomorfizmem.
14
R3 → R3 : ϕ ((x, y, z)) = (x − y, 2x − y + z, z − 2x)
Jak zostało już wcześniej powiedziane, izomorfizm jest wtedy, gdy dim ker ϕ = 0
oraz dim V = dim W . Drugi warunek jest spełniony, trzeba sprawdzić tylko
pierwszy. Czyli przyrównujemy wynik przekształcenia do zera i patrzymy, czy
się wyzeruje, czy nie (wyzeruje się wtedy, gdy otrzymamy równanie sprzeczne).
Czyli: x − y = 0 ⇒ y = x, 2x − y + z = x + z = 0 ⇒ z = −x, z − 2x = 0 ⇒ z =
2x = −x
Czyli jedynym rozwiązaniem będzie x = y = z = 0, więc dim ker ϕ = 0
Więc przekształcenie jest izomorfizmem.
15
11 Macierz zmiany bazy i przekształcenia linio-
wego
Na początek: macierz zmiany bazy. Załóżmy sobie, że mamy jakieś przekształ-
cenie liniowe ϕ : V → W i wektory ”wejściowe”, tj. v ∈ V są w zbiorze
A = {v1 , v2 , . . . , vn }, a wektory wyjściowe, czyli w ∈ W są w zbiorze
B = {w1 , w2 , . . . , wm } = {ϕ(v1 ), ϕ(v2 ), . . . , ϕ(vn )}
Symbol MB (A) oznacza macierz współrzędnych wektorów układu A w bazie B.
Przykład:
A = (3x2 + x + 2, 2x2 + x + 1, x2 + 3), B = (x2 , x, 1). Wyznaczyć MB (A).
Na początek parę innych oznaczeń:
MB (A) = MBA = MBA (id) - oznacza to macierz zmiany bazy.
Teraz robimy w ten sposób, że w każdym wierszu zapisujemy współczynniki
innego stopnia.
Wynika
to stąd:
α1
MB (ω) = . . . - gdzie ω - dowolny wektor z V . Przechodząc do właściwego
αn
zadania: (3x2 + x + 2, 2x2 + x + 1, x2 + 3) = x2 (3, 2, 1) + x(1, 1, 0) + (2, 1, 3)
Czyli:
3 2 1
MB (A) = 1 1 0
2 1 3
Inny przykład: mając bazę B = 1 + 2x + 2x2 , 2 + 3x + x2 , 3 + 4x + x2 znajdź
macierz zmiany bazy MBE3 (id), gdzie E3 - baza kanoniczna.
Baza kanoniczna (inaczej zwana standardową) to jest zbiór wektorów jednost-
kowych, tj. w tym przypadku po prostu E3 = (1, x, x2 ) - ponieważ baza B jest
typu R2 [x].
Jeśli mielibyśmy przestrzeń R2 , to wtedy baza standardową byłby układ wek-
torów E2 = ((1, 0), (0, 1)).
MBE3 (id) oznacza: - napisz wzór na przekształcenie układu z bazy B do bazy
standardowej, co jak widać nie jest od razu widoczne i trzeba by się męczyć z
wyliczaniem. Natomiast:
MEB3 (id) oznacza: zapisz, jak będzie wyglądała baza B zapisana za pomocą wek-
torów z bazy standardowej E3 .
−1
Twierdzenie 5 Jeżeli A i B są bazami przestrzeni V , to MB (A) = (MA (B))
−1
1 2 3
−1
MBE3 (id) = MEB3 (id)
= 2 3 4
2 1 1
Teraz pozostaje wyliczyć macierz odwrotną i mamy rozwiązanie.
16
Macierz przekształcenia liniowego: jest to macierz, która wynika ze wzoru
przekształcenia liniowego. Generalnie - nie próbuj zrozumieć teorii, bo to nie ma
sensu. Wykuj się schematów na pamięć jak to działa - jest to straszny schemat,
zalicz egzamin i o tym zapomnij - nie przyda się, zapewniam.
17
poniżej).
- Po środku będzie niemalże zawsze macierz typu MEE (ϕ) albo MBA (ϕ), ewen-
tualnie czasami z literką E zamiast jednej z A lub B
(zawsze będzie jakaś macierz przekształcenia liniowego, czyli w nawiasie ϕ).
- Zasada jest taka, że skreślając po przekątnej w prawy dolny róg te indeksy się
znoszą, tj. w tym przypadku:
E3
MBA (ϕ) = MA (id) · MEE32 (ϕ) · MEB2 (id)
E3
E 3 z MA (id) się redukuje z E3 z MEE32 (ϕ)
Przykład: w przestrzeni R3 wybrano trzy bazy: E3 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)),
A = ((1, −1, 1), (1, 0, −1), (1, 1, −1)) oraz B = ((1, 2, −1), (1, 2, 0), (1, 3, 0)).
Dana jest macierz
przekształcenia
liniowego R3 → R3 :
2 4 −2
MEE33 (ϕ) = 4 8 −4
−2 −4 2
Wyznaczyć macierze MBE3 (ϕ) oraz MBA (ϕ). Podać wzór na ϕ ((x, y, z)).
18
12 Wyznacznik, wartości i wektory własne
Na początek parę ogólnych właściwości macierzy:
T
• AT = A, AT - macierz transponowana (czyli zamienione kolumny z
wierszami).
T
• (AB) = B T AT
−1
• (AB) = B −1 A−1
−1 T
• AT = A−1
−1
• (cA) = c−1 A−1 , c - stała.
T
• (cA) = cAT , c - stała.
Wszystkie omawiane tu rzeczy będą się odnosiły do macierzy kwadratowych.
Co to jest wyznacznik macierzy to każdy wie, więc teorii tu nie będzie za wie-
le. Natomiast jest sporo właściwości, które są przydatne na egzaminie (przede
wszystkim na części testowej). Oto one:
−1
• det A−1 = det (A) .
19
• Jeśli wyznacznik macierzy jest równy 0, to macierz nazywamy osobliwą.
W przeciwnym
wypadku
- nieosobliwą. Przykład:
1 0 0 0
Macierz jest macierzą nieosobliwą. Macierz jest ma-
0 1 0 1
cierzą osobliwą.
Skoro już wiesz, z czym to się je, to teraz warto zaznajomić się z właściwo-
ściami jakie wynikają z ich istnienia. Najpierw jednak słowo o śladzie macierzy:
• Ślad macierzy (oznaczenie tr (A) - od angielskiego słowa trace) oznacza
sumę wszystkich elementów macierzy
Pn po przekątnej z lewego górnego rogu
do dolnego prawego, tj. tr (A)
= Aii . Przykład:
i=1
1 2
Wylicz ślad macierzy M = .
3 4
tr (A) = 1 + 4 = 5
• tr (AB) = tr (BA)
• tr (A + B) = tr (A) + tr (B)
• tr AT = tr (A)
• tr (cA) = ctr (A), c - stała
Pn
• I teraz rzecz, która czasami się zdarza na egzaminie: tr (A) = i=1 λi .
Przykład:
Wiedząc, że wartości własne macierzy wynoszą 1, 2, 3, oblicz ślad macierzy.
tr (A) = 1 + 2 + 3 = 6.
20
Teraz właściwości wartości własnych:
• Jeśli λ to wartość własna macierzy A, to cλ to wartość własna macierzy
cA. Przykład:
Oblicz wartości własne macierzy 10A, jeśli dla macierzy A wynoszą one
odpowiednio 0, 1, 2. Rozwiązanie:
Wartości własne macierzy 10A są równe: 10 · 0, 10 · 1, 10 · 2, czyli 0, 10, 20.
• Jeśli λ 6= 0 jest wartością własną macierzy A, to λ−1 jest wartością własną
macierzy A−1 .
• Jeśli λ jest wartością własną macierzy A, to λn jest wartością własną
macierzy An . Przykład:
Wiedząc, że wartości własne macierzy wynoszą 1, 2, 3 oblicz ślad macierzy
A3 .
Rozwiązanie:
wartości własne macierzy A3 to: 1, 8, 27. W związku z tym
3
tr A = 1 + 8 + 27.
21
Czyli przykładowo: wiedząc, że wielomian charakterystyczny macierzy jest
równy χA (λ) = λ2 − 4, oblicz macierz A2 .
Robi się to w ten sposób, że w wielomianie charakterystycznym za lambdę
podstawiamy A, a przy wyrazie wolnym dopisujemy I, a następnie przy-
równujemy do 0. Czyli tutaj:
χA (λ) = λ2 − 4 ⇒ A2 − 4I = 0 ⇒ A2 = 4I.
Kolejny przykład:
4 2 0
Mając daną macierz A = 2 1 0 wyznacz p, q dla których zachodzi
1 3 5
A3 = pA2 + qA.
Wiec na początek należy wyznaczyć wielomian charakterystyczne: χA (λ) =
−λ3 + 10λ2 − 25λ
I teraz powtórka jak poprzednio: −A3 + 10A2 − 25A = 0 ⇒ A3 =
10A2 − 25A, więc p = 10, q = −25.
22
13 Wektory własne i diagonalizacja macierzy
Co to są wektory
własne? Łatwiej pokazać niż powiedzieć. Przykładowo, miejmy
4 0 1
macierz: A = 4 0 1
4 0 1
Na początek wyliczamy wartości własne: χA (λ) = −λ2 (−λ + 5), więc mamy po-
dwójne 0 i 5. I teraz tak, w miejsce λ w macierzy A − λI podstawiamy wartość
własną. Czyli:
−1 0 1
• Dla 5: A − 5I = 4 −5 1
4 0 −4
x
Kolejnym krokiem jest przemnożenie tej macierzy przez y .
z
Wtedy:
−1 0 1 x
4 −5 1 · y = [−x + z, 4x − 5y + z, 4x − 4z].
4 0 −4 z
Następnie,
przyrównujemy
każdą część do zera:
−x + z = 0 x = z
4x − 5y + z = 0 ⇒ y = z
4x − 4z = 0 z=z
x
I teraz rozwiązanie podstawiamy do wektora y , wyłączamy czynnik
z
z 1
przed wektor - i otrzymujemy wektor własny: z = z 1
z 1
• Dla 0: Z racji, że 0 jest wartością własną podwójną, to może nam wygene-
rować dwa wektory własne (ale nie musi!). Robimy to samo, co poprzednio,
czyli:
4 0 1
A − 0I = 4 0 1
4 0 1
I w tym momencie taka uwaga: to co jest liniowo zależne skreślamy (czy-
li w poprzednim podpunkcie można było skreślić (−1, 0, 1) lub (4, 0, −4).
Skreślamy więc
2 wiersze i zostaje nam:
x
[4, 0, 1] · y = 4x + z. Przyrównujemy do zera: 4x = −z
z
x x 1 0
I stąd otrzymujemy wektory: y = y = x 0 + y 1
z −4x −4 0
23
4 0 1
Także wektorami własnymi macierzy 4 0 1 są:
4 0 1
0 1 1
1 , 0 , 1
0 −4 1
Straszny schemat, co? Pomyśleć, że nad zrozumieniem jak to działa spędzi-
łem parę godzin...
Teraz właściwie można jeszcze napisać czym jest wartość własna i wektor wła-
sny w praktyce, tj. jakie są definicje. Mianowicie:
Wektor ~v jest wektorem własnym macierzy A, jeśli istnieje taka rzeczywista λ,
że A~v = λ~v .
0 1 0 0
Przykład: sprawdź, czy wektor 2 jest wektorem własnym macierzy −1 0 4.
1 0 1 0
1 0 0 0 0 0
Rozwiązanie: −1 0 4 · 2 = 4 = 2 · 2
0 1 0 1 2 1
Więc ten wektor jest wektorem własnym odpowiadającym wartości własnej rów-
nej 2.
Została jeszcze tak naprawdę jedna ważna rzecz, która niemalże zawsze po-
jawia się na egzaminie - jest to diagonalizacja macierzy.
Diagonalizacja oznacza zapisanie macierzy A w postaci A = C · D · C −1 , gdzie C
- macierz nieosobliwa złożona z wektorów własnych. Taka postać macierzy jest
nazywana postacią Jordana.
Do czego to służy? Do potęgowania macierzy. Ale na początek, powiedzmy sobie
jak się tworzy macierz D (macierz diagonalna) i macierz C (macierz przejścio-
wa).
Macierz diagonalną D tworzy się w ten sposób, że mając daną np. macierz
3 × 3, D = diag(λ1 , λ2 , λ3 ).
Przykładowo, dla macierzy z początku
tego rozdziału
macierz diagonalna D bę-
0 0 0
dzie wyglądać w ten sposób: D = 0 0 0
0 0 5
To znaczy, macierz D jest tworzona poprzez wpisanie w przekątną wartości wła-
snych, a reszta macierzy to 0. To, w którą kolumnę się wpisze konkretną wartość
własną, nie ma znaczenia.
0 0 0
Równie dobrze macierzą diagonalną mogłaby być macierz D = 0 5 0
0 0 0
Tylko wtedy inaczej będzie wyglądać macierz C!!!
24
Macierz przejściowa C jest tworzona w następujący sposób: mamy dane wektory
własne układu i następnie tworzymy macierz C w ten sposób, że w zależności
od kolumny w której jest wpisana konkretna wartość własna, to w tej samej
kolumnie wpisany będzie odpowiadający tej wartości własnej wektor własny.
Czyli:
0 0 0
Jak mamy D = 0 5 0
0 0 0
to wtedy po środku MUSI być wektor własny odpowiadający wartości własnej
5, a z prawej i lewej strony wektory własne odpowiadające wartości własnej 0
(jak wartość własna jest n-krotna, to nie ma znaczenia gdzie który wektor bę-
dzie).Czyli tutaj:
0 1 1
C= 1 1 0
0 1 −4
Wracając
do samego
początku tego rozdziału, na początek mieliśmy macierz:
4 0 1
A= 4 0 1
4 0 1
Po wyliczeniu wektorów własnych, macierzy C i D będzie ona wyglądać:
−1
0 1 1 0 0 0 0 1 1
A = C · D · C −1 = 1 1 0 · 0 5 0 · 1 1 0
0 1 −4 0 0 0 0 1 −4
Po co to robimy? Na początku rozdziału powiedziałem, że diagonalizacja ma-
cierzy służy do potęgowania macierzy. A konkretniej rzecz biorąc:
An = C · Dn · C −1
Z racji, że jak mamy sobie macierz D, to wartości w jej przekątnych są jed-
nocześnie jej wartościami własnymi. A z kolei z faktu, że jeśli λ jest wartością
własną macierzy A, to λn jest wartością własną macierzy An , to tutaj będzie
to wyglądać w ten sposób:
n −1
0 1 1 0 0 0 0 1 1
An = C · Dn · C −1 = 1 1 0 · 0 5n 0 · 1 1 0
0 1 −4 0 0 0n 0 1 −4
Na zakończenie zostało jeszcze podobieństwo macierzy.
Jeżeli macierze są podobne, to:
- Mają takie same wartości własne,
- Mają równe wyznaczniki, det(A) = det(B)
- Mają równe ślady, tr(A) = tr(B)
- Mają taki sam rząd, rank(A) = rank(B).
25
14 Epilog
Mam nadzieję, że dzięki temu pdfowi zaliczenie algebry już nie będzie dłużej
stanowiło problemu, a przyszłe pokolenia na tym skorzystają. Z rzeczy które
nie zostały tu poruszone najbardziej brakuje brak omówienia rzędu macierzy,
układu Cramera czy rozwinięcia Laplace’a - ale jest to na tyle proste i dobrze
wyjaśnione w sieci (czy chociażby na etrapezie), że nie jest to wielki problem.
Przydałoby się również omówić zbiory i podzbiory - ja niestety tego za dobrze
nie umiem.
Ucząc się do egzaminu przede wszystkim nauczcie się teorii - ja na to poświę-
ciłem dużo więcej czasu niż na zadania i bardzo dobrze na tym wyszedłem.
Przeróbcie sobie rozwiązane egzaminy - to naprawdę dużo daje.
D.M.
26