ALGTM w pigułce

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.

• Zwrotność: xρx ⇐⇒ sin x − sin x = 0 ∈ Z

Więc relacja jest zwrotna (bo 0 należy do zbioru liczb całkowitych).
• Symetryczność: xρy ⇒ yρx
Skoro wiemy, że zachodzi xρy, to należy sprawdzić, czy zachodzi yρx.
Czyli po prostu zamieniamy x z y i sprawdzamy, czy nadal będzie należeć
do zbioru liczb całkowitych. W takim razie: yρx ⇐⇒ sin y − sin x =
− (sin x − sin y) = 0 ∈ Z
Więc relacja jest symetryczna.
• Przechodność: jeśli xρy ∧ yρz ⇒ xρz. Czyli sprawdzamy, czy jeśli:
sin x−sin y ∈ Z oraz sin y −sin z ∈ Z to sin x−sin z ∈ Z. Aby to sprawdzić,
należy po prostu zsumować, czyli:
(
sin x − sin y ∈ Z
+ ⇒ sin x − sin z ∈ Z
sin y − sin z ∈ Z
Czyli ta relacja jest relacją równoważności.
Możliwe jest również inne oznaczenie relacji równoważności: poprzez znak
tyldy oraz literkę R.

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:

[0]ρ = {wszystkie liczby, dla których relacja zachodzi dla x = 0}

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

Inny przykład: w zbiorze

R określona

jest relacja równoważności
xρy ⇐⇒ x x2 − 4 = y y 2 − 4
Wyznacz klasę abstrakcji dla 0, 1 i 2.

Należy zrobić to samo

co wcześniej,

czyli:
0ρy ⇐⇒ 0 02 − 4 = y y 2 − 4 = 0
I musimy po prostu sprawdzić, dla jakich y to zachodzi. Stąd:
[0]ρ = {−2, 0, 2}
Jak łatwo zauważyć, [0]ρ = [2]ρ

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

Jak można spostrzec, nie ma elementów wspólnych pomiędzy klasą abstrakcji

dla 0, 2 a 1.

Twierdzenie 1 Klasy abstrakcji są rozłączne.

W praktyce to oznacza, że żadna klasa abstrakcji nie będzie miała elementu
wspólnego z inną (tj. dla różnych x ∈ X mogą być takie same klasy - co zresztą
wyszło w powyższym przykładzie, dla 0 i 2. Ale z kolei żadna inna klasa abs-
trakcji nie będzie miała w sobie wartości {−2, 0, 2}).
Wynika stąd, że:
[x]ρ 6= [y]ρ ⇒ [x]ρ ∩ [y]ρ = ∅

xρy ⇐⇒ [x]ρ = [y]ρ

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,

• czy ◦ ma element neutralny e: e ◦ a = a ◦ e = a,

• czy ◦ ma element odwrotny: a ◦ b = b ◦ a = e
• czy (X, ◦) może stanowić grupę.
Sprawdzamy:
r 3
3
p p
• Łączność: (x ◦ y) ◦ z = 3
x3 + y 3 + z 3 = 3 x3 + y 3 + z 3
r p 3 p
3
x ◦ (y ◦ z) = x3 + 3 y 3 + z 3 = 3 x3 + y 3 + z 3 = (x ◦ y) ◦ z
Więc jest to działanie łączne.
p p
• Przemienność: x ◦ y = 3 x3 + y 3 = 3 y 3 + x3 = y ◦ x
Więc jest to działanie przemienne.
√ √
• Element neutralny: 3 e3 + x3 = 3 x3 + e3 = x ⇒ x3 = x3 + e ⇒ e = 0
Ma element neutralny.
√ √
• Element odwrotny: 3 a3 + x3 = 3 x3 + a3 = e = 0 ⇒ a = −x
Ma element odwrotny.
Skoro wszystkie powyższe warunki zostały spełnione, (X, ◦) stanowi grupę abe-
lową (przemienną). Jeśli działanie nie jest przemienne, ale pozostałe warunki są
spełnione, wtedy taka grupa nazywa się nieabelową (nieprzemienną).

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:

Mamy f (x) = x2 − 4x + 3. Wyznacz f −1 (f (2, 4]).

Na początek trzeba wyznaczyć jakie wartości funkcja przyjmuje dla x ∈
(2, 4]. Po rozrysowaniu sobie funkcji i wyliczeniu granicznych wartości:
f (2, 4] = (−1, 3].
I teraz musimy sprawdzić, dla jakich x funkcja przyjmuje wartości (−1, 3].
Od razu można zauważyć, że wcześniejszy przedział (czyli f (2, 4]) na pew-
no będzie się zawierał.
Ostatecznie: f −1 (f (2, 4]) = f (−1, 3] = [0, 2) ∪ (2, 4].

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)


Więc podstawiamy sobie ten punkt (−1, 1) i patrzymy na wartość: f (−1, 1) =

(−1)2 − sin 1 = 1 − sin 1. I teraz sprawdzamy, czy f (−1, 1) ∈ [0, 1) - co jak
widać, jest prawdą.
• Iloczyn kartezjański.
Miejmy funkcję z poprzedniego przykładu, tylko tym razem mamy wyzna-
czyć obraz f ([−2, 3] × [0, 6]).
W iloczynie kartezjańskim chodzi o to, że x może przyjąć dowolną wartość
z zakresu [−2, 3], a y - z zakresu [0, 6]. Rozpisując to z definicji:
f ([−2, 3] × [0, 6]) = {f (x, y) : −2 ¬ x ¬ 3 ∧ 0 ¬ y ¬ 6}

I żeby znaleźć obraz funkcji to np. szukamy wartości maksymalnej i mini-

malnej funkcji i patrzymy, czy może przyjąć wszystkie wartości pomiędzy.
max {f ([−2, 3] × [0, 6])} = 32 + 1 = 10
min {f ([−2, 3] × [0, 6])} = 02 − 1 = −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:

Sprawdź, czy funkcja f (z) = z 3 , z ∈ C jest różnowartościowa. Warunkiem,

aby funkcja była różnowartościowa jest to, że musi zawsze przyjmować róż-
ne wartości dla różnych argumentów. Czyli:
f (z2 ) − f (z1 ) 6= 0 dla z1 6= z2
f (z2 ) − f (z1 ) = z23 − z13 = (z2 − z1 )(z22 + z2 z1 + z12 )
Lewy nawias jest różny od zera - wiemy to z założenia. Natomiast należy
sprawdzić teraz, czy prawa stron może być równa zero. Liczymy więc
deltę:
∆ = z12 − 4z √1
2
= −3z12 √
z2 = −z1 ± ∆
2 = −z1 ±jz
2
1 3
  √
−z1 ±jz1 3
Wniosek jest taki, że funkcja nie jest iniekcją, bo f (z1 ) = f 2

• Bijekcja. Funkcję nazywamy bijekcją wtedy, gdy jest jednocześnie surjekcją

i iniekcją. Synonimem dla bijekcja jest funkcja wzajemnie jednoznacznie.

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.

Należy też wspomnieć o wzorze Eulera: ejx = cos x + j sin x.

= −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

Jakbyśmy chcieli wziąć kąt z −1 − j, to wtedy:

arg(−1 − j) = − 3π π
4 - przy ujemnym a czasem trzeba dodać 2 , a czasem
odjąć - zależy to od znaku b wtedy. Pełny wzór jest na wikipedii (szukaj:
argument liczb zespolonych).
• Wzór de Moivre’a (czytaj: ”de mławra”). Wzór ten służy do obliczenia
wysokich potęg liczb zespolonych.
n
z n = (a + jb)n = |z| (cos (nϕ) + j sin (nϕ))
Działa on  też przy
 pierwiastkowaniu
  liczbzespolonych:
1 1
z n = |z| n cos nϕ+2kπ
n + j sin nϕ+2kπ
n , k ∈ {0, 1, . . . , n − 1}
Ok, może jakiś przykład. Podnieśmy liczbę z poprzedniego przykładu do
100-tej potęgi.

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:

Twierdzenie 2 Iloczyn pierwiastków zespolonych z jedynki jest równy −1

(gdy pierwiastek jest parzysty) lub 1 (gdy pierwiastek jest nieparzysty).

Twierdzenie 3 Suma pierwiastków z liczby zespolonej jest równa 0.

I mały przykład: Oblicz wszystkie pierwiastki czwartego stopnia liczby

−1 − j7, następnie policz ich sumę oraz iloraz.
Na początek policzymy sumę i iloczyn. Pierwiastkami −1 − j7 niech będą
liczby: t1 , t2 , t3 , t4 . Z kolei pierwiastkami 4-tego stopnia z 1 niech będą:
ω1 , ω2 , ω3 , ω4 - przy czym jedna z tych liczb jest równa 1 (zawsze jakimś
pierwiastkiem jedynki będzie 1, niezależnie od stopnia pierwiastka).
Wtedy, pierwiastki z −1 − j7 to: t, tω1 , tω2 , tω3

Jak łatwo zauważyć, pierwiastkami z jedynki czwartego stopnia są licz-

by: {−j, −1, 1, j}. Także suma tych liczb to 0, a iloczyn: (−j)j(−1)(1) =
−j 2 (−1) = −(−1)(−1) = −1.
Wtedy, iloczyn pierwiastków 4-tego stopnia z −1 − j7 jest równy: t · tω1 ·
tω2 · tω3 = t4 (−1) = −t4 = 1 + j7
Suma pierwiastków to oczywiście będzie 0.

Aby policzyć wszystkie pierwiastki z tej liczby, wystarczy obliczyć jeden, a

następnie przemnożyć go przez pierwiastki z jedynki. Przykładowo policz-

1
my jeden z pierwiastków: t1 = 12 + 72 4·2 (cos (arctan(7) − π) + j sin (arctan(7) − π))
Reszta jest oczywista.

Jeszcze jeden prosty przykład: oblicz wszystkie pierwiastki równania

z 4 = (1 − j)4 √
Pierwiastkujemy: z = 4 1(1 − j). Widać od razu, że jednym z rozwiązań
jest z = 1 − j. Z poprzedniego przykładu wiemy za to, że pierwiastkami 4-
tego stopnia z 1 są −1, −j, j, 1. Także odpowiedź to: (−1)(1 − j), (−j)(1 −
j), j(1 − j), 1(1 − j)

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

Wyznaczanie ułamków prostych, przykład:

x+3 A B
(x−5)(x+4) = x−5 + x+4
W ułamkach tego typu wygodną metodą jest zasłonięcie jednego z ułamków i
podstawienie wartości pod x, tj. aby wyliczyć wartość współczynnika A, zasła-
niamy w ułamku wyjściowym (x − 5) w mianowniku i podstawiamy x = 5, stąd
wartość A = 5+3 8 1
5+4 = 9 . Analogicznie dla B = 9 . Jeśli tą metodą się nie da -
sprowadzamy do wspólnego mianownika i przyrównujemy współczynniki.
Teraz parę pytań, czy ułamek jest prostym lub nie:
x3
a) x2 +2x+10
8
b) x2 −4x+2
8x
c) x2 −4x+10
2
8x
d) x2 −4x+2
3x
e) (x2 +1)2
f) xx+1
3 +4

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:

• Addytywność: bierzemy 2 wektory z V (czyli tej większej przestrzeni) i

sprawdzamy, co się dzieje jak ich użyjemy w U . u, v ∈ V
u = (x1 , y1 , z1 ), v = (x2 , y2 , z2 )
u + v = (x1 + x2 , y1 + y2 , z1 + z2 ) : (x1 + x2 ) − 4(y1 + y2 ) + 3(z1 + z2 ) =
x1 − 4y1 + 3z1 + x2 − 4y2 + 3z2 = 0 + 0 = 0
Wszystko
 jest tu w porządku. Kiedy by nie było? Na przykład, jeśli
U = (x, y, z) ∈ R3 : x − 4y + 3z 2 = 0 Wtedy po wymnożeniu zostało-
by 6z1 z2 , więc U by nie było podprzestrzenią V .
• Jednorodność: skoro mamy V nad R, to α ∈ R. Pytanie, czy αu ∈ U ?
αu = (αx1 , αy1 , αz1 ) : αx1 − α4y 1 + 3αz1 = α(x1 − 4y1 + 3z1 )
Co oczywiście spełnia wymagania. Kiedy by nie spełniało? Jeśli np. wzór
na U byłby taki jak kontrprzykład w poprzednim punkcie. Wtedy by było:
αu = (αx1 , αy1 , αz1 ) : αx1 − α4y 1 + 3αz1 = α(x1 − 4y1 + 3αz1 )

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.

Zadanie: czy układ B = (x2 + 2, x + 2, x2 + 2x) jest bazą przestrzeni R2 [x]

nad R? Jeśli tak, to wyznaczyć współrzędne wektora x2 + 2x + 12 w tej bazie.
Aby sprawdzić liniową niezależność robimy następującą rzecz - mnożymy każdy
wektor przez skalary a, b, c (tj. pierwszy wektor przez a, drugi przez b, trzeci
przez c) i przyrównujemy do 0. Jeśli skalary a, b, c są równe 0, to układ jest l.n.
Zatem: a(x2 + 2) + b(x + 2) + c(x2 + 2x) = 0 ⇒ x2 (a + c) + x(b + 2c) + 2a + 2b =
0 ⇒ a = −c ∧ a = −b ∧ b = −2c

Widać zatem, że jedynymi rozwiązaniami tego układu są a = b = c = 0, więc

układ jest liniowo niezależny. Ponadto, możemy uzyskać każdy element z prze-
strzeni R2 [x] - więc układ jest bazą tej przestrzeni.
Teraz musimy sprawdzić, jaki układ (tj. jaka kombinacja) wektorów z bazy jest
w stanie wygenerować szukany wektor.
x2 + 2x + 12 = a(x2 + 2) + b(x + 2) + c(x2 + 2x)
Korzystając z poprzednich obliczeń:
a + c = 1, b + 2c = 2, 2a + 2b = 12 I po krótkich obliczeniach
 wychodzi:

x2 + 2x + 12 = 2(x2 + 2) + 4(x + 2) − 1(x2 + 2x) ⇒ x2 + 2x + 12 B = (2, 4, −1)

Zadanie: wyznaczyć bazę i wymiar V nad R.

1) V = (x, y, z, t) ∈ R4 : x + y − t = 2x + 3z = 0
Czyli mamy sobie jakąś przestrzeń V i dążymy do tego, aby uzależnić (x, y, z, t)
od jak najmniejszej ilości zmiennych. Wobec czego: t = x + y, z = − 23 x
Wynika to bezpośrednio z właściwości tej przestrzeni.

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.

Przykład: sprawdź, czy funkcja jest przekształceniem liniowym.

ϕ : R3 → R2 , ϕ ((x, y, z)) = (z + 2y, x)
Więc sprawdzamy addytywność: u, v ∈ V : u = (x1 , y1 , z1 ), v = (x2 , y2 , z2 )
u + v = (x1 + x2 , y1 + y2 , z1 + z2 ),
ϕ(u + v) = (z1 + z2 + 2y1 + 2y2 , x1 + x2 ) = (z1 + 2y1 , x1 ) + (z2 + 2y2 , x2 ) =
ϕ(u) + ϕ(v)
Więc przekształcenie jest addytywne.

ϕ(αu) = (αz1 + α2y1 , αx1 ) = α(z1 + 2y1 , x1 ) = αϕ(u)

Więc przekształcenie jest jednorodne. Więc jest przekształceniem liniowym.

Jeszcze przykład, kiedy funkcja nie jest przekształceniem liniowym.

ϕ : R3 → R2 , ϕ ((x, y, z)) = (y, xz)
Jednorodność: ϕ(αu) = (αy, αx · αz) = (αx, α2 yz) 6= α(x, yz) = αϕ(u)
Jednorodność nie jest spełniona, więc nie jest to przekształcenie liniowe.

Teraz należy powiedzieć o jądrze i obrazie przekształcenia.

Jądro przekształcenia liniowego, jest to zbiór elementów x ∈ V , które po prze-
kształceniu liniowym przyjmują wartość 0.
Czyli: ker ϕ = {x ∈ V : ϕ(x) = 0}. Jeżeli ker ϕ = {0}, to przekształcenie jest
różnowartościowe. Inaczej mówiąc - jest ono nieosobliwe.

Przykład: przekształcenie liniowe ϕ : R4 → R2 określone jest wzorem ϕ ((x, y, z, t) , ) =

(x + z, y − t).
Sprawdzić, czy wektor (1, 2, 3, 4) należy do podprzestrzeni ker ϕ? Znaleźć przy-
kładowy wektor, który należy do tej podprzestrzeni.
A więc zasada jest taka, że aby jakiś wektor należał do jądra przekształcenia
liniowego, to po przekształceniu musi wyjść wektor zerowy (czyli wektor postaci
(0, 0, . . . , 0)). Podstawiamy więc wartości:
ϕ(1, 2, 3, 4) = (1 + 3, 2 − 4) = (4, −2) 6= (0, 0).
Także wektor (4, −2) jest różny od wektora zerowego - stąd wniosek, że wektor
(1, 2, 3, 4) nie należy do ker ϕ.

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.

Obrazem przekształcenia liniowego z kolei nazywamy zbiór tych wartości, które

po przekształceniu są różne od 0. Czyli: Imϕ = {ϕ(v) : v ∈ V }. Czyli dokładnie
przeciwieństwo jądra (a ściślej mówiąc - dopełnienie).

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.

Przykład: wyznaczyć bazę oraz wymiar jądra i obrazu przekształcenia linio-

wego ϕ. Czy jest ono nieosobliwe?
ϕ : R2 [x] → R3 : ϕ(ax2 + bx + c) = (2c − 3a − b, a − b, c − 2b)
No i na przykład możemy sprawdzić, czy są jakieś wartości, które po przekształ-
ceniu mają wartość równą 0. Czyli szukamy jądra przekształcenia. Robi się to w
ten sposób, że przyrównuje się wynikowe przekształcenie do zera (co jest dosyć
logiczne, jak się spojrzy na definicję jądra).
Zatem: 2c − 3a − b = 0, a − b = 0, c − 2b = 0 ⇒ b = a, c = 2b = 2a, 2c − 3a − b =
4a − 3a − a = 0

Zatem wszystkie wektory z V postaci ax2 +ax+2a przyjmują wartość  0 po prze-

kształceniu. W związku z tym baza jądra wynosi: ax2 +ax+2a = Lin x2 + x + 2
Z kolei wymiar: dim ker ϕ = 1 (wynosi 1, ponieważ jest zależny tylko od 1 zmien-
nej a).
W tym momencie łatwo można zauważyć, że:
- przekształcenie jest osobliwe (tj. dim ker ϕ 6= 0),
- dim Imϕ = dim V − dim ker ϕ = 3 − 1 = 2
Teraz znajdźmy bazę obrazu: robi się to w ten sposób, że po prostu sprawdza
się, czy prawa strona ϕ(ax2 + bx + c) = (2c − 3a − b, a − b, c − 2b) tego równania
jest liniowo niezależna. Czyli:
(2c − 3a − b, a − b, c − 2b) = a(−3, 1, 0) + b(−1, −1, −2) + c(2, 0, 1)
Ale wiemy, że dim Imϕ = 2, także na pewno ta kombinacja wektorów jest li-
niowo zależna (jeśli nie wierzysz - sprawdź). Także aby stworzyć bazę obrazu,
po prostu wywalamy jeden z wektorów i tyle. Czyli baza obrazu przekształcenia
liniowego:
Lin = {(−3, 1, 0), (−1, −1, −2)}

Prawda, że nie takie trudne? To teraz jeszcze jeden przykład.

Sprawdź, czy przekształcenie jest 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.

Zadanie: wyznacz macierz przekształcenia ϕ : R3 → R2 , ϕ((x, y, z)) = (2x −

y, x+y−z) w bazach kanonicznych oraz w bazach A = ((1, 2, 0), (2, 1, 3), (−1, 1, 2))
i B = ((−3, −1), (1, 0))
Jest takie całkiem przydatne twierdzenie, że wymiar macierzy przekształcenia
liniowego będzie równy dim V × dim W , czyli w tym przypadku będzie mieć 3
kolumny szerokości i 2 wiersze wysokości.
Zadanie dla baz kanonicznych, czyli ((1, 0, 0), (0, 1, 0), (0, 0, 1)). Na początek ba-
damy, jak będzie wyglądał wektor z bazy standardowej po przekształceniu, czyli:
ϕ((1, 0, 0)) = (2, 1)
ϕ((0, 1, 0)) = (−1, 1)
ϕ((0, 0, 1)) = (0, −1)
 
E2 2 −1 0
ME3 (ϕ) =
1 1 −1
Biorąc się za drugi punkt zadania, chodzi o to, że mamy sobie dwie przestrzenie,
V, W oraz odpowiednio dla nich bazy A, B. I teraz wykonujemy przekształcenie
liniowe na elementach z przestrzeni V i chcemy zobaczyć, w jaki sposób wy-
znaczyć teraz wzór na zmianę bazy po przekształceniu. Początek jest taki jak
poprzednio:
ϕ((1, 2, 0)) = (0, 3)
ϕ((2, 1, 3)) = (3, 0)
ϕ((−1, 1, 2)) = (−3, −2)
I teraz patrzymy, jak te wyliczone wektory będą wyglądać w bazie B:
(0, 3) = −3(3, −1) + 9(1, 0)
(3, 0) = 0(3, −1) + 3(1, 0)
(−3, −2) = 2(3, −1) − 9(1, 0)
Podsumowując:
 
−3 0 2
MBA (ϕ) =
−9 3 −9
Tylko tak, zazwyczaj dostaniemy dużo trudniejszy przykład (tj. nie da rady
odgadnąć w taki prosty tych współczynników), dlatego takie zadanie się robi w
inny sposób. Mianowicie:
E3
MBA (ϕ) = MA (id) · MEE32 (ϕ) · MEB2 (id)

Na początek może to nieco zaskoczyć, ale zasada jest bardzo prosta:

- Po prawej i lewej stronie będzie niemalże zawsze macierz typu MEA (id) albo
E
MA (id) (zawsze będą to jakieś macierze zmiany bazy, czyli (id) - w zależności
od tego co jest dane w treści zadania). Czasami może nie być prawej lub lewej
strony - wszystko zależy od tego, co mamy i co chcemy uzyskać (patrz przykład

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)).

Mając daną macierz przekształcenia w bazach standardowych, wiemy od ra-

zu jak będzie wynikał jawny wzór na ϕ((x, y, z)).
ϕ((x, y, z)) = (2x + 4y − 2z, 4x + 8y − 4z, −2x − 4y + 2z)

Żeby jeszcze sprecyzować: macierz zmiany bazy z E do E oznacza, że bierzemy

sobie wektory z bazy standardowej, poddajemy je przekształceniu i patrzymy
jak będą zapisane przy pomocy bazy standardowej po przekształceniu. Czyli w
tym przypadku:
ϕ((1, 0, 0)) = (2, 4, −2), ϕ((0, 1, 0)) = (4, 8, −4), ϕ((0, 0, 1)) = (−2, −4, 2).

Teraz wyznaczmy macierz MBE3 (ϕ). Prawdziwe jest równanie:

MBE3 (ϕ) = MBE3 (id) · MEE33 (ϕ)
Górne E3 z lewej macierzy zniesie się z dolnym E3 z prawej i wynikiem będzie
macierz MBE3 (ϕ).
 −1
1 1 1
−1
MBE3 (id) = MEB3 (id)


= 2 2 3 
−1 0 0
No i zostaje to tylko przemnożyć i otrzymamy szukany wynik.

Z kolei MBA (ϕ) = MBE3 (id) · MEE33 (ϕ) · MEA3 (id)

Lub też można wykorzystać wynik z poprzedniego podpunktu, czyli:

MBA (ϕ) = MBE3 (ϕ) · MEA3 (id)
 
1 1 1
MEA3 (id) jest oczywiście równe  −1 0 1 
1 −1 −1

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) .

Przykład: wiedząc, że wyznacznik det (A) = 4, oblicz wyznacznik det A−1 .

−1
Czyli to będzie po prostu det A−1 = det (A) = 14 .

• A tak naprawdę to odnosi się do dowolnej potęgi wyznacznika. Czyli:

k
det Ak = (det (A))
• det (kA) = k n det (A), gdzie k - skalar, n - rozmiar macierzy.
Przykład: wiedząc, że wyznacznik macierzy 2x2 jest równy 5, oblicz wy-
znacznik det (−4A). Rozwiązanie:
det (−4A) = (−4)2 det (A) = 16 · 5 = 80


Inny przykład: wiedząc, że det (A) = 2 macierzy 3x3, oblicz det −4A2 .
Rozwiązanie:


det −4A2 = (−4)3 det (A) · det (A) = −64 · 22 = −256
• det (AB) = det (A) · det (B).


• det AT = det (A)
• det (I) = 1
I - macierz jednostkowa (zwana też identycznościową) - macierz, której
przekątna (z lewego górnego rogu do prawego dolnego) składa się z samych
jedynek, a reszta elementów macierzy to zera.


• r (A) = r AT - rząd macierzy.

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.

Teraz należy powiedzieć o wartościach własnych. Co to jest wartość własna? O

tym później, teraz to w sumie nie jest ważne dla nas. Trzeba jedynie zapamiętać
parę prostych regułek i tyle.
Aby wyliczyć wartości własne macierzy, należy policzyć wyznacznik takiej ma-
cierzy:
det (A − λI)
Wtedy taki wyznacznik nazywa się wielomianem charakterystycznym macierzy
i oznacza się grecką literą chi: χ. Przykład:  
3 4 0
Wyznacz wartości własne macierzy A =  −1 −1 0 
−2 −4 0
 
3−λ 4 0
χA (λ) = det (A − λI) = det  −1 −1 − λ 0  = (3 − λ)(−1 − λ)(−λ) +
−2 −4 −λ
0 · (−1) · (−4) + 0 · 4 · (−2) − 0 · (−1 − λ) · (−2) − 4 · (−1) · (−λ) − (3 − λ) · 0 · (−4) =
2
· · · = −λ (λ − 1)
Teraz, aby wyliczyć wartości własne przyrównujemy wielomian charakterystycz-
ny do zera. Wartości charakterystyczne wielomianu A to: 0, 1, przy czym 1 jest
podwójnym pierwiastkiem.

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.

• Jeśli λ jest wartością własną macierzy A, to λ jest wartością własną ma-

cierzy AT .
• det (tI − A) = (t − λ1 )(t − λ2 ) . . . (t − λn ), t - skalar (stała), I - macierz
jednostkowa. Przykład:
Wiedząc, że wartości własne macierzy to 1, 2, 3, oblicz det (5I − A).
Rozwiązanie:
det (5I − A) = (5 − 1)(5 − 2)(5 − 3) = 24
• det (tI + A) = (t + λ1 )(t + λ2 ) . . . (t + λn )
• det (kI ± tA) = (k ± tλ1 )(k ± tλ2 ) . . . (k ± tλn ). Przykład:
Wiedząc, że wartości własne macierzy to 1, 2, 3, wylicz det (5 + 2A).
Rozwiązanie: 5 w wyznaczniku jest to ukryte 5I. Czyli:
det (5 + 2A) = (5 + 2 · 1)(5 + 2 · 2)(5 + 2 · 3) = 7 · 9 · 11
• I wersja najbardziej ogólna: Qn
det (kI ± tAc ) = (k ± tλc1 )(k ± tλc2 ) . . . (k ± tλcn ) = i=1 (k + ±tλci )
gdzie c - jakaś stała. Przykład:


Wiedząc, że χA (λ) = −λ3 + 3λ oblicz det A4 − 8I .
 √ √
Na początek należy policzyć wartości własne macierzy: − 3, 0, 3 .
Wtedy:

det A4 − 8I = (λ41 − 8)(λ42 − 8)(λ43 − 8) = (9 − 8)(9 − 8)(0 − 8) = −8

• Ostatnią rzeczą, jaką należy znać jest twierdzenie Cayleya-Hamiltona.

Twierdzenie 6 Pierwiastkiem każdej macierzy kwadratowej jest sama

macierz.

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.

Jeśli macie opracowane jakieś rozdziały i chcielibyście je dodać tu, to pode-

ślijcie mi zdjęcia na maila - to przepiszę to do TeX-a i dorzucę do tego pdfa.
Z mojej strony by było na tyle. Powodzenia :)

D.M.

26