Előadásvázlat a Lineáris algebra II. tárgyhoz

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Előadásvázlat a Lineáris algebra II. tárgyhoz"

Átírás

1 Előadásvázlat a Lineáris algebra II. tárgyhoz Kovács Zoltán január 4.

2 Tartalomjegyzék 1. Euklideszi vektorterek Bilineáris és kvadratikus formák, skaláris szorzatok Norma, szög, távolság euklideszi vektorterekben Merőlegesség Lineáris operátorok euklideszi vektorterekben Lineáris transzformációk szerkezete Invariáns altér, sajátvektor, sajátérték A karakterisztikus polinom Önadjungált transzformációk szerkezete Ortogonális transzformációk szerkezete Geometriai alkalmazások Geometriai transzformációk Kúpszeletek elemi és analitikus geometriája Másodrendű görbék a valós síkon

3 1. fejezet Euklideszi vektorterek Ebben a fejezetben (végesen generált) valós vektorterekről lesz szó Bilineáris és kvadratikus formák, skaláris szorzatok Definíció. Legyen V vektortér R felett. Egy L: V V F leképezést bilineáris formának nevezünk, ha mindkét változójában lineáris, azaz x, y, z V, α, β F : L(αx + βy, z) = αl(x, z) + βl(y, z), illetve x, y, z V, α, β F : L(x, αy + βz) = αl(x, y) + βl(x, z). Definíció. Legyen L bilineáris forma egy n dimenziós V vektortéren, (e 1,..., e n ) pedig V bázisa. L ezen bázisra vonatkozó mátrixán az M = ( L(e i, e j ) ) M n n mátrixot értjük Tétel. (Bilineáris formák báziselőállítása.) Legyen L bilineáris forma egy n dimenziós V vektortéren, (e 1,..., e n ) V bázisa. Ha az x vektor koordinátái X = (x 1,..., x n ) t, az y vektor koordinátái Y = (y 1,..., y n ) t, továbbá az L mátrixa M = (m ij ), akkor azaz Bizonyítás: L(x, y) = x i y j m ij, i,j=1 L(x, y) = X t M Y. L(x, y) = L( x i e i, y j e j ) = x i y j L(e i, e j ) = x i y j m ij. i=1 j=1 i,j=1 i,j=1 3

4 1.2. Tétel. Rögzítsük a V vektortér (e 1,..., e n ) és (e 1,..., e n) bázisát, az (e 1,..., e n ) (e 1,..., e n) báziscsere mátrixa legyen S. Egy L bilineáris forma mátrixa az első bázisban M, a második bázisban M. Ekkor teljesül, hogy M = S t MS. Bizonyítás: Az S illetve S t mátrix elemeit jelöljük s ij -vel, illetve ŝ ij -vel! ( ) m ij = L(e i, e j) = L s ki e k, s lj e l = s ki s lj L(e k, e l ) = = k=1 ( ) s ki m kl s lj = l=1 k=1 l=1 l=1 k=1 ( ) ŝ ik m kl s lj = Definíció. Az L bilineáris formát szimmetrikusnak nevezzük, ha l=1 k=1 x, y : L(x, y) = L(y, x). l=1 s ki s lj m kl = k=1 (S t M) il s lj = (S t MS) ij 1.3. Tétel. Egy bilineáris forma akkor és csakis akkor szimmetrikus, ha tetszőleges bázisra vonatkozó mátrixa szimmetrikus. Bizonyítás: Ha az L bilineáris forma szimmetrikus, akkor (a báziselőállításnál alkalmazott jelölésekkel) L(e i, e j ) = L(e j, e i ) m ij = m ji, Innen közvetlenül látható, hogy ha L szimmetrikus, akkor a mátrixa is szimmetrikus. Most tegyük fel, hogy L mátrixa valamely (e 1,..., e n ) bázisra vonatkozóan szimmetrikus. Ekkor L(x, y) = x i y j m ij és L(y, x) = y i x j m ij = y j x i m ji = y j x i m ij. i,j=1 i,j=1 Definíció. Legyen L egy szimmetrikus bilineáris forma. A l=1 i,j=1 Q: V F, Q(x) = L(x, x) módon értelmezett függvényt kvadratikus formának nevezzük, melynek poláris formája L Tétel. Kvadratikus forma poláris formája egyértelmű. Bizonyítás: Ha Q(x) = L(x, x) teljesül (ahol L szimmetrikus bilineáris forma), akkor azaz L(x + y, x + y) = L(x, x) + L(y, y) + 2L(x, y), 2L(x, y) = Q(x + y) Q(x) Q(y). L(x, y) értékét Q tehát egyértelműen meghatározza. 4 i,j=1

5 Definíció. Egy kvadratikus forma rögzített bázisra vonatkozó mátrixán a poláris forma mátrixát értjük. A bilineáris formák báziselőállításából közvetlenül következik az alábbi állítás: 1.5. Tétel. (Kvadratikus formák báziselőállítása.) Legyen Q kvadratikus forma egy n dimenziós V vektortéren, (e 1,..., e n ) V bázisa. Ha az x vektor koordinátái (x 1,..., x n ), továbbá a Q mátrixa M = (m ij ), akkor Q(x) = x i x j m ij. i,j=1 Definíció. A V valós vektortéren értelmezett Q kvadratikus formát pozitív definitnek mondunk, ha x V \ {0} : Q(x) > 0. Definíció. Legyen V valós vektortér. V -n adott skaláris szorzaton olyan, : V V R szimmetrikus bilineáris formát értünk, melyből képezett kvadratikus forma pozitív definit. Ilyenkor a (V,, ) párt euklideszi vektortérnek, vagy röviden euklideszi térnek nevezzük. Példa. A szabadvektorok tere a benne geometriai úton értelmezett skaláris szorzattal. Példa. (R n,, ), ahol az X = (x 1,..., x n ) és Y = (y 1,..., y n ) szám n-esek ún. kanonikus skaláris szorzatát a következőképpen értelmezzük: X, Y = x i y i. i=1 Példa. Legyen P n a legfeljebb n-edfokú (valós együtthatós) polinomok tere. Benne a skaláris szorzatot értelmezhetjük a következőképpen: p, q = 1 1 p(t) q(t) dt, p, q P n Norma, szög, távolság euklideszi vektorterekben Definíció. Legyen ( E,, ) euklideszi vektortér. Az x vektor hosszán az x = x, x számot értjük Tétel. (A Cauchy Bunyakovszkij Schwarz-egyenlőtlenség.) Egy euklideszi vektortér bármely két vektorára teljesül, hogy x, y 2 x, x y, y. Egyenlőség akkor és csakis akkor áll fenn, ha x és y lineárisan függők. 5

6 Bizonyítás: y = 0-ra az állítás triviálisan teljesül, a továbbiakban feltesszük, hogy y 0. Legyen λ R tetszőleges, s tetszőlegesen rögzített x-re és y 0-ra tekintsük az alábbi kifejezést: f(λ) = x λy, x λy = x, x 2λ x, y + λ 2 y, y. λ R : f(λ) 0, mert vektor önmagával való skaláris szorzata mindig nemnegatív, tehát a másodfokú polinom diszkriminánsa nem pozitív: x, y 2 x, x y, y 0. Egyenlőség akkor és csakis akkor állhat fenn, ha x λy = 0, amiből x és y lineáris függősége következik. Megfordítva, ha x és y lineárisan függők, akkor vagy x = λy vagy y = λx valamely alkalmas skalárra. Bármelyiket behelyettesítve az egyenlőtlenség egyik ill. másik oldalába, egyenlő kifejezéseket kapunk. Megjegyzés. A CBS egyenlőtlenség mások szokásos (az előzővel triviálisan ekvivalens) alakja: x, y x y. Példa. R n kanonikus skaláris szorzatára a CBS egyenlőtlenséget az alábbiak szerint írhatjuk (ezt az alakot tanultuk a bevezető analízis tárgyból): ( ) ( ) ( ) x i y i, x i, y i R, i = 1,..., n. i=1 i=1 x 2 i i=1 y 2 i 1.7. Tétel. (Minkowski-egyenlőtlenség.) Egy euklideszi vektortér tetszőleges x és y vektorára: Bizonyítás: x + y x + y. x + y 2 = x + y, x + y = = x, x + 2 x, y + y, y x, x + 2 x, y + y, y x, x + 2 x y + y, y = = x x y + y 2 = ( x + y ) 2. A következő tételben összefoglaljuk a norma tulajdonságait: 1.8. Tétel. Az ( E,, ) euklideszi vektortérben a : E R normafüggvény rendelkezik az alábbi tulajdonságokkal: (N1) x E : x 0; továbbá x = 0 x = 0. (N2) x E, λ R : λx = λ x. 6

7 (N3) x, y E : x + y x + y. Bizonyítás: Az első tulajdonság következik a skaláris szorzás pozitív definit voltából, a második pedig a bihomogenitásból. A harmadik állítás a Minkowski-egyenlőtlenség megismétlése. Az eddigiekben a norma mindig egy (a vektortéren adott) skaláris szorzatból származott. A fentebbi tételben megfogalmazott három tulajdonság vezet el a normált vektortér fogalmához. Hangsúlyozzuk, hogy a következő definíció kiindulópontja nem egy euklideszi vektortér, hanem egy vektortér, azaz nincs benne adva skaláris szorzat. Definíció. Egy V vektorteret normált vektortérnek nevezünk, ha benne adva van egy : V R normafüggvény, mely rendelkezik az N1, N2, N3 tulajdonságokkal. Fontos kérdés, hogy a definíció valóban újdonságot ad-e, vagy egy normához mindig be lehet vezetni a vektortéren olyan skaláris szorzatot, mely éppen az adott normát definiálja. A válasz tagadó, azaz vannak olyan normált vektorterek, melyek nem euklideszi vektortérből származnak. Erre vonatkozik az alábbi tétel: 1.9. Tétel. Legyen adva egy ( V, ) normált vektortér. Egy norma akkor és csakis akkor származik skaláris szorzatból, ha a vektortérben teljesül a paralelogramma reláció: x, y V : x + y 2 + x y 2 = 2 ( x 2 + y 2). Bizonyítás: Ld. feladatgyűjtemény: 289. feladat. Definíció. Egy euklideszi vektortér x és y vektorának távolságán a számot értjük. d(x, y) = x y Tétel. Tetszőleges euklideszi vektortér metrikus tér az előbb értelmezett távolságfüggvényre. Bizonyítás: A metrikus tér axiómái közül csak a háromszög-egyenlőtlenség teljesülése nem magától érthetődő. alkalmazva a Minkowski-egyenlőtlenséget. d(x, y) + d(y, z) = x y + y z x z = d(x, z), Tétel. (Pitagorasz tétele.) Egy euklideszi vektortér x és y vektora akkor és csakis akkor merőlegesek egymásra, ha d(x, y) 2 = x 2 + y 2 7

8 Bizonyítás: d(x, y) 2 = x y, x y = x, x 2 + y, y 2 2 x, y = x 2 + y 2 2 x, y. Definíció. Az x és y nem nullvektorok ϕ szögét a cos ϕ = (ϕ [0, π]) összefüggéssel x y értelmezzük. A nullvektor tetszőleges vektorral bezárt szöge derékszög. Megjegyzés. Az előbbi definíció jobb oldalán 1 és 1 közötti szám van, ezt a CBS egyenlőtlenség garantálja. x,y 1.3. Merőlegesség Definíció. Egy euklideszi vektortér két vektorát egymásra ortogonálisnak vagy merőlegesnek mondjuk, ha skaláris szorzatuk zéró. Egy vektorrendszert ortogonálisnak mondunk, ha egymásra merőleges vektorok alkotják. Az olyan vektort, melynek hossza 1, egységvektornak nevezzük. Egy vektorrendszert ortonormáltnak mondunk, ha egymásra merőleges egységvektorok alkotják Tétel. Nemzéró vektorok ortogonális rendszere mindig lineárisan független. Bizonyítás: Legyen (e 1,..., e k ) nemzéró vektorok ortogonális rendszere, s tekintsük olyan lineáris kombinációjukat, amely zérusvektort ad: α 1 e α k e k = 0. Szorozzuk skalárisan az egyenlőség mindkét oldalát e i -vel (i = 1,..., n): A bal oldalon i j-re e j, e i = 0, tehát α 1 e 1, e i + + α k e k, e i = 0. α i e i, e i = 0, ahol a skaláris szorzat pozitív definitsége miatt e i, e i = 0, tehát α i = Tétel. Legyen B = (b 1,..., b n ) bázisa egy euklideszi vektortérnek. Létezik a térben olyan E = (e 1,..., e n ) ortonormált bázis, hogy 1 k n-re: L(b 1,..., b k ) = L(e 1,..., e k ). Bizonyítás (A Gram-Schmidt eljárás): A bizonyítás konstruktív. e 1 = b 1 b 1, továbbá tegyük fel, hogy (e 1,..., e j ) (j < n) olyan ortonormált lineárisan független rendszer, melyre 1 k jl(b 1,..., b k ) = L(e 1,..., e k ). 8

9 Megkonstruáljuk a j + 1-edik vektort. Legyen f j+1 = b j+1, e 1 e 1 b j+1, e j e j + b j+1. Ezzel egy olyan vektort kaptunk, mely e 1,..., e j mindegyikére merőleges. Szorozzuk ugyanis az előző sort skalárisan e i -vel! Ekkor b j+1, e r e r, e i = 0 i r-re, tehát 1 { }} { f j+1, e i = b j+1, e i e i, e i + b j+1, e i = 0 (i = 1,..., j.) Mivel az (e 1,..., e j, f j+1 ) vektorrendszerből lineárisan kombinálható a (b 1,..., b j, b j+1 ) vektorrendszer s megfordítva, ezért a lineáris kombináció tranzitivitását használva teljesül, hogy L(b 1,..., b j+1 ) = L(e 1,..., e j, f j+1 ). A L(b 1,..., b j+1 ) j + 1 dimenziós altérben tehát (e 1,..., e j, f j+1 ) j + 1 tagú generátorrendszer, tehát bázis. Ebből az is következik, hogy f j+1 nem lehet nullvektor, tehát normálható, s e j+1 = f j+1 f j+1 -re (e 1,..., e j, e j+1) a megfelelő ortonormált vektorrendszer. Az eljárás n lépésben a vektortér n tagú generátorrendszerét, vagyis bázisát adja, melyre a megkívánt generátortulajdonság teljesül. Következmény. Minden euklideszi vektortérnek van ortonormált bázisa. Minden ortonormált rendszer vagy bázis, vagy kiegészíthető ortonormált bázissá. Az ortonormált bázisok használata leegyszerűsít bizonyos számításokat, amint azt az alábbi fontos példák mutatják Tétel. Legyen adva egy euklideszi vektortér, s abban rögzítsünk egy ortonormált bázist! Ha az x és y vektorok koordinátái a rögzített bázisra vonatkozóan (x 1,..., x n ) ill. (y 1,..., y n ) akkor a két vektor skaláris szorzatát az alábbi módon számíthatjuk ki: x, y = x 1 y x n y n Tétel. (Vektor Fourier-előállítása.) Legyen E = (e 1,..., e n ) ortonormált bázis egy (V,, ) euklideszi vektortérben. Ekkor x V : x = x, e i e i. i=1 Bizonyítás: Mindkét állítás triviális számolás. 9

10 1.16. Tétel. (Bessel-egyenlőtlenség.) Legyen E = (e 1,..., e k ) ortonormált vektorrendszer egy (V,, ) euklideszi vektortérben. Ekkor x V : k x, e i 2 x 2. Továbbá minden x-re akkor és csakis akkor teljesül egyenlőség, ha E bázis. i=1 Bizonyítás: Egészítsük ki E-t ortonormált bázissá (ha már bázis akkor nem veszünk hozzá vektort): (e 1..., e k,..., e n ). Ekkor x, e i 2 = i=1 k x, e i 2 + i=1 x, e i 2 = x 2 i=k+1 teljesül, amiből az állítás leolvasható. Ha E bázis, akkor az egyenlőség minden x-re teljesül. Megfordítva, ha E nem lenne bázis, akkor kiegészíthető ortonormált bázissá. Legyen egy kiegészítő vektor e. x = e-re a bal oldal 0-t, a jobb oldal 1-t ad, ami ellentmondás. Definíció. A (V,, V ) és (W, W ) euklideszi tereket izometrikusan izomorf nak nevezzük, ha létezik olyan ϕ: V W bijektív lineáris leképezés (azaz izomorfizmus), melyre x, y V : x, y V = ϕ(x), ϕ(y) W Tétel. (Véges dimenziós euklideszi terek struktúratétele.) Egy n dimenziós euklideszi vektortér izometrikusan izomorf R n -nel, ahol R n -ben a skaláris szorzat a kanonikus. Bizonyítás: A véges dimenziós vektorterek struktúratételének bizonyításában már konstruáltunk izomorfizmust egy valós n dimenziós vektortér és R n között. Ehhez bázis rögzítésére volt szükség. Most azt látjuk be, hogy ha ortonormált bázist rögzítünk, akkor ez az izomorfizmus izometrikus. Legyen tehát (V,, ) n dimenziós euklideszi vektortér, benne (e 1,..., e n ) ortonormált bázis. Értelmezzük a V R n leképezést úgy, hogy minden vektorhoz rendeljük hozzá az (e 1,..., e n ) bázisra vonatkozó koordinátáit: V x (x 1,..., x n ) R n, ha x = x 1 e x n e n. A véges dimenziós vektorterek struktúratételéből már tudjuk, hogy ez a leképezés izomorf leképezése V -nek R n -re. Most belátjuk a leképezés izometrikus voltát. Legyen x, y V két tetszőleges vektor, x (x 1,... x n ), y (y 1,..., y n ). A vektorok skaláris szorzatát V -ben a koordináták kompozítumaként számíthatjuk ki (ld ): x, y = x 1 y x n y n, ez pontosan megegyezik az R n -beli képek skaláris szorzatával. 10

11 Következmény. Két euklideszi vektortér akkor és csakis akkor izometrikusan izomorf, ha ugyanaz a dimenziójuk. Definíció. Legyen (V,, ) euklideszi vektortér, H V altér. H ortogonális komplementerén a következő H V halmazt értjük: H = { x V y H : x, y = 0 }, azaz minden olyan vektort V -ből, mely az összes H-beli vektorra merőleges Tétel. x H akkor és csakis akkor teljesül, ha x merőleges H tetszőleges bázisának minden vektorára. Bizonyítás: Ha x H, akkor x minden H-beli vektorra merőleges, többek közt egy tetszőleges bázis minden vektorára is. Megfordítva, legyen (e 1,..., e k ) egy bázis H-ban, s teljesüljön, hogy Legyen y H tetszőleges: y = k i=1 α ie i. i : x, e i = 0. k x, y = x, α i e i = i=1 k α i x, e i = 0, i=1 azaz x H. Megjegyzés. Az előző tétel a síkra merőleges egyenes tételének általánosítása Tétel. Egy altér ortogonális komplementere mindig altér, továbbá, ha H V altér, akkor H H = V, H = H. Bizonyítás: Először belátjuk, hogy H altér. A zéróvektor nyilván benne van H -ben, mert a zéróvektor minden vektorra merőleges. Ha x 1, x 2 H, akkor y H : y, x 1 = 0 és y, x 2 = 0 = y, x 1 + y 2 = y, x 1 + y, x 2 = 0, tehát az összegvektor is benne van H -ben. A skalárszorosra hasonlóan: y, x 1 = 0 = y, αx 1 = α y, x 1 = 0. A direktösszeg tulajdonságot úgy látjuk be, hogy ellenőrizzük, H és H egy-egy ortonormált bázisának egyesítése a tér bázisát adja. Legyen tehát (e 1,..., e r ) ortonormált bázis H-ban, f 1,..., f s pedig H -ben. Az egyesített rendszer ortogonális, tehát lineárisan független (ld ) Ha nem lenne bázis, akkor egészítsük ki ortonormált bázissá. Legyen e egy a kiegészítő vektorok közül. e e i (i = 1,..., r), tehát e H, ugyanakkor e f i (i = 1..., s) tehát (e, f 1,..., f s ) 11

12 lineárisan független vektorrendszer lenne H -ben, ami nyilván ellentmondás, mert (f 1,..., f s ) maximális lineárisan független rendszer H -ben. H = H. H H, mert x H és y H: x y. Az, hogy a tartalmazás nem valódi, onnan következik, hogy a dimenziójuk megegyezik: } H H = V = dim H + dim H = dim V H H = V = dim H + dim H = dim H = dim H. = dim V Definíció. Rögzítsük egy V euklideszi vektortér H alterét! Ekkor x V egyértelműen felbomlik x = pr H x + ort H x alakban, ahol pr H x H, ort H x H. A pr H x vektort az x vektor merőleges vetületének nevezzük a H altérre, míg ort H x az x vektor H-ra merőleges komponense. Az ort H x számot az x vektor H altértől való távolságának nevezzük (melyre a d(x, H) jelölést is alkalmazhatjuk) Tétel. (Az előző definíció jelöléseivel.) d(x, H) = min{ x y y H }. Bizonyítás: Az egyszerűség kedvéért: pr H x = x. Ekkor ort H x = x x. A Pitagorasz-tételt alkalmazva: x y 2 = (x x ) + (x y) 2 = (x x ) 2 + x y 2 (x x ) Lineáris operátorok euklideszi vektorterekben Tétel. Legyen (V,, ) euklideszi vektortér, ϕ L(V ; V ) lineáris operátor. Ekkor az L: V V R, L(x, y) = ϕ(x), y ( ) leképezés bilineáris forma. Megfordítva, minden bilineáris formához egyértelműen létezik olyan ϕ L(V ; V ) lineáris operátor, hogy ( ) teljesül. A tételt analóg módon megfogalmazhatjuk a második változóval kapcsolatban. Bizonyítás: Legyen ϕ: V V lineáris operátor, és L(x, y) = ϕ(x), y. L(x 1 + x 2, y) = ϕ(x 1 + x 2 ), y L definíciója = ϕ(x 1 ) + ϕ(x 2 ), y ϕ lineáris = ϕ(x 1 ), y + ϕ(x 2 ), y a skaláris szorzás lineáris = L(x 1, y) + L(x 2, y) L definíciója 12

13 továbbá L(αx, y) = ϕ(αx), y L definíciója = αϕ(x), y ϕ lineáris = α ϕ(x), y a skaláris szorzás lineáris = αl(x, y) L definíciója. Belátjuk az egyértelműséget. Tegyük fel, hogy egyaránt teljesül. Ez azt jelenti, hogy x, y : ϕ(x), y = L(x, y) és ψ(x), y = L(x, y) x, y ϕ(x), y = ψ(x), y = (ϕ ψ)(x), y = 0. Rögzített x mellett ez előbbi egyenlőség minden y-ra teljesül, azaz x : (ϕ ψ)(x) = 0 = ϕ = ψ. A létezés bizonyítása maradt hátra. Rögzítsünk egy (e 1,..., e n ) ortonormált bázist! Ebben a bázisban L mátrixa legyen (m ij ) M n n. ψ-t értelmezzük úgy, hogy ϕ(e i ) = m ik e k. k=1 (Azaz ψ mátrixa L mátrixának transzponáltja.) A lineáris kiterjesztés tétele szerint így valóban meghatároztunk egy lineáris operátort. Ellenőrizni kell a ( ) tulajdonság teljesülését. Mivel ( ) mindkét oldalán bilineáris forma van, elegendő azt bebizonyítani, hogy az előbb rögzített ortonormált bázison ugyanazokat az értékeket veszik fel. ϕ(e i ), e j = = m ik e k, e j k=1 m ik e k, e j e k, e j csak k = j-re ad 0-tól különböző értéket, nevezetesen 1-et: k=1 = m ij. Megjegyezzük, hogy ha az L(x, y) = x, ϕ(y) feltétellel keresünk lineáris operátort, akkor az előző bizonyításrész úgy módosul, hogy ϕ konstrukciójakor L mátrixát használjuk (nem pedig a transzponáltat). 13

14 Definíció. Egy euklideszi vektortér ϕ lineáris operátorának adjungáltja az a ϕ -gal jelölt lineáris operátor, melyre x, y : ϕ(x), y = x, ϕ (y) Tétel. Egy euklideszi vektortér minden lineáris operátorának egyértelműen létezik adjungáltja. Bizonyítás: Legyen ϕ lineáris operátor, ekkor ϕ(x), y = L(x, y) bilineáris forma, ehhez egyértelműen létezik olyan ψ lineáris operátor, hogy L(x, y) = x, ψ(y). ψ lesz az ϕ operátor adjungáltja Tétel. Ortonormált bázisban az operátor mátrixa és az adjungált operátor mátrixa egymás transzponáltja. Bizonyítás: L(x, y) = ϕ(x), y = x, ϕ (y). Tetszőleges ortonormált bázisban ϕ mátrixa L mátrixának transzponáltja, ϕ mátrixa pedig megegyezik L mátrixával Tétel. Az adjungálásra teljesülnek az alábbi tulajdonságok: (ϕψ) = ψ ϕ (ϕ ) = ϕ (ϕ + ψ) = ϕ + ψ (λϕ) = λϕ (λ id) = id. Bizonyítás: Valamennyi tulajdonság a definíció szerint egyszerűen ellenőrizhető. Pl. az első tulajdonság: (ϕψ)(x), y = ϕ(ψ(x)), y = ψ(x), ϕ (y) = x, ψ (ϕ (y)) = x, (ψ ϕ )(y). Másik lehetőség a bizonyításra az, hogy minden tulajdonságot visszavezethetünk a mátrixok transzponálásának megfelelő tulajdonságára, ugyanis az előzőek szerint a lineáris transzformációk adjungálásának a mátrixok transzponálása felel meg. Definíció. Egy lineáris operátort önadjungáltnak nevezünk, ha megegyezik az adjungáltjával Tétel. Egy lineáris operátor akkor és csakis akkor önadjungált, ha tetszőleges ortonormált bázisban a mátrixa szimmetrikus. Definíció. Egy euklideszi vektortér egy lineáris operátorát ortogonális operátornak nevezzük, ha adjungáltja megegyezik az inverzével Tétel. Egy euklideszi vektortér lineáris operátora akkor és csakis akkor ortogonális, ha tetszőleges ortonormált bázisra vonatkozó mátrixa egymásra merőleges, egységnyi hosszú oszlopvektorokból (ill. sorvektorokból) áll. Az ilyen mátrixot ortogonális mátrixnak nevezzük. 14

15 Bizonyítás: A ϕ operátor akkor és csakis akkor ortogonális, ha ϕϕ = id, ϕ ϕ = id. Ortonormált bázis rögzítése után ϕ mátrixát jelölje U, ϕ mátrixa ekkor U t. A fenti első összefüggés pedig azzal ekvivalens, hogy UU t = I, amiből a mátrixszorzás definícióját felhasználva adódik az oszlopokra vonatkozó állítás. (U t oszlopai megegyeznek U soraival!) A sorokra az állítás az U t U = I összefüggést felhasználva jön ki Tétel. Ortogonális mátrix inverze megegyezik a transzponáltjával. Bizonyítás: Ld. az előző bizonyítást Tétel. Legyen V euklideszi vektortér, ϕ τ V. A következő állítások ekvivalensek: 1. ϕ ortogonális; 2. ϕ megtartja a skaláris szorzatot, azaz x, y V : ϕ(x), ϕ(y) = x, y ; 3. ϕ megtartja a vektorok hosszát: x V : ϕ(x) = x ; 4. ϕ megtartja a távolságot: x, y V : d(ϕ(x), ϕ(y)) = d(x, y); 5. tetszőleges ortonormált bázis képe ortonormált bázis. Bizonyítás: 1 2 Először teljesüljön, hogy ϕ ϕ = id. Ekkor ϕ(x), ϕ(y) = x, ϕ ϕ(y) = x, y. Megfordítva, ha ϕ megtartja a skaláris szorzatot, azaz ϕ(x), ϕ(y) = x, y, akkor ϕ ϕ(x), y = x, y ϕ ϕ(x), y = id(x), y, 15

16 amiből következik, hogy x, y V : (ϕ ϕ id)(x), y = 0, vagyis ϕ ϕ = id = 3 nyilvánvaló, a norma definíciója miatt: Megfordítva, könnyen ellenőrizhető, hogy: ϕ(x) = ϕ(x), ϕ(x) = x, x = x. x, y = 1 2 ( x + y 2 x 2 y 2), azaz a skaláris szorzat a normából kifejezhető. 3 4 Következik onnan, hogy a norma és távolság egymásból kölcsönösen kifejezhetők: d(x, y) = x y, x = d(x, 0). 2 = 5 A skaláris szorzat tartásból következik, hogy ortonormált vektorrendszer képe ortonormált vektorrendszer, hisz a hossz és a merőlegesség megmarad. 5 = 2 Legyen x = n i=1 x ie i, y = n i=1 y ie i, ahol (e 1,..., e n ) ortonormált bázis. Ekkor ϕ(x) = n i=1 x iϕ(e i ) és ϕ(y) = n i=1 y iϕ(e i ) is teljesül. Mivel (ϕ(e 1 ),..., ϕ(e n )) is ortonormált bázis: x, y = x i y i ϕ(x), ϕ(y) = i=1 x i y i. i=1 Az előző tétel közvetlen következménye az alábbi: Tétel. Ha egy báziscsere olyan, hogy mind a régi, mind az új bázis ortonormált, akkor a báziscsere mátrixa ortogonális. Bizonyítás: Legyen (e 1,..., e n ) a régi bázis, (f 1,..., f n ) az új bázis. Értelmezzük a ϕ lineáris transzformációt a lineáris kiterjesztés tétele alapján a ϕ(e i ) = f i relációval. ϕ ortonormált bázist ortomormált bázisba visz át, ezért ortogonális operátor. ϕ mátrixa az (e 1,..., e n ) bázisra vonatkozóan megegyezik a báziscsere mátrixával: f i = ϕ(e i ) = s ji e j. j=1 Azt már tudjuk, hogy ortogonális operátor mátrixa ortonormált bázisban ortogonális mátrix. 16

17 2. fejezet Lineáris transzformációk szerkezete A fejezet fő problémája a következő: Egy lineáris operátorhoz keresünk olyan bázist, melyben a mátrixa egyszerű. Egyszerű mátrixnak számít, ha elég sok zérus van benne, pl. a mátrix diagonális, vagy trianguláris. (Majd később látjuk, a diagonális mátrix általában nem érhető el, de komplex vektorterekben az elérhető, hogy zérustól különböző elem legfeljebb a fődiagonálisban, vagy közvetlenül alatta szerepeljen.) A következőekben ismét általánosan, F feletti vektorterekről lesz szó, ahol F = R vagy C Invariáns altér, sajátvektor, sajátérték Definíció. Egy V vektortér H alterét az ϕ: V V lineáris operátor invariáns alterének nevezzük, ha x H : ϕ(x) H. Az x V nem zéró vektort az ϕ lineáris operátor sajátvektorának nevezzük, ha λ F, hogy ϕ(x) = λ x. λ-t ilyenkor az x sajátvektorhoz tartozó sajátértéknek nevezzük. Példa. V és {0} minden lineáris operátornak invariáns altere. Ezeket triviális invariáns altereknek nevezzük. Példa. Egy sajátvektor által generált altér mindig invariáns. (Ellenőrizzük!) Példa. Lineáris operátor képtere és magtere invariáns altér. (Ellenőrizzük!) Példa. Tekintsük R 2 origó körüli elforgatását. Egyszerű geometriai megfontolás mutatja, hogy ha az elforgatás nem identitás, vagy középpontos tükrözés, akkor nincs valódi (azaz egy dimenziós) invariáns altere. A középpontos tükrözésnek minden egy dimenziós altér invariáns altere lesz. R 3 -ban tekintsünk egy tengely körüli elforgatást, a tengely illeszkedjen az origóra. A tengely egy dimenziós, az origóra illeszkedő, s a tengelyre merőleges sík két dimenziós invariáns altér. 17

18 A fejezet kérdésfelvetése (mi az a legegyszerűbb mátrix, amihez egy mátrix hasonló) szempontjából a legegyszerűbb szituáció az, amikor a mátrix egy diagonális mátrixhoz hasonló: 2.1. Tétel. Egy lineáris operátor akkor és csakis akkor diagonalizálható, ha van a térben a sajátvektoraiból álló bázis. Bizonyítás: Legyen először (a 1,..., a n ) a ϕ lineáris operátor sajátvektoraiból álló bázis. Ekkor ϕ(a i ) = λ i a i, ahol λ i a ϕ megfelelő sajátértéke. Ez azt jelenti, hogy ϕ mátrixának i-edik oszlopa i (0,..., λ i,..., 0) t, azaz az i-edik oszlopban csak az i-edik elem lehet zérustól különböző. Megfordítva, ha van olyan bázis, amelyben az operátor mátrixa diagonális, akkor az a bázis sajátvektorokból áll. Valóban, legyen (e 1,..., e n ) a szóban forgó bázis, melyben az operátor mátrixa λ λ λ n A lineáris operátor mátrixának képzési szabálya szerint ekkor fennáll, hogy tehát e i a λ i sajátértékhez tartozó sajátvektor. ϕ(e i ) = λ i e i, 2.2. Tétel. Legyen λ a ϕ: V V lineáris operátor sajátértéke! Az L λ = { v V ϕ(v) = λv } halmaz a ϕ operátor invariáns altere, melyet a λ sajátértékhez tartozó sajátaltérnek nevezünk. Úgy is fogalmazhatunk, hogy egy lineáris operátor egy sajátértékéhez tartozó sajátvektorai a nullvektorral kiegészítve alteret alkotnak, mely altér invariáns. Bizonyítás: Először belátjuk, hogy L λ altér. A zérusvektor triviálisan kielégíti a ϕ(0) = λ0 összefüggést, tehát a halmaz nem üres. Legyen x, y L λ, azaz ϕ(x) = λx, ϕ(y) = λy. Ekkor: továbbá α F-re: ϕ(x + y) = ϕ(x) + ϕ(y) = λx + λy = λ(x + y), ϕ(αx) = αϕ(x) = αλx = λ(αx). Belátjuk, hogy L λ invariáns altér. Teljesüljön, hogy x L λ, azaz ϕ(x) = λx. Be kell látni, hogy ϕ(x) szintén benne van L λ -ban. ez pontosan a bizonyítandó állítást jelenti. ϕ(ϕ(x)) = ϕ(λx) = λϕ(x), 18

19 Definíció. A L λ altér dimenzióját a λ sajátérték geometriai multiplicitásának nevezzük Tétel. Az ϕ: V V lineáris operátor különböző sajátértékekhez tartozó sajátvektorai lineárisan függetlenek. Bizonyítás: Legyenek λ 1,..., λ k különböző sajátértékek, a 1,..., a k hozzájuk tartozó egy-egy sajátvektor, azaz ϕ(a i ) = λ i a i (i = 1,..., k). A bizonyítást a sajátértékek száma szerinti teljes indukcióval végezzük el. k = 1-re az állítás nyilván teljesül, mert egy nem zérusvektor önmagában mindig lineárisan független vektorrendszert alkot. Tegyük fel, hogy n = k 1-re az állítás igaz, azaz a 1,..., a k 1 lineárisan függetlenek. Állítsuk elő a zérusvektort az a 1,..., a k vektorok lineáris kombinációjaként: µ 1 a µ k 1 a k 1 + µ k a k = 0. ( ) Alkalmazzuk ( ) mindkét oldalára a ϕ lineáris operátort! A linearitás miatt: Használjuk fel, hogy ϕ(a i ) = λ i a i : µ 1 ϕ(a 1 ) + + µ k 1 ϕ(a k 1 ) + µ k ϕ(a k ) = 0. Most ( ) mindkét oldalát szorozzuk meg λ k -val! Végezetül vonjuk ki ( )-ból ( )-ot: µ 1 λ 1 a µ k 1 λ k 1 a k 1 + µ k λ k a k = 0. ( ) µ 1 λ k a µ k 1 λ k a k 1 + µ k λ k a k = 0. ( ) µ 1 (λ 1 λ k )a µ k 1 (λ k 1 λ k )a k 1 + µ k (λ k λ k )a } {{ } k = 0. 0 Mivel a 1,..., a k 1 lineárisan függetlenek, ezért ez utóbbi összefüggésben valamennyi együttható zérus: µ 1 (λ 1 λ k ) = 0,..., µ k 1 (λ k 1 λ k ) = 0. Mivel λ i λ k 0 (i = 1,..., k 1), ezért µ 1 =... = µ k 1 = 0. Ezeket az értékeket ( )-ba visszahelyettesítve µ k a k = 0 következik, azaz a k 0 miatt µ k = 0 is. Ez azt jelenti, hogy a ( ) lineáris kombinációban minden együttható 0. Következmény. Egy n dimenziós vektortér egy lineáris operátorának legfeljebb n különböző sajátértéke van. Ha pontosan n (különböző) sajátérték van, akkor létezik a térben az operátor sajátvektoraiból álló bázis, s ebben a bázisban az operátor mátrixa diagonális, a főátlóban pedig az operátor sajátértékei állnak. Bizonyítás: Az állítás első része onnan következik, hogy egy n dimenziós vektortérben bármely lineárisan független vektorrendszer legfeljebb n tagú, márpedig az előző tétel miatt a különböző sajátértékekhez tartozó sajátvektorok lineárisan függetlenek. Az állítás második része a 2.1.-ből következik. Világos, hogy ez az állítás nem megfordítható, tehát lehet a mátrix diagonális, ebből még nem következik, hogy a sajátértékek különbözők. Gondoljunk az identikus operátorra, illetve az egységmátrixra. 19

20 2.2. A karakterisztikus polinom 2.4. Tétel. Jelölje az n n-es egységmátrixot I! Az F test feletti n dimenziós vektortér ϕ lineáris operátorának mátrixát valamely rögzített bázisra vonatkozóan jelölje M! ϕ sajátértékei pontosan a det(m λi) = 0 ( ) (λ-ra felírt) egyenlet megoldásai az F testben. Az előbbi egyenletet a ϕ karakterisztikus egyenletének illetve az M mátrix karakterisztikus egyenletének nevezzük. Bizonyítás: A λ F skalár akkor és csakis akkor sajátérték, ha létezik olyan x 0 vektor, hogy ϕ(x) = λx. Jelölje id a vektortér identikus operátorát! Ekkor: ϕ(x) = λx ϕ(x) = (λ id)(x) (ϕ λ id)(x) = 0. Tehát λ F akkor és csakis akkor sajátérték, ha létezik olyan nem nulla vektor, hogy (ϕ λ id)(x) = 0. Bázis rögzítése után ez a feltétel azt jelenti, hogy az (M λi)x = 0 homogén lineáris egyenletrendszernek van triviálistól különböző megoldása. (Az x vektor adott bázisra vonatkozó koordinátáit az X oszlopvektor jelöli.) A triviálistól különböző megoldás létezésének szükséges és elégséges feltétele, hogy az M λi mátrix rangja kisebb legyen mint n, a vektortér dimenziója, azaz a mátrix determinánsa 0 legyen. (Indokolhatunk a Cramer-szabállyal is: ha a determináns nem nulla, akkor a megoldás egyértelmű, vagyis csak a triviális megoldás van.) 2.5. Tétel. ( ) bal oldalán egy n-edfokú polinom áll, melynek főegyütthatója ( 1) n. Ezt a polinomot a ϕ operátor, vagy az M mátrix karakterisztikus polinomjának nevezzük. Bizonyítás: Az M λi mátrixot a következőképpen írhatjuk fel: m 11 λ m 22 λ. m nn λ A determináns definícióját alkalmazva, tehát a determinánst összegként felírva, az összeg mindegyik tagjában szerepel tényezőként valahány elem a főátlóból, esetleg egy sem. Ez azt jelenti, hogy λ egy n-edfokú polinomját kapjuk, a főegyüttható pedig akkor jelentkezik, amikor valamennyi tényezőt a főátlóból választottuk: (m 11 λ)(m 22 λ) (m nn λ) = ( 1) n λ n

21 2.6. Tétel. Egy lineáris operátor karakterisztikus polinomja független a bázis megválasztásától. Hasonló mátrixok karakterisztikus polinomja megegyezik. Bizonyítás: Azt kell belátni, hogy ha S tetszőleges invertálható mátrix, akkor M és S 1 MS karakterisztikus polinomja megegyezik. det(s 1 MS λi) = det(s 1 MS λs 1 IS) = = det(s 1 (M λi)s) = szorzástétel = det(s 1 ) det(m λi) det(s) = = det(s 1 ) det(s) det(m λi) = det(m λi) } {{ } =det(s 1 S=1) 2.7. Tétel. Egy komplex test feletti vektortér, vagy egy valós test feletti páratlan dimenziós vektortér minden lineáris operátorának van sajátvektora. Bizonyítás: Ha komplex test feletti a vektortér, akkor a karakterisztikus polinom egy komplex együtthatós n-edfokú polinom, s a karakterisztikus egyenlet gyökeit C-ben keressük. Az algebra alaptétele szerint mindig lesz gyök C-ben, tehát mindig van sajátérték. Valós test feletti vektortér esetén a karakterisztikus polinom valós együtthatós n-edfokú polinom, s a karakterisztikus egyenletnek nem biztos, hogy van valós gyöke. Ha azonban a karakterisztikus polinom fokszáma páratlan, akkor van valós gyök, amint azt szintén az algebrából tudjuk. Definíció. Egy sajátérték algebrai multiplicitásán azt értjük, hogy hányszoros multiplicitású gyöke a karakterisztikus egyenletnek. Egy lineáros operátor spektruma a sajátértékek olyan sorozata, melybe minden sajátérték annyiszor szerepel, ahányszoros az algebrai multiplicitása. A spektrum teljes, ha a spektruma n tagú, azaz a tagszám megegyezik a vizsgált vektortér dimenziójával Tétel. Komplex test feletti vektortér bármely lineáris operátorának spektruma teljes, azaz multiplicitásokkal együtt annyi sajátértéke van, amennyi a vektortér dimenziója. Az operátor karakterisztikus egyenlete pedig ahol (λ 1,..., λ n ) az operátor spektruma. (λ λ 1 )(λ λ 2 ) (λ λ n ) = 0, Bizonyítás: Az algebrából tudjuk, hogy egy n-edfokú polinomnak multiplicitásokkal együtt pontosan n gyöke van C-ben, s a polinom a tételben leírt módon bomlik elsőfokú tényezők szorzatára. (Mivel a tételben a karakterisztikus egyenletet írtuk fel, ezért a karakterisztikus polinom a bal oldaltól egy ( 1) n faktorban különbözik!) A következőekben a geometriai és az algebrai multiplicitás összehasonlításával foglalkozunk. Először egy konkrét példán szemléltetjük a két fogalmat. 21

22 Példa. Tekintsük a deriválást, mint lineáris operátort a komplex együtthatós, legfeljebb (n 1) edfokú polinomok n dimenziós terében! A λ C szám akkor lesz sajátérték, ha valamely nemzéró polinomra p (t) = λp(t). Mivel a deriválás során a fokszám eggyel csökken, ezért ez az összefüggés csak λ = 0-ra és konstans polinomokra teljesülhet. A λ = 0 tehát egyetlen sajátértéke a deriválás operátornak, s mivel a spektrum teljes, ezért az algebrai multiplicitásnak n-nek kell lennie. A λ = 0-hoz tartozó sajátaltér azonban a konstans polinomokból áll, s így a sajátérték geometriai multiplicitása 1. A két fogalom tehát nem egyezik meg Tétel. Egy sajátérték geometriai multiplicitása nem lehet nagyobb az algebrai multiplicitásnál. Bizonyítás: Legyen λ 0 a ϕ operátor sajátértéke, L 0 a hozzá tartozó invariáns altér. Vegyünk fel V -ben úgy egy bázist, hogy egy L 0 -ban felvett (e 1,..., e g ) bázist kiegészítünk a tér bázisává. (e 1,..., e g ) a ϕ operátor sajátvektoraiból áll, és a λ 0 sajátérték geometriai multiplicitása g. Ebben a bázisban ϕ mátrixa λ λ 0, 0 azaz a karakterisztikus polinom: λ 0 λ λ 0 λ P (λ) = 0. Az első r oszlopból (λ 0 λ)-t kiemelve azt kapjuk, hogy a karakterisztikus polinomra: P (λ) = (λ 0 λ) g P (λ). A karakterisztikus polinomot tehát (λ 0 λ)-nak legalább g-edik hatványa osztja, ami az algebrai multiplicitás definíciója szerint az állításunkat jelenti Tétel. Egy komplex test feletti lineáris operátor akkor és csakis akkor diagonalizálható, ha minden sajátértékének geometriai multiplicitása megegyezik az algebraival. Egy valós test feletti lineáris operátor akkor és csakis akkor diagonalizálható, ha spektruma teljes, továbbá, ha minden sajátértékének geometriai multiplicitása megegyezik az algebraival. 22

23 Bizonyítás: Tehát annak szükséges és elégséges feltételét keressük, hogy legyen sajátvektorokból álló bázis. Legyen a tér n dimenziós. Az előző tétel szerint legfeljebb annyi lineárisan független sajátvektor lehet, ahány tagú a spektrum. Tehát pontosan n lineárisan független sajátvektor pontosan akkor létezik, ha a spektrum egyrészt teljes, másrészt minden sajátértékhez annyi lineárisan független (hozzá tartozó) sajátvektort tudunk felsorolni, ahányszor a spektrumban előfordul Tétel. (Jordan-féle normálalak.) Egy C feletti vektortérben minden lineáris operátorhoz létezik olyan bázis, melyben az operátor mátrixa a következő alakú: a főátlóban az operátor (λ 1,..., λ k ) sajátértékei szerepelnek, közvetlenül a főátló alatt 1 vagy nulla szerepel, minden más mátrixelem zérus: λ λ λ λ k λ k λ k (Egy sajátérték több blokkban is szerepelhet. Ha egy blokk mérete 1 1, akkor a blokkban nem szerepel egyes.) Megjegyzés. A tételt úgy is fogalmazhatjuk, hogy minden (komplex elemekből álló) négyzetes mátrix hasonló a tételben megadotthoz. Bizonyítás: Nem tárgyaljuk Önadjungált transzformációk szerkezete Ebben a paragrafusban kiindulópontunk egy (V,, ) euklideszi vektortér, tehát a vektortér R feletti. Tudjuk, ilyenkor egy lineáris operátor sajátértékeiről általában semmit nem tudunk garantálni, a karakterisztikus polinomnak nem biztos, hogy vannak valós gyökei. Az önadjungált operátorok esetében azonban teljesül a diagonalizálhatóság, amint azt a paragrafus fő tétele kimondja. Az alábbi technikai jellegű állítás könnyen ellenőrizhető: Lemma. Értelmezzük a következő C n C n C leképezést: (X, Y ) X, Y = x 1 ȳ x n ȳ n, 23

24 ahol X = (x 1,..., x n ), Y = (y 1,..., y n ). A definiált leképezés mindkét változóban additív, az első változóban (komplex) homogén, X, X = 0 X = 0, továbbá X, λy = λ X, Y. Megjegyzés. A definiált leképezés nem skaláris szorzat, mert nem valós test fölötti vektortérben vagyunk Tétel. R feletti n n-es szimmetrikus mátrix karakterisztikus egyenletének multiplicitásokkal együtt n valós gyöke van. Bizonyítás: Legyen A valós elemekből álló szimmetrikus mátrix. Ekkor az lineáris operátorra könnyen teljesül, hogy L A : C n C n, X L A (X) = A X L A (X), Y = X, L A (Y ) azaz A X, Y = X, A Y. A komplex test feletti téren ható L A lineáris operátor spektruma teljes, azaz multiplicitásokkal együtt n (komplex) sajátértéke van, ezek A karakterisztikus egyenletének gyökei. Jelöljön egy sajátértéket λ! Ekkor egyrészt X C n sajátvektorra : A X, X = λx, X = λ X, X ( ) másrészt ( )-ot és ( )-ot összehasonlítva: azaz λ = λ, tehát λ valós. A X, X = X, A X = X, λx = λ X, X. ( ) (λ λ) X, X = 0, } {{ } Tétel. (Önadjungált operátorok spektruma.) Legyen adott egy euklideszi téren egy ϕ önadjungált lineáris operátor! Ekkor ϕ spektruma teljes, továbbá létezik a térben ϕ sajátvektoraiból álló ortonormált bázis. Ebben a bázisban ϕ mátrixa diagonális, a főátlóban ϕ sajátértékei állnak. Bizonyítás: A lemma alapján tudjuk, hogy a ϕ operátor karakterisztikus egyenletének multiplicitásokkal együtt n valós gyöke van, hiszen ortonormált bázisban ϕ mátrixa szimmetrikus. A sajátvektorokból álló ortonormált bázis létezését kell bizonyítani. A bizonyítás az euklideszi tér dimenziója szerinti teljes indukció. 1 dimenziós térben 1 sajátérték van, s az ehhez tartozó tetszőleges sajátvektor a tér kívánt bázisa. Tegyük fel, hogy az állítás igaz minden n 1 24

25 dimenziós euklideszi térre. Bebizonyítjuk, hogy n dimenziósra is igaz. Legyen tehát dim V = n, ϕ: V V önadjungált lineáris operátor. A lemma miatt tudjuk, hogy létezik sajátvektor, jelölje ezt v. Legyen H = L(v), azaz H a v sajátvektor által generált 1 dimenziós altér. Jelölje ennek ortogonális komplementerét H. H -ről azt állítjuk, hogy invariáns altere a ϕ operátornak. Valóban, legyen x H. Ez azt jelenti, hogy x merőleges v-re: x, v = 0. Be kell látni, hogy ϕ(x) is merőleges v-re: ϕ(x), v = x, ϕ(v) ϕ önadjungált = x, λv v sajátvektor = λ x, v = 0 linearitás H invariáns tulajdonsága azt jelenti, hogy ϕ leszűkíthető H -re, tehát a leszűkítés egy n 1 dimenziós téren ható önadjungált operátor. Erre az indukciós feltevés miatt igaz, hogy létezik benne a ϕ sajátvektoraiból álló ortonormált bázis. Ezt kiegészítve v -vel a tér kívánt ortonormált bázisát v kapjuk. Az előző tétel fontos következménye, hogy a diagonális mátrix nemcsak önadjungált operátoroknál, hanem kvadratikus formáknál is elérhető Tétel. (Kvadratikus formák főtengelytranszformációja.) Egy n dimenziós euklideszi téren értelmezett Q kvadratikus forma esetén létezik a térnek olyan ortonormált bázisa, hogy ebben Q mátrixa diagonális. Bizonyítás: Legyen Q poláris formája az L szimmetrikus bilineáris forma. Tudjuk (1.21.), hogy L-hez létezik olyan ϕ lineáris operátor, hogy L(x, y) = ϕ(x), y. Mivel L szimmetrikus, ezért ortonormált bázisra vonatkozó mátrixa szimmetrikus, mátrixa transzponáltja pedig megegyezik ϕ mátrixával (a rögzített ortonormált bázisban). Mindez azt jelenti, hogy ϕ mátrixa ortonormált bázisban szimmetrikus, tehát ϕ önadjungált. Tehát létezik olyan ϕ önadjungált operátor, hogy x V : Q(x) = ϕ(x), x. Legyen (e 1,..., e n ) a ϕ sajátvektoraiból álló ortonormált bázis. Kvadratikus forma (adott bázisra vonatkozó) mátrixa megegyezik a poláris formájának mátrixával. Ennek i-edik sora j-edik eleme: L(e i, e j ) = ϕ(e i ), e j = λ i e i, e j = λ i e i, e j, ahol λ i a ϕ megfelelő sajátértéke. e i, e j = { 1, ha i = j 0, ha i j A megadott bázisban tehát Q mátrixa: λ λ , λ n 25

26 ahol (λ 1,..., λ n ) a ϕ spektruma. Definíció. Azon ortonormált bázis vektorait, melyben egy kvadratikus forma mátrixa diagonális, a kvadratikus forma főtengelyeinek nevezzük. Ha olyan báziscserét hajtunk végre, hogy az új bázis a kvadratikus forma főtengelyeiből áll, akkor ezt a báziscserét főtengelytranszformációnak nevezzük. Az előző tétel közvetlen következménye az alábbi: Tétel. (Kvadratikus formák négyzetösszegre transzformálása.) Főtengelyek alkotta ortonormált bázisban teljesül, hogy Q(x) = λ 1 x λ n x 2 n, ahol (x 1,..., x n ) az x vektor koordinátái, λ 1,..., λ n pedig Q (erre a bázisra vonatkozó) mátrixának sajátértékei. Megjegyezzük, hogy egy kvadratikus forma mátrixa nemcsak ortonormált bázisban lehet diagonális, s a főátlóban álló elemek sincsenek egyértelműen meghatározva, azaz ha két különböző bázisra vonatkozóan a kvadratikus forma mátrixa diagonális, akkor a diagonálisban álló elemek nem biztos, hogy megegyeznek. Ezzel kapcsolatban bizonyítás nélkül mondjuk ki a következő összefüggést: Tétel. (Tehetetlenségi tétel.) Kvadratikus formák kétféle négyzetösszegre transzformálásakor a pozitív együtthatók száma mindkét esetben megegyezik. Hasonlóan a negatív együtthatók száma mindkét esetben megegyezik, s végül a zérus együtthatók száma is mindkét esetben megegyezik Ortogonális transzformációk szerkezete Tétel. Tetszőleges ortogonális mátrix determinánsa +1 vagy 1. Bizonyítás: Legyen M ortogonális mátrix. Alkalmazzuk a szorzástételt, s azt a tényt, hogy négyzetes mátrix és transzponáltja determinánsa megegyeznek: 1 = det(m M 1 ) = det M det M 1 = (det M) Tétel. Ortogonális mátrix karakterisztikus egyenletének gyökei olyan komplex számok, melyek modulusa (abszolút értéke) 1. Bizonyítás: Legyen M ortogonális mátrix! Az L M : C n C n, X L M (X) = M X lineáris operátorról egyszerű számolással látható, hogy X, Y = L M (X), L M (Y ) (= M X, M Y ). 26

27 Legyen L M, azaz M egy sajátértéke λ. Tehát λ λ = 1. X, X = M X, M X = λx, λx = λ λ X, X, Tétel. R 2 tetszőleges ortogonális operátorának mátrixa tetszőleges ortonormált bázisban ( ) cos α sin α, sin α ± cos α ahol a felső előjelek a +1 determinánsú, míg az alsó előjelek a 1 determinánsú operátorra vonatkoznak. A fentebbi mátrix az összes 2 2-es ortogonális mátrixot megadja. Bizonyítás: Foglalkozzunk a +1 determinánsú esettel, a 1 determinánsú eset analóg. Legyen tetszőleges ortonormált bázisban a ϕ ortogonális operátor mátrixa ( ) α β U =. γ δ Mivel U ortogonális, ezért inverze megegyezik a transzponáltjával: ( ) 1 ( ) α β α γ =. ( ) γ δ β δ Másrészt az inverz mátrixot a tanult módon a kofaktorokkal meghatározva: ( ) 1 ( ) α β δ β =. ( ) γ δ γ α ( )-ot és ( )-ot összehasonlítva: α = δ, γ = β, tehát a keresett mátrix: ( ) α β, β α ahol α 2 + β 2 =1 (a mátrix determinánsa 1), tehát létezik olyan α [0, π), hogy α = cos α, β = sin α, ami a bizonyítandó állítást jelenti Tétel. R 2 egy 1 determinánsú ortogonális operátorának spektruma ( 1, +1). Létezik az operátor sajátvektoraiból álló ortonormált bázis, melyben az operátor mátrixa ( ) 1 0, 0 1 vagyis az operátor tengelyes tükrözés. 27

28 Bizonyítás: A karakterisztikus egyenlet: λ 2 + bλ 1 = 0 (b valamilyen konstans), melynek diszkriminánsa b > 0, tehát van két (különböző) valós sajátérték. Mivel a sajátértékek abszolút értéke 1, ezért a sajátértékek +1 ill. 1. Azt kell belátni, hogy az ehhez tartozó sajátvektorok ortogonálisak. (Normálással tehát valóban ortonormált bázishoz jutunk.) Legyen az 1 sajátértékhez tartozó egyik sajátvektor e 1, a 1-hez tartozó pedig e 2. tehát e 1, e 2 = 0. e 1, e 2 = ϕ(e 1 ), ϕ(e 2 ) = 1 e 1, 1 e 2 = e 1, e 2, Tétel. R 3 +1 determinánsú ortogonális operátorához létezik olyan ortonormált bázis melyben mátrixa: cos α sin α. 0 sin α cos α R 3 1 determinánsú ortogonális operátorához létezik olyan ortonormált bázis melyben mátrixa: cos α sin α. 0 sin α cos α Bizonyítás: Három dimenzióban biztosan van valós sajátérték, s ez (lévén az abszolút értéke +1) +1 vagy 1. Ebből következik, hogy az operátornak van 1 dimenziós invariáns altere, melyet jelöljön H. Egyszerűen látható, hogy H is invariáns altér, melyen tehát az operátor leszűkítése szintén ortogonális operátor. x H : ϕ(y) H, ϕ(x), ϕ(y) = x, y = 0. H -re az előző tételt alkalmazva rövid esetvizsgálat után adódik állításunk. (Esetleg szükség lesz a bázisvektorok sorrendjének megváltoztatására.) 28

29 3. fejezet Geometriai alkalmazások 3.1. Geometriai transzformációk Geometriai alapfogalmak R n néhány objektumára lineáris algebrai jellegű és geometriai jellegű elnevezések egyaránt használatosak. Definíció. R n egy nulla dimenziós lineáris sokaságát (vagyis R n egy vektorát) R n egy pontjának nevezzük. R n egy egydimenziós lineáris sokaságát R n egyenesének nevezzük. R n egy n 1 dimenziós lineáris sokaságát R n egy hipersíkjának nevezzük. Példa. R hipersíkjai a pontok, R 2 hipersíkjai az egyenesek, R 3 hipersíkjai a kétdimenziós lineáris sokaságok. Példa. Legyenek x y R n pontok! Ekkor a következő halmaz, melyet (x, y) felezőmerőleges hipersíkjának nevezünk, hipersík: { u R n x u = y u } Tétel. Legyenek x, y R n pontok, x y. Ekkor R n minden egyenese felírható l = { tx + (1 t)y t R } alakban. Megfordítva, minden ilyen előállítás R n egy egyenesét adja meg. Bizonyítás: Legyen l = L(v) + y = { y + tv t R } (v 0) egydimenziós lineáris sokaság. Definiáljuk x-et a következőképpen: x = y + v. Ekkor y + tv = y + t(x y) = tx + (1 t)y. Megfordítva, tx + (1 t)y = y + (x y)t. l tehát egy L(x y) irányterű, y eltolóvektorú lineáris sokaság. 29

30 Definíció. Az (x 1,..., x n+1 ) (x i R n ) pontokat általános helyzetűeknek nevezzük, ha nincsenek benne egyetlen hipersíkban sem. Példa. Jelölje R n természetes bázisát (e 1,..., e n ). (0, e 1,..., e n ) általános helyzetűek Tétel. Legyenek (P 0,..., P n ) általános helyzetű pontok R n -ben. Ekkor (P 1 P 0,..., P n P 0 ) bázis R n -ben. Bizonyítás: Legyen L(P 1 P 0,..., P n P 0 ) jel. = H. Ha H R n, akkor H-t tartalmazza egy H-val jelölt n 1 dimenziós altér. A H + P 0 hipersíkban valamennyi pont benne van, ami ellentmondás. Affin transzformációk Definíció. Az F : R n R n bijektív leképezést affin transzformációnak nevezzük, ha egyenestartó, azaz tetszőleges egyenes képe egyenes. Példa. Jelölje Gl(n) R n bijektív lineáris transzformációinak csoportját. Minden ϕ Gl(n) lineáris leképezés egyben affin transzformáció is. Valóban: ϕ[tx + (1 t)y] = tϕ(x) + (1 t)ϕ(y). Mivel x y és ϕ bijektív, ezért ϕ(x) ϕ(y). Tehát egyenes. ϕ(l) = { tϕ(x) + (1 t)ϕ(y) t R n } Példa. Legyen w R n. Értelmezzük az alábbi leképezést: τ w : R n R n, x τ w (x) = x + w. Legyen l = { x + tv t R } (v 0) egyenes. τ w (x + tv) = x + w + tv, azaz τ w (l) a L(v) irányterű, x + w eltolóvektorú egyenes. A τ w transzformációt w vektorú eltolásnak nevezzük. τ w affin, de w 0-ra τ w / Gl(n), mert τ w (0) = w 0. Példa. Legyen λ 0 valós szám. Értelmezzük a következő leképezést: δ λ : R n R n, x δ λ (x) = λx. Mivel δ λ Gl(n), ezért az első példa szerint affin. δ λ -t λ arányú, origó középpontú homotéciának vagy középpontos hasonlóságnak nevezzük Tétel. (Az affin leképezések főtétele.) Az F : R n R n bijekció akkor és csakis akkor affin leképezés, ha ϕ Gl(n) és w R n, hogy F = τ w ϕ, azaz x R n : F (x) = ϕ(x) + w. 30

31 Következmény. (R n affin transzformációi.) Legyen F : R n R n affin transzformáció, F (X) jel. = X X R n. Ekkor A M n n invertálható mátrix és v R n vektor, hogy X = AX + v. Ezt a mátrixalakban leírt összefüggést részletesen kiírva pl. két dimenzióban, a következő összefüggést kapjuk. Ha F : R 2 R 2 affin transzformáció, F (x, y) jel. = (x, y ). Ekkor A = (a ij ) M 2 2 invertálható mátrix és (v 1, v 2 ) R 2 számpár, hogy x = a 11 x + a 12 y + v 1 y = a 21 x + a 22 y + v 2, det A = a 11 a 22 a 12 a Definíció. Az F : R n R n leképezésnek x R n fixpontja, ha F (x) = x Tétel. (Az affin transzformációk fixponttétele.) Legyen F : R n R n affin, F = τ v ϕ, ahol ϕ Gl(n), v R n. (i) Ha ker(ϕ id R n) = {0}, akkor F -nek egyértelműen létezik fixpontja. (ii) Ha F -nek van n + 1 általános helyzetű fixpontja, akkor F = id R n. Bizonyítás: (i) Legyen ker(ϕ id R n) = {0}. A nullitás+rang tétel szerint ekkor im(ϕ id R n) = R n. Tehát speciálisan F (0)-hoz!x R n : ϕ(x) x = F (0). Ez ekvivalens azzal, hogy F (x) F (0) x = F (0) F (x) = x, azaz x fixpont. Az egyértelműség bizonyítása. Teljesüljön, hogy F (x) = x és F (y) = y. Ez ekvivalens azzal, hogy ϕ(x) + v = x és ϕ(y) + v = y ϕ(x) x = v és ϕ(y) y = v = ϕ(x y) (x y) = 0 = x y ker(ϕ id R n) = {0} x y = 0 x = y. (ii) Legyenek (P 0,..., P n ) az általános helyzetű fixpontok: i {0,..., n} : ϕ(p i ) + v = P i (ϕ id R n)(p i ) = v. A ϕ id R n lineáris transzformáció tehát a (P 1 P 0,..., P n P 0 ) bázis minden vektorán a zéróvektort veszi fel, ezért ez a transzformáció a zérus leképezés, amiből az állításunk nyilvánvalóan következik Tétel. (Az affin transzformációk alaptétele.) Legyenek (P 0, P 1,..., P n ) és (Q 0, Q 1,..., Q n ) általános helyzetű pont (n + 1)-esek. Egyértelműen létezik olyan F : R n R n affin leképezés, melyre teljesül, hogy: i {0,..., n} : F (P i ) = Q i. 31

32 Bizonyítás: Tudjuk, hogy E = (P 1 P 0,..., P n P 0 ) továbbá E = (Q 1 Q 0,..., Q n Q 0 ) R n egy-egy bázisát alkotják. A lineáris kiterjesztés tétele szerint egyértelműen létezik olyan ϕ Gl(n) lineáris izomorfizmus, hogy ϕ(e) = E. Legyen F = τ Q0 ϕτ P0. Azaz: X R n : F (X) = ϕ(x P 0 ) + Q 0. Egyszerű behelyettesítés mutatja, hogy F rendelkezik a kívánt tulajdonsággal. Az egyértelműséget a következőképpen látjuk be. Legyenek F 1 és F 2 affin transzformációk a kívánt tulajdonsággal. i {0,..., n} : F2 1 F 1 (P i ) = P i, ami a fixponttétel szerint azt jelenti, hogy F 1 2 F 1 = id R n F 1 = F 2. Izometriák Definíció. Az F : R n R n bijektív leképezést izometriának vagy egybevágóságnak nevezzük, ha távolságtartó, azaz x, y R n : d ( F (x), F (y) ) = d(x, y). Példa. R n ortogonális transzformációi egyben R n izometriái is, amint arról már korábban volt szó. Izometria továbbá minden eltolás is: τ v (x) τ v (y) = x + v (y + v) = x y. Példa. Legyen H R n egy hipersíkja. Az x R n pont x -vel jelölt képét definiáljuk a következőképpen. Ha x H, akkor x = x, egyébként x az az egyértelmű pont, melyre (x, x ) felezőmerőleges hipersíkja H. Az így definiált leképezés izometria, melyet a H hipersíkra vonatkozó tükrözésnek nevezzük Tétel. (Az izometriák főtétele.) Egy F : R n R n bijektív leképezés akkor és csakis akkor izometria, ha ϕ Gl(n) ortogonális transzformáció és v R n vektor, hogy F = τ v ϕ, azaz x R n : F (x) = ϕ(x) + v. Bizonyítás: Mivel minden ortogonális transzformáció és eltolás izometria, ezek kompozíciója is az. Legyen most F : R n R n egybevágóság. v-t és ϕ-t a következőképpen konstruáljuk meg. v = F (0), ϕ: R n R n, ϕ(c) = F (x) v. (ϕ-ről pillanatnyilag még nem tudjuk, hogy lineáris leképezés.) Először belátjuk, hogy az előbbiekben megkonstruált ϕ megtartja a skaláris szorzatot. Emlékeztetünk arra, hogy ξ, η R n : ξ, η = ξ 2 + η 2 ξ η

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Vektorterek. =a gyakorlatokon megoldásra ajánlott Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,

Részletesebben

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,

Részletesebben

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard

Részletesebben

Vektorok, mátrixok, lineáris egyenletrendszerek

Vektorok, mátrixok, lineáris egyenletrendszerek a Matematika mérnököknek I. című tárgyhoz Vektorok, mátrixok, lineáris egyenletrendszerek Vektorok A rendezett valós számpárokat kétdimenziós valós vektoroknak nevezzük. Jelölésükre latin kisbetűket használunk.

Részletesebben

Matematika (mesterképzés)

Matematika (mesterképzés) Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,

Részletesebben

Diszkrét Matematika II.

Diszkrét Matematika II. Orosz Ágota Kaiser Zoltán Diszkrét Matematika II. példatár mobidiák könyvtár Orosz Ágota Kaiser Zoltán Diszkrét Matematika II. példatár mobidiák könyvtár SOROZATSZERKESZTŐ Fazekas István Orosz Ágota Kaiser

Részletesebben

Lineáris algebra. =0 iє{1,,n}

Lineáris algebra. =0 iє{1,,n} Matek A2 (Lineáris algebra) Felhasználtam a Szilágyi Brigittás órai jegyzeteket, néhol a Thomas féle Kalkulus III könyvet. A hibákért felelosséget nem vállalok. Hiányosságok vannak(1. órai lin algebrai

Részletesebben

i=1 λ iv i = 0 előállítása, melynél valamelyik λ i

i=1 λ iv i = 0 előállítása, melynél valamelyik λ i Az informatikus lineáris algebra dolgozat C részének lehetséges kérdései Az alábbi listában azok az állítások, tételek szerepelnek, melyeket a vizsgadolgozat C részében kérdezhetünk. Azok érnek 6 pontot,

Részletesebben

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja 1.Mátrixok hasonlósága, karakterisztikus mátrix, karakterisztikus

Részletesebben

1. Az euklideszi terek geometriája

1. Az euklideszi terek geometriája 1. Az euklideszi terek geometriája Bázishoz tartozó skaláris szorzat Emékeztető Az R n vektortérbeli v = λ 2... és w = λ 1 λ n µ 1 µ 2... µ n λ 1 µ 1 +λ 2 µ 2 +...+λ n µ n. Jele v,w. v,w = v T u, azaz

Részletesebben

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak 1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ

Részletesebben

Diszkrét Matematika II.

Diszkrét Matematika II. Bácsó Sándor Diszkrét Matematika II. mobidiák könyvtár Bácsó Sándor Diszkrét Matematika II. mobidiák könyvtár SOROZATSZERKESZTŐ Fazekas István Bácsó Sándor Diszkrét Matematika II. egyetemi jegyzet mobidiák

Részletesebben

1. Bázistranszformáció

1. Bázistranszformáció 1. Bázistranszformáció Transzformáció mátrixa új bázisban A bázistranszformáció képlete (Freud, 5.8.1. Tétel) Legyenek b és d bázisok V -ben, ] v V és A Hom(V). Jelölje S = [[d 1 ] b,...,[d n ] b T n n

Részletesebben

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Lineáris leképezések (előadásvázlat, 2012. szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla Ennek az előadásnak a megértéséhez a következő fogalmakat kell tudni: homogén lineáris egyenletrendszer és

Részletesebben

1. Mit jelent az, hogy egy W R n részhalmaz altér?

1. Mit jelent az, hogy egy W R n részhalmaz altér? Az informatikus lineáris algebra dolgozat B részének lehetséges kérdései Az alábbi listában azok a definíciók és állítások, tételek szerepelnek, melyeket a vizsgadolgozat B részében kérdezhetünk. A válaszoknál

Részletesebben

Vektorterek. Több esetben találkozhattunk olyan struktúrával, ahol az. szabadvektorok esetében, vagy a függvények körében, vagy a. vektortér fogalma.

Vektorterek. Több esetben találkozhattunk olyan struktúrával, ahol az. szabadvektorok esetében, vagy a függvények körében, vagy a. vektortér fogalma. Vektorterek Több esetben találkozhattunk olyan struktúrával, ahol az összeadás és a (valós) számmal való szorzás értelmezett, pl. a szabadvektorok esetében, vagy a függvények körében, vagy a mátrixok esetében.

Részletesebben

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak 10. Előadás Megyesi László: Lineáris algebra, 98. 108. oldal. Gondolkodnivalók Mátrix inverze 1. Gondolkodnivaló Igazoljuk, hogy invertálható trianguláris mátrixok inverze is trianguláris. Bizonyítás:

Részletesebben

Meghirdetés féléve 2 Kreditpont Összóraszám (elm+gyak) 2+0

Meghirdetés féléve 2 Kreditpont Összóraszám (elm+gyak) 2+0 Tantárgy neve Lineáris algebra I Tantárgy kódja MTB1004 Meghirdetés féléve 2 Kreditpont 3k Összóraszám elm+gyak 2+0 Számonkérés módja kollokvium Előfeltétel tantárgyi kód MTB1003 Tantárgyfelelős neve Kurdics

Részletesebben

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,

Részletesebben

1. zárthelyi,

1. zárthelyi, 1. zárthelyi, 2009.10.20. 1. Írjuk fel a tér P = (0,2,4) és Q = (6, 2,2) pontjait összekötő szakasz felezőmerőleges síkjának egyenletét. 2. Tekintsük az x + 2y + 3z = 14, a 2x + 6y + 10z = 24 és a 4x+2y

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

15. LINEÁRIS EGYENLETRENDSZEREK 15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a

Részletesebben

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk

Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér

Részletesebben

1. feladatsor Komplex számok

1. feladatsor Komplex számok . feladatsor Komplex számok.. Feladat. Kanonikus alakban számolva határozzuk meg az alábbi műveletek eredményét. (a) i 0 ; i 8 ; (b) + 4i; 3 i (c) ( + 5i)( 6i); (d) i 3+i ; (e) 3i ; (f) ( +3i)(8+i) ( 4

Részletesebben

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb

Részletesebben

Összeállította: dr. Leitold Adrien egyetemi docens

Összeállította: dr. Leitold Adrien egyetemi docens Skaláris szorzat az R n vektortérben Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. 1 Vektorok skaláris szorzata Két R n -beli vektor skaláris szorzata: Legyen a = (a 1,a 2,,a n ) és b

Részletesebben

Számítási feladatok a Számítógépi geometria órához

Számítási feladatok a Számítógépi geometria órához Számítási feladatok a Számítógépi geometria órához Kovács Zoltán Copyright c 2012 Last Revision Date: 2012. október 15. kovacsz@nyf.hu Technikai útmutató a jegyzet használatához A jegyzet képernyőbarát

Részletesebben

Determinánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony.

Determinánsok. A determináns fogalma olyan algebrai segédeszköz, amellyel. szolgáltat az előbbi kérdésekre, bár ez nem mindig hatékony. Determinánsok A determináns fogalma olyan algebrai segédeszköz, amellyel jól jellemezhető a mátrixok invertálhatósága, a mátrix rangja. Segítségével lineáris egyenletrendszerek megoldhatósága dönthető

Részletesebben

Lineáris algebra mérnököknek

Lineáris algebra mérnököknek B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Lineáris algebra mérnököknek BMETE93BG20 Sajátérték, sajátvektor, sajátaltér Kf87 2017-11-21

Részletesebben

Geometria II. Vázlat Kovács Zoltán előadásaihoz. 2014. január 26.

Geometria II. Vázlat Kovács Zoltán előadásaihoz. 2014. január 26. Geometria II Vázlat Kovács Zoltán előadásaihoz 2014. január 26. 2 Tartalomjegyzék 1. Geometria R 2 -ben 7 1.1. R 2 euklideszi struktúrája..................... 8 1.2. Tükrözés hipersíkra........................

Részletesebben

Lineáris algebra mérnököknek

Lineáris algebra mérnököknek B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Lineáris algebra mérnököknek BMETE93BG20 Sajátérték, sajátvektor, sajátaltér Kf81 2018-11-20

Részletesebben

MATEMATIKA FELADATGYŰJTEMÉNY

MATEMATIKA FELADATGYŰJTEMÉNY Pék Johanna MATEMATIKA FELADATGYŰJTEMÉNY Nem matematika alapszakos hallgatók számára Tartalomjegyzék Előszó iii. Lineáris algebra.. Mátrixok...................................... Lineáris egyenletrendszerek..........................

Részletesebben

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35 9. Előadás (9. előadás) Lineáris egyr.(3.), Sajátérték 2019. április 24. 1 / 35 Portfólió-analízis Tegyük fel, hogy egy bank 4 különböző eszközbe fektet be (réz, búza, arany és kakaó). Az ügyfeleinek ezen

Részletesebben

Lineáris leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 )

Lineáris leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 ) Lineáris leképezések 1 Lineáris-e az f : R 2 R 2 f(x, y = (3x + 2y, x y leképezés? A linearitáshoz ellen riznünk kell, hogy a leképzés additív és homogén Legyen x = (x 1, R 2, y = (y 1, y 2 R 2, c R Ekkor

Részletesebben

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő

Részletesebben

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek Lineáris algebra 2 Filip Ferdinánd filipferdinand@bgkuni-obudahu sivabankihu/jegyzetek 2015 december 7 Filip Ferdinánd 2016 februar 9 Lineáris algebra 2 1 / 37 Az el adás vázlata Determináns Determináns

Részletesebben

Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27

Vektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27 Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek

Részletesebben

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis.

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis. 1 Diagonalizálás Diagonalizálható mátrixok Ismétlés Legyen M,N T n n Az M és N hasonló, ha van olyan A lineáris transzformáció, hogy M is és N is az A mátrixa egy-egy alkalmas bázisban Az M és N pontosan

Részletesebben

Matematika A1a Analízis

Matematika A1a Analízis B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 Vektorok StKis, EIC 2019-02-12 Wettl Ferenc ALGEBRA

Részletesebben

3. Lineáris differenciálegyenletek

3. Lineáris differenciálegyenletek 3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra

Részletesebben

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31

Lineáris leképezések. Wettl Ferenc március 9. Wettl Ferenc Lineáris leképezések március 9. 1 / 31 Lineáris leképezések Wettl Ferenc 2015. március 9. Wettl Ferenc Lineáris leképezések 2015. március 9. 1 / 31 Tartalom 1 Mátrixleképezés, lineáris leképezés 2 Alkalmazás: dierenciálhatóság 3 2- és 3-dimenziós

Részletesebben

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján Közelítő és szimbolikus számítások 6. gyakorlat Sajátérték, Gersgorin körök Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján . Mátrixok sajátértékei

Részletesebben

Lineáris leképezések, mátrixuk, bázistranszformáció. Képtér, magtér, dimenziótétel, rang, invertálhatóság

Lineáris leképezések, mátrixuk, bázistranszformáció. Képtér, magtér, dimenziótétel, rang, invertálhatóság 1. Bevezetés A félév anyaga: lineáris algebra Vektorterek, alterek Függés, függetlenség, bázis, dimenzió Skaláris szorzat R n -ben, vektorok hossza és szöge Lineáris leképezések, mátrixuk, bázistranszformáció

Részletesebben

Testek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2.

Testek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2. Vektorok. Melyek egyenlőek az alábbi vektorok közül? (a) (, 2, 0), (b) az (, 0, ) pontból a (2, 2, ) pontba mutató vektor, (c) ( 2,, ) ( 2,, 2), (d) [ 2 0 ], (e) 2. 0 2. Írjuk fel az x + y + 2z = 0 és

Részletesebben

Lineáris Algebra. Tartalomjegyzék. Pejó Balázs. 1. Peano-axiomák

Lineáris Algebra. Tartalomjegyzék. Pejó Balázs. 1. Peano-axiomák Lineáris Algebra Pejó Balázs Tartalomjegyzék 1. Peano-axiomák 2 1.1. 1.................................................... 2 1.2. 2.................................................... 2 1.3. 3....................................................

Részletesebben

Lin.Alg.Zh.1 feladatok

Lin.Alg.Zh.1 feladatok Lin.Alg.Zh. feladatok 0.. d vektorok Adott három vektor ā (0 b ( c (0 az R Euklideszi vektortérben egy ortonormált bázisban.. Mennyi az ā b skalárszorzat? ā b 0 + + 8. Mennyi az n ā b vektoriális szorzat?

Részletesebben

Diszkrét matematika I. gyakorlat

Diszkrét matematika I. gyakorlat Vizsgafeladatok megoldása 2012. december 5. Tartalom Teljes feladatsor #1 1 Teljes feladatsor #1 2 Teljes feladatsor #2 3 Teljes feladatsor #3 4 Teljes feladatsor #4 5 Válogatott feladatok 6 Végső bölcsesség

Részletesebben

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió

6. Előadás. Megyesi László: Lineáris algebra, oldal. 6. előadás Bázis, dimenzió 6. Előadás Megyesi László: Lineáris algebra, 37. 41. oldal. Gondolkodnivalók Lineáris függetlenség 1. Gondolkodnivaló Legyen V valós számtest feletti vektortér. Igazolja, hogy ha a v 1, v 2,..., v n V

Részletesebben

összeadjuk 0-t kapunk. Képletben:

összeadjuk 0-t kapunk. Képletben: 814 A ferde kifejtés tétele Ha egy determináns valamely sorának elemeit egy másik sor elemeihez tartozó adjungáltakkal szorozzuk meg és a szorzatokat összeadjuk 0-t kapunk Képletben: n a ij A kj = 0, ha

Részletesebben

Mátrixok 2017 Mátrixok

Mátrixok 2017 Mátrixok 2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4

Részletesebben

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3

Részletesebben

Mer legesség. Wettl Ferenc 2015-03-13. Wettl Ferenc Mer legesség 2015-03-13 1 / 40

Mer legesség. Wettl Ferenc 2015-03-13. Wettl Ferenc Mer legesség 2015-03-13 1 / 40 Mer legesség Wettl Ferenc 2015-03-13 Wettl Ferenc Mer legesség 2015-03-13 1 / 40 Tartalom 1 Pszeudoinverz 2 Ortonormált bázis ortogonális mátrix 3 Komplex és véges test feletti terek 4 Diszkrét Fourier-transzformált

Részletesebben

17. előadás: Vektorok a térben

17. előadás: Vektorok a térben 17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett

Részletesebben

(1) Vektorok koordinátavektora. 1/3. R A {b 1,b 2,b 3 } vektorhalmaz bázis a V R n altérben.

(1) Vektorok koordinátavektora. 1/3. R A {b 1,b 2,b 3 } vektorhalmaz bázis a V R n altérben. Az informatikus lineáris algebra dolgozat A részének főbb témái, pár mintafeladata Az alábbiakban tájékoztató jelleggel fölsoroljuk a vizsgadolgozat A részében szereplő főbb témaköröket néhány mintafeladattal,

Részletesebben

azonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i

azonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i A Cochran Fisher tételről A matematikai statisztika egyik fontos eredménye a Cochran Fisher tétel, amely a variancia analízisben játszik fontos szerepet. Ugyanakkor ez a tétel lényegét tekintve valójában

Részletesebben

1. Mátrixösszeadás és skalárral szorzás

1. Mátrixösszeadás és skalárral szorzás 1 Mátrixösszeadás és skalárral szorzás Mátrixok tömör jelölése T test Az M = a i j T n m azt az n sorból és m oszlopból álló mátrixot jelöli, amelyben az i-edik sor j-edik eleme a i j T Példák [ ] Ha M

Részletesebben

Lineáris algebra és a rang fogalma (el adásvázlat, szeptember 29.) Maróti Miklós

Lineáris algebra és a rang fogalma (el adásvázlat, szeptember 29.) Maróti Miklós Lineáris algebra és a rang fogalma (el adásvázlat, 2010. szeptember 29.) Maróti Miklós Ennek az el adásnak a megértéséhez a következ fogalmakat kell tudni: (1) A mátrixalgebrával kapcsolatban: számtest

Részletesebben

Összeállította: dr. Leitold Adrien egyetemi docens

Összeállította: dr. Leitold Adrien egyetemi docens Az R n vektortér Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. R n vektortér/1 Vektorok Rendezett szám n-esek: a = (a 1, a 2,, a n ) sorvektor a1 a = a2 oszlopvektor... a n a 1, a 2,,

Részletesebben

1. Absztrakt terek 1. (x, y) x + y X és (λ, x) λx X. műveletek értelmezve vannak, és amelyekre teljesülnek a következő axiómák:

1. Absztrakt terek 1. (x, y) x + y X és (λ, x) λx X. műveletek értelmezve vannak, és amelyekre teljesülnek a következő axiómák: 1. Absztrakt terek 1 1. Absztrakt terek 1.1. Lineáris terek 1.1. Definíció. Az X halmazt lineáris térnek vagy vektortérnek nevezzük a valós számtest (komplex számtest) felett, ha bármely x, y X elemekre

Részletesebben

1. Homogén lineáris egyenletrendszer megoldástere

1. Homogén lineáris egyenletrendszer megoldástere X HOMOGÉN LINEÁRIS EGYENLET- RENDSZEREK 1 Homogén lineáris egyenletrendszer megoldástere Homogén lineáris egyenletrendszer definíciója már szerepelt Olyan lineáris egyenletrendszert nevezünk homogénnek,

Részletesebben

Lineáris Algebra gyakorlatok

Lineáris Algebra gyakorlatok A V 2 és V 3 vektortér áttekintése Lineáris Algebra gyakorlatok Írta: Simon Ilona Lektorálta: DrBereczky Áron Áttekintjük néhány témakör legfontosabb definícióit és a feladatokban használt tételeket kimondjuk

Részletesebben

A hiperbolikus síkgeometria Poincaré-féle körmodellje

A hiperbolikus síkgeometria Poincaré-féle körmodellje A hiperbolikus síkgeometria Poincaré-féle körmodellje Ha egy aiómarendszerre modellt adunk, az azt jelenti, hogy egy matematikai rendszerben interpretáljuk az aiómarendszer alapfogalmait és az aiómák a

Részletesebben

Numerikus módszerek 1.

Numerikus módszerek 1. Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák

Részletesebben

A gyakorlati jegy

A gyakorlati jegy . Bevezetés A félév anyaga: lineáris algebra Vektorterek, alterek Függés, függetlenség, bázis, dimenzió Skaláris szorzat R n -ben, vektorok hossza és szöge Lineáris leképezések, mátrixuk, bázistranszformáció

Részletesebben

1.1. Vektorok és operátorok mátrix formában

1.1. Vektorok és operátorok mátrix formában 1. Reprezentáció elmélet 1.1. Vektorok és operátorok mátrix formában A vektorok és az operátorok mátrixok formájában is felírhatók. A végtelen dimenziós ket vektoroknak végtelen sok sort tartalmazó oszlopmátrix

Részletesebben

Gazdasági matematika II.

Gazdasági matematika II. Gazdasági matematika II. Losonczi László, Pap Gyula Debreceni Egyetem Debrecen, 2007/8 tanév, II. félév Losonczi László, Pap Gyula (DE) Gazdasági matematika II. 2007/8 tanév, II. félév 1 / 186 Félévközi

Részletesebben

Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit.

Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 2. A VALÓS SZÁMOK 2.1 A valós számok aximómarendszere Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 1.Testaxiómák R-ben két művelet van értelmezve, az

Részletesebben

Mat. A2 3. gyakorlat 2016/17, második félév

Mat. A2 3. gyakorlat 2016/17, második félév Mat. A2 3. gyakorlat 2016/17, második félév 1. Hány megoldása lehet az alábbi lineáris egyenletrendszereknek a valós számok körében, ha a -ok tetszőleges (nem feltétlenül egyenlő) számokat jelölnek? 0

Részletesebben

Ortogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41

Ortogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41 Ortogonalizáció Wettl Ferenc 2016-03-22 Wettl Ferenc Ortogonalizáció 2016-03-22 1 / 41 Tartalom 1 Ortonormált bázis 2 Ortogonális mátrix 3 Ortogonalizáció 4 QR-felbontás 5 Komplex skaláris szorzás 6 Diszkrét

Részletesebben

VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok

VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER 2004. október 15. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják

Részletesebben

Matematika szigorlat június 17. Neptun kód:

Matematika szigorlat június 17. Neptun kód: Név Matematika szigorlat 014. június 17. Neptun kód: 1.. 3. 4. 5. Elm. Fel. Össz. Oszt. Az eredményes szigorlat feltétele elméletből legalább 0 pont, feladatokból pedig legalább 30 pont elérése. A szigorlat

Részletesebben

Geometria II gyakorlatok

Geometria II gyakorlatok Geometria II gyakorlatok Kovács Zoltán Copyright c 2011 Last Revision Date: 2012. május 8. kovacsz@nyf.hu Technikai útmutató a jegyzet használatához A jegyzet képernyőbarát technikával készült, a megjelenés

Részletesebben

Transzformációk síkon, térben

Transzformációk síkon, térben Transzformációk síkon, térben Leképezés, transzformáció Leképezés: Ha egy A ponttér pontjaihoz egy másik B ponttér pontjait kölcsönösen egyértelműen rendeljük hozzá, akkor ezt a hozzárendelést leképezésnek

Részletesebben

KOVÁCS BÉLA, MATEMATIKA I.

KOVÁCS BÉLA, MATEMATIKA I. KOVÁCS BÉLA MATEmATIkA I 6 VI KOmPLEX SZÁmOk 1 A komplex SZÁmOk HALmAZA A komplex számok olyan halmazt alkotnak amelyekben elvégezhető az összeadás és a szorzás azaz két komplex szám összege és szorzata

Részletesebben

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István Sajátértékek és sajátvektorok A fizika numerikus módszerei I. mf1n1a06- mf1n2a06 Csabai István Lineáris transzformáció Vektorok lineáris transzformációja: általános esetben az x vektor iránya és nagysága

Részletesebben

Egyenletek, egyenlőtlenségek VII.

Egyenletek, egyenlőtlenségek VII. Egyenletek, egyenlőtlenségek VII. Magasabbfokú egyenletek: A 3, vagy annál nagyobb fokú egyenleteket magasabb fokú egyenleteknek nevezzük. Megjegyzés: Egy n - ed fokú egyenletnek legfeljebb n darab valós

Részletesebben

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek 10. gyakorlat Mátrixok sajátértékei és sajátvektorai Azt mondjuk, hogy az A M n mátrixnak a λ IR szám a sajátértéke, ha létezik olyan x IR n, x 0 vektor, amelyre Ax = λx. Ekkor az x vektort az A mátrix

Részletesebben

Hadamard-mátrixok Előadó: Hajnal Péter február 23.

Hadamard-mátrixok Előadó: Hajnal Péter február 23. Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus

Részletesebben

és n oszlopból áll, akkor m n-es mátrixról beszélünk. (Az oszlopok száma a mátrix vízszintes mérete, a sorok 2 3-as, a ij..

és n oszlopból áll, akkor m n-es mátrixról beszélünk. (Az oszlopok száma a mátrix vízszintes mérete, a sorok 2 3-as, a ij.. Biológia alapszak Matematika I A GY 6/7 félév III MÁTRIXOK SAJÁTÉRTÉK-FELADAT III Mátrixok Definíció Számok téglalap alakú táblázatban való elrendezését mátrix nak nevezzük Ha a táblázat m sorból és n

Részletesebben

Gazdasági matematika II.

Gazdasági matematika II. Gazdasági matematika II. Losonczi László, Pap Gyula Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar 2014. február 16. Losonczi László, Pap Gyula (DE, KTK) Gazdasági matematika II. 2014. február

Részletesebben

Haladó lineáris algebra

Haladó lineáris algebra B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Haladó lineáris algebra BMETE90MX54 Lineáris leképezések 2017-02-21 IB026 Wettl Ferenc

Részletesebben

Gazdasági matematika II.

Gazdasági matematika II. Gazdasági matematika II. Losonczi László, Pap Gyula Debreceni Egyetem Debrecen, 2009/2010 tanév, II. félév Losonczi László, Pap Gyula (DE) Gazdasági matematika II. 2009/2010 tanév, II. félév 1 / 180 Félévközi

Részletesebben

Lin.Alg.Zh.1 feladatok

Lin.Alg.Zh.1 feladatok LinAlgZh1 feladatok 01 3d vektorok Adott három vektor ā = (0 2 4) b = (1 1 4) c = (0 2 4) az R 3 Euklideszi vektortérben egy ortonormált bázisban 1 Mennyi az ā b skalárszorzat? 2 Mennyi az n = ā b vektoriális

Részletesebben

Diszkrét matematika II., 8. előadás. Vektorterek

Diszkrét matematika II., 8. előadás. Vektorterek 1 Diszkrét matematika II., 8. előadás Vektorterek Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2007.??? Vektorterek Legyen T egy test (pl. R, Q, F p ). Definíció.

Részletesebben

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet   takach november 30. 1 Diszkrét matematika I, 12 előadás Dr Takách Géza NyME FMK Informatikai Intézet takach@infnymehu http://infnymehu/ takach 2005 november 30 Vektorok Definíció Egy tetszőleges n pozitív egész számra n-komponensű

Részletesebben

Gazdasági matematika II.

Gazdasági matematika II. Gazdasági matematika II. Losonczi László, Pap Gyula Debreceni Egyetem Debrecen, 2009/10 tanév, II. félév Losonczi László, Pap Gyula (DE) Gazdasági matematika II. 2009/10 tanév, II. félév 1 / 187 Félévközi

Részletesebben

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet 9. Előadás Megyesi László: Lineáris algebra, 75. 84. oldal. Gondolkodnivalók Mátrix rangja 1. Gondolkodnivaló Határozzuk meg a p valós paraméter értékétől függően a következő mátrix rangját: p 3 1 2 2

Részletesebben

Lineáris algebra numerikus módszerei

Lineáris algebra numerikus módszerei Bevezetés Szükségünk van a komplex elemű mátrixok és vektorok bevezetésére. A komplex elemű n-dimenziós oszlopvektorok halmazát C n -el jelöljük. Hasonlóképpen az m n méretű komplex elemű mátrixok halmazát

Részletesebben

1 Lebegőpontos számábrázolás

1 Lebegőpontos számábrázolás Tartalom 1 Lebegőpontos számábrázolás... 2 2 Vektornormák... 4 3 Indukált mátrixnormák és tulajdonságaik... 5 4 A lineáris rendszer jobboldala hibás... 6 5 A kondíciószám és tulajdonságai... 7 6 Perturbációs

Részletesebben

Lineáris algebra I. Kovács Zoltán. Előadásvázlat (2006. február 22.)

Lineáris algebra I. Kovács Zoltán. Előadásvázlat (2006. február 22.) Lineáris algebra I. Kovács Zoltán Előadásvázlat (2006. február 22.) 2 3 Erdős Jenő emlékének. 4 Tartalomjegyzék 1. A szabadvektorok vektortere 7 1. Szabadvektorok összeadása és skalárral való szorzása...............

Részletesebben

Saj at ert ek-probl em ak febru ar 26.

Saj at ert ek-probl em ak febru ar 26. Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre

Részletesebben

Bevezetés az algebrába 2

Bevezetés az algebrába 2 B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Euklideszi tér, ortogonalizáció H607 2018-02-12/03-10

Részletesebben

Szinguláris érték felbontás Singular Value Decomposition

Szinguláris érték felbontás Singular Value Decomposition Szinguláris érték felbontás Singular Value Decomposition Borbély Gábor 7. április... Tétel (teljes SVD. Legyen A C m n mátrix (valósra is jó, ekkor léteznek U C m m és V C n n unitér mátrixok (valósban

Részletesebben

Sztojka Miroszláv LINEÁRIS ALGEBRA Egyetemi jegyzet Ungvár 2013

Sztojka Miroszláv LINEÁRIS ALGEBRA Egyetemi jegyzet Ungvár 2013 UKRAJNA OKTATÁSI ÉS TUDOMÁNYÜGYI MINISZTÉRIUMA ÁLLAMI FELSŐOKTATÁSI INTÉZMÉNY UNGVÁRI NEMZETI EGYETEM MAGYAR TANNYELVŰ HUMÁN- ÉS TERMÉSZETTUDOMÁNYI KAR FIZIKA ÉS MATEMATIKA TANSZÉK Sztojka Miroszláv LINEÁRIS

Részletesebben

MODELLEK ÉS ALGORITMUSOK ELŐADÁS

MODELLEK ÉS ALGORITMUSOK ELŐADÁS MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így

Részletesebben

1. A Hilbert féle axiómarendszer

1. A Hilbert féle axiómarendszer {Euklideszi geometria} 1. A Hilbert féle axiómarendszer Az axiómarendszer alapfogalmai: pont, egyenes, sík, illeszkedés (pont egyenesre, pont síkra, egyenes síkra), közte van reláció, egybevágóság (szögeké,

Részletesebben

Geometria II gyakorlatok

Geometria II gyakorlatok Geometria II gyakorlatok Kovács Zoltán Copyright c 2011 Last Revision Date: 2011. november 29. kovacsz@nyf.hu Technikai útmutató a jegyzet használatához A jegyzet képernyőbarát technikával készült, a megjelenés

Részletesebben

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35

Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35 Szinguláris értékek Wettl Ferenc 2016. április 12. Wettl Ferenc Szinguláris értékek 2016. április 12. 1 / 35 Tartalom 1 Szinguláris érték 2 Norma 3 Mátrixnorma 4 Alkalmazások Wettl Ferenc Szinguláris értékek

Részletesebben

Vektorok. Wettl Ferenc október 20. Wettl Ferenc Vektorok október / 36

Vektorok. Wettl Ferenc október 20. Wettl Ferenc Vektorok október / 36 Vektorok Wettl Ferenc 2014. október 20. Wettl Ferenc Vektorok 2014. október 20. 1 / 36 Tartalom 1 Vektorok a 2- és 3-dimenziós térben 2 Távolság, szög, orientáció 3 Vektorok koordinátás alakban 4 Összefoglalás

Részletesebben

Matematika A2 vizsga mgeoldása június 4.

Matematika A2 vizsga mgeoldása június 4. Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont

Részletesebben

Lineáris algebra Gyakorló feladatok

Lineáris algebra Gyakorló feladatok Lineáris algebra Gyakorló feladatok. október.. Feladat: Határozzuk meg a, 4b, c és a b c vektorokat, ha a = (; ; ; ; b = (; ; ; ; c = ( ; ; ; ;.. Feladat: Határozzuk meg a, 4b, a, c és a b; c + b kifejezések

Részletesebben