ZAGADNIENIA OBOWIĄZUJĄCE NA EGZAMINIE

1. Pojęcie ciała liczbowego. Przykłady. Uzasadnić, że ciało liczbowe zawiera ciało Q.

Ciałem liczbowym nazywamy każdy zbiór liczb zawierający więcej niż jedną liczbę,
w którym wykonalne są wszystkie cztery działania (dodawanie, odejmowanie, mnożenie,
dzielenie) za wyjątkiem dzielenia przez zero. Mówimy, że działania w zbiorze liczb X są
wykonalne, gdy dla każdej pary liczb x1 , x 2 ∈ X ich suma x1 + x 2 ∈ X .
Przykładami ciał liczbowych mogą być zbiory: Q (liczby wymierne), R (liczby rzeczywi-
{
ste), ale również zbiór liczb a + b D : a, b ∈ Q, D ∈ Q+ . }
Każde ciało liczbowe zawiera ciało Q (inaczej: ciało Q jest ciałem minimalnym).
a
D o w ó d: K jest ciałem, zawiera więc liczbę a ≠ 0 . Z wykonalności dzielenia a = 1∈ K
. Stąd na podstawie wykonalności dodawania: 1 +1 = 2 ∈K ,1 + 2 = 3 ∈K , etc . Ogólnie
możemy powiedzieć, że n (dowolna liczba naturalna) należy do K.
Z wykonalności odejmowania mamy: 1 −1 = 0 ∈K ,1 − 2 = −1 ∈K , etc . Ogólnie możemy
powiedzieć, że –n (dowolna liczba naturalna) należy do K.
Z wykonalności dzielenia dowolnych liczb naturalnych n i m otrzymujemy:
n
m ∈ K ,− mn ∈ K , tak więc ciało liczbowe K zawiera ciało Q (zapisujemy: Q ⊂ K .
2. Ciała Zp. Tabelki działań dla Z5.
Wprowadzamy zbiór Zp, gdzie p jest liczbą pierwszą. Z p = {0,1,2,..., p −1} - są to moż-
liwe reszty z dzielenia przez p. W zbiorze tym wprowadzamy działania dodawania i mno-
żenia modulo p. Określamy je następująco: a + b = reszta z dzielenia zwykłej sumy przez
p (w C++: a + b = (a + b)% p ), zaś a ⋅ b = reszta z dzielenia zwykłego iloczynu przez p
(analogicznie: a ⋅ b = (a ⋅ b)% p ). Dla ciał Zp można sporządzić kompletne tabelki działań
(gdyż są skończone).
Dla Z5 mamy:
+ 0 1 2 3 4 * 0 1 2 3 4
0 0 1 2 3 4 0 0 0 0 0 0
1 1 2 3 4 0 1 0 1 2 3 4
2 2 3 4 0 1 2 0 2 4 1 3
3 3 4 0 1 2 3 0 3 1 4 2
4 4 0 1 2 3 4 0 4 3 2 1
3. Wymień postulaty 1-3 konstrukcji ciała C i opisz konstrukcję Hamiltona tych
liczb.
Postulaty konstrukcji ciała C:
1) ciało C zawiera ciało R;
2) równanie z 2 = −1 ma w ciele C co najmniej jedno rozwiązanie;
3) C jest najmniejszym ciałem spełniającym warunki 1) i 2);
Konstruujemy takie ciało metodą Hamiltona. Tworzymy iloczyn kartezjański R x R. Jego
elementami są pary liczb rzeczywistych. W zbiorze tym wprowadzamy działania dodawa-
nia: (a, b) + (c, d ) = (a + c, b + d ) i mnożenia: (a, b) ⋅ (c, d ) = (ac − bd , ad + bc ) . Parę
z = ( a, b) nazywać będziemy liczbą zespoloną, a cały zbiór R x R – zbiorem liczb
zespolonych. Będziemy go oznaczać literą C.

4. Moduł i argument liczby zespolonej i ich własności.

1
Modułem (wartością bezwzględną) liczby zespolonej (postaci z = ( a, b) ) nazywamy
wyrażenie a 2 + b 2 i oznaczamy symbolem | z | . Jeśli potraktujemy liczbę zespoloną z
jako wektor zaczepiony w początku układu współrzędnych i o końcu w punkcie (a,b),
wtedy długością tego wektora jest moduł liczby z. Własności modułu są następujące:
1. | z1 z 2 |=| z1 || z 2 |
z1 z1
2. = , z2 ≠ 0
z2 z2
| z1 + z 2 |≤| z1 | + | z 2 |
3.
|| z1 | − | z 2 ||≤| z1 − z 2 |
Odwołując się nadal do interpretacji wektorowej liczby z, stwierdzamy, iż kierunek
i zwrot wektora z = a + bi możemy określić przez podanie miary ϕ kąta skierowanego,
którego pierwszym ramieniem jest półoś rzeczywista dodatnia, a drugim – wektor z.
Tę miarę nazywamy argumentem liczby z. Jak wiadomo jest ona wieloznaczna i wyraża
się wzorem: ϕ = ϕ0 + 2kπ , gdzie: 0 ≤ ϕ0 ≤ 2π , k ∈ Z . Kąt ϕ0 nazywamy argumentem
głównym. Oznaczamy: ϕ0 = arg z , ϕ = Argz . Własności argumentu są następujące:
1. Argz 1 z 2 = Argz 1 + Argz 2
z1
2. Arg = Argz 1 − Argz 2
z2
3. Argz n = n ⋅ Argz
W szczególności zachodzi tzw. wzór de Moivre’a:
(cos ϕ + i sin ϕ) n = cos nϕ + i sin nϕ
Każdą liczbę zespoloną możemy przedstawić w postaci trygonometrycznej, gdzie:
z = a + bi =| z | ( cos ϕ + i sin ϕ)

5. Pierwiastki z liczb zespolonych.

Pierwiastkiem stopnia n z liczby zespolonej nazywamy taką liczbę w, że w n = z . Takich
liczb jest dokładnie n (prócz 0 – jeden pierwiastek).
Każda liczba zespolona z = a + bi ≠ 0 ma dwa różne pierwiastki drugiego stopnia, okre-
ślone wzorami:


 ± a → b = 0, a ≥ 0;

z =  ± ( − a ) i → b = 0, a < 0;

 ±  a + | z | + s g nb − a + | z |  → b ≠ 0
  2 2 
 
Liczba z = a + bi =| z | ( cos ϕ + i sin ϕ ) ≠ 0 ma dokładnie n różnych pierwiastków n-tego
stopnia. Określone są one wzorem:
 ϕ + 2kπ ϕ + 2kπ 
wk = | z |  cos
n + i sin , k = 0,1,..., n − 1
 n n 

6. Równania algebraiczne stopnia n. Zasadnicze twierdzenie algebry.

Równania algebraiczne drugiego stopnia: az 2 + bz + c = 0 o współczynnikach zespolo-
nych rozwiązujemy w zwykły sposób, tzn. obliczamy wyróżnik ∆ = b 2 − 4ac i stosujemy
−b ± ∆
wzory: z1, 2 = . (zawsze istnieje ∆ ).
2a

2
Równaniem algebraicznym stopnia n nazywamy równanie postaci:
n −1
a n z + a n −1 z + ... + a1 z + a o = 0, a k ∈ C , k = 0,1,..., n, a n ≠ 0 .
n

Zasadnicze twierdzenie algebry:

Równanie algebraiczne stopnia n o współczynnikach zespolonych ma w ciele liczb ze-
spolonych dokładnie n pierwiastków (każdy pierwiastek liczymy tyle razy, ile wynosi
jego krotność).
Np. rozwiązaniem równania z n − 1 = 0 są pierwiastki stopnia n z liczby 1:
2kπ 2kπ
ε k = cos + i sin , k = 0,1,..., n −1 .
n n

7. Określenie macierzy. Działania na macierzach i ich własności.

Macierzą prostokątną A = [aij ] typu m × n nazywamy sekwencje par liczb naturalnych
(i, j ),1 ≤ i ≤ m,1 ≤ j ≤ n , którym przyporządkowany jest dokładnie jeden element aij
ciała K (najczęściej R lub C). Macierz zapisujemy w postaci tablicy:
 a11 a12 ... a1n 
a a 22 ... a 2 n 
A=  21

 ... ... ... ... 

 
a m1 a m 2 ... a mn 
Rzędy poziome tej tablicy nazywamy wierszami (i), a rzędy pionowe kolumnami (j). Gdy
m = n (liczba kolumn równa się liczbie wierszy – macierz kwadratowa stopnia n).
Elementy a ii macierzy kwadratowej A tworzą przekątną główną. Rozróżniamy macierze
dolnotrójkątne ( aij = 0, i < j ), górnotrójkątne ( aij = 0, i > j ) i diagonalne ( aij = 0, i ≠ j ).
Jeśli w macierzy A zamienimy wiersze i kolumny, otrzymamy macierz transponowaną
(oznaczamy AT).
Działania na macierzach:
Sumę A + B otrzymamy po dodaniu odpowiadających sobie wyrazów: A + B = [aij + bij ] .
Dodawanie macierzy jest łączne, przemienne, a element neutralny to 0 (macierz, której
wszystkie elementy to zera).
Iloczyn cA (c – skalar, c ∈ K ) określamy jako macierz [ca ij ] . Oczywiście:
1 ⋅ A = A, c ⋅ (dA ) = (cd ) A, (c + d ) A = cA + dA , c ⋅ ( A + B ) = cA + cB
n

Iloczyn macierzy A ( m × n ) i B ( n × p ) to macierz C ( m × p ) taka, że cik = ∑aij b jk .

j =1

Mnożenie macierzy jest łączne (AB)C=A(BC). Dla macierzy A typu ( m × n ) i macierzy I

stopnia n mamy AI=A. Mnożenie macierzy jest rozdzielne względen dodawania:
(A+B)C=AC+BC. (aA)B=a(AB). Mnożenie macierzy na ogół nie jest przemienne. Za-
chodzi również: (AB)T=BTAT.

8. Definicja wyznacznika.
Definicja rekurencyjna:
1) Jeżeli A = [a] jest macierzą stopnia 1, to jej wyznacznikiem nazywamy liczbę a i pi-
szemy det A = a lub |A| = a.
 a11 a12 
2) Jeżeli A =   jest macierzą stopnia 2, to jej wyznacznikiem nazywamy
a 21 a 22 
liczbę det A = a11 a 22 − a12 a 21

3
 a11 a12 ... a1n 
a a 22 ... a 2 n  n
 jest macierzą stopnia n, to det A = ∑ a1k A1k ,
21
3) Jeżeli A =
 ... ... ... ...  k =1
 
a
 n1 a n2 ... a nn 
1+k
gdzie A1k = (−1) M 1k (dopełnienie algebraiczne), a M 1k (podwyznacznik lub
minor macierzy A) oznacza wyznacznik stopnia n – 1 powstały przez skreślenie w
macierzy A pierwszego wiersza i k-tej kolumny.
Nie ma żadnego powodu, by pierwszy wiersz był uprzywilejowany.

9. Własności wyznaczników.
1) Wyznacznik macierzy dolnotrójkątnej (górnotrójkątnej, diagonalnej) jest iloczynem
elementów przekątnej głównej.
2) Wyznacznik macierzy A równy jest wyznacznikowi macierzy transponowanej AT.
3) Jeżeli macierz A ma wiersz (kolumnę) złożony z samych zer, to det A = 0.
4) Zamiana dwóch wierszy (kolumn) macierzy zmienia znak jej wyznacznika.
5) Jeżeli dwa wiersze (dwie kolumny) wyznacznika macierzy A są równe, to det A = 0.
6) Wspólny czynnik wszystkich elementów jednego wiersza (jednej kolumny) można
wynieść przed znak wyznacznika.
7) Jeżeli dwa wiersze (dwie kolumny) wyznacznika macierzy A są proporcjonalne, to
det A = 0.
8) Niech wszystkie elementy i-tego wiersza (j-tej kolumny) wyznacznika będą sumami
dwóch składników. Wówcza wyznacznik jest równy sumie wyznaczników:
a11 a12 ... a1n a11 a12 ... a1n a11 a12 ... a1n
a 21 a 22 ... a2n a 21 a 22 ... a2n a 21 a 22 ... a2n
... ... ... ... ... ... ... ... ... ... ... ...
= +
ai1 + a *
i1 ai 2 + a *
i2 ... ain + a *
in a i1 ai 2 ... a in a *
i1 a *
i2 ... ain*
... ... ... ... ... ... ... ... ... ... ... ...
a n1 an2 ... a nn a n1 an2 ... a nn a n1 an2 ... a nn
9) Jeżeli do elementów jednego wiersza (jednej kolumny) wyznacznika dodamy odpo-
wiednie elementy innego wiersza (innej kolumny) pomnożone przez dowolną liczbę
to wartość wyznacznika nie ulegnie zmianie.

10. Twierdzenie Cramera.

Układ n równań o n niewiadomych:
a11 x1 +a12 x 2 +... +a1n x n =b1
a 21 x1 +a 22 x 2 +... +a 2 n x n =b2
.......... .......... .......... .......... .....
a n1 x1 +a n 2 x 2 +... +a nn x n =bn
nazywa się układem Cramera, jeśli det A = det[ aij ] ≠ 0 (A nazywamy macierzą układu).
Twierdzenie Cramera:
Układ Cramera ma dokładnie jedno rozwiązanie. Jest one dane wzorem:
det Ak
xk = (k = 1,2,..., n)
det A
gdzie macierz Ak powstaje z macierzy A przez zastąpienie k-tej kolumny kolumną utwo-
rzoną z wyrazów b1,b2,…,bn.
Dowód:

4
Lemat 1. Niech A = [ a ij ] będzie macierzą kwadratową, Aij dopełnieniem algebraicznym
n n
elementu aij. Jeżeli i ≠ k , to ∑aij Akj = 0 . Podobnie jeśli j ≠ k to
j =1
∑a ij Aik = 0 .
i =1

det Ak
KROK 1. Wykażemy, że jeśli układ ma rozwiązanie x1 , x 2 ,..., x n , to x k = dla (
det A
k =1,2,..., n ).
Zakładamy, że x1 , x 2 ,..., x n jest rozwiązaniem układu. Pomnożymy kolejne równania
przez dopełnienia A1k , A2 k ,..., Ank elementów k-tej kolumny:
a11 x1 + a12 x 2 +... + a1n x n = b1 /⋅ A1k
a 21 x1 + a 22 x 2 +... + a 2 n x n = b2 /⋅ A2 k
.......... .......... .......... .......... .....
a n1 x1 + a n 2 x 2 +... + a nn x n = bn /⋅ Ank
a następnie dodamy wszystkie równania stronami i pogrupujmy wg niewiadomych:
 n   n   n  n
 ∑ i1 ik  1
a A x + ... +  ∑ ik ik  k
a A x + ... +  ∑ in ik  n ∑ bi Aik
a A x =
 i =1   i =1   i =1  i =1

Na podstawie lematu wnioskujemy, że po lewej stronie tylko jeden składnik jest nieze-
rowy – ten zawierający xk. Co więcej, współczynnik przy tej niewiadomej wynosi det A .
Natomiast prawa strona jest rozwinięciem wyznacznika det Ak . Zatem
det Ak
xk = , k = 1,2,..., n
det A
KROK 2. Sprawdzimy, że rozwiązanie xk rzeczywiście spełnia równanie układu. Po pod-
stawieniu do s-tego równania otrzymujemy:
det A1 det A2 det An 1
a s1 + as2 + ... + a sn = [a s1 (b1 A11 + ... + bn An1 ) + .... + a sn (b1 A1n + ... + bn Ann )] =
det A det A det A det A
1 1
[b1 (a s1 A11 + ... + a sn A1n ) + ... + bn (a s1 An1 + ... + a sn Ann )] = bs det A = bs
det A det A
det Ak
11. Przestrzeń liniowa. Przestrzenie Rn, Cn, R ∞ , C(0,1).
Przestrzeń liniowa (inaczej wektorowa) V nad ciałem K jest to system algebraiczny (V, K,
+, *) składający się ze zbioru V (zbioru wektorów), ciała K (skalarów), działania +:
V ×V → V (dodawania wektorów), działania ⋅ : K ×V → V (mnożenia wektora przez ska-
lar), w którym spełnione są następujące aksjomaty:
1) dodawanie wektorów jest łączne: (x + y) + x = x + (y + z);
2) dodwanie wektorów jest przemienne: x + y = y + z;
3) istnieje wektor zerowy 0: 0 + x = x + 0 = x;
4) dla każdego wektora v istnieje wektor przeciwny –v: x + (-x) = 0;
5) mnożenie wektora przez liczbę jest łączne, a * (b * x) = (a * b) * x;
6) pomnożenie wektora przez 1 daje ten sam wektor 1 * x = x;
7) mnożenie wektora przez liczbę jest rozdzielne ze względu na sumę wektorów
oraz ze względu na sumę skalarów: a * (x + y) = a * x + a * y (a + b) * x =
a*x + b*x.

Przestrzeń Rn lub Cn: Określamy dla n = 1,2,...: R n (C n ) = {(α 1 , α 2 ,...,α n ) : α ∈ R(C )} .

W zbiorach Rn lub Cn wprowadzamy dodawanie wektorów po współrzędnych i mnożenie
wektora przez liczbę jako mnożenie każdej współrzędnej wektora przez tę liczbę. Aksjo-
maty przestrzeni liniowej są wtedy spełnione.

5
Przestrzeń R ∞ : oznacza zbiór wszystkich ciągów nieskończonych o wyrazach rzeczywi-
stych. Znając działania dodawania i mnożenia ciągów przez liczbę, stwierdzamy, że zbiór
ten jest przestrzenią liniową.
Przestrzeń C(0,1): oznacza zbiór wszystkich funkcji ciągłych określonych na przedziale
[0, 1]. Działanie dodawania i mnożenia przez liczbę są w zbiorze C(0,1) wykonalne (suma
f. ciągłych jest f. ciągłą; iloczyn f. ciągłej i stałej jest również f. ciągłą).

12. Podprzestrzeń. Uzasadnić, że zbiór rozwiązań układu jednorodnego jest

podprzestrzenią.
Podprzestrzeń W przestrzeni wektorowej V jest to podzbiór przestrzeni V, który sam jest
przestrzenią wektorową ze względu na działania dodawania i mnożenia przez skalary
w przestrzeni V. Podzbiór W jest więc podprzestrzenią wtedy i tylko wtedy, gdy suma
dowolnych dwóch wektorów zbioru W należy do W i iloczyn dowolnego wektora
z W przez skalar należy do W.
Zbiór rozwiązań układu jednorodnego ( x1 , x 2 ,..., x n ) jest podprzestrzenią przestrzeni
Rn, gdyż:
Jeśli ( x1 , x 2 ,..., x n ) i ( y1 , y 2 ,..., y n ) są rozwiązaniami układu, to także liczby
x1 + y1 , x 2 + y 2 ,..., x n + y n stanowią rozwiązanie tego układu, bo:
a1 ( x1 + y1 ) + a 2 ( x 2 + y 2 ) + ... + a n ( x n + y n ) = a1 x1 + a 2 x 2 + ... + a n x n + a1 y1 + a 2 y 2 + ... + a n y n = 0
. Rozwiązaniem jest również: ( cx 1 , cx 2 ,..., cx n ).

13. Podprzestrzeń generowana przez zbiór wektorów. Opisać podprzestrzenie

generowane przez a) 1, x, x2; b) 1, 1 + x, 1 + x + x2 w C(0,1).
Dla dowolnych v1 , v 2 ,..., v m ∈V , zbiór wszystkich kombinacji liniowych:
λ1 x1 + λ2 x 2 + ... + λm x m , (λi ∈ K )
jest podprzestrzenią.
Zbiór wszystkich kombinacji liniowych wektorów należących do jakiegoś podzbioru
przestrzeni V jest podprzestrzenią przestrzeni V. Ta podprzestrzeń jest najmniejszą
podprzestrzenią zawierającą wszystkie wektory podzbioru: nazywamy ją podprzestrzenią
generowaną przez wektory lub rozpiętą na nich.
a) Jest to przestrzeń wielomianów W2, czyli wielomianów stopnia nie większego niż 2.
Jest ona podprzestrzenią wielomianów Wn. Każdy wielomian jest kombinacją tych
jednomianów (są one niezależne liniowo). Np. 2 x 2 − 3 x + 12 = (12,−3,2) B , gdzie B
oznacza bazę 1, x, x 2 .
b) Jest to również przestrzeń W2 jednak bazę tworzą wektory 1, 1 + x, 1 + x + x2. Podob-
nie jak w powyższym przykładzie każdy wielomian jest kombinacją tych wektorów.
Np. x + 2x2 = -1 - (1 + x) + 2 (1 + x + x2) = (-1, -1, 2)B, gdzie B oznacza bazę 1, 1 + x,
1 + x + x2.

14. Wektory liniowo niezależne. Baza przestrzeni. W R4 podać zbiory wektorów: a)

liniowo niezależnych nietworzących bazy; b) tworzących bazę; c) generujących prze-
strzeń, ale nietworzących bazy.
Wektory v1 , v 2 ,..., v n ∈V nazywamy liniowo niezależnymi, jeśli jedyną kombinacją li-
niową wektorów v1 , v 2 ,..., v n równą zero jest kombinacja, w której wszystkie
współczynniki są równe zeru, czyli:
(λ1v1 + λ2 v 2 + ... + λn v n = 0) ⇒ (λ1 = λ2 = λn = 0)

6
Zbiór wektorów {vt }t∈T nazywamy bazą przestrzeni V, gdy:

1) dowolny skończony podzbiór {vt1 , vt2 , . v. tn.}, jest liniowo niezależny,

2) dla dowolnego wektora w ∈V istnieją wektory vt , vt ,..., vt 1 2 n

i elementy
n
ciała λ1 , λ2 ,..., λn takie, że w = ∑λi vt . i
i =1

a) wektory niezależne nietworzące bazy:

v1 = (1,0,0,0), v 2 = (0,1,0,0), v 3 = (0,0,1,0)
b) wektory tworzące bazę:
v1 = (1,0,0,0), v 2 = (0,1,0,0), v 3 = (0,0,1,0), v 4 = (0,0,0,1)
c) wektory generujące przestrzeń nietworzące bazy:
v1 = (1,0,0,0), v 2 = (0,1,0,0), v 3 = (0,0,1,0), v 4 = (0,0,0,1), v5 = (1,1,1,1)

15. Co nazywamy współrzędnymi wektora względem bazy i czy są one określone

jednoznacznie?
Jeżeli wektory v1 , v 2 ,..., v n tworzą bazę przestrzeni V, to każdy wektor w ∈V da
n
się przedstawić w postaci: w = ∑ λi vi kombinacji liniowej wektorów vi . Skalary λi
i =1

nazywamy współrzędnymi wektorów w bazie v1 , v 2 ,..., v n . Podanie współrzędnych

określa wektor, co zapisujemy: w = (λ1 , λ2 ,... λn ) .
Ten sam wektor ma różne przedstawienia w różnych bazach, gdyż współczynniki λi są
różne w zależności od wektorów v1 , v 2 ,..., v n , które tworzą bazę.

16. Metoda eliminacji Gaussa.

Metoda eliminacji Gaussa służy rozwiązywaniu układów równań postaci:
a11 x1 +a12 x 2 +... +a1n x n =b1
a 21 x1 +a 22 x 2 +... +a 2 n x n =b2
.......... .......... .......... .......... .....
a n1 x1 +a n 2 x 2 +... +a nn x n =bn

7
Kolejne etapy rozwiązywania takiego układu:
1) Tworzymy macierz uzupełniona układu (ostatnia kolumna oddzielona kreską):
 a11 a12 ... a1n b1 
a 
 21 a 22 ... a 2 n b2 
 ... ... ... ... ... 
 
a m1 a m 2 ... a mn bm 

2) Jeśli a11 ≠ 0 , to dzielimy pierwszy wiersz przez a11 (wtedy wyraz wiodący
wynosi 1) i posługując się tym wierszem, uzyskamy zera w pierwszej kolumnie – od
wiersza drugiego odejmujemy wiersz pierwszy pomnożony przez a 21 itd. Gdyby
a11 = 0 , a np. a k 1 ≠ 0 , to przestawiamy najpierw wiersz pierwszy z k-tym – i dalej jak
poprzednio.
3) To postępowanie kontynuujemy dla kolejnych wierszy (aż do n-tej kolumny)
W wyniku powyższych kroków otrzymujemy macierz schodkową. Istnieją trzy możliwe
przypadki:
I. w otrzymanej macierzy występuje wiersz: (0 0 … 0 | 1) – układ sprzeczny.
II. nie ma wierszy postaci (0 0 … 0 | 1) i liczba niezerowych wierszy jest równa liczbie
niewiadomych, tzn. macierz postaci:
1 * ... * b1 
0 1 ... * b 
 2

... ... ... ... ... 

 
0 0 ... 1 bn 
Oznacza to, że x n = bn . Po podstawieniu do równania (n – 1)-szego obliczamy x n −1 itd.
Rozwiązanie jest tylko jedno.
III. W macierzy nie ma wierszy postaci (0 0 … 0 | 1),, ale występują kolumny niewiodące.
Stosujemy, jak wyżej, podstawienie wsteczne, ale niewiadomym, które odpowiadają ko-
lumnom niewiodącym nadajemy dowolne wartości (będą one parametrami rozwiązania).

17. Rząd macierzy – definicja i metody obliczania.

Rzędem macierzy A (typu m × n ) (oznaczamy R(A)) nazywamy wymiar podprzestrzeni
przestrzeni Km, która jest generowana przez wiersze macierzy A (traktowane jako wek-
tory przestrzeni Km).
Metody obliczania:
1) Macierz A sprowadzamy za pomocą operacji elementarnych do postaci schodkowej.
Rząd macierzy jest równy liczbie niezerowych wierszy w postaci schodkowej tej ma-
cierzy.
2) Możemy skorzystać z twierdzenia: Jeżeli macierz zawiera minor stopnia r różny od
zera, dla którego wszystkie zawierające go minory stopnia r + 1 (minory obrzeżające)
są równe zero, to rząd tej macierzy jest równy r. Zatem rząd macierzy jest równy naj-
wyższemu ze stopni różnych od zera minorów tej macierzy.

18. Twierdzenie Kroneckera-Capellego z dowodem.

Treść twierdzenia:
Układ:

8
 a11 x1 +a12 x 2 +... +a1n x n =b1
a 21 x1 +a 22 x 2 +... +a 2 n x n =b2
.......... .......... .......... .......... .....
a n1 x1 +a n 2 x 2 +... +a nn x n =bn
Ma rozwiązanie wtedy i tylko wtedy, gdy rząd macierzy układu ( R(A) ) równa jest rzę-
dowi macierzy uzupełnionej układu ( R(B) ).
D o w ó d:
Jeżeli układ ma rozwiązanie, to istnieją elementy x j ∈K spełniające powyższy układ
równań, a więc i równanie wektorowe: x1v1 + x 2 v 2 + ... + x n v n = w . Z równania tego wy-
nika, że wektor w jest kombinacja liniową wektorów v1 , v 2 ,..., v n . Tym samym w
należy do przestrzeni rozpiętej na wektorach v1 , v 2 ,..., v n . Zatem wymiary
przestrzeni generowanych przez { v1 , v 2 ,..., v n } i { v1 , v 2 ,..., v n , w } są takie same,
a to oznacza, że R(A)=R(B).
Odwrotnie, jeśli R(A)=R(B)= r, to wśród wektorów v1 , v 2 ,..., v n jest r liniowo
niezależnych – niech to będą v1 , v 2 ,..., v r . Ale R(B) = r, więc wśród wektorów
v1 , v 2 ,..., v n , w jest też tylko r liniowo niezależnych. Muszą to być v1 , v 2 ,..., v r .
Pozostałe sa od nich liniowo zależne. W szczególności w jest kombinacją liniową
wektorów , v1 , v 2 ,..., v r , a więc i wektorów v1 , v 2 ,..., v n . Tym samym istnieją
elementy x j ∈K spełniające równanie wektorowe: x1v1 + x 2 v 2 + ... + x n v n = w .

19. Reguła rozwiązywania układu równań liniowych.

• Obliczamy rzędy macierzy układu i macierzy uzupełnionej. Jeśli są równe (tzn.
układ jest niesprzeczny), to znajdujemy niezerowy minor M stopnia r, równy rzę-
dowi obu macierzy.
• Bierzemy r tych równań, których współczynniki wchodzą do minora M; pozostałe
równania odrzucamy; r niewiadomych, które wchodzą do minora M przyjmujemy
za niewiadome główne; pozostają one po lewej stronie równania. Pozostałe n – r
niewiadomych są niewiadomymi swobodnymi – przenosimy je na prawą stronę
równań.
• Za pomocą wzorów Cramera lub metodą eliminacji znajdujemy wzory na niewia-
dome główne, wyrażone przez niewiadome swobodne. Otrzymane równości na-
zywają się rozwiązaniem ogólnym.
• Jeśli niewiadomym swobodnym przypiszemy konkretne wartości, to z rozwiązania
ogólnego można obliczyć wartości niewiadomych głównych. Otrzymamy kon-
kretne rozwiązanie wyjściowego układu równań, które można nazwać rozwiąza-
niem szczególnym.

20. Przekształcenie liniowe. Uzasadnić, że operatory różniczkowania, obliczania

granicy i całkowania są liniowe (określić przestrzenie, na których działają).
Przekształceniem liniowym f : V →W nazywamy przekształcenie spełniające warunek:
f (λv +ηw) = λf (v) +ηf ( w) dla każdego λ,η ∈K , v, w ∈V .
Różniczkowanie: V – przestrzeń wielomianów stopnia co najwyżej n, W – przestrzeń
wielomianów stopnia co najwyżej n – 1;
Operator różniczkowania: D : V → W (przyporządkowuje wielomianowi jego pochodną).
Dla dowolnych wielomianów p(x) i q(x), a także stałej c mamy:
D (c ⋅ p ( x ) + q ( x) = (c ⋅ p ( x ) + q ( x))' = (c ⋅ p ( x ))' +(q ( x))' = D (c ⋅ p ( x)) + D ( q ( x)) = cD ( p ( x)) + D ( q
Operator różniczkowania jest więc liniowy.
Obliczanie granicy: V – przestrzeń ciągów zbieżnych (a n ) ; W = R;

9
Operator obliczania granicy: L(( a n )) = lim
n →∞
(a n ), L : V → W .
Dla dowolnego ciągu (a n ) i (bn ) mamy:
L(c ⋅ (a n ) + (bn )) = lim c ⋅ ( a n ) + lim (bn ) = c ⋅ lim (a n ) + lim(bn ) = c ⋅ L(( a n )) + L((bn ))
n →∞ n →∞ n →∞ n →∞

Całkowanie: V = W = C(0,1)
x

Operator całkowania: f ( x)  ∫ f (t )dt

0

Dla dowolnych funkcji f (t ), g (t ) ∈C (0,1) mamy:

x x x x x

∫ [c ⋅ f (t ) + g (t )]dt
0
= ∫ c ⋅ f (t )dt + ∫ g (t )dt = c ⋅ ∫ f (t )dt + ∫ g (t )dt
0 0 0 0

21. Macierz przekształcenia liniowego. Przykłady – macierz obrotu płaszczyzny,

macierz operatora D w przestrzeni wielomianów.
Istnieje wzajemnie jednoznaczne przyporządkowanie pomiędzy przekształceniami linio-
wymi f : V →W a macierzami A = [a ij ] typu m × n o wyrazach z ciała K. Jeżeli dane
jest f, to odpowiadająca mu macierz A jest macierzą, której j-ta kolumna składa się ze
współrzędnych wektorów f (v j ) ; jeśli dana jest macierz A = [a ij ] , to f jest jedynym
przekształceniem liniowym przeprowadzającym każdy wektor bazy {v j } przestrzeni V
na j-tą kolumnę ( a1 j , a 2 j ,..., a mj ) macierzy A.
Niech V = W = R2, f : V →W będzie obrotem płaszczyzny dookoła początku układu o
ustalony kąt ϕ. Jeżeli w obu przestrzeniach rozpatrujemy bazy kanoniczne, to
f (e1 ) = (cos ϕ, sin ϕ), f (e2 ) = (− sin ϕ, cos ϕ) . Zatem macierz obrotu ma postać:
cos ϕ − sin ϕ
A =
sin ϕ cos ϕ 
Niech V będzie przestrzenią wielomianów stopnia co najwyżej n, a W przestrzenią wie-
lomianów stopnia co najwyżej n – 1 i D : V → W (operator różniczkowania). W bazach
{1, x,... x n }, {1, x,... x n −1 } mamy:

0 1 0 ... 0 0
0 0 2 ... 0 0
 
D = ... ... ... ... ... ... 
 
0 0 0 ... n −1 0

0 0 0 ... 0 n 

 23 − 12 
22. Macierz przekształcenia złożonego. Uzasadnij, że dla macierzy: A=  1 3
 2 2 
jest A12=I.
Macierzą złożenia f = g  h jest macierz C = AB (A macierz g, B macierz h).

10
  23 − 12 

π
Macierz przekształcenia A = 
3
rozpoznajemy jako macierz obrotu płaszczyzny o
 2 2 
1

kąt ϕ = a rc c o s23() = π . Zatem macierz A12 odpowiada dwunastokrotnemu obrotowi

6

płaszczyzny o kąt 6
, ergo 1 2⋅ π6 = 2π , więc macierz A12 wygląda
następująco:

1 0
A12 =  . Jest więc to macierz jednostkowa I.
0 1


23. Wykazać, że złożenie przekształceń liniowych jest przekształceniem liniowym.

1

Opisz złożenie ( ∫  D )( f ), f ∈W .
0

Złożenie przekształceń liniowych jest przekształceniem liniowym.

D o w ó d:
Niech f = g  h i x, y ∈V ,η, λ ∈K :
f (ηx + λy ) = g ( h(ηx + λy )) = g (η ⋅ h( x) + λ ⋅ h( y )) = η ⋅ g ( h( x )) + λ ⋅ g ( h( y )) = η ⋅ f ( x) + λ ⋅ f ( y )
1 1

Złożenie g ( f ) = ( ∫  D )( f ), f ∈W możemy zapisać jako: ∫ f ' ( x)dx = f (1) − f (0) .

0 0

Zatem g : W →V , gdzie V = R.

24. Definicja macierzy odwrotnej. Podać i uzasadnić warunek jaki musi spełniać ma-
cierz mająca macierz odwrotną.
Wprowadzamy przekształcenia f : V →V oraz g : V →V . Jeżeli: f  g = g  f = id V (idV
to przekształcenie tożsamościowe), to g nazywamy przekształceniem odwrotnym
względem f i oznaczamy g = f -1.
Ponieważ złożeniu przekształceń odpowiada złożenie macierzy zapisujemy:
AA −1 = A −1 A = I . Macierz A-1 nazywamy macierzą odwrotną względem A.
Aby macierz posiadała macierz odwrotną jej wyznacznik musi być różny od zera (zapi-
sujemy det A ≠ 0 , macierz musi być nieosobliwa). Aby uzasadnić ten warunek
posłużymy się twierdzeniem Cauchy’ego:
Dla dowolnych macierzy kwadratowych A i B tego samego stopnia: det AB = det A ⋅ det B .
Ergo: det AA −1 = det A ⋅ det A −1 = det I = 1 . Wnioskujemy, że macierz posiadająca macierz
odwrotną nie może mieć wyznacznika równego 0.

25. Podać metody obliczania macierzy odwrotnej.

Sposób 1. Zastosować wzór:
 A11 A21 ... An1 
 
−1 1  A12 A22 ... An 2 
A =
det A  ... ... ... ... 
 
 A1n A2 n .. Ann 
Od strony praktycznej wygląda to następująco: obliczamy wyznacznik (musi być nieze-
rowy), tworzymy macierz minorów [ M ij ], zmieniamy znaki odpowiednich elementów,

11
twoarzac macierz dopełnień algebraicznych [ Aij ], tę macierz transponujemy – wynikiem
jest tzw. macierz dołączona AD = [ A ji ], wreszcie dzielimy ją przez wyznacznik.
Sposób 2. Skorzystamy z twierdzenia:
Jeżeli macierz I jest otrzymana przez operacje elementarne na wierszach z macierzy A, to
macierz A-1 powstaje z macierzy I w wyniku wykonania tych samych operacji elementar-
nych.
Praktycznie zapisujemy macierze A i I obok siebie, a następnie wykonujemy elementarne
operacje na wierszach, by uzyskać macierze I i A-1 obok siebie.

26. Macierz przejścia od bazy do bazy. W szczególności opisać jak tworzymy macierz
przejścia od bazy B do bazy standardowej i odwrotnie – od bazy standardowej do B.
Niech V będzie przestrzenią liniową n-wymiarową i niech B = {v j } i D = {wi } będą
dwiema bazami tej przestrzeni. Macierz przejścia od bazy B do bazy D, P = [ pij ] okre-
ślamy jako macierz przekształcenia tożsamościowego id : V → V wyliczoną dla baz B (w
dziedzinie) i D (w przeciwdziedzinie). Jej j-tą kolumnę tworzą współrzędne wektora v j
n
w bazie wi , tj. mamy: v j = ∑ pij wi , dla j =1,2,..., n .
i =1

Jeśli trzeba zaakcentować bazy, to piszemy PD ←B zamiast P.

Aby utworzyć macierz przejścia od bazy B do bazy standardowej PS ←B należy wpisać w
kolumny macierzy współrzędne wektorów tworzących bazę B. Aby utworzyć macierz
przejścia od bazy standardowej do bazy B należy (korzystając z zależności:
PB ←D = ( PD ←B ) −1 ) znaleźć macierz odwrotną ( PS ←B ) −1 = PB ←S .

27. Jądro i obraz przekształcenia liniowego. Uzasadnić, że jądro jest

podprzestrzenią.
Dla f : V →W :
Jądro przekształcenia definiujemy następująco: ker f = {v ∈V : f (v) = 0} , a obraz prze-

kształcenia: im f = {w∈ W : istnieje v ∈V takie, żę f (v) = w} .

Udowadniamy, że jądro przekształcenia jest podprzestrzenią V :
Wprowadzamy dwa wektory v1 i v2, które należą do jądra przekształcenia f. Mamy więc:
f (v1 ) = 0, f (v 2 ) = 0 . Na mocy definicji przekształcenia liniowego, wiemy także, że:
f (v1 + v 2 ) = f (v1 ) + f (v 2 ) = 0 , a także f (cv1 ) = cf (v1 ) = 0 . Tak więc suma dwóch
dowolnych wektorów należących do jądra przekształcenia i iloczyn dowolnego wektora
należącego do jądra przekształcenia przez skalar również należą do jądra przekształcenia.
Jądro jest więc podprzestrzenią.

28. Podprzestrzeń niezmiennicza przekształcenia. Czy podprzestrzeń Wn przestrzeni

W wszystkich wielomianów jest niezmiennicza ze względu na a) operator D, b)
1 x

operator całkowania ∫
0
, c) operator całkowania ∫0
.

Niech f : V →W będzie przekształceniem liniowym. Podprzestrzeń W ⊂ V nazywamy

niezmienniczą względem f, jeżeli f ( w) ∈W dla każdego w ∈W .

12
a) TAK, gdyż po zróżniczkowaniu wielomianu stopnia n otrzymujemy wielomian stop-
nia co najwyżej n – 1, który również należy do Wn (jest to zbiór wielomianów stop-
nia co najwyżej n).
1

b) TAK, gdyż po scałkowaniu wielomianu stopnia n operatorem ∫

0
otrzymujemy war-

tość ze zbioru liczb rzeczywistych, a więc ze zbioru wielomianów stopnia zerowego

(wyrazy wolne).
x

c) NIE, gdyż po scałkowaniu wielomianu stopnia n operatorem ∫

0
otrzymujemy

wielomian stopnia n+1, a więc dla w ∈Wn : f ( w) ∉W .

29. Wektor własny, wartość własna, równanie charakterystyczne. Przykład

przekształcenia niemającego wektorów własnych.
Niech f : V→V będzie przekształceniem liniowym. Wektor v∈V, v ≠ 0, spełniający
związek f (v) = λ v dla pewnego λ ∈ K nazywamy wektorem własnym, a odpowiadającą
liczbę λ - wartością własną przekształcenia liniowego f.

a11 − λ a12 ... a1n

a 21 a 22 − λ ... a2n
Równanie charakterystyczne: =0
... ... ... ...
a n1 an2 ... a nn − λ

det( A − λΙ) = 0
A −λΙ =0
Przykładem przekształcenia niemającego wektorów własnych może być obrót płaszczy-
zny dookoła O o kąt φ, gdzie φ ≠ 0 ∧ φ ≠ π .

30. Udowodnić, że w skończenie wymiarowej przestrzeni zespolonej V każdego

przekształcenie liniowe f : V →V ma wektor własny.
D o w ó d:
Niech A = [aij] będzie macierzą przekształcenia f w pewnej bazie przestrzeni liniowej V.
Jeżeli v = (x1, x1,...,xn) jest wektorem własnym, tj. f (v) = λ v dla pewnego λ ∈ K, to:
AvT = λ vT
Ta równość wektorowa jest równoważna układowi równań:
a 11 x 1 + a 12 x 2 +  + a 1n x n = λx 1
a 21 x 1 + a 22 x 2 +  + a 2 n x n = λx 2

a n1 x 1 + a n 2 x 2 +  + a nn x n = λx n ,
czyli
( a 11 − λ ) x 1 + a 12 x 2 +  + a 1n x n = 0
a 21 x 1 + ( a 22 − λ ) x 2 +  + a 2 n x n = 0

a n1 x 1 + a n 2 x 2 +  + ( a nn − λ ) x n = 0 (*) .

Układ taki ma rozwiązanie niezerowe wtedy i tylko wtedy, gdy liczba λ spełnia warunek:
a11 − λ a12 ... a1n
a 21 a 22 − λ ... 13 a 2 n
=0 (**)
... ... ... ...
a n1 an 2 ... a nn − λ
Lewa strona tej równości jest wielomianem zmiennej λ stopnia n. Na mocy zasadniczego
twierdzenia algebry powyższe równanie ma co najmniej jeden pierwiastek λ 0. Jeżeli (x1,
x2,...,xn) jest jakimkolwiek rozwiązaniem niezerowym układu otrzymanego z układu (*)
po podstawieniu λ = λ 0, to wektor (x1, x2,...,xn) jest własny.

31. Wyjaśnić geometrycznie (bez rachunków) jakie są wartości własne przekształceń:

a) jednokładność płaszczyzny o skali s; b) obrót płaszczyzny dookoła O o kąt φ; c)
symetria płaszczyzny względem osi Oy; d) obrót przestrzeni dookoła osi Oz; e) syme-
tria przestrzeni względem płaszczyzny Oxy.

a) wartością własną jednokładności płaszczyzny o skali s jest λ = s , gdyż po

przekształceniu wektora v otrzymujemy wektor sv.
b) Jeżeli φ ≠ 0 ∧ φ ≠ π to wartość własna przekształcenia nie istnieje; jeśli φ = 0 to
przekształcenie jest tożsamościowe, a więc λ = 1 ; jeśli φ = π to przekształcenie
jest symetrią środkową i λ = −1 .
c) Wektorami własnymi tego przekształcenia są wektory: leżące na osi Oy (wtedy
wartość własna λ = 1 , gdyż po przekształceniu wektor nie zmienia swych
współrzędnych) oraz leżące na osi Ox (wtedy λ = −1 ).
d) Podobnie jak w przypadku obrotu płaszczyzny o kąt φ w przypadku, gdy obracamy
przestrzeń o kąty φ ≠ 0 ∧ φ ≠ π a wektor nie leży na osi Oz to wartość własna nie
istnieje. Oczywiste jest, że dla φ = 0 przekształcenie jest tożsamościowe ( λ = 1 )
dla każdego wektora. Dla φ = π w przypadku, kiedy wektor leży w płaszczyźnie
Oxy przekształcenie ma wartość własną λ = −1 . Gdy wektor leży na osi Oz to
przekształcenie jest tożsamościowe dla dowolnego kąta φ.
e) Wektorami własnymi przekształcenia są wektory: leżące na osi Oz (wektor
„przechodzi” na część ujemną osi Oz i λ = −1 ) i leżące na płaszczyźnie Oxy (wtedy
λ = 1 , gdyż wektor nie zmienia swych współrzędnych).

32. Niech D : Wn →Wn będzie operatorem różniczkowania. Czy istnieją wartości

własne i wektory własne? Potwierdzić odpowiedź analizą macierzy D.
Macierz przekształcenia D : Wn →Wn wygląda następująco:
0 1 0 ... 0 0
0 0 2 ... 0 0
 
... ... ... ... ... ... 
D = 
0 0 0 ... n −1 0
0 0 0 ... 0 n
 
0
 0 0 ... 0 0 
Więc równanie charakterystyczne będzie miało postać:
−λ 1 0 ... 0 0
0 −λ 2 ... 0 0
... ... ... ... ... ...
= ( −λ) n = 0
0 0 0 ... n −1 0
0 0 0 ... −λ n
0 0 0 ... 0 −λ
Tak więc wartość własna λ = 0 . Wektor własny otrzymamy przez rozwiązanie poniż-
szego układu równań:

14
1 ⋅ x2 = 0
2⋅ x = 0
 3
 ...
 (n − 1) ⋅ x = 0
 n− 1

 n ⋅ xn = 0
i podstawieniu x1 = a (w macierzy schodkowej układu niewiodącym wierszem jest
wiersz pierwszy) otrzymujemy wektor własny v = (a,0,0,..., 0) . Interpretując otrzymany
wynik, stwierdzamy, że po zróżniczkowaniu stałej a (czyli odpowiadającego jej wektora
v) otrzymujemy 0.

33. Definicja iloczynu skalarnego w przestrzeni rzeczywistej. Przykład iloczynu w

C(a,b).
Będziemy mówili, że w przestrzeni rzeczywistej V określony jest iloczyn skalarny, jeśli
każdej parze wektorów v, w ∈V przyporządkowana jest liczba rzeczywista, którą ozna-
czymy przez (v,w), przy czym przyporządkowanie to ma następujące własności:
(v,w) = (w,v) (symetria)
1. (α v,w) = α (v,w) dla α∈ R (jednorodność)
2. (v1 + v2,w) = (v1,w) + (v2,w) (addytywność)
3. dla dowolnego v∈V jest (v,v) ≥ 0, przy czym (v,v) = 0 wtedy i tylko wtedy,
gdy v = 0.
Przestrzeń, w której jest określony iloczyn skalarny nazywamy przestrzenią euklidesową.
Przykład: W przestrzeni funkcji ciągłych C(a,b) iloczyn skalarny można wyprowadzić
wzorem:
b
( f , g ) = ∫ f ( x ) g ( x ) dx
a

34. Definicja iloczynu skalarnego w przestrzeni zespolonej. Przykład iloczynu w Cn.

Mówimy, że w przestrzeni zespolonej V jest określony iloczyn skalarny, jeśli każdej parze
wektorów v,w∈V jest przyporządkowana liczba zespolona, którą oznaczymy przez (v,w),
przy czym przyporządkowanie to ma następujące własności:
1. (v,w) = (w , v ) (skośna symetria)
2. (α v,w) = α (v,w) dla α∈ C (jednorodność)
3. (v1 + v2,w) = (v1,w) + (v2,w) (addytywność)
4. dla dowolnego v∈V jest (v,v) ≥ 0, przy czym (v,v) = 0 wtedy i tylko wtedy,
gdy v = 0.
Iloczyn skalarny w przestrzeni zespolonej nie jest jednorodny ze względu na drugą
zmienną (nie jest więc także liniowy). Przestrzeń zespoloną, w której jest określony ilo-
czyn skalarny nazywamy przestrzenią unitarną.
Przykład: Wzór:
n
(v, w) = α 1 β 1 + α 2 β 2 + ... + α n β n = ∑ α i β i
i =1

dla v = (α1 , α2 ,..., αn ) , w = ( β1 , β2 ,... βn ) określa iloczyn skalarny w Cn.

15
 35. Własności normy (długości) wektora. Jaką postać ma nierówność Schwarza dla
zwykłego iloczynu skalarnego w Rn?
W każdej przestrzeni euklidesowej bądź unitarnej długość wektora ma następujące wła-
sności. Dla dowolnego skalara α i dowolnych wektorów v,w mamy:
1. αv =αv

2. v >0 dla v ≠0
3. ( )
v, w ≤ v ⋅ w (nierówność Schwarza)
4. v + w ≤ v + w (nierówność trójkąta)
Nierówność Schwarza dla zwykłego iloczynu skalarnego w Rn:
n 2 n 2 n 2

∑x i y i
i =1
≤ ∑ xi
i =1
∑ yi
i =1

36. Podać i udowodnić nierówność Schwarza.

( v, w ) ≤ v ⋅ w (nierówność Schwarza)

D o w ó d:
Dowód dla przestrzeni unitarnej. Zauważmy, że jeśli w = 0, to nierówność jest praw-
dziwa. Załóżmy więc, że w ≠ 0. Dla dowolnego z∈C mamy (v – zw,v – zw) ≥ 0, czyli
(v,v) - z (v,w) – z(w,v) + z z (w,w) ≥ 0.
( v, w )
Przyjmijmy z =
( w , w ) . Wtedy
( v, v ) − (v, w) ( v, w) − ( v, w) ( w, v ) + ( v, w) (v, w) ( w, w) ≥ 0
( w, w) ( w, w) ( w, w) ( w, w)
2 ( v, w ) 2

v − 2
≥0
w
( v, w ) ≤ v ⋅ w c.n.u.

37. Ortogonalny i ortonormalny zbiór wektorów. Czy takie zbiory muszą być liniowo

⋅,⋅ ) oznacza iloczyn skalarny w przestrzeni wektorowej V. Dwa wektory v i w

niezależne? Uzasadnić.
Niech (
nazywają się ortogonalnymi, gdy (v,w) = 0. Zbiór {v1 , v 2 ,..., v n } nazywa się
ortogonalnym zbiorem wektorów, gdy:
1) wszystkie wektory vi , i =1,2,..., n są niezerowe,
2) (vi , v j ) = 0, i ≠ j (są parami ortogonalne).
Ortogonalny zbiór wektorów, w którym wszystkie wektory mają długość jeden nazywa
się zbiorem ortonormalnym.
Każdy ortogonalny zbiór wektorów jest liniowo niezależny.
D o w ó d: Niech {v1 , v 2 ,..., v n } będzie ortogonalny i przypuśćmy, że
λ1v1 + λ2 v 2 + ... + λn v n = 0 .
Obliczmy iloczyn skalarny tego wektora z wektorem v1:
0 = (0, v1 ) = (λ1v1 + λ2 v 2 + ... + λn v n , v1 ) = λ1 (v1 , v1 ) + λ2 (v 2 , v1 ) + ... + λn (v n , v1 ) = λ1 || v1 || 2 .
Stąd λ1 = 0 i podobnie λ2 = λ3 = ... = λn = 0 .

16
38. Baza ortogonalna i twierdzenie o rozwinięciu.
Bazę przestrzeni V składającą się z wektorów ortogonalnych nazywamy bazą ortogonalną.
Twieradzenie o rozwinięciu
Niech { v1, v2 ,..., vn} będzie bazą ortogonalną przestrzeni V z iloczynem skalarnym
(⋅ ,⋅ ). Jeśli v jest dowolnym wektorem przestrzeni V, to:
v=
( v, v1 ) v + ( v, v 2 ) v +  + ( v, v n ) v
2 1 2 2 2 n
v1 v2 vn
jest przedstawieniem v jako kombinacji liniowej wektorów bazy.
Dowód :
Wektory vi stanowią bazę, więc v = λ 1v1 + λ 2v2 +...+λ nvn dla pewnych skalarów λ i .
2
( v, v i )
Wtedy (v,vi) = λ i v i , więc λ i = 2 .
vi

39. Wykazać, że kolumny macierzy A są ortonormalne wtedy i tylko wtedy, gdy A

jest nieosobliwa i A-1=AT.
Wiemy, że jeśli A −1 = AT to AAT = I . Niech v1 , v 2 ,..., v n oznaczają kolumny
T
macierzy A. Wtedy v j jest j-tym wierszzem macierzy AT, więc elementem (i,j) macierzy
AAT jest (vi , v j ) . Zatem warunek AAT = I znczy, że (vi , v j ) = 0 , gdy i ≠ j i
(vi , v j ) =1 , gdy i = j , więc kolumny macierzy A są ortonormalne.
cos φ − sin φ
40. Definicja macierzy ortogonalnej. Dla jakiego a ∈ R macierz  jest
sin φ  a  
ortogonalna?
Macierz stopnia n nazywamy ortogonalną, jeśli spełnia jeden (a więc i wszystkie) z na-
stępujących warunków:
1) A jest odwracalna i A −1 = AT ,
2) wiersze macierzy A są ortonormalne,
3) kolumny macierzy A są ortonormalne.
cos φ − sin φ
Macierz sin φ jest ortogonalna, gdy wektory:
 a  
v1 = (cos φ,− sin φ), v 2 = (sin φ, a )
są ortonormalne. Spełniać więc muszą następujące warunki: || v1 ||=|| v 2 ||= 1 i
(v1 , v 2 ) = 0 . Warunek I: || v1 || =|| v 2 ||= 1 :
|| v1 ||= cos 2 φ + sin 2 φ = 1
|| v 2 ||= (− sin φ ) 2 + a 2 = 1 ⇔ a = ± cos φ
Warunek II (v1 , v 2 ) = 0 :
( v1, v1 ) = cos φ sin φ − sin φ ⋅ a = 0 ⇔ a = cos φ
Macierz jest więc ortonormalna dla a = cos φ .

17