EZLAMA
LA · Přednáška 10–11

Skalární součin a Gram–Schmidt

Norma, kolmost, Cauchy–Schwarz, ortonormální báze.

Skalární součin, délka a kolmost vektorů a Gramův–Schmidtův proces pro výrobu ortonormální báze.

Zdroj: Přednáška 10–11

13.1Co znamená skalární součin

V běžné rovině nebo prostoru znáš

u⋅v=u1v1+u2v2+⋯+unvn.u\cdot v=u_1v_1+u_2v_2+\cdots+u_nv_n.

Je to číslo, nikoli vektor. V obecném vektorovém prostoru se zavádí skalární součin (u,v)(u,v) podle vlastností, které umožňují měřit délku a kolmost.

Axiomy pro reálný prostor

Pro každé u,v,wu,v,w a λ∈R\lambda\in\mathbb R:

  1. Pozitivní definitnost: (u,u)≥0(u,u)\ge0, rovnost právě tehdy, když u=0u=0.
  2. Symetrie: (u,v)=(v,u)(u,v)=(v,u).
  3. Homogenita: (λu,v)=λ(u,v)(\lambda u,v)=\lambda(u,v).
  4. Aditivita: (u+w,v)=(u,v)+(w,v)(u+w,v)=(u,v)+(w,v).

Ze symetrie plyne linearita i ve druhém argumentu pro reálné prostory.

Důležité: v komplexních prostorech se skalární součin upravuje pomocí komplexního sdružení (hermitovská symetrie), jinak by pozitivní definitnost nefungovala. Dodaná přednáška 10–11 pracuje výslovně s reálnými euklidovskými prostory.

13.2Standardní výpočet v Rn\mathbb R^n

Pro u=(1,2,−1)u=(1,2,-1), v=(3,0,4)v=(3,0,4):

(u,v)=1⋅3+2⋅0+(−1)⋅4=3−4=−1.(u,v)=1\cdot3+2\cdot0+(-1)\cdot4=3-4=-1.

Význam znaménka: kladný součin znamená ostrý úhel, nulový pravý úhel, záporný tupý úhel mezi nenulovými vektory.

Pro úhel φ\varphi mezi nenulovými vektory platí

cos⁡φ=(u,v)∥u∥∥v∥.\cos\varphi=\frac{(u,v)}{\|u\|\|v\|}.

13.3Norma (délka) a vzdálenost

Norma indukovaná skalárním součinem je

∥v∥=(v,v).\boxed{\|v\|=\sqrt{(v,v)}.}

Ve standardním Rn\mathbb R^n:

∥v∥=v12+⋯+vn2.\|v\|=\sqrt{v_1^2+\cdots+v_n^2}.

Pro v=(3,4)v=(3,4) je ∥v∥=9+16=5\|v\|=\sqrt{9+16}=5.

Norma splňuje:

∥v∥≥0,∥λv∥=∣λ∣∥v∥,∥u+v∥≤∥u∥+∥v∥.\|v\|\ge0,\qquad\|\lambda v\|=|\lambda|\|v\|,\qquad \|u+v\|\le\|u\|+\|v\|.

Poslední nerovnost se nazývá trojúhelníková nerovnost.

Vzdálenost dvou vektorů je d(u,v)=∥u−v∥d(u,v)=\|u-v\|. Např. pro body (1,2)(1,2) a (4,6)(4,6) je vzdálenost (−3)2+(−4)2=5\sqrt{(-3)^2+(-4)^2}=5.

13.4Cauchyho–Schwarzova nerovnost

∣(u,v)∣≤∥u∥∥v∥.\boxed{|(u,v)|\le\|u\|\|v\|.}

Ekvivalentně

∣(u,v)∣2≤(u,u)(v,v).|(u,v)|^2\le(u,u)(v,v).

Proč je důležitá: zaručuje, že ∣(u,v)∣/(∥u∥∥v∥)≤1|(u,v)|/(\|u\|\|v\|)\le1, takže dává smysl kosinus úhlu. Používá se také v důkazu trojúhelníkové nerovnosti.

Kontrola příklad: u=(1,2)u=(1,2), v=(3,4)v=(3,4):

(u,v)=11,∥u∥=5,∥v∥=5.(u,v)=11,\quad\|u\|=\sqrt5,\quad\|v\|=5.

11≤55≈11,18.11\le5\sqrt5\approx11{,}18.

Souhlasí.

13.5Kolmost (ortogonalita)

Nenulové vektory jsou kolmé, když jejich skalární součin je 0:

u⊥v  ⟺  (u,v)=0.\boxed{u\perp v\iff(u,v)=0.}

Příklad: (1,2)⊥(2,−1)(1,2)\perp(2,-1), protože 1⋅2+2⋅(−1)=01\cdot2+2\cdot(-1)=0.

Dva podprostory U,WU,W jsou ortogonální, pokud (u,w)=0(u,w)=0 pro každé u∈Uu\in U, w∈Ww\in W. Nestačí ukázat kolmost náhodně vybraných dvou vektorů, pokud netvoří generátory celých prostorů.

Pythagorova věta

u⊥v  ⟺  ∥u+v∥2=∥u∥2+∥v∥2.u\perp v\iff\|u+v\|^2=\|u\|^2+\|v\|^2.

Důkaz rozvinutím:

∥u+v∥2=(u+v,u+v)=(u,u)+2(u,v)+(v,v).\|u+v\|^2=(u+v,u+v)=(u,u)+2(u,v)+(v,v).

Rovnost s ∥u∥2+∥v∥2\|u\|^2+\|v\|^2 je tedy ekvivalentní (u,v)=0(u,v)=0.

13.6Ortogonální a ortonormální báze

Ortogonální množina: všechny různé vektory jsou navzájem kolmé. Jsou-li navíc nenulové a je jich tolik jako dimenze prostoru, jde o ortogonální bázi.

Ortonormální množina: navíc má každý vektor délku 1:

(ei,ej)={1i=j,0i≠j.(e_i,e_j)=\begin{cases}1&i=j,\\0&i\ne j.\end{cases}

Normalizace nenulového vektoru na délku 1:

e=v∥v∥.\boxed{e=\frac v{\|v\|}.}

Příklad: v=(3,4)v=(3,4) má délku 5, normalizovaný vektor e=(3/5,4/5)e=(3/5,4/5) má délku 1.

13.7Proč jsou nenulové navzájem ortogonální vektory LN

Nechť v1,…,vkv_1,\ldots,v_k jsou navzájem kolmé nenulové vektory a platí

λ1v1+⋯+λkvk=0.\lambda_1v_1+\cdots+\lambda_kv_k=0.

Vynásob skalárně vjv_j:

0=(λ1v1+⋯+λkvk,vj)=λj(vj,vj),0=(\lambda_1v_1+\cdots+\lambda_kv_k,v_j)=\lambda_j(v_j,v_j),

protože všechny ostatní členy jsou nulové díky kolmosti. Jelikož (vj,vj)>0(v_j,v_j)>0, musí být λj=0\lambda_j=0. Platí pro každé jj → vektory jsou LN.

13.8Gram–Schmidtův proces: hlavní univerzální algoritmusPostup

Cíl: z libovolné lineárně nezávislé množiny y1,…,yky_1,\ldots,y_k vytvořit ortogonální (a následně ortonormální) množinu se stejným lineárním obalem.

Postup:

v1=y1.v_1=y_1.

Z druhého vektoru odstraníš složku ve směru prvního:

v2=y2−(y2,v1)(v1,v1)v1.\boxed{v_2=y_2-\frac{(y_2,v_1)}{(v_1,v_1)}v_1.}

Z třetího odstraníš složky ve směrech prvních dvou:

v3=y3−(y3,v1)(v1,v1)v1−(y3,v2)(v2,v2)v2.\boxed{v_3=y_3-\frac{(y_3,v_1)}{(v_1,v_1)}v_1 -\frac{(y_3,v_2)}{(v_2,v_2)}v_2.}

Obecně

vj=yj−∑i=1j−1(yj,vi)(vi,vi)vi.\boxed{v_j=y_j-\sum_{i=1}^{j-1}\frac{(y_j,v_i)}{(v_i,v_i)}v_i.}

Pokud chceš ortonormální bázi, nakonec každé vjv_j vyděl jeho normou.

Proč ta podivná zlomečková část: skalární projekce y2y_2 do směru v1v_1 je přesně (y2,v1)(v1,v1)v1\frac{(y_2,v_1)}{(v_1,v_1)}v_1. Po jejím odečtení zůstane část kolmá na v1v_1.

13.9Gram–Schmidt podrobně krok za krokem

Začneme s

y1=(1,1,0),y2=(1,0,1).y_1=(1,1,0),\qquad y_2=(1,0,1).

Krok 1: v1=y1=(1,1,0)v_1=y_1=(1,1,0).

Krok 2: vypočti součin (y2,v1)(y_2,v_1):

(y2,v1)=1⋅1+0⋅1+1⋅0=1.(y_2,v_1)=1\cdot1+0\cdot1+1\cdot0=1.

Krok 3: vypočti (v1,v1)=12+12+0=2(v_1,v_1)=1^2+1^2+0=2.

Krok 4: odečti projekci:

v2=y2−12v1=(1,0,1)−12(1,1,0)=(1/2,−1/2,1).v_2=y_2-\frac12v_1 =(1,0,1)-\frac12(1,1,0) =\boxed{(1/2,-1/2,1)}.

Krok 5 — kontrola kolmosti:

(v1,v2)=12−12+0=0.(v_1,v_2)=\frac12-\frac12+0=0.

Krok 6 — normalizace (pokud je požadována):

∥v1∥=2,∥v2∥=1/4+1/4+1=3/2.\|v_1\|=\sqrt2,\qquad\|v_2\|=\sqrt{1/4+1/4+1}=\sqrt{3/2}.

e1=(1,1,0)/2,e2=(1/2,−1/2,1)/3/2.e_1=(1,1,0)/\sqrt2,\qquad e_2=(1/2,-1/2,1)/\sqrt{3/2}.

Tvoří ortonormální bázi stejného dvourozměrného podprostoru, který generují původní y1,y2y_1,y_2.

Kdy Gram–Schmidt selže: pokud původní vektory nejsou LN, může vzniknout nulový vjv_j. Ten nelze normalizovat a je třeba odstranit závislý generátor nebo začít bází.

13.10Ortonormální souřadnice jsou snadné

Má-li prostor ortonormální bázi e1,…,ene_1,\ldots,e_n, potom pro každý vektor vv platí

v=∑i(v,ei)ei.v=\sum_i(v,e_i)e_i.

Koeficienty souřadnic přímo získáš jako λi=(v,ei)\lambda_i=(v,e_i). U obecné neortogonální báze musíš řešit soustavu rovnic.

13.11Nejčastější chyby

  • Délku počítáš jako (v,v)(v,v) místo (v,v)\sqrt{(v,v)}.
  • Gram–Schmidtův vzorec má ve jmenovateli (vi,vi)(v_i,v_i), nikoli ∥vi∥\|v_i\|.
  • U kroku v3v_3 odčítáš projekci jen na v1v_1 a zapomeneš na v2v_2.
  • Zaměníš ortogonální (jen kolmé) a ortonormální (kolmé a jednotkové délky).
  • Považuješ skalární součin za vždy kladné číslo; může být záporný.

Příprava na zkoušku: uměj formulovat axiomy, odvodit Pythagorovu větu a provést Gram–Schmidt alespoň na trojici vektorů.