EZLAMA
LA · Nástroje

Věty a důkazy

Důkazy a formulace vět, kterým máš rozumět — hlavně kvůli ústní části a teoretickým otázkám.

1Co znamená dokázat větu

Matematický důkaz musí vycházet z předpokladů a vést platnými kroky k závěru. Dosazení tří čísel může větu ověřit v příkladech, ale ne pro všechny případy. Naopak jediný protipříklad stačí k vyvrácení obecného tvrzení.

Často používané principy:

  • Přímý důkaz: ze splnění předpokladů odvodíme tvrzení.
  • Důkaz sporem: předpokládáme opak a odvodíme nemožnost, například 0=10=1.
  • Ekvivalence P  ⟺  QP\iff Q: dokazujeme oba směry P⇒QP\Rightarrow Q a Q⇒PQ\Rightarrow P.

2Důkaz: jednotkový prvek grupy je jediný

Předpokládejme, že v grupě máme dva neutrální prvky ee a ff.

Protože ff je neutrální, platí e⋆f=ee\star f=e. Protože ee je neutrální, platí e⋆f=fe\star f=f. Tedy e=fe=f. Nemohou existovat dvě různé jednotky.

Co se tím ukázalo: „existuje neutrální prvek“ automaticky znamená „existuje právě jeden“.

3Důkaz: inverze součinu má obrácené pořadí

V grupě

(ab)(b−1a−1)=a(bb−1)a−1=aea−1=aa−1=e.(ab)(b^{-1}a^{-1})=a(bb^{-1})a^{-1}=aea^{-1}=aa^{-1}=e.

Analogicky se součin rovná ee i v opačném pořadí. Tedy (ab)−1=b−1a−1(ab)^{-1}=b^{-1}a^{-1}. Nevyžadovali jsme komutativitu.

Důsledek pro matice: (AB)−1=B−1A−1(AB)^{-1}=B^{-1}A^{-1}, nikoliv obecně A−1B−1A^{-1}B^{-1}.

4Důkaz: nulový vektor je jediný a 0v=00v=0

Mějme dvě „nuly“ 00 a 0′0' se stejnou neutrální vlastností. Potom 0=0+0′=0′0=0+0'=0'.

Pro násobení skalárem:

0v=(0+0)v=0v+0v.0v=(0+0)v=0v+0v.

K oběma stranám přičteme opačný vektor k 0v0v; vyjde 0=0v0=0v.

Proč: jsme použili distributivitu a možnost odečíst tentýž vektor. Tohle se hodí při důkazu, že každé lineární zobrazení zachovává nulu.

5Důkaz: podprostor tvořený řešeními homogenní soustavy

Nechť U={x:Ax=0}U=\{x:Ax=0\}.

  • A0=0A0=0 → nula patří do UU.
  • Pro u,v∈Uu,v\in U a α,β\alpha,\beta:

A(αu+βv)=αAu+βAv=α0+β0=0.A(\alpha u+\beta v)=\alpha Au+\beta Av=\alpha0+\beta0=0.

Proto αu+βv∈U\alpha u+\beta v\in U. Tedy UU je podprostor.

Pozor: u nehomogenní soustavy Ax=bAx=b s b≠0b\ne0 množina řešení obecně není vektorový podprostor, protože nulový vektor tam obvykle nepatří; jde o afinní prostor (posunuté jádro).

6Důkaz: lineární závislost a vyjádření jednoho vektoru ostatními

Máme netriviální vztah

λ1v1+⋯+λnvn=0.\lambda_1v_1+\cdots+\lambda_nv_n=0.

Alespoň jeden koeficient, řekněme λj\lambda_j, je nenulový. Převeď ostatní členy doprava a vyděl λj\lambda_j:

vj=−∑i≠jλiλjvi.v_j=-\sum_{i\ne j}\frac{\lambda_i}{\lambda_j}v_i.

Tedy jeden vektor je lineární kombinací ostatních. Opačný směr je stejně jednoduchý: pokud vj=∑i≠jciviv_j=\sum_{i\ne j}c_iv_i, převeď vše na jednu stranu — dostaneš netriviální nulovou kombinaci.

7Proč má každá báze tentýž počet vektorů

Intuice: při vyjádření každého vektoru jedné báze pomocí druhé by více než nn vektorů v nn-rozměrném prostoru muselo vést k netriviální závislosti. Formální důkaz vychází z Steinitzovy výměnné věty: pokud množina mm vektorů je LN a jiná množina nn vektorů generuje stejný prostor, pak m≤nm\le n.

Použijeme ji na dvě báze BB a CC: BB je LN a CC generuje, proto ∣B∣≤∣C∣|B|\le|C|; obráceně ∣C∣≤∣B∣|C|\le|B|; tedy ∣B∣=∣C∣|B|=|C|.

Závěr: dimenze je jednoznačná vlastnost prostoru, nezávislá na konkrétní bázi.

8Důkaz: báze dává jednoznačné souřadnice

Mějme dvě vyjádření téhož vektoru vv v bázi (b1,…,bn)(b_1,\ldots,b_n):

v=∑iαibi=∑iβibi.v=\sum_i\alpha_ib_i=\sum_i\beta_ib_i.

Odečteme:

∑i(αi−βi)bi=0.\sum_i(\alpha_i-\beta_i)b_i=0.

Protože bázové vektory jsou LN, musí být každý koeficient αi−βi=0\alpha_i-\beta_i=0. Tedy αi=βi\alpha_i=\beta_i pro každé ii. Souřadnice jsou jednoznačné.

9Proč řádkové operace zachovávají hodnost

Každá elementární řádková operace je násobení zleva regulární elementární maticí EE. Místo AA tedy máme EAEA.

Sloupce EAEA vzniknou ze sloupců AA invertibilním lineárním zobrazením EE. Takové zobrazení zachovává jejich lineární vztahy: ∑ciEai=E(∑ciai)=0  ⟺  ∑ciai=0\sum c_iEa_i=E(\sum c_ia_i)=0\iff\sum c_ia_i=0, protože EE má inverzi.

Počet nezávislých sloupců tedy zůstává stejný, a proto se nezmění hodnost. Důsledek: hodnost matice můžeš hledat v libovolném schodovitém tvaru.

10Proč matice nemá dvě různé inverze

Kdyby BB i CC byly inverze k AA, potom

B=BI=B(AC)=(BA)C=IC=C.B=BI=B(AC)=(BA)C=IC=C.

Tedy inverze je jediná.

11Proč det⁡A≠0\det A\ne0 souvisí s inverzí

Pro čtvercovou AA jsou ekvivalentní:

  • det⁡A≠0\det A\ne0;
  • řádky/sloupce jsou LN;
  • rank⁡A=n\operatorname{rank}A=n;
  • homogenní soustava Ax=0Ax=0 má jen nulové řešení;
  • zobrazení x↦Axx\mapsto Ax je izomorfismus Rn→Rn\mathbb R^n\to\mathbb R^n;
  • existuje A−1A^{-1}.

Proč funguje jedna důležitá implikace: pokud existuje inverze a Ax=0Ax=0, vynásobíme A−1A^{-1}, čímž dostaneme x=0x=0. Tedy sloupce jsou LN. Naopak matice s nn nezávislými sloupci je bijektivní zobrazení Rn→Rn\mathbb R^n\to\mathbb R^n, proto má lineární inverzi a její matici A−1A^{-1}.

12Důkaz: jádro a obraz lineárního zobrazení jsou podprostory

Jádro. Obsahuje nulu, protože L(0)=0L(0)=0. Pokud L(u)=L(v)=0L(u)=L(v)=0, pak

L(αu+βv)=αL(u)+βL(v)=0.L(\alpha u+\beta v)=\alpha L(u)+\beta L(v)=0.

Obraz. Nula leží v obrazu jako L(0)L(0). Pokud y1=L(u1)y_1=L(u_1) a y2=L(u2)y_2=L(u_2), pak

αy1+βy2=αL(u1)+βL(u2)=L(αu1+βu2),\alpha y_1+\beta y_2=\alpha L(u_1)+\beta L(u_2)=L(\alpha u_1+\beta u_2),

což opět patří do obrazu.

Rozlišení: ker⁡L⊆U\ker L\subseteq U a Im⁡L⊆V\operatorname{Im}L\subseteq V; nejsou to obvykle podprostory stejného prostoru.

13Důkaz: věta o dimenzi jádra a obrazu

Nechť (u1,…,uk)(u_1,\ldots,u_k) je báze ker⁡L\ker L. Doplňme ji na bázi celého definičního prostoru UU:

(u1,…,uk,w1,…,wr).(u_1,\ldots,u_k,w_1,\ldots,w_r).

Ukážeme, že (L(w1),…,L(wr))(L(w_1),\ldots,L(w_r)) je báze obrazu:

  • Generuje: libovolné x∈Ux\in U lze napsat pomocí ui,wju_i,w_j. Po zobrazení se členy L(ui)=0L(u_i)=0 ztratí; každý obraz je tedy kombinací L(wj)L(w_j).
  • Je LN: pokud ∑jcjL(wj)=0\sum_jc_jL(w_j)=0, pak L(∑jcjwj)=0L(\sum_jc_jw_j)=0, tedy ∑jcjwj\sum_jc_jw_j leží v jádře a lze jej zapsat pomocí uiu_i. Vzhledem k nezávislosti celé rozšířené báze pak všechny cj=0c_j=0.

Proto dim⁡Im⁡L=r\dim\operatorname{Im}L=r. Celá báze UU obsahuje k+rk+r prvků:

dim⁡U=dim⁡ker⁡L+dim⁡Im⁡L.\boxed{\dim U=\dim\ker L+\dim\operatorname{Im}L.}

14Důkaz: Frobeniova podmínka řešitelnosti

Ax=bAx=b znamená, že bb je lineární kombinací sloupců AA:

b=x1a1+⋯+xnan.b=x_1a_1+\cdots+x_na_n.

Taková čísla existují právě tehdy, když přidáním bb k souboru sloupců nezvětšíš jeho lineární obal a dimenzi. Tedy

Ax=b maˊ rˇesˇenıˊ  ⟺  rank⁡A=rank⁡[A∣b].\boxed{Ax=b\text{ má řešení}\iff\operatorname{rank}A=\operatorname{rank}[A\mid b].}

15Důkaz: složení lineárních zobrazení je lineární

Pro lineární L1L_1 a L2L_2:

(L2∘L1)(αu+βv)=L2(αL1(u)+βL1(v))(L_2\circ L_1)(\alpha u+\beta v) =L_2(\alpha L_1(u)+\beta L_1(v))

=αL2(L1(u))+βL2(L1(v))=α(L2∘L1)(u)+β(L2∘L1)(v).=\alpha L_2(L_1(u))+\beta L_2(L_1(v)) =\alpha(L_2\circ L_1)(u)+\beta(L_2\circ L_1)(v).

Proto je složení lineární. Při souřadnicovém zápisu odpovídá skládání maticové násobení.

16Důkaz: změna báze vede k podobným maticím

Pro stejný operátor LL a dvě báze platí

[x]F=T[x]G,[L(x)]F=A[x]F,[L(x)]G=B[x]G.[x]_F=T[x]_G,\quad[L(x)]_F=A[x]_F,\quad[L(x)]_G=B[x]_G.

Dvojím popisem téhož vektoru L(x)L(x):

T[L(x)]G=[L(x)]F.T[L(x)]_G=[L(x)]_F.

Dosadíme:

TB[x]G=AT[x]G.TB[x]_G=AT[x]_G.

Protože to platí pro libovolný vektor, TB=ATTB=AT, tedy

B=T−1AT.\boxed{B=T^{-1}AT.}

Tím je přesně vysvětleno, proč vlastní čísla lineárního operátoru nezávisí na bázi.

17Důkaz: vlastní vektory různých vlastních čísel jsou LN

Pro dvě různá vlastní čísla λ1≠λ2\lambda_1\ne\lambda_2 a příslušné nenulové vektory v1,v2v_1,v_2 předpokládej

αv1+βv2=0.\alpha v_1+\beta v_2=0.

Aplikuj AA:

αλ1v1+βλ2v2=0.\alpha\lambda_1v_1+\beta\lambda_2v_2=0.

Od toho odečti λ1\lambda_1-násobek původní rovnice:

β(λ2−λ1)v2=0.\beta(\lambda_2-\lambda_1)v_2=0.

Protože λ2≠λ1\lambda_2\ne\lambda_1 a v2≠0v_2\ne0, musí být β=0\beta=0, a pak i α=0\alpha=0. Jsou LN.

Pro více vektorů: stejnou myšlenku použiješ indukcí a postupně vyrušíš jednotlivé vlastní směry.

18Důkaz: Cauchyho–Schwarzova nerovnost (nápad)

Pro nenulový vv a libovolné reálné tt je

0≤∥u−tv∥2=(u,u)−2t(u,v)+t2(v,v).0\le\|u-tv\|^2=(u,u)-2t(u,v)+t^2(v,v).

Je to kvadratický polynom v tt, který není nikdy záporný; proto jeho diskriminant nemůže být kladný:

(−2(u,v))2−4(v,v)(u,u)≤0.(-2(u,v))^2-4(v,v)(u,u)\le0.

Po vydělení 4:

(u,v)2≤(u,u)(v,v).\boxed{(u,v)^2\le(u,u)(v,v).}

Pokud v=0v=0, je nerovnost triviální.

19Důkaz Gram–Schmidtovy kolmosti

Definuj

vk=yk−∑i<k(yk,vi)(vi,vi)vi,v_k=y_k-\sum_{i<k}\frac{(y_k,v_i)}{(v_i,v_i)}v_i,

při předpokladu, že předchozí viv_i jsou nenulové a navzájem ortogonální.

Pro libovolné j<kj<k:

(vk,vj)=(yk,vj)−∑i<k(yk,vi)(vi,vi)(vi,vj).(v_k,v_j)=(y_k,v_j)-\sum_{i<k}\frac{(y_k,v_i)}{(v_i,v_i)}(v_i,v_j).

Díky kolmosti zůstane v sumě jen člen i=ji=j:

(vk,vj)=(yk,vj)−(yk,vj)(vj,vj)(vj,vj)=0.(v_k,v_j)=(y_k,v_j)-\frac{(y_k,v_j)}{(v_j,v_j)}(v_j,v_j)=0.

Takto je každý nový vektor kolmý na všechny předchozí.

20Důkaz minimální vlastnosti projekce

Mějme ortogonální průmět v0v_0 do UU a libovolné jiné w∈Uw\in U. Rozklad

v−w=(v−v0)+(v0−w)v-w=(v-v_0)+(v_0-w)

má kolmé členy. Podle Pythagorovy věty

∥v−w∥2=∥v−v0∥2+∥v0−w∥2≥∥v−v0∥2.\|v-w\|^2=\|v-v_0\|^2+\|v_0-w\|^2\ge\|v-v_0\|^2.

Rovnost nastane právě při w=v0w=v_0. To dokazuje nejen nejlepší přiblížení, ale i jednoznačnost projekce.

21Důkaz normálních rovnic MNČ

Hledáme xx, které minimalizuje ∥Ax−b∥2\|Ax-b\|^2. Při nejlepším přiblížení leží vektor AxAx v obrazu AA a reziduum b−Axb-Ax musí být kolmé na obraz. Obraz generují sloupce AA, proto platí současně

AT(b−Ax)=0.A^T(b-Ax)=0.

Převedeme:

ATAx=ATb.\boxed{A^TAx=A^Tb.}

Název „normální rovnice“ odkazuje na kolmici (normálu), nikoliv na „normální“ ve smyslu běžné.

22Co umět formulovat u ústní zkoušky

U každé věty postupuj v této struktuře:

  1. Předpoklady: na čem věta stojí? (např. prostor konečné dimenze, regulární matice, nenulové vlastní vektory, reálný skalární součin).
  2. Tvrzení: co přesně z toho plyne?
  3. Nápad důkazu: která operace je rozhodující (Gauss, lineární kombinace, násobení inverzí, Pythagorova věta).
  4. Protipříklad bez předpokladu: například Cramerovo pravidlo nepoužiješ, je-li determinant nulový.

U mnoha výsledků bude zkoušející očekávat nejen konečný vzorec, ale i schopnost vysvětlit, proč právě ten vzorec vůbec dává smysl.