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 .
- Ekvivalence : dokazujeme oba směry a .
2Důkaz: jednotkový prvek grupy je jediný
Předpokládejme, že v grupě máme dva neutrální prvky a .
Protože je neutrální, platí . Protože je neutrální, platí . Tedy . 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
Analogicky se součin rovná i v opačném pořadí. Tedy . Nevyžadovali jsme komutativitu.
Důsledek pro matice: , nikoliv obecně .
4Důkaz: nulový vektor je jediný a
Mějme dvě „nuly“ a se stejnou neutrální vlastností. Potom .
Pro násobení skalárem:
K oběma stranám přičteme opačný vektor k ; vyjde .
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 .
- → nula patří do .
- Pro a :
Proto . Tedy je podprostor.
Pozor: u nehomogenní soustavy s 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
Alespoň jeden koeficient, řekněme , je nenulový. Převeď ostatní členy doprava a vyděl :
Tedy jeden vektor je lineární kombinací ostatních. Opačný směr je stejně jednoduchý: pokud , 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 vektorů v -rozměrném prostoru muselo vést k netriviální závislosti. Formální důkaz vychází z Steinitzovy výměnné věty: pokud množina vektorů je LN a jiná množina vektorů generuje stejný prostor, pak .
Použijeme ji na dvě báze a : je LN a generuje, proto ; obráceně ; tedy .
Závěr: dimenze je jednoznačná vlastnost prostoru, nezávislá na konkrétní bázi.
8Důkaz: báze dává jednoznačné souřadnice
Mějme dvě vyjádření téhož vektoru v bázi :
Odečteme:
Protože bázové vektory jsou LN, musí být každý koeficient . Tedy pro každé . Souřadnice jsou jednoznačné.
9Proč řádkové operace zachovávají hodnost
Každá elementární řádková operace je násobení zleva regulární elementární maticí . Místo tedy máme .
Sloupce vzniknou ze sloupců invertibilním lineárním zobrazením . Takové zobrazení zachovává jejich lineární vztahy: , protože 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 i byly inverze k , potom
Tedy inverze je jediná.
11Proč souvisí s inverzí
Pro čtvercovou jsou ekvivalentní:
- ;
- řádky/sloupce jsou LN;
- ;
- homogenní soustava má jen nulové řešení;
- zobrazení je izomorfismus ;
- existuje .
Proč funguje jedna důležitá implikace: pokud existuje inverze a , vynásobíme , čímž dostaneme . Tedy sloupce jsou LN. Naopak matice s nezávislými sloupci je bijektivní zobrazení , proto má lineární inverzi a její matici .
12Důkaz: jádro a obraz lineárního zobrazení jsou podprostory
Jádro. Obsahuje nulu, protože . Pokud , pak
Obraz. Nula leží v obrazu jako . Pokud a , pak
což opět patří do obrazu.
Rozlišení: a ; nejsou to obvykle podprostory stejného prostoru.
13Důkaz: věta o dimenzi jádra a obrazu
Nechť je báze . Doplňme ji na bázi celého definičního prostoru :
Ukážeme, že je báze obrazu:
- Generuje: libovolné lze napsat pomocí . Po zobrazení se členy ztratí; každý obraz je tedy kombinací .
- Je LN: pokud , pak , tedy leží v jádře a lze jej zapsat pomocí . Vzhledem k nezávislosti celé rozšířené báze pak všechny .
Proto . Celá báze obsahuje prvků:
14Důkaz: Frobeniova podmínka řešitelnosti
znamená, že je lineární kombinací sloupců :
Taková čísla existují právě tehdy, když přidáním k souboru sloupců nezvětšíš jeho lineární obal a dimenzi. Tedy
15Důkaz: složení lineárních zobrazení je lineární
Pro lineární a :
Proto je složení lineární. Při souřadnicovém zápisu odpovídá skládání maticové násobení.
16Důkaz: změna báze vede k podobným maticím
Pro stejný operátor a dvě báze platí
Dvojím popisem téhož vektoru :
Dosadíme:
Protože to platí pro libovolný vektor, , tedy
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 a příslušné nenulové vektory předpokládej
Aplikuj :
Od toho odečti -násobek původní rovnice:
Protože a , musí být , a pak i . Jsou LN.
Pro více vektorů: stejnou myšlenku použiješ indukcí a postupně vyrušíš jednotlivé vlastní směry.
18Důkaz: Cauchyho–Schwarzova nerovnost (nápad)
Pro nenulový a libovolné reálné je
Je to kvadratický polynom v , který není nikdy záporný; proto jeho diskriminant nemůže být kladný:
Po vydělení 4:
Pokud , je nerovnost triviální.
19Důkaz Gram–Schmidtovy kolmosti
Definuj
při předpokladu, že předchozí jsou nenulové a navzájem ortogonální.
Pro libovolné :
Díky kolmosti zůstane v sumě jen člen :
Takto je každý nový vektor kolmý na všechny předchozí.
20Důkaz minimální vlastnosti projekce
Mějme ortogonální průmět do a libovolné jiné . Rozklad
má kolmé členy. Podle Pythagorovy věty
Rovnost nastane právě při . To dokazuje nejen nejlepší přiblížení, ale i jednoznačnost projekce.
21Důkaz normálních rovnic MNČ
Hledáme , které minimalizuje . Při nejlepším přiblížení leží vektor v obrazu a reziduum musí být kolmé na obraz. Obraz generují sloupce , proto platí současně
Převedeme:
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:
- Předpoklady: na čem věta stojí? (např. prostor konečné dimenze, regulární matice, nenulové vlastní vektory, reálný skalární součin).
- Tvrzení: co přesně z toho plyne?
- Nápad důkazu: která operace je rozhodující (Gauss, lineární kombinace, násobení inverzí, Pythagorova věta).
- 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.