EZLAMA
LA · Nástroje

Rozcestník a univerzální postupy

Podle slov v zadání poznáš typ příkladu a co udělat jako první. Plus algoritmy pro soustavy a rychlá rozhodnutí bez počítání.

1Rozcestník podle slov v zadáníPostup

Zadání obsahuje Nejdůležitější první krok Co vypočítat
„Najděte všechny kořeny polynomu“ vytknout, zkusit racionalní kořeny, Horner rozklad polynomu
„Sestavte polynom z kořenů“ faktory (x−c)(x-c), doplnit sdružené kořeny násobící konstanta podle zadání
„Určete reálný rozklad“ spárovat komplexně sdružené kořeny reálné kvadratické faktory
„Vypočtěte ABAB“ zkontrolovat vnitřní rozměry řádek krát sloupec
„Určete AnA^n“ zkusit jednoduše opakovat, hledat diagonální/Jordanův tvar AnA^n
„Určete determinant“ zjistit rozměr a nuly 2×2 vzorec, Sarrus, Laplace nebo Gauss
„Závislé či nezávislé?“ vložit prvky jako sloupce Aλ=0A\lambda=0, hodnost vs počet sloupců
„Báze a dimenze obalu“ sloupce generátorů pivotové sloupce původní matice
„Patří yy do prostoru?“ rozšířit matici o sloupec yy konzistence Aλ=yA\lambda=y
„Průnik podprostorů“ spojit jejich podmínky homogenní soustava
„Součet podprostorů“ spojit generátory báze obalu všech generátorů
„Hodnost matice“ Gauss na schodovitý tvar počet pivotů
„Inverzní matice“ zkontrolovat čtvercovost a regularitu [A∣I]∼[I∣A−1][A\mid I]\sim[I\mid A^{-1}]
„Určete XX z AXB=CAXB=C“ izolovat XX se zachováním stran A−1CB−1A^{-1}CB^{-1}
„Je zobrazení lineární?“ test L(0)=0L(0)=0, pak additivita/homogenita důkaz nebo protipříklad
„Báze jádra“ polož L(x)=0L(x)=0 Gauss, parametrický rozklad
„Báze obrazu“ vytvoř matici LL původní pivotové sloupce
„Matice zobrazení“ dosazovat vstupní bázové prvky sloupce [L(ui)]G[L(u_i)]_G
„Matice přechodu“ nadefinuj směr souřadnic zpravidla T=F−1GT=F^{-1}G při [x]F=T[x]G[x]_F=T[x]_G
„Kolik řešení Ax=bAx=b?“ Gauss na [A∣b][A\mid b] Frobeniova věta
„Cramerem řešte soustavu“ D=det⁡AD=\det A postupně Di/DD_i/D
„Závislost na parametru“ najít pivoty závislé na parametru oddělit kritické hodnoty
„Vlastní čísla“ det⁡(λI−A)\det(\lambda I-A) kořeny charakteristického polynomu
„Vlastní vektory“ pro každé λ\lambda vytvořit A−λIA-\lambda I báze jádra
„Diagonalizace“ spočítat vlastní vektory A=TDT−1A=TDT^{-1}
„Ortonormální báze“ Gram–Schmidt a normalizace kolmé jednotkové vektory
„Ortogonální průmět“ je báze ortogonální? projekční vzorec nebo Gramova soustava
„Metoda nejmenších čtverců“ postavit AA a bb ATAx=ATbA^TAx=A^Tb
„Ortogonální doplněk“ v⋅ui=0v\cdot u_i=0 pro každý generátor homogenní soustava

2Algoritmus pro homogenní maticovou soustavu Ax=0Ax=0Postup

Zapiš A → Gauss → označ pivotové sloupce.
Počet volných proměnných = počet sloupců A − počet pivotů.
Každou volnou proměnnou zvol jako samostatný parametr.
Vyjádři pivotové proměnné → vektorové řešení.
Koeficientové vektory u parametrů = báze Ker(A).

Kontrola: pro každý bázový vektor viv_i musí platit Avi=0Av_i=0.

3Algoritmus pro nehomogenní soustavu Ax=bAx=bPostup

Zapiš [A|b] → Gauss.
Je v řádku [0 ... 0 | nenulové číslo]? ANO → bez řešení.
NE → počet pivotů h(A).
h(A)=n? ANO → jedno řešení, zpětně dosaď.
h(A)<n? → zvol n−h(A) volných parametrů, vyjádři celé řešení.

Kontrola: dosazuj do původních rovnic, nikoli jen do upraveného tvaru.

4Pět vzorců, které je nutné umět bez hledání

det⁡(abcd)=ad−bc.\det\begin{pmatrix}a&b\\c&d\end{pmatrix}=ad-bc.

(abcd)−1=1ad−bc(d−b−ca),ad−bc≠0.\begin{pmatrix}a&b\\c&d\end{pmatrix}^{-1}= \frac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix},\qquad ad-bc\ne0.

rank⁡A+dim⁡ker⁡A=n(n=pocˇet sloupcu˚ A).\operatorname{rank}A+\dim\ker A=n\qquad(n=\text{počet sloupců }A).

xi=det⁡Aidet⁡A(Cramer, det⁡A≠0).x_i=\frac{\det A_i}{\det A}\quad\text{(Cramer, }\det A\ne0\text{)}.

pA(λ)=det⁡(λI−A),(A−λI)v=0.p_A(\lambda)=\det(\lambda I-A),\quad (A-\lambda I)v=0.

5Co si vždycky napiš na papír před výpočtem

  • Rozměry: např. A:3×4A:3\times4, b:3×1b:3\times1, x:4×1x:4\times1.
  • Zvolenou bázi a pořadí koeficientů: (1,x,x2)(1,x,x^2) vs (x2,x,1)(x^2,x,1).
  • Co jsou neznámé: čísla x,y,zx,y,z? nebo koeficienty λ1,λ2\lambda_1,\lambda_2? nebo matice XX?
  • Co je cílová rovnost: Aλ=0A\lambda=0, Aλ=yA\lambda=y, [L(x)]G=A[x]F[L(x)]_G=A[x]_F.
  • Rizikové dělení: když je ve jmenovateli parametr, předem rozděl jeho nulový a nenulový případ.

6Rychlá rozhodnutí bez výpočtu

  1. n+1n+1 vektorů v nn-rozměrném prostoru: nutně lineárně závislé.
  2. Homogenní soustava má více neznámých než rovnic: má netriviální řešení.
  3. Čtvercová matice s nulovým řádkem: determinant 0 a bez inverze.
  4. Dva stejné řádky determinantové matice: determinant 0.
  5. Dva vlastní vektory k různým vlastním číslům: jsou lineárně nezávislé.
  6. L(0)≠0L(0)\ne0: zobrazení není lineární.
  7. Ortonormální báze: souřadnice jsou skalární součiny (v,ei)(v,e_i).
  8. Dva sloupce, které jsou násobky: mezi nimi je lineární závislost.
  9. rank⁡A=n\operatorname{rank}A=n u m×nm\times n: Ax=0Ax=0 má jen nulové řešení.
  10. Neslučitelná soustava: přidání bb zvýší hodnost.

7Kompletní tabulka rozlišení pro Cramer a Gauss

Situace Determinant Hodnosti Typ řešení
AA čtvercová, det⁡A≠0\det A\ne0 nenulový h(A)=h([A∣b])=nh(A)=h([A\mid b])=n právě jedno
AA čtvercová, det⁡A=0\det A=0 a bb mimo obraz nulový h(A)<h([A∣b])h(A)<h([A\mid b]) žádné
AA čtvercová, det⁡A=0\det A=0 a bb v obrazu nulový h(A)=h([A∣b])<nh(A)=h([A\mid b])<n nekonečně mnoho
AA obdélníková nedefinovaný pro celé AA řešíme Gauss/Frobenius podle hodností

8Nauč se kontrolovat výsledky jinou metodou

  • Inverzi kontroluj násobením AA−1=IAA^{-1}=I.
  • Vlastní vektor kontroluj Av=λvAv=\lambda v.
  • Bázové vektory jádra kontroluj Av=0Av=0.
  • Bázové vektory obrazu musí být skutečně obrazy nějakých vstupů.
  • Determinant 3×33\times3 můžeš zkontrolovat Laplacem i Sarrusem.
  • Projektor kontroluj kolmostí rezidua vůči celému podprostoru.
  • Výsledek s parametrem ověř dosazením konkrétní běžné i kritické hodnoty.

Užitečný zvyk: nedívej se jen na poslední číslo. Všímej si, že každý meziřádek má jasný důvod a platný předpoklad.