Algebra liniowa z geometri ˛a analityczn ˛a dla studentów
Transkrypt
Algebra liniowa z geometri ˛a analityczn ˛a dla studentów
Algebra liniowa z geometria˛ analityczna˛ dla studentów informatyki Państwowej Wyższej Szkoły Zawodowej w Płocku Aktualizacja: 15 stycznia 2012 Spis treści Spis treści 2 1 Macierze i wyznaczniki 1 1.1 Macierze – podstawowe określenia . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Działania na macierzach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Wyznacznik macierzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4 Własności wyznaczników . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 Macierz odwrotna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Układy równań 17 2.1 Podstawowe określenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2 Układy Cramera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 Rzad ˛ macierzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.4 Rozwiazywanie ˛ dowolnych układów równań liniowych . . . . . . . . . 21 3 Liczby zespolone 23 3.1 Podstawowe definicje i własności . . . . . . . . . . . . . . . . . . . . . . . 23 3.2 Postać algebraiczna i sprz˛eżenie liczby zespolonej. . . . . . . . . . . . . . 25 3.3 Moduł i argument liczby zespolonej. . . . . . . . . . . . . . . . . . . . . . 26 3.4 Postać trygonometryczna liczba zespolonej. . . . . . . . . . . . . . . . . . 27 3.5 Pierwiastkowanie liczb zespolonych. . . . . . . . . . . . . . . . . . . . . . 28 4 Przestrzenie liniowe. Przekształcenia liniowe 30 4.1 Podstawowe definicje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.2 Liniowa niezależność. Baza i wymiar przestrzeni liniowej . . . . . . . . . 32 4.3 Przekształcenia liniowe. Obraz i jadro ˛ przekształcenia liniowego . . . . . 37 4.4 Macierz przekształcenia liniowego . . . . . . . . . . . . . . . . . . . . . . 38 4.5 Działania na przekształceniach liniowych . . . . . . . . . . . . . . . . . . 41 2 5 Elementy geometrii analitycznej w przestrzeni 43 5.1 Wektory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2 Równania płaszczyzny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5.3 Równania prostej . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.4 Wzajemne położenie punktów, prostych i płaszczyzn . . . . . . . . . . . 52 Dodatek 54 Indeks 55 Rozdział 1 Macierze i wyznaczniki 1.1 Macierze – podstawowe określenia Definicja 1.1. Macierza˛ (rzeczywista) ˛ wymiaru m × n, gdzie m, n ∈ N, nazywamy prostokatn ˛ a˛ tablic˛e złożona˛ z m · n liczb rzeczywistych ustawionych w m wierszach i n kolumnach. a11 a12 . . . a1n a 21 a22 . . . a2n . .. .. .. .. . . . am1 am2 . . . amn Macierze b˛edziemy oznaczali wielkimi literami alfabetu np. A, B, C, X itd. Element macierzy stojacy ˛ w i −tym wierszu oraz w j−tej kolumnie oznaczamy przez aij . [ ] [ ] Macierz A można zapisywać w postaci aij m×n lub aij , gdy znany jest jej wymiar. Macierze A i B sa˛ równe, gdy maja˛ takie same wymiary i gdy aij = bij , dla i ∈ {1, 2, . . . , m} , j ∈ {1, 2, . . . , n} . Przykład 1.1. 1 0 – macierz wymiaru 2 × 2, 1. A = 6 3 [ 2. B = 2 3 1 1 2 ] – macierz wymiaru 1 × 4, 1 ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 2 3 1 2 3. C = 0 3 0 4 7 2 5 – macierz wymiaru 4 × 3. Mamy tu: c12 = 3, c23 = 5. 3 2 Definicja 1.2. 1. Macierz wymiaru m × n, w której wszystkie elementy sa˛ zerami nazywamy macierza˛ zerowa˛ wymiaru m × n i oznaczamy 0m×n lub 0, gdy znamy jej wymiar. 0 0 ... 0 0 0 ... 0 0= . . . . .. .. . . ... 0 0 ... 0 2. Macierz, w której liczba wierszy jest taka sama jak liczba kolumn (m = n) nazywamy macierza˛ kwadratowa.˛ Liczb˛e kolumn (wierszy) nazywamy wtedy stopniem macierzy kwadratowej. Elementy macierzy, które maja˛ taki sam numer wiersza i kolumny ( a11 , a22 , . . . ann ) tworza˛ główna˛ przekatn ˛ a˛ macierzy a11 a12 . . . a1n a a . . . a 2n 21 22 A= . . .. . . .. .. . . . an1 an2 . . . ann 3. Macierz kwadratowa˛ stopnia n ≥ 2, w której wszystkie elementy leżace ˛ nad główna˛ przekatn ˛ a˛ sa˛ równe 0, nazywamy macierza˛ trójkatn ˛ a˛ dolna˛ a11 0 . . . 0 a 21 a22 . . . 0 . A= . .. . . .. .. . . . an1 an2 . . . ann Analogicznie określamy macierz trójkatn ˛ a˛ górna˛ a11 a12 . . . a1n 0 a 22 . . . a2n A= . .. . . . .. . .. . 0 0 . . . ann . ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 3 4. Macierz kwadratowa˛ stopnia n, w której wszystkie wyrazy nie stojace ˛ na głównej przekatnej ˛ sa˛ równe 0, nazywamy macierza˛ diagonalna˛ a11 0 . . . 0 0 a 0 22 . . . A= . . . . . .. .. . . .. 0 0 . . . ann Macierz diagonalna˛ stopnia n, w której wszystkie elementy na głównej przekatnej ˛ sa˛ równe 1 nazywamy macierza˛ jednostkowa˛ i oznaczamy In lub I, gdy znamy jej wymiar I= 1 0 ... 0 0 .. . 1 ... .. . . . . 0 .. . . 0 0 ... 1 5. Załóżmy, że mamy m · n różnych macierzy Aij , i = 1, 2, . . . , m, j = 1, 2, . . . , n. Ustawmy te macierze w m wierszach i n kolumnach. Otrzymana˛ w ten sposób macierz A nazywamy macierza˛ blokowa˛ A11 A12 A 21 A22 A= . .. .. . Am1 Am2 ... A1n ... .. . A2n .. . ... Amn Oczywiście macierze Ai1 , Ai2 , . . . , Ain stojace ˛ w i −tym wierszu musza˛ mieć te same liczby wierszy. Podobnie macierze A1j , A2j , . . . , Amj stojace ˛ w j−tej kolumnie musza˛ mieć te same liczby kolumn. Przykład 1.2. 1. Macierze zerowe 2. Macierze kwadratowe 0 0 0 , 0 0 0 . 0 0 0 0 0 0 0 0 0 0 0 1 −2 0 9 5 5 7 5 , 8 −7 −4 4 34 3 . ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 4 3. Macierze trójkatne ˛ górna i dolna 5 0 0 0 1 2 7 4 4 0 0 5 0 −5 8 , 5 − 5 2 0 7 0 0 4 4 77 11 7 4. Macierz diagonalna 4 0 0 0 0 1 0 0 2 0 0 64 0 0 0 0 −5 5. Macierz jednostkowa 1 0 0 0 1 0 0 0 1 6. Macierz blokowa 4 A= 3 7 1.2 −5 7 1 2 1 2 4 2 19 6 1 3 1 −7 0 11 1 Działania na macierzach [ ] [ ] Definicja 1.3. Niech A = aij m×n , B = bij m×n . Suma˛ [różnica] ˛ macierzy A i B [ ] nazywamy macierz C = cij m×n , której elementy określone sa˛ wzorami cij = aij ± bij , dla i ∈ {1, 2, . . . , m} , j ∈ {1, 2, . . . , n} . Piszemy wtedy C = A ± B. Zatem, c11 c12 . . . c1n c 21 c22 . . . c2n . .. .. .. .. . . . cm1 cm2 . . . cmn a11 ± b11 a12 ± b12 ... a1n ± b1n a ±b a22 ± b22 . . . a2n ± b2n 21 21 = .. .. .. .. . . . . am1 ± bm1 am2 ± bm2 . . . amn ± bmn . ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 5 Uwaga 1.1. Z definicji wynika, że dodawać i odejmować możemy od siebie tylko macierze tych samych wymiarów Przykład 1.3. Niech A= 3 1 0 2 3 −5 1 4 , 3 2 −4 2 21 Wówczas 3+ 2 3 1 B= 14 9 −4 3 0−3 1+1 1 −3 2 3 1+4 0 . −2 11 1 4 11 3 44 3 2 −3 5 + 14 −5 + 9 1 + 11 4 + 0 4 12 4 = . 2 − 4 −4 + 3 2 21 + 1 3 − 2 −2 −1 72 1 [ ] Definicja 1.4. Niech A = aij m×n , α niech b˛edzie dowolna˛ liczba˛ rzeczywista.˛ Ilo[ ] czynem macierzy A przez liczb˛e α nazywamy macierz B = bij m×n której elementy A+B = 2 3 określone sa˛ nast˛epujaco: ˛ bij = α · aij , dla i ∈ {1, 2, . . . , m} , j ∈ {1, 2, . . . , n} . Piszemy wtedy B = α · A. Zatem b11 b12 . . . b1n b 21 b22 . . . b2n . .. .. .. .. . . . bm1 bm2 . . . bmn A= 3·A = 3· Przykład 1.5. Niech 1 4 −2 1 = A= 6 . . . α · a1n 2 −5 2 −1 4 −2 1 . . 3·4 3 · (−2) 3 · 1 , 1 3·1 5 α · a12 α·a 21 α · a22 . . . α · a2n = . .. .. .. .. . . . α · am1 α · am2 . . . α · amn Przykład 1.4. Niech Wówczas α · a11 B= = 3 12 −6 3 3 −7 1 4 1 3 . . ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 6 Obliczymy 3 · A − 4 · B. Mamy 3 · A − 4 · B =3 · 15 18 6 −15 6 −3 − 5 6 2 −5 2 −1 −4· 12 −28 4 16 12 4 3 −7 1 4 1 = 3 = 3 46 2 −31 2 −15 . Przejdziemy teraz do najtrudniejszego działania – mnożenia macierzy. [ ] [ ] Definicja 1.5. Niech A = aij m×n , B = bij n×k . Iloczynem macierzy A i B nazy[ ] wamy macierz C = cij m×k , której elementy określone sa˛ wzorami cij = ai1 b1j + ai2 b2j + . . . + ain bnj dla i ∈ {1, 2, . . . , m} , j ∈ {1, 2, . . . , k } . Piszemy wtedy C = A · B. Uwaga 1.2. Z definicji wynika, że iloczyn A · B jest wykonalny, gdy liczba kolumn macierzy A jest taka sama jak liczba wierszy macierzy B. Otrzymana macierz ma tyle wierszy, ile miała macierz A i tyle kolumn, ile miała macierz B. Mnożenie macierzy polega zatem na mnożeniu kolejnych wierszy pierwszej macierzy przez kolejne kolumny drugiej macierzy (przez mnożenie rozumiemy tu znany ze szkoły średniej iloczyn skalarny). Przykład 1.6. Niech A= Wówczas AB = 1 3 12 −2 21 −2 1 · 5 + 3 · 1 + 12 · 1 , 5 2 . B= 1 0 1 1 1 · 2 + 3 · 0 + 12 · 1 −2 · 5 + 21 · 1 + (−2) · 1 −2 · 2 + 21 · 0 + (−2) · 1 = Uwaga 1.3. Mnożenie macierzy nie jest na ogół przemienne. Twierdzenie 1.1. Mamy nast˛epujace ˛ własności działań na macierzach: 20 14 9 −6 . ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 7 1. Jeśli macierz A ma wymiar m × n oraz macierze B i C wymiar n × k, to A (B + C) = AB + AC. 2. Jeśli macierze A i B maja˛ wymiar m × n oraz macierz C wymiar n × k, to (A + B) C = AC + BC. 3. Jeśli macierz A ma wymiar m × n, macierz B wymiar n × k oraz α jest liczba rzeczywista,˛ to A (αB) = (αA) B = α (AB) . 4. Jeśli macierz A ma wymiar m × n, macierz B wymiar n × k oraz macierz C wymiar k × l, to (AB) C = A (BC) . 5. Jeśli macierz A ma wymiar m × n, to AIn = Im A = A. [ ] Definicja 1.6. Niech A = aij m×n . Macierza˛ transponowana˛ do macierzy A nazy[ ] wamy macierz B = bij n×m określona˛ wzorem bij = a ji , dla i ∈ {1, 2, . . . , m} , j ∈ {1, 2, . . . , n} . Piszemy wtedy B = AT . Uwaga 1.4. Transponowanie macierzy polega wi˛ec na zamianie wierszy z kolumnami. Przykład 1.7. Niech −5 2 1 −1 6 2 A= . 2 0 1 2 64 5 Wówczas −5 −1 2 AT = 2 1 6 2 2 0 64 . 1 5 ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 8 Twierdzenie 1.2. Mamy nast˛epujace ˛ własności transponowania macierzy 1. Jeśli macierze A i B maja˛ wymiar m × n, to (A + B)T = A T + B T . 2. Jeśli macierz A ma wymiar m × n oraz α ∈ R, to ( )T AT =A oraz (αA)T = αA T 3. Jeśli macierz A ma wymiar m × n,, macierz B wymiar n × k, to (AB)T = B T A T 1.3 Wyznacznik macierzy Definicja 1.7. Wyznacznikiem macierzy kwadratowej A nazywamy liczb˛e det A, określona˛ w sposób nast˛epujacy: ˛ 1. jeśli macierz A ma stopień n = 1 (A = [ a11 ]) , to det A = a11 , 2. jeśli A ma stopień n ≥ 2, to det A = (−1)1+1 a11 det A11 + (−1)1+2 a12 det A12 + . . . + (−1)1+n a1n det A1n , gdzie Aij oznacza macierz stopnia n − 1, powstała˛ z macierzy A przez skreślenie i −tego wiersza i j−tej kolumny. Uwaga 1.5. Określamy stopień wyznacznika z macierzy jako stopień tej macierzy. Jeśli a11 a12 . . . a1n a a . . . a 22 2n 21 , A= . .. . . .. .. . . . an1 an2 . . . ann to wyznacznik det A oznaczamy również jako a11 a12 . . . a1n a 21 a22 . . . a2n det . .. . . .. .. . . . an1 an2 . . . ann ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI albo 9 a11 a12 . . . a1n a21 a22 . . . a2n .. .. . . . . . .. . . an1 an2 . . . ann Uwaga 1.6. Dla macierzy stopnia n = 2 wyznacznik liczymy w nast˛epujacy ˛ sposób a b = ad − cb. det c d Uwaga 1.7. Dla macierzy stopnia n = 3 wyznacznik liczymy stosujac ˛ tzw. metod˛e Sarrusa a b c a b = d e f d e = aei + b f g + cdh − ceg − a f h − bdi. det d e f g h i g h i g h [ ] Definicja 1.8. Niech A = aij b˛edzie macierza˛ kwadratowa˛ stopnia n ≥ 2. Wówczas a b c dopełnieniem algebraicznym elementu aij macierzy A nazywamy liczb˛e Dij = (−1)i+ j det Aij , gdzie Aij oznacza macierz stopnia n − 1, powstała˛ z macierzy A przez skreślenie i −tego wiersza i j−tej kolumny. Przykład 1.8. Niech −4 2 1 A= 4 2 2 3 . 1 0 1+3 4 2 D13 = (−1) · = 1 · 0 = 0, 2 1 2+3 −4 2 D23 = (−1) · = −1 · (−8) = 8. 2 1 [ ] Twierdzenie 1.3. Niech A = aij b˛edzie macierza˛ kwadratowa˛ stopnia n ≥ 2. Ustalmy Wówczas liczby naturalne i, j ∈ {1, 2, . . . , n} . Wtedy wyznacznik macierz A możemy obliczyć z nast˛epujacych ˛ wzorów det A = ai1 Di1 + ai2 Di2 + . . . + ain Din , (1.1) ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 10 det A = a1j D1j + a2j D2j + . . . + anj Dnj . (1.2) Uwaga 1.8. Wzór (1.1) mówi, że wyznacznik macierzy A jest równy sumie iloczynów wyrazów i −tego wiersza i ich dopełnień algebraicznych. Wzór ten nazywamy rozwini˛eciem Laplace’a wzgl˛edem i −tego wiersza. Wzór (1.2) mówi, że wyznacznik macierzy A jest równy sumie iloczynów wyrazów j−tej kolumny i ich dopełnień algebraicznych. Wzór ten nazywamy rozwini˛eciem Laplace’a wzgl˛edem j−tej kolumny. Przykład 1.9. Niech −4 2 1 A= 4 2 2 3 , 1 0 obliczymy det A rozwini˛eciem Laplace’a wzgl˛edem 2−ego wiersza, a nast˛epnie wzgl˛edem 3−ej kolumny. 2+1 2 1 det A = 4 · (−1) 1 0 − 4 1 − 4 2 2 + 2 2 + 3 + 2 · (−1) + 3 · (−1) = 2 0 2 1 = −4 · (−1) + 2 · (−2) + (−3) · (−8) = 24. W drugim przypadku mamy: 1+3 4 2 det A = 1 · (−1) 2 1 −4 2 −4 2 2 + 3 3 + 3 + 3 · (−1) + 0 · (−1) = 2 1 4 2 = 1 · 0 + (−3) · (−8) + 0 = 24. 1.4 Własności wyznaczników W rozdziale tym przedstawimy podstawowe własności wyznaczników, które b˛eda˛ bardzo pomocne przy ich obliczaniu. Twierdzenie 1.4. Wyznacznik macierzy trójkatnej ˛ górnej lub dolnej równy jest iloczynowi wyrazów na głównej przekatnej. ˛ a 11 0 . . . 0 a 21 a22 . . . 0 . .. . . . .. . .. . an1 an2 . . . ann = a11 · a22 · . . . · ann , ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI a11 a12 . . . a1n 0 .. . a22 . . . a2n . .. . . . .. . 0 0 . . . ann 11 = a11 · a22 · . . . · ann . Twierdzenie 1.5. Mamy nast˛epujace ˛ własności wyznaczników 1. Wyznacznik macierzy kwadratowej majacej ˛ kolumn˛e albo wiersz złożone z samych zer jest równy zero. 2. Wyznacznik macierzy majacej ˛ dwie identyczne kolumny albo dwa identyczne wiersze jest równy zero. 3. Wyznacznik macierzy danej i transponowanej sa˛ równe. 4. Jeśli w macierzy kwadratowej przestawimy mi˛edzy soba˛ dwie kolumny albo dwa wiersze, to wyznacznik zmieni znak na przeciwny. 5. Jeśli wszystkie wyrazy kolumny lub wiersza w danej macierzy kwadratowej maja˛ wspólnych czynnik, to czynniki ten możemy wyłaczyć ˛ przed znak wyznacznika det a11 c · a12 . . . a1n a21 c · a22 . . . a2n .. .. . . . .. . . . = c · det an1 c · an2 . . . ann a11 a12 ... a1n c·a 21 c · a22 . . . c · a2n det . .. .. .. .. . . . an1 an2 . . . ann a11 a12 . . . a1n a21 a22 . . . a2n .. .. . . . . .. . . , an1 an2 . . . ann a11 a12 . . . a1n a 21 a22 . . . a2n = c · det . .. . . .. .. . . . an1 an2 . . . ann 6. Wyznacznik macierzy nie zmieni si˛e, jeżeli do elementów dowolnej kolumny [wiersza] dodamy odpowiadajace ˛ im wyrazy innej kolumny [wiersza] pomnożone przez dowolna˛ liczb˛e. Korzystajac ˛ z powyższych własności można tak poprzekształcać macierz kwadratowa,˛ aby otrzymać macierz trójkatn ˛ a,˛ której wyznacznik jest bardzo łatwo policzyć korzystajac ˛ z Twierdzenia 1.4. Aby doprowadzić dana˛ macierz do postaci trójkatnej ˛ wygodnie jest zastosować poniższy algorytm pochodzacy ˛ od C. F. Gaussa. ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 12 Algorytm Gaussa [ ] Niech dana b˛edzie macierz kwadratowa (niezerowa) A = aij n×n . 1. Dzielimy pierwsza˛ kolumn˛e macierzy przez wyraz a11 , tak aby pierwszy wyraz nowej macierzy był równy 1 (gdy a11 = 0, przestawiamy wiersze albo kolumny macierzy A tak, aby po przestawieniu wyraz nowy wyraz a11 był różny od zera – oczywiście należy pami˛etać o zmianie znaku wyznacznika): a11 a12 . . . a1n 1 a12 a a 21 a 22 21 a22 . . . a2n ′ a11 k1 det . = a · det k = 11 . . . .. 1 a . 11 .. . . .. .. .. . an1 an1 an2 . . . ann a11 an2 . . . a1n . . . a2n . .. . .. . . . . ann 2. Od każdego z wierszy (z wyjatkiem ˛ pierwszego) odejmujemy pierwszy wiersz pomnożony przez pierwszy wyraz danego wiersza: 1 a12 . . . a1n w2′ = w2 − w1 · aa21 a 11 21 a 22 . . . a2n a11 .. = a11 · det . . .. . . . .. . .. . wn′ = wn − w1 · aan1 an1 11 a11 an2 . . . ann = a11 · det 1 a12 . . . a1n ′ ′ 0 a22 . . . a2n .. .. . . . . .. . . 0 a′n2 . . . a′nn . Otrzymamy wtedy macierz, w której pierwsza kolumna składa si˛e z pierwszego wyrazu równego 1 i samych zer. ′ i zerujac ˛ ko3. Kontynuujemy nasze post˛epowanie dzielac ˛ drugi wiersz przez a22 lejne (leżace ˛ poniżej) wyrazy drugiej kolumny, itd. Uwaga 1.9. Aby ułatwić wykonywane działania można zamieniać ze soba˛ komuny lub wiersze mi˛edzy soba˛ pami˛etajac ˛ oczywiście o ewentualnej zmianie znaku wyznacznika. Jest to w szczególności konieczne, gdy wyraz a11 = 0. Uwaga 1.10. Cz˛esto zamiast dzielić wiersz, aby otrzymać wyraz 1 od kolejnych wierszy odejmuje si˛e pierwszy wiersz mnożony przez takie współczynniki, aby wyzerować kolejne wyrazy poszczególnych kolumn. ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 13 Przykład 1.10. Obliczyć stosujac ˛ algorytm Gaussa: 1 4 det 3 2 7 . −4 −2 1 1.5 5 1 4 2 w2′ = w2 − 3 · w1 3 = 5 7 w3′ = w3 + 4 · w1 −4 −2 1 1 1 4 2 ′ 0 −7 1 w3 = w3 + 2 · w2 = 0 0 0 14 9 1 4 2 0 −7 1 = 0 14 9 4 2 −7 1 = −77 0 11 Macierz odwrotna Definicja 1.9. Niech A b˛edzie macierza˛ kwadratowa˛ stopnia n. Macierza˛ odwrotna˛ do macierzy A nazywamy macierz A−1 , która spełnia warunek AA−1 = A−1 A = In, gdzie In jest macierza˛ jednostkowa˛ stopnia n. Przykład 1.11. Niech A= A −1 = AA−1 = oraz 5 3 wówczas Rzeczywiście 2 1 5 3 A −1 A = 3 −1 −5 2 2 1 3 −1 −5 2 , 3 −1 −5 2 . = 5 3 1 0 0 1 2 1 = 1 0 0 1 . Uwaga 1.11. Jeśli macierz A posiada macierz odwrotna,˛ to nazywamy ja˛ odwracalna.˛ ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 14 Definicja 1.10. Macierz kwadratowa˛ A nazywamy osobliwa,˛ gdy det A = 0. W przeciwnym razie macierz A nazywamy nieosobliwa.˛ Twierdzenie 1.6. Macierz kwadratowa jest odwracalna wtedy i tylko wtedy, gdy jest [ ] nieosobliwa: det A ̸= 0. Ponadto, jeśli macierz A = aij stopnia n jest nieosobliwa, to A −1 D11 D12 . . . D1n 1 D21 D22 . . . D2n = .. .. .. det A ... . . . Dn1 Dn2 . . . Dnn T , gdzie Dij oznaczaja˛ algebraiczne dopełnienia elementów aij macierzy A. Twierdzenie 1.7. Niech macierze A i B b˛eda˛ macierzami odwracalnym tego samego stopnia oraz niech α ̸= 0. Wówczas macierze A−1 , A T , AB, αA oraz An (n ∈ N) sa˛ odwracalne, ponadto: ( ) ( ) −1 1. det A−1 = (det A)−1 2. A−1 =A 4. (AB)−1 = B−1 A−1 5. (αA)−1 = α1 A−1 ( ) −1 ( −1 ) T 3. A T = A ( )n 6. (An )−1 = A−1 Przykład 1.12. Wyznaczyć macierz odwrotna˛ do macierzy 2 5 7 . A= 6 3 4 5 −2 −3 Obliczmy wyznacznik det A 2 5 7 5 7 2 det A = 6 3 4 3 4 = 6 5 −2 −3 5 −2 −3 2 5 6 3 = −18 + 100 − 84 − 105 + 16 + 90 = −1. 5 −2 Obliczmy nast˛epnie dopełnienia algebraiczne kolejnych elementów. 3 4 1+1 = −1, D11 = (−1) −2 −3 D12 4 1+2 6 = (−1) 5 −3 = 38, ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 15 3 1+3 6 = −27, D13 = (−1) 5 −2 5 7 2+1 = 1, D21 = (−1) −2 −3 7 2+2 2 = −41, D22 = (−1) 5 −3 5 2+3 2 = 29, D23 = (−1) 5 −2 3+1 5 7 D31 = (−1) = −1, 3 4 2 7 3+2 = 34, D32 = (−1) 6 4 3+3 2 5 D33 = (−1) = −24. 6 3 Zatem A −1 = −1 −1 38 −27 T −1 1 −1 1 −1 1 38 −41 = −38 . = − 1 29 34 41 − 34 34 −24 −27 29 −24 27 −29 24 1 −41 −1 Podamy jeszcze jeden sposób znajdowania macierzy odwrotnej. W metodzie tej nie korzystamy z wyznaczników. Bezwyznacznikowy algorytm znajdowania macierzy odwrotnej. Niech A b˛edzie macierza˛ nieosobliwa.˛ Aby znaleźć macierz A−1 post˛epujemy w nast˛epujacy ˛ sposób: 1. Z prawej strony macierzy A dopisujemy macierz jednostkowa˛ tego samego stopnia a11 a12 . . . a1n 1 0 . . . 0 a21 a22 . . . a2n 0 1 . . . .. .. . . . .. .. . . . .. . . . . . 0 .. . an1 an2 . . . ann 0 0 . . . 1 . ROZDZIAŁ 1. MACIERZE I WYZNACZNIKI 16 2. Działajac ˛ na wierszach tak przekształcamy otrzymana˛ macierz blokowa˛ [A|I] aby uzyskać macierz [I|B] przy czym możemy: • przestawiać mi˛edzy soba˛ dowolne wiersze, • dowolny wiersz mnożyć przez stała˛ różna˛ od zera, • do elementów dowolnego wiersza dodawać sumy innych wierszy pomnożonych prze dowolne liczby. 3. Otrzymana w wyniku tych operacji macierz B jest macierza˛ odwrotna˛ do macierzy A. Ćwiczenie 1.1. Znaleźć macierz odwrotna˛ do macierzy A= 2 2 3 1 −1 0 −1 2 1 korzystajac ˛ z bezwyznacznikowego algorytmu. Rozdział 2 Układy równań 2.1 Podstawowe określenia Definicja 2.1. Układem m równań z n niewiadomymi x1 , x2 , . . . , xn , gdzie m, n ∈ N, nazywamy układ równań postaci a11 x1 + a12 x2 + . . . + a1n xn = b1 a x + a x + . . . + a xn = b 22 2 2n 2 21 1 , . . . . . .. .. .. .. .. am1 x1 + am2 x2 + . . . + amn xn = bm (2.1) gdzie aij , bi ∈ R dla i ∈ {1, 2, . . . , m} oraz j ∈ {1, 2, . . . , n} . Rozwiazaniem ˛ układu (2.1) nazywamy ciag ˛ liczb ( x1 , x2 , . . . , xn ) spełniajacych ˛ ten układ. Układ, który nie ma rozwiazania ˛ nazywamy sprzecznym. Uwaga 2.1. Układ (2.1) możemy zapisać w postaci macierzowej (2.2) AX = B, gdzie a11 a12 . . . a1n a 21 a22 . . . a2n A= . .. .. ... .. . . am1 am2 . . . amn X= , x1 x2 .. . xn , B= b1 b2 .. . . bm Macierz A nazywa si˛e macierza˛ główna˛ układu, macierz X kolumna˛ niewiadomych, macierz A|B – macierza˛ dołaczon ˛ a˛ układu, zaś macierz B – kolumna˛ wyrazów wolnych. 17 ROZDZIAŁ 2. UKŁADY RÓWNAŃ 18 Ćwiczenie 2.1. Podany układ zapisz w postaci macierzowej x−y = 0 y+z = 2 . z = −5 Definicja 2.2. Układ, w którym B = 0, czyli układ postaci AX = 0 nazywamy jednorodnym. W przeciwnym wypadku (gdy B nie jest kolumna˛ zerowa) ˛ układ nazywamy niejednorodnym. Uwaga 2.2. Układ jednorodny ma zawsze rozwiazanie ˛ zerowe: X = 0. 2.2 Układy Cramera Definicja 2.3. Układem Cramera nazywamy układ równań liniowych (2.3) AX = B, w którym macierz A jest macierza˛ kwadratowa˛ nieosobliwa.˛ Twierdzenie 2.1 (Cramera). Układ Cramera (2.3) ma dokładnie jedno rozwiazanie ˛ wyrażajace ˛ si˛e wzorem det A1 1 det A2 X= .. det A . det An , gdzie n oznacza stopień macierzy A, natomiast A j , j ∈ {1, 2, . . . , n} oznacza macierz A, w której j−ta˛ kolumn˛e zastapion ˛ a˛ kolumna˛ wyrazów wolnych B. Mamy zatem x1 = det A2 det An det A1 , x2 = , . . . , xn = . det A det A det A Ćwiczenie 2.2. Korzystajac ˛ ze wzorów Cramera znaleźć rozwiazanie ˛ układu x−y−z = 1 3x + 4y − 2z = −1 . 3x − 2y − 2z = 1 ROZDZIAŁ 2. UKŁADY RÓWNAŃ 19 Poniższe twierdzenie podaje inna˛ metod˛e rozwiazywania ˛ układu Cramera Twierdzenie 2.2. Rozwiazanie ˛ układu Cramera (2.3) jest określone wzorem X = A−1 B. Ćwiczenie 2.3. Rozwia˛ż przy pomocy metody macierzy odwrotnej układ z poprzedniego ćwiczenia. 2.3 Rzad ˛ macierzy W dalszych rozważaniach dotyczacych ˛ metod rozwiazywania ˛ dowolnych układów równań potrzebne nam b˛edzie poj˛ecie rz˛edu macierzy Definicja 2.4. Rz˛edem macierzy A nazywamy maksymalny stopień niezerowego wyznacznika powstałego z macierzy A przez skreślenie pewnej liczby kolumn i wierszy. Dla macierzy zerowej przyjmujemy rzad ˛ równy 1. Rzad ˛ macierzy A oznaczamy symbolem rz A. Przy obliczaniu rz˛edu macierzy pomocne jest nast˛epujace ˛ Twierdzenie 2.3. 1. Jeśli dowolne dwa wiersze albo dwie kolumny zamienimy ze soba˛ miejscami, to rzad ˛ macierzy nie ulegnie zmianie. 2. Jeśli kolumn˛e albo wiersz danej macierzy pomnożymy lub podzielimy przez pewna˛ liczb˛e różna˛ od zera, to rzad ˛ macierzy nie ulegnie zmianie. 3. Jeśli do dowolnego wiersza [dowolnej kolumny] dodamy sum˛e innych wierszy [kolumn] pomnożonych przez pewne liczby, to rzad ˛ macierzy nie ulegnie zmianie. Przykład 2.1. Znaleźć rzad ˛ macierzy A= 1 −1 0 2 1 1 3 2 −1 −3 −1 1 0 3 1 ROZDZIAŁ 2. UKŁADY RÓWNAŃ Obliczamy kolejno 1 3 −1 1 3 −1 1 3 −1 20 −1 1 −3 −1 1 −3 −1 1 −3 0 1 = 0, −1 2 3 = 0, 1 1 2 = 0 0 Post˛epujac ˛ tak dalej stwierdzamy, że wszystkie podwyznaczniki stopnia 3 sa˛ zerowe, zatem rz A ≤ 2. Sprawdźmy, czy istnieje niezerowy podwyznacznik stopnia 2. Mamy 1 −1 = 4 ̸= 0, 1 3 zatem rz A = 2. Metoda znajdowania rz˛edu macierzy w oparciu o wyznaczniki jest dość kłopotliwa. Znacznie skuteczniejsze okazuje si˛e być post˛epowanie, w którym za pomoca˛ działań opisanych w poprzednim twierdzeniu (najlepiej wykonywanych w oparciu o algorytm Gaussa) doprowadzamy macierz A do nast˛epujacej ˛ postaci 1 0 ... 0 ′ a1r +1 ... ′ a1n 0 1 .. .. . . ... .. . 0 0 ′ a2r +1 .. . ... .. . ′ a2n .. . 0 0 ... 1 ′ arr +1 ... ′ a4n 0 0 ... 0 0 ... 0 Wówczas rz A = r. Metoda ta nazywana jest metoda˛ przekształceń elementarnych, zaś powyższa postać macierzy – postacia˛ bazowa.˛ Uwaga 2.3. Czasami wygodniej jest doprowadzać macierz do tzw. rozproszonej postaci bazowej. Jest to taka postać macierzy, która˛ możemy doprowadzić do postaci bazowej jedynie przestawiajac ˛ wiersze lub kolumny. ROZDZIAŁ 2. UKŁADY RÓWNAŃ 21 Przykład 2.2. Metoda˛ przekształceń elementarnych zbadać rzad ˛ macierzy A= 1 −1 0 2 1 1 3 2 . −1 −3 −1 1 0 3 1 Mamy rz 1 −1 0 2 1 1 3 2 −1 −3 −1 1 0 3 1 1 −1 0 2 1 1 −3 −1 0 −4 −1 3 1 rz 0 2.4 4 w2′ = w2 − 3w1 w3′ = w3 + w1 1 −1 2 1 1 −3 −1 = 0 −4 −1 3 1 = rz 0 w3′ = w3 + w2 0 4 1 4 1 4 5 4 − 34 3 4 1 −4 0 0 0 0 0 1 0 w1′ = w1 + 14 w2 = rz 0 1 w2′ = 14 w1 = 2. Rozwiazywanie ˛ dowolnych układów równań liniowych Twierdzenie 2.4 (Kroneckera-Capellego). Układ AX = B posiada rozwiazanie ˛ wtedy i tylko wtedy, gdy rz A = rz [A|B] = r. Przy czym • jeśli r = n (rzad ˛ macierzy A jest równy ilości niewiadomych), to układ posiada dokładnie jedno rozwiazanie, ˛ • jeśli r < n (rzad ˛ macierzy A jest mniejszy ilości niewiadomych), to układ posiada nieskończenie wiele rozwiaza ˛ ń zależnych od n − r parametrów. Uwaga 2.4. Jeśli układ jest jednorodny, to możemy nie sprawdzać warunku rz A = rz [A|B], jest on bowiem spełniony w sposób oczywisty. ROZDZIAŁ 2. UKŁADY RÓWNAŃ 22 Definicja 2.5. Załóżmy, że układ AX = B posiada nieskończenie wiele rozwiaza ˛ ń zależnych od n − r parametrów t1 , t2 , ..., tn−r . Załóżmy dalej, że zbiór rozwiaza ˛ ń układu został zapisany w ten sposób, że dla niewiadomych xi1 , xi2 , ..., xin−r mamy, że xi1 = ˛ bazowym układu AX = B nazyt1 , xi2 = t2 , ..., xin−r = tn−r . Wtedy rozwiazaniem wamy rozwiazanie, ˛ dla którego t1 = t2 = ... = tn−r = 0. Twierdzenie 2.5. Liczba rozwiaza ˛ ń bazowych układu AX = B z n niewiadomymi, w którym rz A = rz [A|B] = r wynosi co najwyżej ( ) n n! = . r (n − r )!r! ˛ układ Ćwiczenie 2.4. Rozwiazać 4x − y = 7 3x + y = 14 . 2x + 3y = 0 ˛ układ Ćwiczenie 2.5. Rozwiazać 5x + 3y − z = 3 2x + y − z = 1 . 3x − 2y + 2z = − 4 x − y + 2z = −2 Ćwiczenie 2.6. Rozwiazać ˛ układ 3u + x + y + 2z = 2 −u + x + 2y + z = 1 . 6u + 2x + 2y + 4z = 4 −3u + 3x + 6y + 3z = 3 Rozdział 3 Liczby zespolone 3.1 Podstawowe definicje i własności Definicja 3.1. Liczba˛ zespolona˛ nazywamy par˛e liczb rzeczywistych ( x, y) . Liczby zespolone oznaczamy zwykle przez z, u, w, itd. Zbiór wszystkich liczb zespolonych oznaczamy symbolem C, mamy zatem C = {z = ( x, y) : x, y ∈ R} . Uwaga 3.1. Liczb˛e zespolona˛ z = ( x, y) interpretujemy geometrycznie na płaszczyźnie R2 jako punkt o współrz˛ednych ( x, y) albo jako wektor zaczepiony o poczatku ˛ w punkcie (0, 0) i końcu w punkcie ( x, y) . Płaszczyzn˛e R2 nazywa si˛e wtedy zwykle płaszczyzna˛ zespolona.˛ Definicja 3.2. Niech z = ( x, y) , z1 = ( x1 , y1 ) , z2 = ( x2 , y2 ) b˛eda˛ liczbami zespolonymi. 1. Mówimy, że liczby z1 i z2 sa˛ równe (z1 = z2 ) wtedy i tylko wtedy gdy x1 = x2 oraz y1 = y2 . 2. Zerem zespolonym nazywamy liczb˛e 0 określona˛ nast˛epujaca: ˛ 0 := (0, 0) . 3. Jedynka˛ zespolona˛ nazywamy liczb˛e zespolona˛ 1 określona˛ nast˛epujaco: ˛ 1 := (1, 0) . 4. Suma˛ liczb zespolonych z1 i z2 nazywamy liczb˛e zespolona˛ z1 + z2 określona˛ nast˛epujaco: ˛ z1 + z2 : = ( x1 + x2 , y1 + y2 ) . 23 ROZDZIAŁ 3. LICZBY ZESPOLONE 24 5. Liczba˛ przeciwna˛ do liczby z nazywamy liczb˛e −z określona˛ nast˛epujaco: ˛ −z := (− x, −y) . 6. Iloczynem liczb zespolonych z1 i z2 nazywamy liczb˛e zespolona˛ z1 · z2 określona˛ nast˛epujaco: ˛ z1 · z2 : = ( x1 · x2 − y1 · y2 , x1 · y2 + x2 · y1 ) . 7. Jeśli z ̸= 0, to odwrotnościa˛ liczby z nazywamy liczb˛e z−1 (stosujemy też oznaczenie 1z ) określona˛ nast˛epujaco: ˛ z −1 := ( x y ,− 2 2 2 x +y x + y2 ) . Iloczyn z · . . . · z n czynników oznaczamy tradycyjnie przez zn . Własność 3.1. Niech z1 , z2 , z3 ∈ C. 1. Dodawanie liczb zespolonych jest przemienne: z1 + z2 = z2 + z1 . 2. Dodawanie liczb zespolonych jest łaczne: ˛ ( z1 + z2 ) + z2 = z1 + ( z2 + z3 ) . 3. Dla każdej liczby zespolonej z spełniona jest równość z + 0 = z. 4. Dla każdej liczby zespolonej z istnieje liczba przeciwna −z oraz zachodzi równość: z + (−z) = 0. 5. Mnożenie liczb zespolonych jest przemienne: z1 · z2 = z2 · z1 . 6. Mnożenie liczb zespolonych jest łaczne: ˛ ( z1 · z2 ) · z2 = z1 · ( z2 · z3 ) . ROZDZIAŁ 3. LICZBY ZESPOLONE 25 7. Dla każdej liczby zespolonej z zachodzi równość: z · 1 = z. 8. Dla każdej liczby zespolonej z ̸= 0 istnieje liczba odwrotna 1 z oraz zachodzi rów- ność: z· 1 = 1. z 9. Mnożenie liczb zespolonych jest rozdzielne wzgl˛edem dodawania: z1 · ( z2 + z3 ) = z1 · z2 + z1 · z3 . Definicja 3.3. Niech z1 , z2 ∈ C. oraz zachodzi równość: 1. Różnica˛ liczb zespolonych z1 i z2 nazywamy liczb˛e z1 − z2 określona˛ nast˛epujaco: ˛ z1 − z2 := z1 + (−z2 ) . 2. Jeśli z2 ̸= 0, to ilorazem liczb zespolonych z1 i z2 nazywamy liczb˛e nast˛epujaco: ˛ z1 : = z1 · z2 3.2 ( 1 z2 z1 z2 określona˛ ) . Postać algebraiczna i sprz˛eżenie liczby zespolonej. Uwaga 3.2. Każda liczba zespolona z posiadajaca ˛ cz˛eść urojona˛ równa˛ zero, tzn. liczba postaci z = ( x, 0) może być traktowana jako liczba rzeczywista x. B˛edziemy wi˛ec pisać, że ( x, 0) = x. W szczególności dla liczb ( x, 0), (y, 0) i z1 = ( x1 , y1 ) mamy, że ( x, 0) + (y, 0) = ( x + y, 0) = x + y, ( x, 0) · (y, 0) = ( x · y − 0 · 0, x · 0 + 0 · y) = ( x · y, 0) = x · y, ( x, 0) · ( x1 , y1 ) = ( x · x1 − 0 · y1 , x · y1 + 0 · x1 ) = ( x · x1 , x · y1 ) = x · ( x1 , y1 ). Definicja 3.4. Liczb˛e zespolona˛ (0, 1) nazywamy jednostka˛ urojona˛ i oznaczamy przez i. Mamy zatem: i := (0, 1) . ROZDZIAŁ 3. LICZBY ZESPOLONE 26 Własność 3.2. Każda˛ liczb˛e zespolona˛ z = ( x, y) można przedstawić w postaci z = x + i · y. Definicja 3.5. Postać z = x + i · y liczby zespolonej z = ( x, y) nazywamy postacia˛ algebraiczna.˛ Wtedy liczb˛e x nazywamy cz˛eścia˛ rzeczywista˛ liczby z i oznaczamy Re z, zaś liczb˛e y nazywamy cz˛eścia˛ urojona˛ liczby z i oznaczamy Im z. Zatem każda˛ liczb˛e zespolona˛ z można przedstawić w postaci algebraicznej jako z = Re z + i · Im z. Własność 3.3. Dwie liczby zespolone z1 , z2 sa˛ równe wtedy i tylko wtedy, gdy Re z1 = Re z2 , Im z1 = Im z2 . Definicja 3.6. Sprz˛eżeniem liczby zespolonej z = x + i · y ( x, y ∈ R) nazywamy liczb˛e zespolona˛ z̄ określona˛ jako z̄ := x − i · y. Własność 3.4. Niech z, z1 , z2 ∈ C. Wtedy: 1. z1 + z2 = z1 + z2 . 2. z1 − z2 = z1 − z2 . 3. z1 · z2 = z1 · z2 . 4. 5. z + z̄ = 2 Re z. 3.3 6. z − z̄ = 2i Im z. ( ) z1 z2 = z1 z2 , z2 ̸= 0. 8. Im (z̄) = − Im z. 7. (z̄) = z. Moduł i argument liczby zespolonej. Definicja 3.7. Modułem liczby zespolonej z = x + i · y ( x, y ∈ R) nazywamy liczb˛e rzeczywista˛ |z| określona˛ jako: |z| := √ x 2 + y2 . Moduł liczby zespolonej z = ( x, y) interpretujemy geometrycznie na płaszczyźnie zespolonej jako odległość punktu o współrz˛ednych ( x, y) od poczatku ˛ układu współrz˛ednych. Własność 3.5. Niech z, z1 , z2 ∈ C. Wtedy: 1. |z̄| = |z| = |−z| . |z | 4. zz12 = |z1 | , z2 ̸= 0. 2. z · z̄ = z2 . 3. |z1 · z2 | = |z1 | · |z2 | . 5. |z1 + z2 | ≤ |z1 | + |z2 | . 6. |z1 − z2 | ≥ ||z1 | − |z2 || . 7. |Re z| ≤ |z| , |Im z| ≤ |z| . 8. |Re (z1 · z2 )| ≤ |z1 | · |z2 | . 2 ROZDZIAŁ 3. LICZBY ZESPOLONE 27 Definicja 3.8. Argumentem liczby zespolonej z ̸= 0 nazywamy każda˛ liczb˛e φ ∈ R spełniajac ˛ a˛ układ równań Re z , cos φ = |z| Im z . sin φ = |z| Dodatkowo przyjmujemy, że argumentem liczby 0 jest 0. Argumentem głównym liczby zespolonej z nazywamy ten spośród jej argumentów, który jest w przedziale ⟨0, 2π ) . Argument główny liczby z oznaczamy symbolem arg z. Uwaga 3.3. Jeśli rozważymy interpretacj˛e geometryczna˛ liczby zespolonej z na płaszczyźnie, to argumentem głównym tej liczby jest miara kata ˛ dodatnio skierowanego jaki tworzy wektor z z dodatnia˛ półosia˛ rzeczywista˛ ox. Własność 3.6. Niech z ̸= 0 b˛edzie dowolna˛ liczba˛ zespolona.˛ Wtedy: 1. arg (z̄) = 2π − arg z. arg z + π gdy 0 ≤ arg z < π . 2. arg (−z) = arg z − π gdy π ≤ arg z < 2π ( ) 3. arg 1z = 2π − arg z. 3.4 Postać trygonometryczna liczba zespolonej. Własność 3.7. Każda˛ liczb˛e zespolona˛ z można zapisać jako z = r (cos φ + i sin φ) , (3.1) gdzie r ≥ 0 oraz φ ∈ R. Liczba r jest wtedy modułem liczby z, zaś φ jej argumentem. Zatem z = |z| (cos (arg z) + i sin (arg z)) . Definicja 3.9. Postać (3.1) liczby zespolonej z nazywamy postacia˛ trygonometryczna.˛ Własność 3.8. Niech z1 = r1 (cos φ1 + i sin φ1 ) , z2 = r2 (cos φ2 + i sin φ2 ) b˛eda˛ liczbami zespolonymi (w postaci trygonometrycznej). Wówczas z1 · z2 = r1 r2 (cos ( φ1 + φ2 ) + i sin ( φ1 + φ2 )) , r z1 = 1 (cos ( φ1 − φ2 ) + i sin ( φ1 − φ2 )) o ile z2 ̸= 0 z2 r2 ROZDZIAŁ 3. LICZBY ZESPOLONE 28 Własność 3.9. Niech z = r (cos φ + i sin φ) b˛edzie dowolna˛ liczba˛ zespolona˛ w postaci trygonometrycznej. Wówczas: 1. z̄ = r (cos (− φ) + i sin (− φ)) . 2. 1 z = 1 r (cos (− φ) + i sin (− φ)), o ile z ̸= 0. 3. −z = r (cos ( φ + π ) + i sin ( φ + π )) . 4. zk = r k (cos (kφ) + i sin (kφ)) (wzór de Moivre’a). Własność 3.10. Niech z, z1 , z2 ∈ C oraz niech n ∈ N. Wówczas: 1. arg (z1 z2 ) = arg z1 + arg z2 + 2kπ, dla k = 0 lub k = −1. 2. arg (zn ) − n arg z + 2kπ, dla pewnego k ∈ Z. ( ) 3. arg zz12 = arg z1 − arg z2 + 2kπ, dla k = 0 lub k = 1, o ile z2 ̸= 0. Uwaga 3.4. Liczb˛e k dobieramy (w zależności od z, z1 , z2 oraz n) w ten sposób, aby otrzymany argument był z przedziału ⟨0, 2π ) . 3.5 Pierwiastkowanie liczb zespolonych. Definicja 3.10. Pierwiastkiem stopnia n ∈ N liczby zespolonej z nazywamy taka˛ liczb˛e zespolona˛ w, że wn = z. Zbiór pierwiastków stopnia n z liczby z oznaczamy przez √ n z. Przykład 3.1. Poniżej prezentujemy wartości zespolonych pierwiastków z pewnych liczb zespolonych. Dla porównania w prawej kolumnie podane sa˛ wartości pierwiastków rzeczywistych tych liczb: wR √ 4=2 √ 4 1=1 √ −1 - nie istnieje wC √ 4 = {−2, 2} √ 4 1 = {1, i, −1, −i } √ −1 = {i, −i } ROZDZIAŁ 3. LICZBY ZESPOLONE 29 Własność 3.11. Każda liczba zespolona z = |z| (cos φ + i sin φ) (w postaci trygonometrycznej) ma dokładnie n pierwiastków n−tego stopnia. Zbiór tych pierwiastków ma postać √ n gdzie √ wk = n ( z = { w0 , w1 , . . . , w n −1 } , φ + 2kπ φ + 2kπ + i sin |z| cos n n ) , k = 0, 1, . . . , n − 1 Rozdział 4 Przestrzenie liniowe. Przekształcenia liniowe 4.1 Podstawowe definicje Definicja 4.1. Przestrzenia˛ liniowa˛ nazywamy zbiór V, taki że dla dowolnych elementów u, v ∈ V określona jest suma u + v ∈ V oraz dla dowolnej liczby α ∈ R i dowolnego elementu u ∈ V określony jest iloczyn αu ∈ V spełniajace ˛ warunki (L1) u + v = v + u dla u, v ∈ V (przemienność dodawania), (L2) (u + v) + w = u + (v + w) dla u, v, w ∈ V (łaczność ˛ dodawania), (L3) istnieje element θ ∈ V taki, że u + θ = u dla u ∈ V (istnienie elementu neutralnego), (L4) dla każdego u ∈ V istnieje element −u ∈ V taki, że u + (−u) = θ (istnienie element przeciwnego), (L5) 1u = u oraz α ( βu) = (αβ) u dla u ∈ V i α, β ∈ R, (L6) (α + β) u = αu + βu oraz α (u + v) = αu + βv dla α, β ∈ R oraz u, v ∈ V. Elementy zbioru V nazywamy wektorami. Element neutralny θ ∈ V nazywamy wektorem zerowym. Definicja 4.2. Różnica˛ wektorów u, v ∈ V nazywamy wektor u − v := u + (−v) . 30 ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 31 Przykład 4.1. Zbiór V = Rn wektorów v = [v1 , v2 , ..., vn ] dla n ∈ N z działaniami określonymi w naturalny sposób tj. u + v := [u1 + v1 , u2 + v2 , ..., un + vn ] , αu := [αu1 , αu2 , ..., αun ] , dla u = [u1 , u2 , ..., un ] ∈ Rn , v = [v1 , v2 , ..., vn ] ∈ Rn oraz α ∈ R jest przestrzenia˛ liniowa˛ zwana˛ przestrzenia˛ euklidesowa.˛ Przykład 4.2. Zbiór V wszystkich funkcji f : R → R z działaniami określonymi jako: 1. ( f + g) ( x ) := f ( x ) + g ( x ) , dla x ∈ R oraz f , g ∈ V 2. (α f ) ( x ) := α f ( x ) , dla x ∈ R oraz f ∈ V (sa˛ to tzw. działania określone w sposób naturalny) jest przestrzenia˛ liniowa.˛ Wektorem zerowym jest funkcja θ ( x ) = 0 dla x ∈ R (tożsamościowo równa zero). Uwaga 4.1. Z definicji wynika, że każda przestrzeń liniowa V musi zawierać co najmniej jeden element: wektor zerowy θ. Zauważmy, że zbiór V = {θ } jest przestrzenia˛ liniowa.˛ Taka˛ przestrzeń nazywamy przestrzenia˛ zerowa.˛ Własność 4.1. Niech V b˛edzie przestrzenia˛ liniowa.˛ Wówczas 1. 0u = θ dla u ∈ V 2. αθ = θ dla α ∈ V 3. jeśli αu = θ, to α = 0 lub u = θ dla u ∈ V oraz α ∈ R 4. jeśli αu = βu, to α = β dla α, β ∈ R oraz u ∈ V 5. (−α) u = − (αu) = α (−u) dla α ∈ R oraz u ∈ V 6. jeśli αu = αv, to u = v dla α ∈ R, α ̸= 0 oraz u, v ∈ V 7. (α − β) u = αu − βu dla α, β ∈ R oraz u ∈ V. W dalszych rozważaniach, jeśli nie b˛edzie powiedziane inaczej, V oznacza zawsze przestrzeń liniowa.˛ Definicja 4.3. Niepusty zbiór W ⊂ V nazywamy podprzestrzenia˛ liniowa˛ przestrzeni V jeśli spełnione sa˛ warunki ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 32 1. u + v ∈ W dla u, v ∈ W 2. αu ∈ W dla α ∈ R oraz v ∈ W. Własność 4.2. Niepusty zbiór W ⊂ V jest podprzestrzenia˛ przestrzeni V wtedy i tylko wtedy, gdy spełniony jest warunek αu + βv ∈ W dla α, β ∈ R oraz u, v ∈ W. Przykład 4.3. Niech V = R3 . Wówczas zbiór W := {[u1 , u2 , 0] : u1 , u2 ∈ R} jest podprzestrzenia˛ przestrzeni R3 . Geometrycznie zbiór W jest płaszczyzna˛ w przestrzeni R3 . Przykład 4.4. Jeżeli V jest przestrzenia˛ liniowa,˛ to zbiór {θ } złożony z wektora zerowego jest zawsze podprzestrzenia˛ liniowa˛ przestrzeni V. 4.2 Liniowa niezależność. Baza i wymiar przestrzeni liniowej Definicja 4.4. Mówimy, że wektory v1 , v2 , ..., vm ∈ V (m ∈ N) sa˛ liniowo niezależne, gdy dla dowolnych liczb α1 , α2 , ..., αm spełniony jest warunek α1 v1 + α2 v2 + ... + αm vm = θ ⇒ α1 = α2 = ... = αm = 0. W przeciwnym razie wektory v1 , v2 , ..., vn nazywamy liniowo zależnymi. Własność 4.3. Wektory v1 , v2 , ..., vn ∈ V sa˛ liniowo zależne wtedy i tylko wtedy, gdy istnieja˛ liczby α1 , α2 , ..., αm nie wszystkie równe zero takie, że α1 v1 + α2 v2 + ... + αm vm = θ. Mamy nast˛epujac ˛ a˛ „macierzowa” ˛ charakteryzacj˛e liniowej niezależności ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 33 [ ] [ ] Twierdzenie 4.1. Niech V = Rn . Niech v1 = v11 , v21 , ..., v1n , ..., vm = v1m , v2m , ..., vnm . Wtedy wektory sa˛ liniowo niezależne wtedy i tylko wtedy, gdy v11 . . rz . v1m v21 .. . v2m · · · v1n . . .. . . = m. · · · vnm Przykład 4.5. Niech [1, 1, 1] , [1, 0, 1] , [1, 1, 0] , [5, 3, 2] ∈ R3 . Wtedy 1 1 1 = 3, rz 1 0 1 1 1 0 bo 1 1 1 1 0 1 1 1 0 = 1, wi˛ec wektory [1, 1, 1] , [1, 0, 1] , [1, 1, 0] sa˛ liniowo niezależne. Natomiast wektory [1, 0, 1] , [1, 1, 0] , [5, 3, 2] sa˛ liniowo zależne, gdyż 1 0 1 = 2, rz 1 1 0 5 3 2 bo 1 0 1 1 1 0 5 3 2 1 1 0 1 oraz =0 = 1. Zauważmy też, że 2 · [1, 0, 1] + 3 · [1, 1, 0] − 1 · [5, 3, 2] = 0 lub, co na jedno wychodzi [5, 3, 2] = 2 · [1, 0, 1] + 3 · [1, 1, 0] . ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 34 Definicja 4.5. Kombinacja˛ liniowa˛ wektorów v1 , v2 , ..., vm ∈ V o współczynnikach α1 , α2 , ..., αm ∈ R nazywamy wektor v ∈ V taki, że v = α1 v1 + α2 v2 + ... + αm vm = m ∑ αi vi . i =1 Własność 4.4. Wektory v1 , v2 , ..., vm ∈ V sa˛ liniowo niezależne wtedy i tylko wtedy, gdy spełniony jest warunek: jeżeli wektor zerowy jest kombinacja˛ liniowa˛ tych wektorów, to wszystkie współczynniki tej kombinacji sa˛ zerami. Wektory v1 , v2 , ..., vm ∈ V sa˛ liniowo niezależne wtedy i tylko wtedy, gdy wektor zerowy daje si˛e przedstawić jako kombinacja liniowa tych wektorów o co najmniej jednym współczynniki niezerowym lub, co na jedno wychodzi pewien wektor vi jest kombinacja˛ liniowa pozostałych wektorów. Uwaga 4.2. Mówiac ˛ o liniowej niezależności lub zależności wektorów v1 , v2 , ..., vm ∈ V b˛edziemy używali określenia układ {v1 , v2 , ..., vm } wektorów v1 , v2 , ..., vm . Uogólniajac ˛ poj˛ecie liniowej niezależności skończonego układu wektorów {v1 , v2 , ..., vm } określamy również liniowa˛ niezależność zbioru A ⊂ V (być może zawierajacego ˛ nieskończona˛ liczb˛e elementów). Definicja 4.6. Mówimy, że zbiór A ⊂ V jest liniowo niezależny, jeśli dla każdego skończonego układu wektorów {v1 , v2 , ..., vm } ⊂ A, m ∈ N układ ten jest układem wektorów liniowo niezależnych. W przeciwnym razie, zbiór A nazywamy zbiorem liniowo zależnym. Definicja 4.7. Niech v1 , v2 , ..., vm ∈ V. Zbiór wszystkich kombinacji liniowych wektorów v1 , v2 , ..., vm nazywamy otoczka˛ liniowa˛ wektorów v1 , v2 , ..., vm i oznaczamy przez lin {v1 , v2 , ..., vm } . Mamy wi˛ec lin {v1 , v2 , ..., vm } := {v = α1 v1 + α2 v2 + ... + αm vm : α1 , α2 , ..., αm ∈ R} . Podobnie definiujemy otoczk˛e liniowa˛ zbioru A ⊂ V : lin A := ∪ {v = α1 v1 + α2 v2 + ... + αm vm : vi ∈ V, αi ∈ R, 1 ≤ i ≤ m} m ∈N Własność 4.5. Otoczka liniowa lin A, gdzie A ⊂ V jest podprzestrzenia˛ liniowa˛ przestrzeni V; dokładniej jest najmniejsza˛ podprzestrzenia˛ liniowa˛ zawierajac ˛ a˛ zbiór A. ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 35 Ze wzgl˛edu na ostatnia˛ własność otoczka liniowa wektorów v1 , v2 , ..., vm (zbioru A) jest nazywana również podprzestrzenia˛ rozpi˛eta˛ na wektorach v1 , v2 , ..., vm (na układzie wektorów, na zbiorze A) albo generowana˛ przez wektory v1 , v2 , ..., vm (układ wektorów, zbiór A)). Definicja 4.8. Baza˛ przestrzeni liniowej V nazywamy taki zbiór B ⊂ V, że 1. jest on liniowo niezależny, 2. generuje cała˛ przestrzeń V, tzn. lin B = V. Mamy Twierdzenie 4.2. Dla dowolnej niezerowej przestrzeni liniowej V istnieje baza tej przestrzeni. Przykład 4.6. Niech V = R3 . Układy B1 = {[1, 0, 0] , [0, 1, 0] , [0, 0, 1]} , B2 = {[1, 2, 3] , [2, 0, 1] , [3, 2, 1]} sa˛ bazami przestrzeni R3 . Rzeczywiście 10 Sa˛ liniowo niezależne, bo 1 0 0 0 1 0 = 1, 0 0 1 1 2 3 2 0 1 3 2 1 = 12. 20 Generuja˛ cała˛ przestrzeń, bo dowolny wektor [v1 , v2 , v3 ] ∈ R3 jest kombinacja˛ liniowa˛ układu B1 , co wynika bezpośrednio z zapisu [v1 , v2 , v3 ] = v1 [1, 0, 0] + v2 [0, 1, 0] + v3 [0, 0, 1] . Również dla dowolnego wektora [v1 , v2 , v3 ] ∈ R3 istnieja˛ współczynniki α1 , α2 , α3 ∈ R takie, że [v1 , v2 , v3 ] = α1 [1, 2, 3] + α2 [2, 0, 1] + α3 [3, 2, 1] , ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 36 o czym łatwo przekonać si˛e zapisujac ˛ ostatnia˛ równość jako układ równań z niewiadomymi α1 , α2 , α3 1 2 3 α1 v1 2 0 2 α = v 2 2 3 1 1 α3 v3 i stwierdzajac, ˛ że jest to układ Cramera. Przykład 4.7. Niech V = Rn , gdzie n ∈ N. Rozważmy układ E = {e1 , e2 , ..., en } wektorów postaci e1 = [1, 0, 0, ..., 0] e2 .. . = .. . [0, 1, 0, ..., 0] .. . en = [0, 0, 0, ..., 1] Argumentujac ˛ jak w poprzednim przykładzie widzimy, że układ E jest baza˛ przestrzeni Rn . Definicja 4.9. Niech V = Rn , gdzie n ∈ N. Układ E określony w poprzednim przykładzie nazywamy baza˛ kanoniczna˛ albo baza˛ standardowa˛ przestrzeni liniowej Rn . Jak widać z przytoczonych przykładów dana przestrzeń liniowa może mieć różne bazy. Baza przestrzeni liniowej nie musi być zbiorem skończonym. Zachodzi jednak Twierdzenie 4.3. Jeżeli V posiada baz˛e złożona˛ z n wektorów, to każda inna baza też składa si˛e z n wektorów. Jeżeli przestrzeń V posiada baz˛e nieskończona,˛ to każda inna baza tej przestrzenie też jest nieskończona. Definicja 4.10. Niech V b˛edzie przestrzenia˛ liniowa.˛ Jeżeli istnieje baza B = {b1 , b2 , ..., bn } przestrzeni V złożona ze skończonej liczby n ∈ N wektorów, to wymiarem przestrzeni V nazywamy liczb˛e dim V := n, i mówimy, że przestrzeń jest n−wymiarowa. Jeżeli baza przestrzeni V jest zbiorem nieskończonym, to mówimy, że przestrzeń V jest nieskończenie wymiarowa oraz piszemy dim V = ∞. ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 37 Jeżeli V = {θ } (V jest przestrzenia˛ zerowa), ˛ to przyjmujemy dim V := 0, i mówimy, że przestrzeń zerowa jest zerowymiarowa. Przykład 4.8. Przestrzeń Rn ma wymiar n. Przykład 4.9. Przestrzeń V wszystkich funkcji f : R → R z działaniami określonymi w sposób naturalny jest przestrzenia˛ nieskończenie wymiarowa.˛ 4.3 Przekształcenia liniowe. Obraz i jadro ˛ przekształcenia liniowego Definicja 4.11. Przekształceniem liniowym przestrzeni liniowej V w przestrzeń liniowa˛ W nazywamy funkcj˛e L : V → W spełniajac ˛ a˛ warunki (PL1) L (u + v) = L (u) + L (v) dla u, v ∈ V, (PL2) L (αu) = αL (u) dla u ∈ V oraz α ∈ R. Własność 4.6. Przekształcenie L : V → W jest liniowe wtedy i tylko wtedy, gdy L (αu + βv) = αL (u) + βL (v) dla u, v ∈ V oraz α, β ∈ R. Własność 4.7. Jeżeli L : V → W jest przekształceniem liniowym, to L (θ ) = θ. Przykład 4.10. Niech V = R2 , W = R2 . Wówczas przekształcenie liniowe L : V → W przekształca płaszczyzn˛e na płaszczyzn˛e. Przykładami przekształceń liniowych sa˛ znane ze geometrii przekształcenia: 1. symetria wzgl˛edem poczatku ˛ układu współrz˛ednych określona wzorem L ([ x, y]) = [− x, −y] , 2. symetria wzgl˛edem prostej x = 0 określona wzorem L ([ x, y]) = [− x.y] , ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 38 3. symetria wzgl˛edem prostej y = 0 określona wzorem L ([ x, y]) = [ x, −y] , 4. obrót dookoła poczatku ˛ układu współrz˛ednych, 5. rzuty prostokatne ˛ (na proste przechodzace ˛ przez poczatek ˛ układu współrz˛ednych), 6. jednokładności (o środku w poczatku ˛ układu współrz˛ednych). Definicja 4.12. Obrazem przekształcenia liniowego L : V → W nazywamy zbiór Im L := {w ∈ W : L (u) = w dla pewengo u ∈ V } . Definicja 4.13. Jadrem ˛ przekształcenia liniowego L : V → W nazywamy zbiór ker L := {u ∈ V : L (u) = θ } . Własność 4.8. Obraz przekształcenia liniowego L : V → W jest podprzestrzenia˛ liniowa˛ przestrzeni W. Jadro ˛ przekształcenia liniowego L : V → W jest podprzestrzenia˛ liniowa˛ przestrzeni V. 4.4 Macierz przekształcenia liniowego Własność 4.9. Niech V = R2 , W = R2 . Wówczas L : R2 → R2 jest przekształceniem liniowym wtedy i tylko wtedy, gdy istnieja˛ liczby a1 , a2 , b1 , b2 ∈ R takie, że L ([ x1 , x2 ]) = [ a1 x1 + a2 x2 , b1 x1 + b2 x2 ] dla [ x1 , x2 ] ∈ R2 Własność 4.10. Niech V = R3 , W = R3 . Wówczas L : R3 → R3 jest przekształceniem liniowym wtedy i tylko wtedy, gdy istnieja˛ liczby a1 , a2 , a3 , b1 , b2 , b3 , c1 .c2 , c3 ∈ R takie, że L ([ x1 , x2 , x3 ]) = [ a1 x1 + a2 x2 + a3 x3 , b1 x1 + b2 x2 + b3 x3 , c1 x1 + c2 x2 + c3 x3 ] dla [ x1 , x2 , x3 ] ∈ R3 . Powyższe własności możemy sformułować nast˛epujaco ˛ ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 39 1. L : R2 → R2 jest przekształceniem liniowym wtedy i tylko wtedy, gdy istnieje macierz a1 a2 b1 b2 taka, że L ([ x1 , x2 ]) = a1 a2 x1 x2 b1 b2 2. L : R3 → R3 jest przekształceniem liniowym wtedy i tylko wtedy, gdy istnieje macierz a1 a2 a3 b b b 1 2 3 c1 c2 c3 taka, że a1 a2 a3 x1 x . L ([ x1 , x2 , x3 ]) = b b b 2 2 3 1 x3 c1 c2 c3 Powyższe spostrzeżenia uogólnia Twierdzenie 4.4. Przekształcenie L : Rn → Rm jest liniowe wtedy i tylko wtedy, gdy [ ] istnieje dokładnie jedna macierz A = aij 1≤i≤m,1≤ j≤n ∈ Rm×n taka, że L(v) = Av T dla v ∈ Rn tzn. L ([ x1 , x2 , ..., xn ]) = a11 a12 · · · a1n a21 .. . a22 .. . · · · a2n . . .. . . am1 am2 · · · amn x1 x2 .. . xn dla [ x1 , x2 , ..., xn ] ∈ Rn . Definicja 4.14. Jeżeli L : Rn → Rm jest przekształceniem liniowym, to macierz A = [ ] ˛ warunek L(v) = Av T dla v ∈ Rn nazywa si˛e aij 1≤i≤m,1≤ j≤n ∈ Rm×n spełniajaca macierza˛ przekształcenia liniowego. [ ] Własność 4.11. k − ta kolumny macierzy A = aij 1≤i≤m,1≤ j≤n ∈ Rm×n przekształcenia L : Rn → Rm liniowego jest wektorem L (ek ) , gdzie ek jest k−tym wektorem bazy kanonicznej (na k −tej współrz˛ednej mamy liczb˛e 1 na pozostałych 0). ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 40 Przykład 4.11. Niech L : R3 → R2 b˛edzie przekształceniem liniowym postaci L [( x, y, z]) = [ x − 3y + 3z, −2x + 6y − 4z] . Wówczas L ([1, 0, 0]) = [1, −2]) , L ([0, 1, 0] = [−3, 6]) , L ([0, 0, 1] = [3, −4]) . Zatem macierz tego przekształcenia jest postaci 1 −3 3 . A= −2 6 −4 Dla przykładu L ([1, −2, 3]) = [16, −26] , L ([0, 1, −3]) = [−12, 18] , co możemy otrzymać również jako 1 16 −2 = , −2 6 −4 −26 3 0 1 −3 3 − 12 1 = . L ([0, 1, −3]) = −2 6 −4 18 −3 L ([1, −2, 3]) = 1 −3 3 Uwaga 4.3 (Interpretacja geometryczna wyznacznika macierzy przekształcenia). 1. Niech L : R2 → R2 b˛edzie przekształceniem liniowym o macierzy A, D zbiorem na płaszczyźnie R2 , L ( D ) obrazem zbioru D w przekształceniu L. Wówczas, pola powierzchni | D | i | L ( D )| zbioru D i obrazu L ( D ) spełniaja˛ zależność | L ( D )| = | det A| · | D | . 2. Niech L : R3 → R3 b˛edzie przekształceniem liniowym o macierzy A, D zbiorem w przestrzeni R3 , L ( D ) obrazem zbioru D w przekształceniu L. Wówczas, obj˛etości | D | i | L ( D )| zbioru D i obrazu L ( D ) spełniaja˛ zależność | L ( D )| = | det A| · | D | . ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 4.5 41 Działania na przekształceniach liniowych Działania na przekształceniach liniowych określamy tak jak dla zwykłych funkcji. Mamy jednak Twierdzenie 4.5. Suma, iloczyn przez liczb˛e, złożenie i odwrotność (o ile istnieje) przekształceń liniowych jest przekształceniem liniowym. Nie każde przekształcenie liniowe posiada przekształcenia odwrotne warunek istnienia tego przekształcenia w przypadku, gdy dziedzina i przeciwdziedzina sa˛ takie same określa Twierdzenie 4.6. Niech L : Rn → Rn b˛edzie przekształceniem liniowym, A jego macierza,˛ wówczas nast˛epujace ˛ warunki sa˛ równoważne 1. przekształcenie L jest odwracalne, 2. przekształcenie L jest różnowartościowe, 3. ker L = {θ } , 4. rz A = n, 5. det A ̸= 0. Zwiazek ˛ pomi˛edzy macierzami przekształceń oraz macierzami sumy, iloczynu przez liczb˛e złożenia i odwrotności ustala nast˛epujace ˛ Twierdzenie 4.7. 1. Jeżeli A1 , A2 oznaczaja˛ macierze przekształceń liniowych L1 : Rn → Rm oraz L2 : Rn → Rm (odpowiednio), to macierz A1 + A2 jest macierza˛ przekształcenia liniowego L1 + L2 : Rn → Rm (sumy przekształceń L1 i L2 ). 2. Jeżeli A jest macierza˛ przekształcenia liniowego L : Rn → Rm , α ∈ R jest ustalona˛ liczba,˛ to macierz αA1 jest macierza˛ przekształcenia liniowego αL1 : Rn → Rm , (iloczynu przekształcenia L1 przez liczb˛e α). 3. Jeżeli A1 , A2 oznaczaja˛ macierze przekształceń liniowych L1 : Rn → Rm oraz L2 : Rm → Rk (odpowiednio), to macierz A2 · A1 jest macierza˛ przekształcenia liniowego L2 ◦ L1 : Rn → Rk (złożenia przekształceń L1 i L2 ). ROZDZIAŁ 4. PRZESTRZENIE LINIOWE. PRZEKSZTAŁCENIA LINIOWE 42 4. Jeżeli A jest macierza˛ przekształcenia liniowego L : Rn → Rm , odwracalnego, to A−1 jest macierza˛ przekształcenia liniowego L−1 : Rm → Rn Rozdział 5 Elementy geometrii analitycznej w przestrzeni W wykładzie tym wi˛ekszy nacisk został położony raczej na intuicyjne rozumienie definiowanych poj˛eć, niż ścisłe ich zdefiniowanie. Dlatego niniejszy wykład nie posiada, przynajmniej na poczatku, ˛ charakteru formalnego wykładu matematycznego. Zakładamy, że Czytelnik zna, a przynajmniej rozumie intuicyjnie, takie poj˛ecia geometryczne jak: punkt, odcinek, wektor, prosta i płaszczyzna w trójwymiarowej przestrzeni. 5.1 Wektory Definicja 5.1. Przestrzenia˛ euklidesowa˛ R3 nazywamy zbiór wszystkich uporzadko˛ wanych trójek ( x, y, z) liczb rzeczywistych R3 := {( x, y, z) : x, y, z ∈ R} . Tradycyjnie elementy przestrzeni euklidesowej R3 moga˛ być interpretowane jako trzy rodzaje obiektów: • Punkty. Do oznaczania punktów używamy wielkich liter alfabetu: A, B, C, P, Q. Zapis A = ( x, y, z) oznacza, że punkt A ma współrz˛edne x, y, z. • Wektory zaczepione. Jeśli dane sa˛ punkty A = ( x a , y a , z a ) oraz B = ( xb , yb , zb ), to ⃗ jest wektorem zaczepionym w punkcie A (tzn. o poczatku wektor AB ˛ w punkcie ⃗ liczymy według wzoru A) i o końcu w punkcie B. Współrz˛edne wektora AB ⃗ := [ xb − x a , yb − y a , zb − z a ] . AB 43 ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 44 Wektorem zaczepionym jest wi˛ec uporzadkowana ˛ para punktów, z których jeden jest poczatkiem, ˛ a drugi końcem tego wektora. Należy jeszcze zwrócić uwag˛e, że ⃗ czyli o poczatku dowolny wektor postaci AA, ˛ i końcu w tym samym punkcie nazywamy wektorem zerowym i oznaczamy ⃗0. Oczywiście ⃗0 := [0, 0, 0] . • Wektory swobodne. Ich określenie podamy nieco później. Definicja 5.2. Niech dane b˛eda˛ dwa punkty A = ( x a , y a , z a ) oraz B = ( xb , yb , zb ). Dłu¯ Długość wektora AB ⃗ nazywamy długość odcinka AB. ⃗ oznaczamy gościa˛ wektora AB ⃗ ||. Mamy wi˛ec, że symbolem || AB √ ⃗ || AB|| := ( xb − x a )2 + (yb − y a )2 + (zb − z a )2 . ⃗ i PQ ⃗ maja˛ ten sam kierunek Definicja 5.3. Mówimy, że dwa wektory niezerowe AB ⃗ nazywamy ten z dwu zwrojeśli proste AB i PQ sa˛ równoległe. Zwrotem wektora AB tów prostej AB w którym punkt A poprzedza punkt B. Uwaga 5.1. Można pokazać, że relacja R „posiadania tej samej długości zwrotu i kierunku” określona w przestrzeni euklidesowej R3 interpretowanej jako zbiór wektorów zaczepionych jest relacja˛ równoważności. Możemy teraz podać ścisłe określenie wektora swobodnego. Definicja 5.4. Wektorem swobodnym, dokładniej wektorem swobodnym wyznaczo⃗ nazywamy klas˛e abstrakcji relacji R wynym przez pewien wektor zaczepiony AB, ⃗ znaczona˛ przez wektor AB. Uwaga 5.2. W dalszej cz˛eści tego rozdziału b˛edziemy mówić jedynie o wektorach swobodnych, pami˛etajac, ˛ że możemy w każdej chwili utożsamiać dowolny wektor swobodny z konkretnym, dowolnie wybranym reprezentantem klasy abstrakcji R (czyli wektorem zaczepionym). Z wielu powodów najwygodniej jest wybierać reprezentanta b˛edacego ˛ wektorem zaczepionym w punkcie (0, 0, 0), czyli utożsamiać wektor swobodny z wektorem zaczepionym w zerze. Przestrzeń euklidesowa R3 z elementami interpretowanymi jako wektory swobodne jest oczywiście przestrzenia˛ liniowa.˛ Wobec tego wektory swobodne sa˛ jej elementami ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 45 i zachodza˛ dla nich wszystkie własności omówione w wykładzie dotyczacym ˛ przestrzeni liniowych. Powyższa uwaga dodatkowo wyjaśnia dlaczego elementy przestrzeni liniowej (niekoniecznie euklidesowej) nazywaliśmy wektorami. Wektory swobodne oznaczamy symbolami ⃗a, ⃗u, ⃗v itd. Definicja 5.5. Mówimy, że punkty A, B, C sa˛ współliniowe, gdy istnieje prosta k, że A, B, C ∈ k. Mówimy, że punkty K, L, M, N sa˛ współpłaszczyznowe, jeśli istnieje płaszczyzna π, że K, L, M, N ∈ π. Definicja 5.6. Mówimy, że wektory niezerowe ⃗u, ⃗v sa˛ równoległe, co zapisujemy ⃗u ∥ ⃗v, gdy maja˛ te same kierunki. Przyjmujemy dodatkowo, że wektor zerowy jest równoległy do każdego innego wektora. Wniosek 5.1. Niech dane b˛eda˛ wektory ⃗u i ⃗v. Wówczas ⃗u ∥ ⃗v wtedy i tylko wtedy, gdy istnieja˛ takie liczby rzeczywiste α, β, że α⃗u + β⃗v = ⃗0 czyli, gdy wektory ⃗u i ⃗v sa˛ liniowo niezależne. Własność 5.1. Długość wektora ⃗u = [ x, y, z] wynosi √ ||⃗u|| = x2 + y2 + z2 . Twierdzenie 5.1 (Własności długości wektorów). Niech dane b˛eda˛ wektory ⃗u, ⃗v oraz liczba α. Wtedy: 1. ||⃗u|| ≥ 0 oraz ||⃗u|| = 0 ⇔ ⃗u = ⃗0, 2. ||α⃗u|| = |α| · ||⃗u||, 3. ||⃗u + ⃗v|| ≤ ||⃗u|| + ||⃗v||, 4. |||⃗u|| − ||⃗v||| ≤ ||⃗u − ⃗v||. Definicja 5.7. Układem współrz˛ednych nazywamy trzy ustalone proste x, y, z przecinajace ˛ si˛e w jednym punkcie O = (0, 0, 0), które sa˛ wzajemnie prostopadłe. Taki układ współrz˛ednych oznaczamy przez Oxyz. Proste Ox, Oy, Oz nazywamy osiami układu. W zależności od wzajemnego położenia osi Ox, Oy, Oz wyróżniamy dwie jego orientacje: układ prawoskr˛etny (rys. 5.1) i układ lewoskr˛etny (rys. 5.2). ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 46 z k O j y i x Rysunek 5.1: Układ prawoskr˛etny. z k O i x j y Rysunek 5.2: Układ lewoskr˛etny. Definicja 5.8. Wektory ⃗i = [1, 0, 0], ⃗j = [0, 1, 0], ⃗k = [0, 0, 1] nazywamy wersorami odpowiednio osi Ox, Oy, Oz. Definicja 5.9. Niech dane b˛eda˛ wektory ⃗u, ⃗v. Iloczynem skalarnym wektorów ⃗u i ⃗v nazywamy liczb˛e ⃗u ◦ ⃗v określona˛ wzorem: ⃗u ◦ ⃗v = ||⃗u|| · ||⃗v|| · cos ϕ, gdzie ϕ jest katem ˛ mi˛edzy wektorami ⃗u i ⃗v (rys. 5.3). Własność 5.2 (Wzór na obliczanie iloczynu skalarnego). Niech ⃗u1 = [ x1 , y1 , z1 ] oraz ⃗u2 = [ x2 , y2 , z2 ]. Wtedy ⃗u1 ◦ ⃗u2 = x1 x2 + y1 y2 + z1 z2 . ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 47 z Á u v y x Rysunek 5.3: Kat ˛ mi˛edzy dwoma wektorami. ⃗ Twierdzenie 5.2 (Własności iloczynu skalarnego). Niech dane b˛eda˛ wektory ⃗u, ⃗v, w oraz liczba α. Wtedy: 1. ⃗u ◦ ⃗v = ⃗v ◦ ⃗u, 2. (α⃗u) ◦ ⃗v = α (⃗u ◦ ⃗v), 3. ⃗u ◦ ⃗u = ||⃗u||2 , ⃗ = ⃗u ◦ w ⃗ + ⃗v ◦ w ⃗, 4. (⃗u + ⃗v) ◦ w 5. |⃗u ◦ ⃗v| ≤ ||⃗u|| · ||⃗v||, przy czym równość zachodzi ⇔ ⃗u ∥ ⃗v, 6. ⃗u ⊥ ⃗v ⇔ ⃗u ◦ ⃗v = 0. ⃗ = [ x3 , y3 , z3 ]. Mówimy, Definicja 5.10. Niech ⃗u = [ x1 , y1 , z1 ], ⃗v = [ x2 , y2 , z2 ] oraz w ⃗ ) tworzy układ o orientacji zgodnej z orientacja˛ układu że trójka wektorów (⃗u, ⃗v, w współrz˛ednych, jeżeli x y z 1 1 1 x y z > 0. 2 2 2 x3 y2 z3 ⃗ W przypadku, gdy powyższy wyznacznik jest ujemny, to mówimy, że wektory ⃗u, ⃗v, w tworza˛ układ o orientacji przeciwnej do orientacji układu współrz˛ednych. Definicja 5.11. Niech ⃗u i ⃗v b˛eda˛ wektorami nierównoległymi. Iloczynem wektorowym uporzadkowanej ˛ pary wektorów ⃗u i ⃗v w układzie współrz˛ednych Oxyz nazywamy ⃗ = ⃗u × ⃗v spełniajacy wektor w ˛ warunki ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 48 ⃗ jest prostopadły do każdego z wektorów ⃗u i ⃗v (czyli jest prostopadły do płasz1. w czyzny rozpi˛etej na tych wektorach), 2. ||⃗ w|| = ||⃗u|| · ||⃗v|| · sin ϕ, gdzie ϕ jest katem ˛ mi˛edzy wektorami ⃗u i ⃗v, ⃗ jest zgodna z orientacja˛ układu Oxyz. 3. orientacja trójki wektorów ⃗u, ⃗v, w Jeśli ⃗u ∥ ⃗v (w szczególności, jeśli jeden z nich jest wektorem zerowym), to przyjmujemy, że ⃗u × ⃗v = ⃗0. Uwaga 5.3. W układzie prawoskr˛etnym zwrot iloczynu wektorowego ⃗u × ⃗v określa si˛e za pomoca˛ tzw. reguły prawej dłoni. Jeśli w układzie współrz˛ednych umieścimy prawa˛ dłoń tak, aby zgi˛ete palce wskazywały kierunek obrotu od wektora ⃗u do wektora ⃗v, to wyprostowany kciuk b˛edzie nam wskazywał zwrot wektora ⃗u × ⃗v. W układzie lewoskr˛etnym obowiazuje ˛ analogiczna reguła lewej dłoni. Własność 5.3 (Wzór na obliczanie iloczynu wektorowego). Jeśli ⃗u = [ x1 , y1 , z1 ], oraz ⃗v = [ x2 , y2 , z2 ], to ⃗i ⃗j ⃗k ⃗u × ⃗v = x1 y1 z1 , x2 y2 z2 przy czym przy obliczaniu powyższego wyznacznika wersory⃗i,⃗j, ⃗k należy traktować jak liczby. Twierdzenie 5.3 (Własności iloczynu wektorowego). Niech dane b˛eda˛ wektory ⃗u, ⃗v, ⃗ oraz liczba α. Wtedy: w 1. ⃗u × ⃗v = −(⃗v × ⃗u), 2. (α⃗u) × ⃗v = ⃗u × (α⃗v) = α(⃗u × ⃗v), ⃗ = ⃗u × w ⃗ + ⃗v × w ⃗, 3. (⃗u + ⃗v) × w ⃗ ) = ⃗u × ⃗v + ⃗u × w ⃗, 4. ⃗u × (⃗v + w 5. ||⃗u × ⃗v|| ≤ ||⃗u|| · ||⃗v||, przy czym równość zachodzi ⇔ ⃗u ⊥ ⃗v, 6. ⃗u ∥ ⃗v ⇔ ⃗u × ⃗v = 0. ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 49 Własność 5.4. Długość iloczynu wektorowego ⃗u × ⃗v równa jest polu równoległoboku rozpi˛etego na wektorach ⃗u i ⃗v (rys. 5.4). z w v Á y u x ⃗ = ⃗u × ⃗v. Rysunek 5.4: Iloczyn wektorowy w ⃗ nazyDefinicja 5.12. Iloczynem mieszanym uporzadkowanej ˛ trójki wektorów ⃗u, ⃗v, w wamy liczb˛e ⃗ ) := (⃗u × ⃗v) ◦ w ⃗. (⃗u, ⃗v, w Własność 5.5 (Wzór na obliczanie iloczynu mieszanego). Jeśli ⃗u = ( x1 , y1 , z1 ), ⃗v = ⃗ = ( x3 , y3 , z3 ), to ( x2 , y2 , z2 ) oraz w x y z 1 1 1 ⃗ ) = x2 y2 z2 . (⃗u, ⃗v, w x3 y3 z3 ⃗, Twierdzenie 5.4 (Własności iloczynu mieszanego). Niech dane b˛eda˛ wektory ⃗u, ⃗v, w ⃗r oraz liczba α. Wtedy: ⃗ ) = (⃗v, w ⃗ , ⃗u) = (⃗ 1. (⃗u, ⃗v, w w, ⃗u, ⃗v), ⃗ ) = −(⃗v, ⃗u, w ⃗ ), 2. (⃗u, ⃗v, w ⃗ ) = (⃗u, ⃗v, w ⃗ ) + (⃗r, ⃗v, w ⃗ ), 3. (⃗u +⃗r, ⃗v, w ⃗ ) = α(⃗u, ⃗v, w ⃗ ), 4. (α⃗u, ⃗v, w ⃗ leża˛ w jednej płaszczyźnie ⇔ (⃗u, ⃗v, w ⃗) = 0 5. wektory ⃗u, ⃗v, w ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 50 ⃗ )| ≤ ||⃗u|| · ||⃗v|| · ||⃗ 6. |(⃗u, ⃗v, w w||, przy czym równość zachodzi ⇔ wektory te sa˛ wzajemnie prostopadłe. ⃗ jest Własność 5.6. Wartość bezwzgl˛edna iloczynu mieszanego trójki wektorów ⃗u, ⃗v, w równa obj˛etości równoległościanu rozpi˛etego na tych wektorach. z w v y u x ⃗. Rysunek 5.5: Interpretacja geometryczna iloczynu mieszanego wektorów = ⃗u, ⃗v, w 5.2 Równania płaszczyzny Twierdzenie 5.5. Niech dany b˛edzie pewien niezerowy wektor ⃗n = [ A, B, C ] oraz punkt P0 = ( x0 , y0 , z0 ). Wówczas równanie płaszczyzny π przechodzacej ˛ przez punkt P0 i prostopadłej do wektora ⃗n jest postaci: π : A( x − x0 ) + B(y − y0 ) + C (z − z0 ) = 0. (5.1) Dowolny punkt P należy do płaszczyzny π wtedy i tylko wtedy, gdy jego współrz˛edne spełniaja˛ równanie (5.1). Równanie (5.1) nazywa si˛e równaniem normalnym płaszczyzny π, zaś wektor ⃗n wektorem normalnym tej płaszczyzny. Własność 5.7. Każde równanie postaci Ax + By + Cz + D = 0, gdzie A2 + B2 + C2 > 0 tzn. A, B, C nie sa˛ jednocześnie zerami przedstawia płaszczyzn˛e. ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 51 Twierdzenie 5.6. Niech dany b˛edzie pewien punkt P0 = ( x0 , y0 , z0 ) oraz wektory ⃗u = [ a1 , b1 , c1 ], ⃗v = [ a2 , b2 , c2 ] nierównoległe. Wówczas płaszczyzna π równoległa do wektorów ⃗u, ⃗v i przechodzaca ˛ przez punkt P0 może być opisana za pomoca˛ zależności x = x0 + sa1 + ta2 , π= y = y0 + sb1 + tb2 , s, t ∈ R. (5.2) z = z0 + sc1 + tc2 Równanie (5.2) nazywa si˛e równaniem parametrycznym płaszczyzny. Własność 5.8. Równanie płaszczyzny przechodzacej ˛ przez trzy niewspółliniowe punkty P1 = ( x1 , y1 , z1 ), P2 = ( x2 , y2 , z2 ), P3 = x x 1 π: x2 x3 ( x3 , y3 , z3 ), ma postać: y z 1 y1 z1 1 = 0. y2 z2 1 y3 z3 1 Definicja 5.13. Niech l b˛edzie kraw˛edzia˛ (czyli prosta˛ b˛edac ˛ a˛ cz˛eścia˛ wspólna) ˛ dwu nierównoległych płaszczyzn π1 i π2 . Wówczas p˛ekiem płaszczyzn wyznaczonym przez te dwie płaszczyzny nazywamy zbiór wszystkich płaszczyzn zawierajacych ˛ kraw˛edź l. Twierdzenie 5.7. Niech dane b˛eda˛ dwie nierównoległe płaszczyzny π1 i π2 o równaniach π1 : A1 x + B1 y + C1 z + D1 = 0, π2 : A2 x + B2 y + C2 z + D2 = 0. Wówczas, dowolna płaszczyzna π należy do p˛eku płaszczyzn wyznaczonego przez te płaszczyzny wtedy i tylko wtedy, gdy ma równanie π : λ1 ( A1 x + B1 y + C1 z + D1 )) + λ2 ( A2 x + B2 y + C2 z + D1 ) = 0, gdzie λ1 , λ2 sa˛ pewnymi liczba rzeczywistymi nierównymi jednocześnie zero. 5.3 Równania prostej Twierdzenie 5.8. Równanie prostej l przechodzacej ˛ przez punkt P0 = ( x0 , y0 , z0 ) równoległej do wektora ⃗v = [ a, b, c] jest postaci l : ( x, y, z) = ( x0 , y0 , z0 ) + t[ a, b, c], t ∈ R, ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI lub równoważnie x = x0 + at l: y = y0 + bt z = z0 + ct t∈R 52 (5.3) Równanie (5.3) nazywa si˛e równaniem parametrycznym prostej. Twierdzenie 5.9. Równanie prostej l przechodzacej ˛ przez punkt P0 = ( x0 , y0 , z0 ) równoległej do wektora ⃗v = [ a, b, c], a, b, c ̸= 0 jest postaci: l: x − x0 y − y0 z − z0 = = . a b c (5.4) Równanie (5.4) nazywa si˛e kierunkowym równaniem prostej, wektor ⃗v wektorem kierunkowym prostej, natomiast współczynniki a, b, c – współczynnikami kierunkowymi prostej. Niech dane b˛eda˛ dwie nierównoległe płaszczyzny π1 : A1 x + B1 y + C1 z + D1 = 0 i π2 : A2 x + B2 y + C2 z + D2 = 0. Wówczas cz˛eść wspólna obu płaszczyzn jest oczywiście prosta,˛ zatem jest ona opisana za pomoca˛ układu A x+B y+C z+D = 0 1 1 1 1 l: A2 x + B2 y + C2 z + D2 = 0 (5.5) Równanie (5.5) nazywa si˛e równaniem kraw˛edziowym prostej l. Własność 5.9. Wektor ⃗v kierunkowy prostej l (czyli wektor równoległy do prostej l) o równaniu kraw˛edziowym A x+B y+C z+D = 0 1 1 1 1 l: A2 x + B2 y + C2 z + D2 = 0 jest postaci: ⃗v = [ A1 , B1 , C1 ] × [ A2 , B2 , C2 ]. 5.4 Wzajemne położenie punktów, prostych i płaszczyzn Definicja 5.14. Rzutem prostokatnym ˛ punktu P na płaszczyzn˛e π nazywamy taki punkt p′ tej płaszczyzny, że PP′ ⊥ π ROZDZIAŁ 5. ELEMENTY GEOMETRII ANALITYCZNEJ W PRZESTRZENI 53 Własność 5.10 (Wzór na odległość punktu od płaszczyzny). Odległość punktu P0 = ( x0 , y0 , z0 ) od płaszczyzny π : Ax + By + Cz + D = 0 wyraża si˛e wzorem d( P0 , π ) = | Ax0 + By0 + Cz0 + D | √ A2 + B2 + C 2 Własność 5.11. Niech dane b˛eda˛ dwie płaszczyzny π1 , π2 o równaniach: π1 : A1 x + B1 y + C1 z + D1 = 0, π2 : A2 x + B2 y + C2 z + D2 = 0. Wówczas: (a) π1 ⊥ π2 ⇔ A1 A2 + B1 B2 + C1 C2 = 0, (b) π1 ∥ π2 ⇔ współczynniki A1 , B1 , C1 sa˛ proporcjonalne do współczynników A2 , B2 , C2 . W szczególności, gdy A2 , B2 , C2 ̸= 0, to π1 ∥ π2 ⇔ (c) cos ](π1 , π2 ) = √ A1 B C = 1 = 1, A2 B2 C2 | A1 A2 + B1 B2 + C1 C2 | √ A21 + B12 + C12 · A22 + B22 + C22 o ile A21 + B12 + C12 > 0 i A22 + B22 + C22 > 0. Własność 5.12 (Wzór na odległość mi˛edzy dwiema płaszczyznami). Odległość mi˛edzy dwiema równoległymi płaszczyznami π1 , π2 o równaniach π1 : Ax + By + C + D1 = 0, wyraża si˛e wzorem: d ( π1 , π2 ) = √ π2 : Ax + By + Cz + D2 = 0 | D1 − D2 | . A2 + B2 + C 2 Dodatek Wartości funkcji trygonometrycznych α= 0 π 6 sin α 0 cos α 1 2√ 1 3 2 π 4 √ 2 √2 2 2 π 3 √ 3 2 1 2 π 2 π 3 π2 1 0 −1 0 0 −1 0 2π 1 Znak funkcji trygonometrycznych I II III IV sin + + − − cos + − − + Wzory redukcyjne sin (−α) = − sin α sin (2kπ + α) = sin α cos (−α) = cos α cos (2k + α) = cos α ) − α = cos α 2 (π ) cos 2 − α = sin α sin sin (π − α) = sin α sin (π + α) = − sin α cos (π − α) = − cos α cos (π + α) = − cos α ) ( sin 3 π2 − α = − cos α ( ) cos 3 π2 − α = − sin α ( ) sin 3 π2 + α = − cos α ( ) cos 3 π2 + α = sin α sin (2π − α) = − sin α cos (2π − α) = cos α sin (π ) + α = cos α 2 (π ) cos 2 + α = − sin α 54 (π Indeks algorytm kolumna - Gaussa, 12 - niewiadomych, 17 - bezwyznacznikowy znajdowania ma- - wyrazów wolnych, 17 cierzy odwrotnej, 15 kombinacja liniowa, 34 argument liczby zespolonej, 27 Laplace’a rozwini˛ecie, 10 - główny, 27 liczba baza przestrzeni liniowej, 35 - przeciwna, 24 - kanoniczna (standardowa), 36 - zespolona, 23 cz˛eść macierz, 1 - rzeczywista liczby zespolonej, 26 - blokowa, 3 - urojona liczby zespolonej, 26 - diagonalna, 3 - dołaczona ˛ układu, 17 długość wektora, 44 - główna układu, 17 dopełnienie algebraiczne, 9 - jednostkowa, 3 iloczyn - kwadratowa, 2 - liczb zespolonych, 24 - nieosobliwa, 14 - macierzy, 6 - odwracalna, 13 - macierzy przez liczb˛e, 5 - odwrotna, 13 - mieszany trójki wektorów, 49 - osobliwa, 14 - skalarny pary wektorów, 46 - przekształcenia liniowego, 39 - wektorowy pary wektorów, 47 - trójkatna ˛ iloraz liczb zespolonych, 25 - - dolna, 2 - - górna, 2 jadro ˛ przekształcenia liniowego, 38 - transponowana, 7 jednostka urojona, 25 - zerowa, 2 jedynka zespolona, 23 55 INDEKS moduł liczby zespolonej, 26 56 - płaszczyzny - - normalne, 50 obraz przekształcenia liniowego, 38 – parametryczne, 51 odwrotność liczby zespolonej, 24 otoczka liniowa, 34 - prostej - - kierunkowe, 52 - zbioru, 34 - - kraw˛edziowe, 52 płaszczyzna zespolona, 23 - - parametryczne, 52 p˛ek płaszczyzn, 51 równość liczb zespolonych, 23 pierwiastek liczby zespolonej, 28 reguła prawej dłoni, 48 podprzestrzeń liniowa, 31 rozproszona postać bazowa macierzy, 20 - rozpi˛eta na wektorach (generowana przez wektory, 35 postać rozwiazanie ˛ układu, 17 - bazowe, 22 rzad ˛ macierzy, 19 - algebraiczna liczby zespolonej, 26 rzut prostokatny, ˛ 52 - bazowa macierzy, 20 - trygonometryczna liczby zespolonej, 27 przekształcenie liniowe, 37 przestrzeń - euklidesowa, 31, 43 - liniowa, 30 - - n−wymiarowa, 36 Sarrusa metoda, 9 sprz˛eżenie liczby zespolonej, 26 stopień macierzy kwadratowej, 2 suma - liczb zespolonych, 23 - macierzy, 4 twierdzenie - - nieskończenie wymiarowa, 36 - Cramera, 18 - - zerowymiarowa, 37 - Kroneckera-Capellego, 21 - zerowa, 31 punkt, 43 punkty - współpłaszczyznowe, 45 - wspóliniowe, 45 różnica - liczb zespolonych, 25 - macierzy, 4 - wektorów, 30 równanie układ - m równań z n niewiadomymi, 17 - Cramera, 18 - jednorodny, 18 - niejednorodny, 18 - sprzeczny, 17 - wektorów - - liniowo zależnych, niezależnych, 34 - - o orientacji przeciwnej, 47 INDEKS - - o orientacji zgodnej, 47 - współrz˛ednych, 45 57 zbiór wektorów liniowo zależnych, niezależnych, 34 - - lewoskr˛etny, 45 zero zespolone, 23 - - prawoskr˛etny, 45 zwrot wektora, 44 własności - długości wektorów, 45 - iloczynu skalarnego, 47 - iloczynu wektorowego, 48 wektor, 30 - kierunkowy prostej, 52 - normalny płaszczyzny, 50 - swobodny, 44 - zaczepiony, 43 - zerowy, 30 - zerowy (zaczepiony), 44 wektory - liniowo niezależne, 32 - liniowo zależne, 32 - majace ˛ ten sam kierunek, 44 - równoległe, 45 wersory osi, 46 współczynniki kierunkowe prostej, 52 wymiar przestrzeni liniowej, 36 wyznacznik macierzy kwadratowej, 8 wzór - na obliczanie - - iloczynu mieszanego, 49 - - iloczynu skalarnego, 46 - - iloczynu wektorowego, 48 - na odległość - - mi˛edzy dwiema płaszczyznami, 53 - - punktu od płaszczyzny, 53