P. 1
Vektorski prostori i linearni operatori

Vektorski prostori i linearni operatori

|Views: 1,904|Likes:
Published by shobra3ns

More info:

Published by: shobra3ns on Jun 21, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

02/27/2013

pdf

text

original

Matematika 2 - Vektorski prostori i linearni operatori

Franka Miriam Brückler Oºujak 2009.

1

Vektorski i unitarni prostori
Iako tako shva¢eni vektori svakako

Ve¢ina nematemati£ara pod vektorskim prostorima podrazumijeva skupove vektora-strelica uz uobi£ajena pravila ra£unanja s tim vektorima, a pod vektorima se obi£no podrazumijevaju objekti koji imaju iznos (duljinu), smjer i orijentaciju. predstavljaju jednu zanimljivu i u primjenama izuzetno vaºnu vrstu vektora, ograni£avanje na tako usko shva¢anje vektora onemogu¢ava razumijevanje nekih naprednijih primjena linearne algebre, primjerice u kvantnoj zici ili analizi simetrija molekula i kristala. Pojednostavljeno re£eno, skup £ije objekte znamo zbrajati i mnoºiti brojevima (skalarima) tako da dobijemo istovrsne objekte i tako da vrijede uobi£ajena svojstva tih ra£unskih operacija zovemo vektorskim prostorom, a njegove elemente vektorima. Ukoliko za te vektore jo² moºemo smisliti i operaciju mnoºenja koja bi po dvama vektorima pridruºivala skalar (i to tako da vrijede sva uobi£ajena svojstva skalarnog produkta), onda na² vektorski prostor zovemo unitarnim prostorom. Ono ²to je bitno za vektore i vektorske prostore su dakle dvije operacije: zbrajanje vektora i mnoºenje vektora sa skalarima. Kako se u daljnjem ne¢emo ograni£iti na vektore-strelice, objekte koje u nekom kontekstu gledamo kao vektore ozna£avat ¢emo jednostavno Uzmimo da je skupova

v, w, u, . . ..

V

o kontekstu, to moºe biti neki od skupova

Mm,n (R) V

neki (naravno: neprazan) skup £ije elemente ºelimo zvati vektorima. Ovisno V 3 , V 2 , skup1 n ili n (za n prirodan broj), neki od

ili

Mm,n (C),

R

C

neki skup realnih funkcija s istom domenom, . . . Nadalje, ovisno

o tome kakav vektorski prostor trebamo, potrebno je utvrditi (odlu£iti se) koju vrstu brojeva ¢emo uzeti za skalare: realne ili kompleksne brojeve. Vektori su elementi vektorskog prostora. Da bismo elementa iz zvali vektorskim prostorom, moraju biti denirane dvije operacije: zbrajanje vektorâ i mnoºenje vektora skalarom. Pritom, one moraju imati sljede¢a svojstva: zbroj dva

V

(dva vektora) mora opet biti element iz

V

(tj. vektor), a umnoºak elementa iz

V

(vektora) sa skalarom mora biti element iz

V

(dakle, vektor), te moraju vrijedi svojstva koja

smo u poglavlju o klasi£noj algebri vektora naveli kao tipi£na svojstva tih operacija. Preciznije:

Denicija 1
1 Za skup

Odabrani skup

ako su denirane operacije

V s odabranim + i · (zbrajanje

skupom skalara (

R ili C) zove se vektorski prostor
A.
Primjerice,

vektorâ i mnoºenje vektora skalarom) tako da za

A

skup

An

se sastoji od svih ureženih

n-torki

elemenata iz

C3 se sastoji od svih

ureženih trojki kompleksnih brojeva.

1

sve elemente

v, w, u

iz

V

i sve skalare

α, β

vrijede sljede¢a svojstva: zatvorenost operacija + i komutativnost zbrajanja mnoºenje jedinicom asocijativnost i kvaziasocijativnost postoji neutralni element za zbrajanje svaki element ima svoj suprotni element distributivnost

v+w ∈V v+w =w+v

αv ∈ V

·

1·v =v (v + w) + u = v + (w + u) (αβ)v = α(βv) v+0=0+v =v v + (−v) = (−v) + v = 0 α(v + w) = αv + αw (α + β)v = αv + βw
Neutralni element za zbrajanje, ozna£en s pleksni brojevi.

.

0∈V,

zove se nulvektor.

Vektorski prostor je realan ako su skalari realni brojevi, a kompleksan ako su skalari kom-

Iz gornjih svojstava mogu se izvesti i druga o£ekivana svojstva, primjerice da je (mnoºenje s nulom daje nulvektor), oduzimanje vektora:

0·v = 0

−v = (−1) · v , v − w = v + (−w).

. . . Preko suprotnog vektora denira se i

Primjer 1 Primjer 2 Primjer 3

Skupovi

V 2 , V 3 , V 2 (O) i V 3 (O)

su o£igledno primjeri realnih vektorskih prostora.

U poglavlju o matricama smo vidjeli da svaki od skupova

Mm,n (R) odnosno Mm,n (C)

£ini realni odnosno vektorski prostor uz zbrajanje i mnoºenje skalarom kako je u tom poglavlju denirano. Posebno, skupovi Promotrimo skup

Mm,1

stup£anih matrica £ine vektorske prostore.

R4.

Njegovi elementi su oblika

(x, y, z, w), gdje su x, y, z, w

realni

brojevi. Uzmimo realne brojeve kao skalare i denirajmo:

(x, y, z, w) + (x , y , z , w ) = (x + x , y + y , z + z , w + w ), α · (x, y, z, w) = (αx, αy, αz, αw).
Dakle, primjerice je Obzirom na tako denirane operacije

(1, 2, 3, 4)+(0, π, e, −1) = (1, 2+π, 3+e, 3), a 4·(0, 1, −1, 2) = (0, 4, −4, 8). + i · skup R4 je realni vektorski prostor.

Potpuno analogno se deniraju zbrajanje i mnoºenje skalarom za elemente iz

Rn i Cn: zbraja
Denirajmo

se po koordinatama, a skalarom mnoºi tako da svaku koordinatu pomnoºimo tim skalarom. Uz n n tako denirane operacije svi i su vektorski prostori.

R

C

Primjer 4

Uzmimo skup svih neprekidnih funkcija s nekog intervala

I

u skup

2

da zbroj dviju takvih funkcija

f

i

g

na varijablu

x∈I

R.

djeluje po pravilu

(f + g)(x) = f (x) + g(x),
a da umnoºak funkcije

f

skalarom

α∈R

na varijablu

x∈I

djeluje po pravilu

(α · f )(x) = α · f (x).
Uz tako denirane operacije skup svih neprekidnih realnih funkcija kojima je domena

I

£ini

realni vektorski prostor. Analogno bi se denirao vektorski prostor realnih funkcija koje su na

I

integrabilne, derivabilne ili neprekidne.
2 Analogne denicije se mogu preuzeti i za kompleksne funkcije tj. funkcije s kodomenom

C: sve kompleksne

funkcije s istom domenom £ine kompleksan vektorski prostor.

2

Gotovo sva terminologija vezana za vektore-strelice nepromijenjeno se prenosi na ovako op¢enitije shva¢ene vektore.

Denicija 2 (Linearna kombinacija)
je svaki izraz (vektor) oblika koecijentima.

Linearna kombinacija (kona£no mnogo) vektora

v, w, u, . . .

αv+βw+γu+. . ..

Skalare u linearnim kombinacijama £esto zovemo

Jedno£lane linearne kombinacije su vi²ekratnici nekog vektora

v

tj. vektori

αv .

Primjer 5 Primjer 6

Linearne kombinacije vektora

(1, 2, 3, 4) i (0, 1, 0, 1)

iz

β · (0, 1, 0, 1) = (α, 2α + β, 3α, 4α + β).

R4 su oblika α · (1, 2, 3, 4) + R u R).

Polinomi su linearne kombinacije monoma (u prostoru svih funkcija s

Napomena 1

Uz odrežena dodeniranja, koja ne¢emo ovdje razraživati, za operacije koje se

rade pri izjedna£avanju redoks-reakcija preko polujednadºbi oksidacije i redukcije moºemo re¢i: ra£una se odrežena linearna kombinacija polujednadºbi oksidacije i redukcije. Sli£no, Hessov zakon moºemo formulirati i ovako: ako se neka reakcija moºe zapisati kao linearna kombinacija nekih drugih reakcija, onda je reakcijski gradijent bilo koje ekstenzivne veli£ine stanja (primjerice, reakcijska entalpija ili reakcijska Gibbsova energija) jednak linearnoj kombinaciji reakcijskih gradijenata te iste veli£ine pojedinih reakcija, i to s istim koecijentima: ako je reakciju

R

mogu¢e zapisati kao

i

αi Ri ,

onda je

∆r Y =

i

αi ∆r,i Y

za

Y = H, G, . . ..

Koje god vektore uzeli, uvijek je mogu¢e na¢i njihovu linearnu kombinaciju koja daje nulvektor. To je tzv. trivijalna linearna kombinacija u kojoj su svi koecijenti jednaki nuli. Je li to jedini na£in kako nulvektor zapisati kao linearnu kombinaciju nekih vektora? To ovisi o tome jesu li ti vektori linearno zavisni ili ne.

Denicija 3 (Linearna (ne)zavisnost)

Kona£an skup vektora

{v, w, u, . . .} je linearno zavi-

san skup ako se (bar) jedan od vektora tog skupa moºe zapisati kao linearna kombinacija ostalih vektora. Skup vektora koji nije linearno zavisan zove se linearno nezavisan skup.
Iz denicije vidimo: svaki skup vektora koji sadrºi nulvektor je linearno zavisan. Naime, ako gledamo skup

{0, v, w, . . .},

odmah vidimo da se jedan od tih vektora, nulvektor, moºe

napisati kao linearna kombinacija ostalih:

0 = 0 · v + 0 · w + . . ..

Nadalje, svaki jedno£lan skup

{v}

s

v=0

je linearno nezavisan.

Primjer 7

i(1, 2, 3, 4) = (i, 2i, 3i, 4i)
Ako je skup

Svaka dva proporcionalna vektora su linearno zavisna. 4 su linearno zavisni u .

C

Primjerice,

(1, 2, 3, 4)

i

{v, w, . . .} linearno zavisan, primjerice jer se v moºe zapisati kao linearna kombinacija ostalih vektora (v = αw + . . .), onda se nulvektor moºe na jo² jedan (osim trivijalnog) na£in zapisati kao linearna kombinacija tih vektora: = = 1 · v − αw − . . .. Dakle, moºemo re¢i: skup vektora je linearno zavisan ako se osim na trivijalan na£in (0 · v + 0 · w + . . .) nulvektor
moºe zapisati kao linearna kombinacija tih vektora na bar jo² jedan na£in. n n Kako provjeriti linearnu (ne)zavisnost nekog skupa vektora iz (ili ,

R

C

Mm,n

isl.)? Naj-

jednostavniji na£in je preko ranga matrice.

3

Primjer 8
i

U matrici u

A=

(0, −1, 2)

R3, a njene stupce kao tri vektora (2, 0), (1, −1) i (3, 2) u R2.
Ako retke matrice (ili njene stupce) shvatimo kao vektore, rang

2 1 3 0 −1 2

moºemo njene retke shvatiti kao dva vektora

(2, 1, 3)

Denicija 4 (Rang matrice)

matrice je broj linearno nezavisnih redaka (odnosno stupaca) te matrice.
Rang matrice odrežujemo tako da matricu podvrgnemo elementarnim transformacijama nenul-elemenata na dijagonali je rang matrice.

3

sve dok ne postignemo da su u njoj samo nule osim eventualno na dijagonalnim mjestima. Broj

Primjer 9

 2 −2 3 −4 6  je 2 (provjerite!) Rang matrice A =  4 −3 3 1

odnosno ona svaka dva njena

retka i svaka dva njena stupca su linearno nezavisna.
Ako je matrica tipa matrica iz

m×n njen rang ne moºe biti ve¢i od manjeg od brojeva m i n.

Primjerice,

M2,3

ne moºe imati rang ve¢i od 2.

šelimo li za neke vektore utvrditi jesu li linearno zavisni ili ne, ukoliko su dani u koordinatnom obliku, dovoljno je zapisati ih kao stupce matrice i odrediti joj rang.

Primjer 10

Recimo da nas zanima jesu li vektori (1, −1, 0, 1), 4 nezavisni vektori iz . Tada treba odrediti rang matrice

R

(2, 1, 1, 1)

i

(0, 1, 0, 1)

linearno

1  −1   0 1
Elementarnim transformacijama dobivamo:

2 1 1 1

 0 1  . 0  1

1  −1   0 1

2 1 1 1

  0 1 1   −1 ∼ 0   0 1 1

0 0 1 0

  0 1 0 1   0 0 ∼ 0   0 1 1 0 0

  0 1 0 1   0 0 ∼ 0   0 1 1 0 0

  0 1 0 1   0 1 ∼ 0   0 0 0 0 0

 0 0   1  0

te je rang matrice 3 (tj. onoliko koliko smo imali vektora) te su zadani vektori linearno nezavisni.

Denicija 5 (Dimenzija) Primjer 11 Primjer 12

Najve¢i broj elemenata koje u danom vektorskom prostoru moºe

imati neki linearno nezavisan skup vektora zove se dimenzija prostora.
n Realni vektorski prostori su n-dimenzionalni realni vektorski prostori. Sli£no, n vektorski prostori su n-dimenzionalni kompleksni vektorski prostori.

C

R

Realni vektorski prostori

Sli£no, vektorski prostori

Mm,n (C)

su

Mm,n su m · n-dimenzionalni realni vektorski prostori. m · n-dimenzionalni kompleksni vektorski prostori.

3 Kod odreživanja ranga matrice elementarne transformacije smiju se izvoditi i sa stupcima.

4

Primjer 13

Vektorski prostori realnih neprekidnih/derivabilnih/integrabilnih funkcija s istom

domenom su beskona£nodimenzionalni: ma koliko velik linearno nezavisan skup vektora (funkcija) uzeli, uvijek je mogu¢e na¢i jo² neku funkciju koju moºemo dodati u taj skup, a da on ostane linearno nezavisan.
Korisno je zapamtiti: svaki skup vektora koji sadrºi vi²e elemenata nego ²to je dimenzija prostora sigurno je linearno zavisan.

Primjer 14

Matrice

0 1 −1 2

,

arno zavisne jer se radi o 5 matrica

5 11 , 0 0 iz M2 koji

1 0 0 0
ima

20 −3 i 5 4 dimenziju 2 · 2 = 4.
,

−1 −1 −1 −1

su line-

Denicija 6 (Baza) Primjer 15
ei
na

Baza prostora je bilo koji linearno nezavisan skup vektora koji ima ono-

liko elemenata kolika je dimenzija prostora. Kanonska baza za

Rn je skup {e1, e2, . . . , en} vektora iz tog prostora koji su oblika:
a na svim ostalim nule. Da je to baza vidi se po tome ²to je

i-toj

poziciji ima broj

1,

prikaz

(x1 , x2 , . . . , xn ) = x1 (1, 0, 0, . . . , 0, 0) + x2 (0, 1, 0, . . . , 0, 0) + . . . + xn (0, 0, 0, . . . , 0, 1) = = x1 e1 + x2 e2 + . . . + xn en
mogu¢ i jedinstven za svaki vektor

(x1 , x2 , . . . , xn ) ∈ Rn

odnosno

(x1 , x2 , . . . , xn ) ∈ Cn . V3
smo primjerice odabirom

Primijetimo da smo time obrnuli dosada²nje shva¢anje baze: u

neka tri vektora kao baze (recimo, kristalografske baze) denirali ²to su koordinate svih ostalih vektora, dok su oni sami imali koordinate [1, 0, 0], [0, 1, 0] i [0, 0, 1]. Sad pak u prostorima tipa n n i prvo imamo n-torke, a bazu za koju bi to stvarno bile koordinate zovemo kanoskom.

R C

Primjer 16
poziciji imaju

Matrice

Eij ∈ Mm,n

koje na svim pozicijama osim

(i, j)

imaju nule, a na toj

1,

£ine kanonsku bazu od

Mm,n .

Osnovno svojstvo baze prostora je da se svaki vektor moºe prikazati kao linearna kombinacija vektora baze, i to na jedinstven na£in. proizlazi iz te denicije. Takav zapis zovemo prikaz vektora u bazi. šelimo li odrediti koecijente u takvom prikazu, potrebno je rije²iti sustav linearnih jednadºbi koji

Primjer 17

Vektori

nezavisni (provjerite je po deniciji oblika

(2, −1, 0, 1), (1, 2, 3, 4), (1, 1, 1, 0) i (0, 1, 0, 0) su baza za R4 jer su linearno to preko ranga matrice). Prikaz proizvoljnog vektora (x, y, z, w) u toj bazi

(x, y, z, w) = α(2, −1, 0, 1) + β(1, 2, 3, 4) + γ(1, 1, 1, 0) + δ(0, 1, 0, 0) = = (2α + β + γ, −α + 2β + γ + δ, 3β + γ, α + 4β).
šelimo li recimo

(1, 0, 0, 0)

zapisati u toj bazi, trebamo na¢i

α, β, γ, δ

takve da je

(1, 0, 0, 0) = (2α + β + γ, −α + 2β + γ + δ, 3β + γ, α + 4β)
5

tj. rije²iti sustav

2α + β + γ = 1, −α + 2β + γ + δ = 0, 3β + γ = 0, α + 4β = 0.
Budu¢i znamo da se radi o bazi, sigurno je da taj sustav ima jedinstveno rje²enje. Ono iznosi

1 3 3 2 α= ,β=− ,γ= ,δ= . 5 10 10 10
Dakle, vektor bazu ima

(1, 0, 0, 0) koji u 2 1 3 3 koordinate 5 , − 10 , 10 , 10

kanonskoj bazi ima koordinate .

[1, 0, 0, 0],

obzirom na novu

Dimenziju studenti £esto mije²aju s brojem elemenata. Dimenzija je najmanji broj vektora potreban da kao njihove linearne kombinacije moºemo zapisati sve vektore. prostor sadrºi beskona£no mnogo elemenata. To je lako vidjeti: ako je skalar U svakom vektorskom prostoru vrijedi: ako prostor sadrºi bar jo² jedan vektor osim nulvektora, onda taj

v = 0 onda su za svaki α (a njih ima beskona£no mnogo) vektori αv razli£iti. Stoga svaki vektorski prostor osim V = {0} sadrºi beskona£no mnogo elemenata, neovisno o tom je li kona£ne ili beskona£ne
Dva vektorska prostora su izomorfna ako do na smisao/vrstu vektora i operacija s njima

dimenzije. nema razlika mežu njima. Smisao je sli£an kemijskom: izomorfnost zna£i jednakost struktura, ali dopu²ta razli£itost sadrºaja.

Primjer 18

Vektorski prostori

R3, M3,1(R), V 3 i V 3(0) su izomorfni. 
(x, y, z),
a elementi drugog oblika

Prva dva su izomorfni operacije se izvode

jer iako su elementi prvog oblika

 x  y , z

3 po istim pravilima  razlika je samo u stilu zapisa. Putem koordinatizacije V odnosno 3 moºe se provjeriti da su i oni izomorfni s . n n Op¢enito, vektorski prostori i Mn,1 ( ) odnosno i Mn,1 ( ) su izomorfni.

Primjer 19

Svaki

Mm,n

R R mn je izomorfan s R R

V 3 (0)

C

C 

to se vidi tako da matricu shvatimo kao Recimo, matrice

torku jednostavnim nabrajanjem njenih elemenata po retcima. moºemo shvatiti i kao urežene £etvorke

mna b c d

(a, b, c, d)

bez da ima bitnih promjena u zbrajanju i

mnoºenju skalarom (zbroju dviju matrica odgovara zbroj odgovaraju¢ih £etvorki, a produktu ma4 trice skalarom odgovara produkt odgovaraju¢e £etvorke s tim skalarom), pa su M2 i izomorfni.

R

R

Zapravo: svi realni vektorski prostori iste (kona£ne) dimenzije su izomorfni pa stoga prostore ili

n

Mn,1 (R)

(ovisno o tom s kojim nam je trenutno jednostavnije raditi) moºemo smatrati

prototipovima realnih

n-dimenzionalnih

prostora.

Primjer 20

Recimo da nas zanima jesu li matrice s

M2 izomorfan (0, 1, −1, 2), (5, 11, 0, 0) i (1, 0, 0, 0).
arno zavisne, kako je

R2·2

=

R4,

0 1 −1 2

,

5 11 0 0

i

1 0 0 0

line-

treba ispitati linearnu nezavisnost vektora

6

Denicija 7 (Unitarni prostori)

Vektorski prostor

V

je unitaran ako je na njenmu deni-

rana jo² jedna operacija (skalarni produkt vektora, u oznaci

v, w

) sa svojstvima

v, v ≥ 0;

v, v = 0 ⇔ v = 0,

v, w = w, v , u, v + w = u, v + u, w , v, α · w = α v, w .
Pritom naravno ta svojstva moraju vrijediti za sve vektore

v, w, u ∈ V

i skalare

α.

Za realne vektorske prostore drugo svojstvo svodi se na komutativnost skalarnog produkta:

v, w = w, v .
Dva u primjenama naj£e²¢e kori²tena skalarna produkta opisana su sljede¢im primjerima.

Primjer 21 Primjer 22
od

Na

Rn i Cn uobi£ajeno je skalarni produkt denirati s
(x1 , . . . , xn ), (y1 , . . . , yn ) = x1 y1 + . . . + xn yn . [a, b]
(gdje neki ili oba

Na vektorskom prostoru realnih funkcijan integrabilnih na

aib

moºe biti i beskona£an) uobi£ajeno je skalarni produkt denirati s
b

f, g =
a

f (x)g(x) dx.

Ako promatramo funkcije kojima je kodomena produkt se denira s
b

C (kompleksne funkcije), odgovaraju¢i skalarni

f, g =
a

f ∗ (x)g(x) dx, f ∗ (x) = f (x).
Ovaj skalarni produkt je vrlo

gdje je s

f

ozna£ena funkcija koja je denirana s

£est u kvantnoj zici i kemiji.

Primjer 23

U poglavlju o algebri vektora vidjeli smo da u slu£aju vektora koji su zadani

→ − → − [x, y, z] · [x , y , z ] = xx + yy + zz . Primjerice, skalarni produkt vektora 2 i − 5 k s vektorom → → → − − − − i + j − k je [2, 0, −5] · [−1, 1, −1] = −2 + 0 + 5 = 3. → → → − − − 3 Koriste¢i izomorfnost prostora V (O) (s ortonormiranom bazom { i , j , k }) i M3,1 , vidimo     x x da za vektore v =  y  i v =  y  njihov skalarni produkt moºemo izra£unati kao z z v, v = v t · v .

koordinatama obziroma na ortonormiranu bazu njihov skalarni produkt ra£unamo po pravilu

Zadatak 1

Nažite sve primjere kori²tenja skalarnog produkta integrabilnih funkcija u poglavlju

o primjenama integralâ.
7

U svakom unitarnom prostoru moºe se denirati norma (duljina) vektora preko jednakosti:

||v|| =

v, v .

Primjer 24

U

Rn i Cn norma vektora se ra£una formulom
||(x1 , . . . , xn )|| = x2 + . . . + x 2 . 1 n

Dva vektora unitarnog prostora zovu se ortogonalnim ako im je skalarni produkt nula. Svaki skup vektora unitarnog prostora u kojem su svaka dva vektora ortogonalna je linearno nezavisan.

(1, −1, 2, 0, 3) i (0, 2, 1, 4, 0) su 1 · 0 + (−1) · 2 + 2 · 1 + 0 · 4 + 3 · 0 = 0.
Vektori

Primjer 25

ortogonalni u

R5 jer im je skalarni produkt

Primjer 26
togonalni.

Retci (stupci) ortogonalne matrice, shva¢eni kao vektori, su svaki na svakog or-

Primjer 27
ψ1,0,0 =

Naime, 1s orbitala je valna funkcija 1 −r/a0 1 1 e , a 2s orbitala je valna funkcija ψ1,0,0 = π 2 − ar0 e−r/(2a0 ) . Pritom πa3 8πa3 0 0 Njihov skalarni produkt je

Vodikova 1s i 2s orbitala su ortogonalne.

su formule za obje valne funkcije dane u sfernim koordinatama. ortogonalnosti tih valnih funkcija se pojednostavljuje na oblik
+∞

zapravo trostruki integral (o tom vi²e kasnije), no kako su s orbitale sferno simetri£ne, uvjet

4πr2 ψ1,0,0 (r)ψ2,0,0 (r) dr = 0.
0

Tu faktor

4πr2

potje£e od vi²estrukog integrala u sfernim koordinatama.

Kako obje funkcije

sadrºe multiplikativne konstante koje ne mogu utjecati na to je li gornji integral nula, dovoljno je provjeriti da je
+∞

r2 e−r/a0 2 −
0

r a0

e−r/(2a0 ) dr = 0.

Ra£unamo:
+∞

r
0

2

r 2− a0

+∞

e

−3r/(2a0 )

dr = 2
0

r e

2 −3r/(2a0 )

1 dr − a0

+∞

r3 e−3r/(2a0 ) dr =
0

=2·
Tu smo koristili formulu
+∞ 0

2! 1 3! − · = 0. 3 (3/(2a0 )) a0 (3/(2a0 ))4
n! . an+1

rn e−ar dr = fn
i

Zadatak 2

Pokaºite da su funkcije

gm

denirane s

fn (x) = cos (nx) , gm (x) = sin (mx)
ortogonalne nad intervalom

[−π, π]

za sve vrijednosti
8

m, n ∈ N.

mežusobno ortogonalni. Kanonske baze za uvijek vrijedi i nejednakost :

Baza unitarnog prostora zove se ortonormirana baza ako su svi vektori u njoj norme 1 i n n i su ortonormirane. U unitarnim prostorima

4

R C

| v, w | ≤ ||v|| · ||w||.
Jednakost vrijedi ako i samo ako su vektori tora takav da je zbroj svaka dva vektora vektorom iz Za kraj, spomenimo i pojam potprostora. Potprostor je podskup

v i w kolinearni (tj. skup {v, w} je linearno zavisan). S nekog vektorskog prosiz S ponovno u S i takav da je produkt skalara s

S

ponovno iz

S.

Primjer 28

se shvatiti kao potprostor od

Skup svih rje²enja homogenog sustava linearnih jednadºbi s n (vidi prethodno poglavlje).

R

n

nepoznanica moºe

2

Linearni operatori

Kako ste ve¢ primijetili, vektorski prostori su posebna vrsta skupova. Stoga se mežu funkcijama kojima su domene i kodomene vektorski prostori isti£u one koje po²tivaju tu posebnost.

Denicija 8 (Linearan operator)

Linearan operator

5

je funkcija

ˆ A : V → W (V

i

W

su

vektorski prostori, oba realni ili oba kompleksni) koja ima sljede¢a dva svojstva:

ˆ ˆ ˆ A(v + w) = A(v) + A(w) ˆ ˆ A(λv) = λA(v)
za sve

(aditivnost),

(homogenost)

v, w ∈ V

i skalare

λ.

Ako je

W = R odnosno W = C, linearan operator zovemo linearnim ˆ A(v)
ve¢ se pi²e

funkcionalom.
Kod linearnih operatora nije uobi£ajeno pisati

ˆ Av ;

glavni razlog je ²to su

linearni operatori poop¢enje mnoºenja vektora ksnim brojem.

Primjer 29
funkcija

Za svaki vektorski prostor

V

funkcija

ˆ I:V →V

ˆ koja ni²ta ne radi (I(v)
(ˆ 0(v) = 0)

= v)

i

ˆ:V →V 0

koja svim vektorima pridruºuje nulvektor

su linearni operatori 

tzv. jedini£ni i nul-operator.

Primjer 30 Primjer 31 Primjer 32

Neodreženi integral

dx

je linearan operator, kao i operator deriviranja

=

d . dx

Trag matrice je linearan funkcional. Pridruºivanje koje svim funkcijama

linearan funkcional jer je

f derivabilnim u c = 1 (f + g) (1) = f (1) + g (1) i (αf ) (1) = α · f (1).

pridruºuje

f (1)

je

4 Nejednakost Cauchy-Schwarz-Bunjakovskog. 5 Sâm izraz operator obi£no se koristi za bilo kakvu funkciju kojoj su domena i kodomena vektorski prostori.

9

Primjer 33
gibanje po

U kvantnoj mehanici se dinami£ke veli£ine klasi£ne mehanike (primjerice, koordiTako je kvantna koli£ina gibanja (za

nata, brzina, kineti£ka energija, potencijalna energija, koli£ina gibanja) predstavljaju linearnim operatorima koji djeluju na prostoru valnih funkcija. pomnoºenu s

px koji valnoj funkciji ψ pridruºuje njenu derivaciju po poziciji x ˆ d ˆ px = −i dx ). Dakle, px valnoj funkciji ψ pridruºuje valnu funkciju ˆ px ψ koja na svoju varijablu x djeluje po pravilu px ψ(x) = −i ψ (x). ˆ ˆ ˆ Potencijalnoj energiji V u kvantnoj mehanici odgovara operator V koji na valnu funkciju ˆ djeluje tako da jednostavno pomnoºimo potencijalnu energiju s valnom funkcijom: V ψ(x) = V (x) · ψ(x).
operator (pi²e se Sli£ne formule vrijede i u slu£ajevu ovisnosti valnih funkcija o dvije ili tri koordinate. Osobito vaºan mežu kvantnomehani£kim linearnim operatorima je Hamiltonijan (koji je kvantnomehani£ka verzija ukupne energije). Prema gornjem, Hamiltonijan vektorskih prostora valnih funkcija i linearan je operator tj.

x-osi) −i

ˆ H djeluje izmežu ˆ + φ) = Hψ + Hφ i H(αψ) = ˆ ˆ ˆ H(ψ

ˆ αHψ

za sve valne funkcije

ψ

i

φ

i sve kompleksne brojeve

α.

d koji djeluje na prostoru derivabilnih funkcija (s dx istom domenom i varijablom x). Pritom je s x ozna£en operator koji funkciji pridruºuje njen ˆ d d ˆ produkt s x. Dakle, Af (x) = x + dx f (x) = x · f (x) + dx f (x) = xf (x) + f (x). Primjerice, ˆ

Zadatak 3

Neka je zadan operator

ˆ ˆ A = x+

ˆ A(a sin(bx)) = ax sin(bx) + ab cos(bx).

operatori

Za primjene u kemiji, osobito kristalograji, izuzetno su bitni operatori simetrije: linearni ˆ A : 3 → 3 za koje vrijedi dodatno svojstvo neki dio prostora  molekulu ili

R

R

kristal  preslikavaju na samu sebe tj. ne vidi se razlika izmežu te molekule ili kristala prije i poslije djelovanja operatora. Najvaºniji takvi operatori su jedini£ni operator, centralna simetrija (inverzija) koja svakom vektoru pridruºuje suprotni (ι(v) ravninu i rotacija

= −v ),

zrcaljenje

σ

obzirom na neku

ρ

za neki kut oko nekog pravca. Kad se oni koriste prirodno se poistovje¢uju

radij-vektori to£aka sa samim to£kama prostora (tj. operator djeluje na radij-vektor

[x, y, z],

a

dobiveni novi radij-vektor daje koordinate to£ke gdje je nakon djelovanja operatora zavr²ila 3 to£ka (x, y, z)). Matemati£ki re£eno, pre²utno se koristi izomorfnost vektorskih prostora V (0) 3 i .

R

Svejedno je da li dva vektora prvo zbrojimo pa onda rotiramo oko z -osi za pravi 6 kut u pozitivnom smjeru ili prvo svakog od njih zarotiramo oko z -osi za pravi kut u pozitivnom smjeru te dobivene vektore zbrojimo (aditivnost) i svejedno je da li prvo zarotiramo vektor pa dobiveni vektor produljimo/skratimo za neki faktor ili prvo produljimo/skratimo vektor pa onda zarotiramo (homogenost).

Primjer 34

Primjer 35

Zrcaljenje

σh

obzirom na

x−y−ravninu ne mijenja x i y

koordinatu, a

z

koordinati

mijenja predznak. Dakle,

σh (x, y, z) = (x, y, −z).
Linearni operatori se uz uobi£ajene uvjete na domenu/kodomenu mogu komponirati (kompozicija linearnih operatora je linearan operator), s tim da je uobi£ajeno umjesto

ˆ ˆ A◦B

pisati

ˆˆ AB .

Kao i kod drugih funkcija, komponiranje nije komutativno, tj. osim u rijetkim slu£ajevima

6 Pozitivni smjer je smjer suprotan smjeru kazaljke na satu.

10

ne vrijedi

ˆˆ ˆˆ AB = B A.

U analizi simetrija molekula i krisala £esti su sljede¢i komponirani oper-

atori: rotoinverzije (kompozicije rotacija s inverzijama) i rotoreeksije (kompozicije rotacija sa zrcaljenjem obzirom na ravninu okomitu na os rotacije).

ˆ A

Primjer 36
i

U kvantnoj mehanici £esto je potrebno ra£unati komutatore. Komutator operatorâ

ˆ B

je operator

komutiraju (kad

ˆ ˆ ˆˆ ˆˆ [A, B] = AB − B A. ˆˆ ˆˆ je AB = B A).

Komutator je nuloperator to£no kad operatori

ˆ A

i

ˆ B

d Primjerice, komutator operatora dx i

x ˆ

je jedini£ni operator

ˆ I jer

vrijedi

d d d , x f (x) = ˆ xf (x) − x f (x) = (xf (x)) − xf (x) = f (x) + xf (x) − xf (x) = f (x), ˆ ˆ dx dx dx
dakle je za svaku funkciju (vektor)

f d ˆ , x f = f = If ˆ dx

tj.

d ,x ˆ dx

ˆ = I.

Neki linearni operatori su invertibilne funkcije. Takve linearne operatore zovemo izomorzimima (vektorskih prostora). Inverzna funkcija linearnog operatora je uvijek linearni operator. ˆ ˆ−1 Taj inverzni linearni operator od A ozna£avamo s A . Denicija inverzne funkcije u kontekstu ˆ ˆ−1 = A−1 A = I . ˆ ˆ ˆ linearnih operatora poprima oblik AA Korisno je zapamtiti i jedno zajedni£ko svojstvo svih linearnih operatora: linearni operator nulvektor domene preslikava u nulvektor kodomene .

7

2.1

Matrica linearnog operatora

Kad baratamo funkcijama s brojevima, uobi£ajeni su kratki formalni zapisi pravila pridruºivanja koji nam omogu¢uju ekasno ra£unanje vrijednosti funkcije. Tako primjerice, umjesto da kaºemo da neka funkcija ra£una kvocijente brojeva s njihovim prirodnim logaritmima, kratko x . pi²emo f (x) = ln x

Primjer 37
zapisati kao

Funkcija koja svim realnim brojevima pridruºuje njihov dvostruki broj moºe se

f (x) = 2x. Ona je linearan operator: f (x+x ) = 2(x+x ) = 2x+2x = f (x)+f (x ) i f (αx) = 2(αx) = α(2x) = αf (x). Zato se funkcije oblika f (x) = ax zovu linearnim funkcijama, a kratko ih opisujemo kao mnoºenje s brojem a.
Ako su iz

V

i

W

realni

8

prostori dimenzije

n

odnosno

m,

linearan operator

ˆ A:V →W

moºe

se zamisliti kao mnoºenje vektora iz

Mn,1

slijeva s matricom

A ∈ Mm,n ,

£ime dobivamo vektor

Mm,1 : ˆ Av = A · v.

Ako znamo koju matricu uzeti u gornjoj jednakosti, onda ra£unanje rezultata djelovanja operatora

ˆ A

na razne vektore postaje jednostavno.

No, ima jedan problem: svakom operatoru

8 Analogna pravila vrijede za kompleksni slu£aj, samo tada dobivamo kompleksne matrice.

7 Dokaz je lagan i slijedi iz aditivnosti i homogenosti linearnih operatora:

ˆ ˆ ˆ ˆ A0 = A(v − v) = Av − Av = 0.

11

odgovara beskona£no mnogo razli£itih matrica. Koju matricu ¢emo odabrati, ovisi o tome koju smo bazu odabrali za prikaz vektorâ iz se mogu shvatiti kao

V

i koju smo odabrali za vektore iz

W.

Naime,

V

i

W

Mn,1

i

Mm,1 ,

ali tek ako odaberemo njihove baze i onda njihove vektore

zapisujemo koordinatno u tim bazama.

Primjer 38

Neka je za

V 3 (O)

taj odabir, vektor

− − → − {→, b , →} ima koordinate [3, 4, 1] a c → − → − → − → − → − → − → − → − → − → − → − 5 i + 4 j − 2 k = α i − α k + β j + 2γ i + γ k = (α + 2γ) i + β j + (−α + γ) k ⇒ ⇒ α + 2γ = 5, γ − α = −2, β = 4 ⇒ γ = 1, β = 4, α = 3. → → → − − − je baza { a , b , c } iz nekog razloga pogodnija za rad (primjerice,

→ − v

odabrana baza

koji u standardnoj bazi

− − − − − − − → = → − →, → = → i → = 2→ + →. Uz − a i k b j c i k → → → − − − { i , j , k } ima koordinate [5, 4, −2] u novoj bazi

Dakle, ako nam

jer nam je

3 5  4 , a ne  4 . vektor pisati 1 −2   x  y  ∈ M3,1 (i sli£no za ostale matrice-stupce) u daljnjem ¢emo koristiti Za matrice z t zgodniji zapis [x y z] . Ako smo odabrali baze BV domene i BW kodomene (dakle, ako znamo na koji na£in smo ˆ V poistovjetili s Mn,1 , a W s Mm,1 ), onda je matrica A u jednakosti Av = A · v jedinstveno odrežena  ako je v opisan koordinatama obzirom na bazu BV i tako shva¢en kao matricaˆ stupac, rezultat mnoºenja A · v biti ¢e koordinatni zapis (u bazi BW ) vektora kojeg operator A napravi iz v . Kra¢e: ako je v zadan koordinatama obzirom na bazu u V , onda A·v predstavlja ˆ A(v) u koordinatama obzirom na bazu u W . → − v

potrebna kao kristalografska baza za neki kristal monoklinskog sustava), onda ¢emo vektore iz V 3 (0) shva¢ati kao matrice iz  3,1 koje su im koordinate obzirom na tu bazu, dakle ¢emo za M   

Napomena 2
prostorima.

Operatori na beskona£nodimenzionalnim prostorima ne mogu se prikazati ma-

tricama. Primjerice, ne postoji matrica operatora deriviranja. Stoga u nastavku ovog poglavlja o matricama linearnih operatora podrazumijevamo da se bavimo samo kona£nodimenzionalnim

Napomena 3

Ako znamo da operator

£ije koordinate u bazi kodomene Primjerice, ako matrica

ˆ A preslikava vektore baze domene u neke vektore kodomene, ˆ znamo, onda su elementi matrice od A obzirom na te odabrane  2 1 0 A= 0 0 7  −5 2 4 

baze to£no po stupcima poredane koordinate slika vektora baze domene.

predstavlja neki linearan operator s t bazu {a, b, c}, onda je a = (1, 0, 0) ,

b = (0, 1, 0)t i c = (0, 0, 1)t i     1 2 ˆ Aa = A  0  =  0  = 2a − 5c, 0 −5
12

R3 u R3 gdje smo i za domenu i za kodomenu odabrali istu

   0 1 ˆ = A  1  =  0  = a + 2c, Ab 0 2     0 0 ˆ = A  0  =  7  = 7b + 4c. Ac 1 4
Zanimljivo je da ipak postoji veza izmežu svih mogu¢ih matrica jednog te istog operatora: sve su one sli£ne tj. jedna iz druge se mogu dobiti primjenom elementarnih transformacija. Preciznije , ako su invertibilna

9

A i B dvije matrice istog operatora, −1 matrica X takva da je B = X AX .
Jedini£ni operator

obzirom na razli£ite baze, onda postoji

Primjer 39

ˆ I : V → V

obzirom na bilo koju bazu uvijek kao matricu

ima jedini£nu matricu (to je jedina matrica koja mnoºenjem s bilo kakvom matricom-stupcem odgovaraju¢e veli£ine ne mijenja brojeve u njoj). Nuloperator

V

dimenzije

ˆ : V → W obzirom 0 n i W dimenzije n).

na bilo koji odabir baza ima nulmatricu (tipa

m×n

ako je

Primjer 40

Linearni funkcionali kao kodomenu imaju skup skalara tj. jednodimenzionalan

prostor. Stoga su matrice linearnih funkcionala matrice-retci. Primjerice, matrica traga kvadratnih matrica reda 3 (linearnog funkcionala

tr : M3 → R)

je

( 1 0 0 0 1 0 0 0 1 ),
s tim da za kori²enje te matrice za izra£unavanje traga matrice matricu shvatiti kao matricu-stupac iz

A ∈ M3

moramo

M9,1

dobivenu nabrajanjem njenih elemenata po retcima (dakle,

koriste¢i izomorfnost deveterodimenzionalnih prostora

M3

i

M9,1 ): 

       2 1 0  tr  0 0 7  = ( 1 0 0 0 1 0 0 0 1 ) ·    −5 2 4    

2 1 0 0 0 7 −5 2 4

        = (6).      

Primjer 41

slijedi da inverzija

Kako neovisno o odabiru baze inverzija mijenja predznak svih koordinata vektora, ˆ : 3 → 3 obzirom na sve mogu¢e10 odabire baza ima matricu −I3 . ι

R

R

9 Sli£no, ali notacijski kompliciranije vrijedi i za operatore izmežu prostora koji su razli£ite dimenzije, no
ovdje dajemo samo varijantu za operatore izmežu dva prostora iste, kona£ne, dimenzije.

10 Podrazumijevat ¢emo da ako je domena jednaka kodomeni biramo istu bazu za domenu i kodomenu. Ma-

temati£ki to nije nuºno, ali u primjenama su izuzetno rijetke situacije kad odabir nije takav.

13

Primjer 42

Zrcaljenje obzirom na

x − y−ravninu obzirom   1 0 0 Sx,y =  0 1 0  . 0 0 −1

na standardnu bazu ima matricu

Tako, ºelimo li izra£unati koordinate to£ki to£ke samo trebamo izra£unati

(2, −5, −9) obzirom na x−y−ravninu zrcalnosimetri£ne

    1 0 0 2 2  0 1 0   −5  =  −5  . 0 0 −1 −9 9
Primijetimo da je to bilo o£ekivano: samo se promijenio predznak Razmislite: kako bi izgledale matrice zrcaljenjâ obzirom na standardne baze)?

z -koordinate. x−z− i y −z−ravninu (uz odabir

Primjer 43
ima matricu

Rotacija oko

z -osi

za kut

Rz,α

 cos α − sin α 0 =  sin α cos α 0  . 0 0 1 α
nalazi to£ka s po£etnim koordinatama

α 

u pozitivnom smjeru (obzirom na standardnu bazu)

šelimo li znati gdje se nakon rotacije za kut samo treba pomnoºiti matricu dardne baze)? Izra£unajte za

(x, y, z),

Rz,α

s matricom

[x y z]t .

Razmislite: kako bi izgledale matrice rotacija za dani kut α oko x i y osi (uz odabir stan60◦ oko x-osi zarotirani poloºaj to£ke (1, 2, 3).
Kako vidimo, korist od znanja matrice operatora je da ako znamo koordinate vektora na

kojeg operator djeluje obi£nim mnoºenjem matrica moºemo izra£unati rezultat tog djelovanja  jedini uvjet je da su baze u kojima zapisujemo vektore usklažene s odabirom matrice. ’tavi²e, kompoziciji operatora odgovara produkt matrica, a inverznom operatoru odgovara inverzna matrica.

Primjer 44
ramo za

šelimo li izra£unati poziciju to£ke (s radij-vektorom oko

r)

nakon ²to ju prvo zaroti-

45◦ Sy,z Rz,45◦ r.

z -osi

i zatim zrcalimo obzirom na

y − z -ravninu,

dovoljno je izra£unati produkt

Svaka rotacija (oko bilo koje osi kroz ishodi²te i obzirom na bilo koju bazu) uvijek je predstavljena ortogonalnom matricom s determinantom 1, a rotoinverzija je predstavljena ortogonalnom matricom s determinantom -1. Stoga, ºelimo li provjeriti predstavlja li kvadratna

A ∈ M3 AA = I3 .
matrica t

neku rotaciju oko neke osi, treba provjeriti je li joj determinanta 1 i je li

Primjer 45
pribliºno

Matrica

 0, 36 0, 48 −0, 8 0  A =  −0, 8 0, 6 0, 48 0, 64 0, 6

je matrica neke rotacije (konkretno, za

74◦

oko pravca kroz ishodi²te s vektorom smjera

[−1, 2, 2],

no to nije bitno).

Stoga je njena inverzna, a ujedno i transponirana matrica, matrica rotacije za isti kut oko iste osi, ali u suprotnom smjeru.
14

Neke veli£ine iste su za sve matrice jednog operatora. One se zovu invarijante sli£nosti ili invarijante operatora. Dvije najvaºnije takve invarijante su determinanta i trag: sve matrice istog operatora imaju jednake determinante i jednake tragove.

Rotacije koje to£kama re²etke pridruºuju isklju£ivo 11 ◦ ◦ ◦ ◦ to£ke re²etke mogu biti isklju£ivo rotacije redova 1, 2, 3, 4 ili 6 (tj. za kuteve 360 , 180 , 120 , 90 ◦ ili 60 ).

Teorem 1 (Kristalografska restrikcija) Dokaz:

Po deniciji re²etke, sve njene to£ke obzirom na odabranu bazu (recimo: Rotacija oko nekog pravca

kristalo-

grafsku) imaju cjelobrojne koordinate. ortogonalnom matricom

p

mora biti predstavljena

A ∈ M3 .

Ako je ta matrica odabrana obzirom na bazu re²etke, budu¢i

rotacija preslikava to£ke re²etke samo u to£ke re²etke, slijedi da su elementi matrice brojevi, dakle je i trag matrice tako da

A

cijeli

A

cijeli broj. S druge strane, odaberemo li neku drugu bazu

p, matrica na²e rotacije imat ¢e oblik Rz,α iz primjera 43. Ta 1 + 2 cos α. Kako trag ne ovisi o odabiru baze, slijedi da je 1 + 2 cos α cijeli broj. Kako je cos α broj izmežu −1 i 1, jedine mogu¢nosti da 1 + 2 cos α bude cijeli broj su 1 cos α = 0, 1, −1, 2 , − 1 tj. α = 90◦ , 360◦ , 180◦ , 60◦ , 120◦ . 2
leºi na pravcu matrica ima trag

z -os

2.2

Svojstveni vektori i svo jstvene vrijednosti

Od posebnog zna£aja u primjenama su vektori koje promatrani linearni operator preslikava u njima proporcionalne (kolinearne). Primjerice, kod rotacija oko pravca kroz ishodi²te samo vektori kojima je smjer jednak smjeru pravca nakon rotiranja ne promijene smjer. Takvi vektori zovu se svojstveni vektori, a koecijent proporcionalnosti izmežu svojstvenog vektora i njegove slike nakon djelovanja operatora zove se svojstvena vrijednost. Preciznije:

12 operator . Vektor

Denicija 9 (Svojstveni vektori i svojstvene vrijednosti)
v=0
zove se svojstveni vektor operatora

Neka je

ˆ A

ako za

ˆ A : V → V linearan neki skalar λ vrijedi

ˆ Av = λv.
U tom slu£aju skalar vektoru

λ

zovemo svojstvenom vrijednosti operatora

ˆ A

(koja pripada svojstvenom

v ).
Schrödingerova jednadºba

Primjer 46

ˆ Hψ = Eψ

je problem svojstvenih vrijednosti Hamiltoni-

jana: svojstveni vektori su valne funkcije, a pripadne svojstvene vrijednosti su energije sustava.
Za²to smo u deniciji zabranili nulvektor kao svojstveni vektor? skalar bio svojstvena vrijednost: Zato jer bi onda svaki

v svojstveni ˆ, onda su svi njemu proporcionalni vektori w = µv takožer svojstveni za A: ˆ vektor operatora A ˆ ˆ A(µv) = µAv = µλv = λ(µv). Dakle, ako operator ima svojstveni vektor koji pripada nekoj svojstvenoj vrijednosti λ, ima ih beskona£no mnogo. ’tavi²e, skup svih svojstvenih vektora linearnog operatora (koji pripadaju istoj svojstvenoj vrijednosti λ) kad mu dodamo nulvektor
Primijetimo: ako je vektor

ˆ A0 = 0 = λ0 za sve λ.

11 Red rotacije za kut
isto ²to i rotacija za

12 Ovdje je jako vaºno da su domena i kodomena isti vektorski prostor.

α koji se 360 ◦ 5 = 72 .

moºe zapisati kao

360◦ n s cijelim brojem

n

je

n.

Primjerice, rotacija reda 5 je

15

£ini vektorski prostor (tzv. svojstveni potprostor od

V)

tj. za danu svojstvenu vrijednost zbroj

dva svojstvena vektora je svojstveni vektor i skalar puta svojstveni vektor je svojstveni vektor. Skup svih svojstvenih vrijednosti linearnog operatora zove se spektar. Zgodno je zapamtiti: matrica je invertibilna ako i samo ako njen spektar ne sadrºi nulu. Kako odrediti svojstvene vektore i vrijednosti? zionalnim prostorima to nije te²ko: neka je Za linearne operatore na kona£nodimenprikazan matricom A obzirom na neku bazu od V . Denicijska jednakost sad poprima matri£ni oblik Av = λv tj. (A − λIn )v = 0n,1 (ako je n dimenzija prostora). Pitamo se dakle: ima li homogeni sustav opisan matricom [A − λIn |0] rje²enja (osim trivijalnog koje odgovara nulvektoru)? Ako da, ta rje²enja su koordinate svojstvenih vektora. O£igledno odgovor ovisi o slijedi:

ˆ A

λ.

Zbog veze izmežu invertibilnosti i determinante

Teorem 2

Ako je

A ∈ Mn , A

svojstvene vrijednosti bilo kojeg operatora opisanog matricom

A

su

nulto£ke polinoma kojeg dobijemo izra£unavanjem isti£ni polinom matrice

det(A − λIn ).

Taj polinom zove se karakter-

(odnosno operatora prikazanog matricom

A).

Napomena 4 Primjer 47

Svojstveni vektori, spektar i karakteristi£ni polinom su invarijante operatora tj.

u gornjem postupku uvijek dobivamo iste rezultate, neovisno o tome obzirom na koju bazu smo odabrali matricu operatora. Odredimo spektar linearnog operatora

Rz,α :

Rz,α =
daje

cos α − λ − sin α 0 sin α cos α − λ 0 0 0 1−λ

= (1 − λ)(1 − 2λ cos α + λ2 ) = 0

λ1 = 1,
dok su druge dvije svojstvene vrijednosti kompleksne oblika

cos α ± i sin α

(za

α=0

one obje

iznose 1, no za taj kut rotacija je jednostavno jedini£ni operator).

Primjer 48
matricom

Odredimo spektar i svojstvene vektore operatora koji je u nekoj bazi od

R2 prikazan

A=
Karakteristi£ni polinom je

2 −4 −1 −1

.

2−λ −4 −1 −1 − λ
Njegove nulto£ke su

= (λ + 2)(λ − 3). {−2, 3}.

λ1 = −2 i λ2 = 3,

dakle je spektar na²eg operatora skup

Svojstvene vektore koji odgovaraju svojstvenoj vrijednosti sustava kojem je matrica koecijenata

3 dobijemo rje²avanjem homogenog

A − 3I : ∼ 1 4 0 0 0 0
matrice tj. operatora

−1 −4 0 −1 −4 0
pa je

x1 + 4x2 = 0

A

koji pripadaju

x1 = −4t, x2 = t ∈ R. Rje²enja (svojstveni vektori 2 svojstvenoj vrijednosti 3) su dakle vektori iz R oblika
tj.

(x1 , x2 ) = (−4t, t) = t(−4, 1).
16

Zadatak 4 Primjer 49

Odredite svojstvene vektore operatora iz prethodnog primjera koji pripadaju svoj-

stvenoj vrijednosti

−2. 0 0 0 A =  0 4 0 , 0 0 −1 −λ 0 0 0 4−λ 0 0 0 −1 − λ

Svojstvene vrijednosti dijagonalne matrice su brojevi na njenoj dijagonali.   onda je

Recimo, ako je

det(A − λI) =

=

−λ(4 − λ)(−1 − λ)

pa je spektar te matrice

{0, 4, −1}.

Jedna od vaºnosti svojstvenih vektora i svojstvenih vrijednosti vezana je za pitanje dijagonalizacije: linearan operator moºe se dijagonalizirati ako mu je obzirom na neki odabir baze domene i kodomene matrica dijagonalna. Pritom ¢e se ta baza uvijek sastojati od svojstvenih vektora koji odgovaraju svojstvenim vrijednostima na dijagonali (u odgovaraju¢em redoslijedu).

Primjer 50

U modelu krutog rotora koji se koristi za obja²njenje rotacijskih spektara molekula,

molekula se gleda kao skup jezgri na ksnim mežusobnim poloºajima odreženim prosje£nom geometrijoim molekule o odreženom elektronskom i vibracijskom stanju. Kineti£ka energija rotacije krutog tijela moºe se izra£unati formulom

T

1 T = ω t Iω, 2
gdje je

ω

vektor kutne brzine, a

I

tzv. tenzor inercije (kvadratna matrica reda

3

na £ijoj di-

jagonali su momenti inercije obzirom na odabrane koordinatne osi, a izvan dijagonale su tzv. produkti inercije). Matrica

I

se uvijek moºe dijagonalizirati u nekoj bazi

{a, b, c} 

ti dijagonalni elementi

(svojstvene vrijednosti

Ia ≤ Ib ≤ Ic )

zovu se glavni momenti inercije, a vektori baze

{a, b, c}

(odnosno odgovaraju¢e koordinatne osi) zovu se glavne osi inercije. Vrijedi:

1 2 2 2 T = (Ia ωa + Ib ωb + Ic ωc ), 2
gdje su (Ia

ωa , ωb , ωc

koordinate od

ω

obzirom na bazu

{a, b, c}. = 0, Ib = Ic ),
sferne

Temeljem te dijagonalizacije rotori se klasiciraju na linearne (Ia

= Ib = Ic ),

simetri£ne (dva jednaka glavna momenta inercije, tre¢i razli£it) i asimetri£ne

(sva tri glavna momenta inercije razli£ita).

Denicija 10

Ako je

V

realan (kompleksan) vektorski prostor, linearan operator

ˆ A:V →V

je simetri£an (hermitski) ako vrijedi:

ˆ ˆ Av, w = v, Aw

za sve vektore

v, w ∈ V .
Za slu£aj

Simetri£ni i hermitski operatori imaju isklju£ivo realne svojstvene vrijednosti. kona£nodimenzionalnih

V

vrijedi: Sve matrice simetri£nog operatora su simetri£ne, odnosno Simetri£ne i hermitske matrice se mogu di-

sve matrice hermitskog operatora su hermitske. jagonalizirati (tj. postoji neka baza od

V

takva da je u njoj matrica promatranog simetri£nog

odnosno hermitskog operatora dijagonalna, sa svojstvenim vrijednostima na dijagonali).

17

Primjer 51

Jedan od postulata kvantne mehanike je ne samo da se dinami£ke veli£ine

klasi£ne zike u kvantnoj mehanici opisuju linearnim operatorima funkcija), nego i da se mjerenjem veli£ine nosti operatora

ˆ Ω

(na prostorima valnih

za rezultat mogu dobiti samo svojstvene vrijed-

ˆ Ω.

Primjerice, kad bismo mjerili energiju sustava, dobivali bismo svojstvene

vrijednosti Hamiltonijana. Da bismo se osigurali da mjerne veli£ine budu realne, postavlja se zahtjev: dinami£ke veli£ine

klasi£ne zike se u kvantnoj mehanici opisuju hermitskim linearnim operatorima

ˆ Ω.

U slu£aju da istoj svojstvenoj vrijednosti odgovaraju dva ili vi²e linearno nezavisnih svojstvenih vektora (tj. svojstveni potprostor ima dimenziju ve¢u od 1), tu svojstvenu vrijednost zovemo degeneriranom.

Primjer 52

Promotrimo linearan operator na

R3 koji obzirom na neku bazu ima matricu

 1 0 1 A =  0 2 0 . 1 0 1
Njegov karakteristi£ni polinom je

kA (λ) = −λ(2 − λ)2
pa su mu svojstvene vrijednosti vrijednost

λ = 0

i

λ = 2.

Odredimo svojstvene vektore za svojstvenu

2

tj. rije²imo homogeni sustav s matricom

A − 2I :     −1 0 1 0 −1 0 1 0  0 0 0 0  ∼  0 0 0 0  ∼ 1 0 −1 0 1 0 −1 0 0 0 0 0

.

(x1 , x2 , x3 ) sa svojstvom x1 − x3 = 0, x2 = t ∈ R i x3 = s ∈ R tj. trojke oblika (s, t, s) = s(1, 0, 1) + t(0, 1, 0). Za t = 0 dobivamo svojstveni vektor (1, 0, 1), a za s = 0 svojstveni vektor (0, 1, 0). Vektori (1, 0, 1) i (0, 1, 0) nisu proporcionalni, dakle su linearno nezavisni, pa svojstvenoj vrijednosti 2 odgovaraju dva linearno nezavisna svojstvena vektora: λ = 2 je degenerirana svojstvena vrijednost operatora prikazanog matricom A.
Rje²enje sustava su sve trojke

Primjer 53

U kvantnoj mehanici u slu£aju degeneriranih svojstvenih vrijednosti govorimo o

degeneriranom stanju sustava. Primjerice, za energetske nivoe (svojstvene vrijednosti Hamiltonijana) opisane glavnim kvantnim brojem jerice za

n > 1

i azimutnim kvantnim brojem

0 < l < n

dolazi do degeneracija tj. postoji vi²e neproporcionalnih valnih funkcija (razli£itih orbitala, prim-

l=1in=2

imamo 3 tzv. 2p-orbitale, koje opisuju elektrone s istom energijom).

18

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->