Linearna algebra

ˇ ´ DARKO ZUBRINIC Cilj ovog teksta je olaksati pracenje kolegija Linearne algebre onim studentima ˇ ´ postdiplomskog studija FER-a koji nisu odslusali kolegij Linearne algebre u prvom ˇ semestru dodiplomskog studija (vidi knjigu Nevena Elezovica i njegovu zbirku s An´ drejom Aglic). Dobro ce doci i onima koji su ga odslusali kao malo ponavljanje. ´ ´ ´ ˇ U tekstu su mjestimice ukljucena i neka prosirenja. Svladavanje ovog uvodnog graˇ ˇ diva je nuzdan, ali ne i dovoljan uvjet da bi se polozio ispit iz Linearne algebre na ˇ ˇ postdiplomskom studiju FER-a. Zagreb, prosinca 2002. Sadrzaj: ˇ 1. Osnovni pojmovi i rezultati linearne algebre 1.1 Grupe i polja 1.2 Vektorski prostori 1.3 Unitarni vektorski prostori 1.4 Normirani vektorski prostori 1.5 Matrice i determinante 1.6 Linearni operatori 1.7 Svojstvene vrijednosti i svojstveni vektori 1.8 Hahn-Banachov teorem i Fredholmova alternativa 1.9 Crtice iz povijesti linearne algebre 2. Rjesavanje sustava jednacaba iterativnim metodama ˇ ˇ 1.1 Matricne norme i konvergencija matrica ˇ Literatura: 1. Neven Elezovic: Linearna algebra, Element, Zagreb ´ 2. Andrea Aglic, Neven Elezovic: Zbirka zadataka iz linearne algebre, Element, ´ ´ Zagreb ˇ 3. Svetozar Kurepa: Konac ˇnodimenzionalni vektorski prostori i primjene, Skolska knjiga, Zagreb 4. Za izvore na webu vidi www2.zpm.fer.hr/darko/darko.html Oznake: Skupove prirodnih, cijelih, racionalnih i realnih brojeva oznacavamo sa N , Z , ˇ Q , R , C . Vaznije tvrdnje pisemo kosim slovima. ˇ ˇ

1.

UVOD

1.1. Grupe i polja
Pojam vektorskog prostora predstavlja prirodno prosirenje raznih prostora koji se ˇ s obzirom na zbrajanje i mnozenje sa skalarom ponasaju na potpuno isti nacin. Takvi ˇ ˇ ˇ su npr. Rn (prostor vektora stupaca s n komponenata), V 3 (prostor klasicnih vektora ˇ dobiven preko usmjerenih duzina), M mn (vektorski prostor matrica tipa m n ). Cilj ˇ je unijeti gemetriju i opcenito zor u vektorske prostore koji su naoko bez geometrije ´ (npr. u prostore funkcija). Opca definicija vektorskog prostora zasniva se na pojmu ´ ˇ grupe i polja, koji su takoder predmet samostalnog proucavanja u matematici. Grupa je neprazan skup G zajedno s binarnom operacijom , kojom dvama elementima x i y iz G pridruzujemo element x y u G , tako da vrijedi ˇ a) x(yz) = (xy)z za sve x y z 2 G (asocijativnost); b) postoji element e 2 G tako da za sve x 2 G vrijedi xe = ex = x ; e zovemo neutralnim elementom; c) za svaki x 2 G postoji element x;1 takav da je xx;1 = x;1 x = e . Krace govorimo o grupi kao o poredanom dvojcu (G ) s gornjim svojstvima. ´ Ako vrijedi jos i ˇ d) xy = yx za sve x y 2 G , ˇ ˇ ˇ za grupu kazemo da je komutativna ili abelova (u cast norveskom matematicaru Nielsu ˇ Abelu iz 19. st.). Ako je binarna operacija zapisana aditivno, tj. sa + umjesto , onda smatramo da je grupa automatski komutativna. Inverzni element u aditivnoj grupi zovemo suprotnim elementom i oznacavamo s ;x , a neutralni element zovemo nul-elementom i ˇ oznacavmo s 0 . ˇ ˇ Polje je skup F zajedno s dvije binarne operacije + (zbrajanje) i mnozenje, koje bilo kojim dvama elementima λ µ 2 F pridruzuje λ + µ 2 F i λ µ 2 F , tako ˇ da vrijedi: a) (F +) je aditivna grupa, tj. a1) λ + (µ + ν ) = (λ + µ ) + ν za sve λ µ ν 2 F (asocijativnost);

polje kompleksnih brojeva C .λ ) = λ . Zp := f0 1 : : : p . polja s konacno mno´ ˇ ˇ´ ´ ˇ ˇ go elemenata. Moguca su i konacna polja. .λ + λ = λ + (. a 2 2 = 1 . Vektorski prostori Elemente nekog polja F (kod nas najcesce R ili C ) zvat cemo skalarima. Npr. ˇ ˇ c) Operacije zbrajanja i mnozenja su uskladene zakonom distribucije: λ (µ + ν ) = λµ + λν . a ˇ ˇ ˇ ˇ onda njegov ostatak pri dijeljenju s p . 2) operacijom kojom bilo kojem skalaru λ 2 F i elementu (vektoru) x 2 X pridruzujemo λ x 2 X (Paznja! Ovo “mnozenje” nije isto sto i mnozenje u polju ˇ ˇ ˇ ˇ ˇ F ). 0 zovemo neutralnim elementom. tj. tj. pa prema tome niti polje.λ takav da je . 2. tj. 1g . Kazemo krace da je polje poredani trojac (F + ) skupa F i binarnih operacija ˇ ´ zbrajanja i mnozenja na F s gornjim svojstvima.2. Skup cijelih brojeva Z je aditivna grupa. U Z3 je 1 + 2 = 0 . u Z2 je 1 + 1 = 0 . npr. ˇ Neki od temeljnih primjera su polje realnih brojeva R . a4) λ + µ = µ + λ za sve λ µ 2 F . Uvedimo sada jednu od temeljnih struktura u linearnoj algebri. tako da vrijedi: a) (X +) je aditivna grupa (komutativnost podrazumijevamo). Ovdje najprije racunamo zbroj (umnozak) na uobicajen nacin. elemente od X zovemo vektorima.a2) postoji element 0 2 F tako da za sve λ 2 F vrijedi λ + 0 = 0 + λ = λ . Kada govorimo o vektorskom prostoru (X onda se operacija odnosi na . ˇ gdje je p prost broj.1 = 2 . s kojima cemo najcesce raditi. ˇ ˇ b) uskladenost operacija mnozenja skalara u polju F i mnozenja skalara s vektorima u X: λ (µ x) = (λ µ )x 1x = x za sve λ µ 2 F i x 2 X c) zakoni distribucije: za sve λ µ 2 F i x y 2 X. (λ + µ )x = λ x + µx λ (x + y) = λ x + λ y + ). 1. onda ga kratko oznacavamo samo s F . b) Skup F := F n f0g (skup svih ne-nul elemenata u F ) je komutativna grupa s obzirom mnozenje. Ako su poznate operacije koje se ˇ odnose na polje.1 = 2 . ali nije multiplikativna grupa. tj.1 = 1 . sa zbrajanjem i mnozenjem po modulu p . . Vektorski prostor nad zadanim poljem F je skup X zajedno s dvije operacije: 1) binarnom operacijom zbrajanja + u X . Skalar ˇ ˇ´ ´ je dakle drugi naziv za “broj”. a3) za svaki λ 2 F postoji element .

Za bilo koji x1 = 0 pripadni potprostor L(x1 ) ˇ 6 zovemo pravcem u X razapetim vektorom x1 . Potprostor Y si obicno ˇ ˇ ˇ ´ predocavamo kao podravninu (ili pravac) kroz ishodiste 0 u X . Ako takav prirodan broj k ne postoji. sto po definiciji znaci da je svaki njegov konacan podskup linearno nezavisan. . xk u X mozemo definirati vektorski prostor ˇ L(x1 : : : xk ) svih linearnih kombinacija vektora x1 : : : xk . Ne zaboravimo da u polju F imamo operaˇ ciju (medusobnog) mnozenja skalara. To je najmanji vektorski potprostor od X koji sadrzi skup B . koji zovemo nul-potprostorom od X . onda neki njegov podskup Y zovemo vektorskim potprostorom ako je Y vektorski prostor s operacijama + i naslijedenim iz X . onda kazemo da je vektorˇ ski prostor X konacno-dimenzionalan. da bi podskup Y bio vektorski potprostor treba provjeriti samo ovo: a) ako su x y 2 Y .mnozenje skalara iz F s vektorima iz X . koje oznacavamo na isti nacin. ˇ Za odabrane vektore x1 ::: Ako u nekom vektorskom prostoru X postoji podskup B X takav da je ˇ ˇ ˇ a) skup B linearno nezavisan. onda sa L(B) oznacavamo skup svih linearnih kombinacija vektora odabranih iz B . Y je vektorski potprostor vektorskog prostora X ako je zatvoren s obzirom ´ na uzimanje linearnih kombinacija: λ µ 2 F x y 2 Y ) λ x + µ y 2 Y: Posebno. Zove se prostorom razapetim vektorima x1 : : : xk . koje se razlikuje ˇ ˇ ˇ od prethodnog mnozenja skalara i vektora. mora biti i λ x 2 Y (zatvorenost skupa Y s obzirom na mnozenje sa skalarima). ˇ U vektorskom prostoru X uvodimo linearnu kombinaciju vektora x1 : : : xk 2 X kao izraz λ1 x1 + : : : + λk xk 2 X: xk kazemo da su linearno nezavisni ako vrijedi da ˇ λ1 x1 + : : : + λk xk = 0 ) λ1 = : : : = λk = 0: Zamislimo sve podskupove u X koji su sastavljeni od linearno nezavisnih vektora (linearno nezavisni podskupovi). ::: Za vektore x1 Ako je X vektorski prostor nad poljem F . Potprostore od X koji su razliciti od nul-potprostora ˇ i X zovemo netrivijalnim potprostorima od X . Ako postoji prirodan broj k takav da svaki linearno nezavisan podskup od X ima broj elemenata koji je ? k . Zovemo ga i nul-dimenzionalnim prostorom. ˇ Krace. To je najmanji vektorski potprostor od X koji sadrzi vektore ˇ x1 : : : xk . svaki potprostor Y od X sadrzi nul-element 0 . Medu mogucim ˇ potprostorima od X je i Y = f0g . takvi da je λ1 x1 + : : : + λk xk = 0 . Najmanji takav broj k zove se dimenzija ˇ vektorskog prostora X i oznacava sa dim X . Dimenzija mu je najvise k . ˇ kazemo da je vektorski prostor X beskonacno-dimenzionalan. onda mora biti i x + y 2 Y (zatvorenost skupa Y s obzirom na zbrajanje vektora) b) ako su λ 2 F i x 2 Y . Kako su sva svojstva vektorskog prostora takoder naslijedena na Y . ˇ ˇ ˇ Za vektore x1 : : : xk iz vektorskog prostora X kazemo da su linearno zavisni ako postoje skalari λ1 : : : λk koji nisu svi nula. ˇ Ako je B neki podskup vektorskog prostora X .

Svaki vektor iz direktne sume onda mozemo na jednoznacan nacin prikazati ˇ ˇ ˇ kao u obliku e + f . takoder beskonacno-dimenzionalnog. Oznacavamo ga sa ˇ . Jedan od najvaznijih primjera konacno-dimenzionalnih prostora je X = R n nad ˇ ˇ ˇ poljem F = R . je proˇ stor neprekinutih funkcija na zatvorenom intervalu a b] . ˇ ˇ onda B zovemo bazom vektorskog prostora X .b) skup B razapinje cijeli X . Skup svih polinoˇ ˇ ma stupnja najvise k je vektorski prostor nad poljem realnih brojeva. i oznacavamo sa ˇ E F . jer je P = k=1 Pk . Lako se vidi da je dim Rn = n . ako njihova linearna kombinacija. ili hiperprostor. ˇ Primjer beskonacno-dimenzionalnog prostora je i skup X svih neprekinutih funkˇ ˇ ˇ´ cija f : (a b) ! R . onda je njegova dimenzija 2n .baza prostora E F . Ovdje se dopusta da bude a ili b beskonacno. lako ˇ je vidjeti da je skup funkcija f1 x x2 : : : xk g linearno nezavisan za svaki k (naime. onda mozemo definirati vektorski potprostor ˇ svih linearnih kombinacija elemenata iz B . ako je fx1 : : : xk g baza u X . jer je C = R R (Gaussova ravnina). Oznacavamo ga ˇ sa Pk . Ako gledamo vektorski prostor X = Cn nad poljem F = R . To je takoder potprostor od X . npr. npr. Ako je Y pravi potprostor od X takav da za bilo koji e 2 Y vrijedi L(Y feg) = X . tj. onda zbroj takvih prostora zovemo direktnom sumom potprostora. C(0 1) . vektorski prostor X = Cn nad poljem F = C je n -dimenzionalan. potprostor Y je kodimenzije ˇ jedan ako postoji jednodimenzionalan potprostor E u X takav da je Y E = X . tj. onda skup njihovih linearnih kombinacija su polinomi stupnja najvise k . Ako na zadanom intervalu (a b) . Ako je B bilo koji podskup od X . Ocevidno je P ˇ ˇ 1 beskonacno-dimenzionalan prostor. onda je unija tih dviju baza . a to svojstvo ˇˇ ˇ prema Gaussovu osnovnom teoremu algebre ima samo nul-polinom. Slicno. i dimenzija mu je k + l . Npr. gledamo funkcije 1 x : : : xk . L(B) = X (drugim rijecima. polinom a0 1 + a1 x + : : : + ak xk stupnja ? k . onda je potprostor L(x1 : : : xk. a < b . iscezava na intervalu (a b) . onda kazemo da je Y potprostor u X = ˇ kodimenzije jedan. Taj vazan beskonacno-dimanezionalan vektorski prostor oznacavamo sa ˇ ˇ ˇ C(a b) i zovemo prostorom neprekinutih funkcija na intervalu (a b) . vrijedi a i = 0 za sve i ). tj. fx1 : : : xk g je baza u X . Primijetite da neprekinute funkˇ ˇ cije definirane na otvorenom intervalu mogu imati singularitet na rubu intervala. onda taj polinom ima bezbroj nultocaka. onda svake dvije baze u X ˇ imaju isti broj elemenata. 1=x 2 C(0 1) . ˇ Skup svih polinoma s realnom varijablom x oznacavamo sa P . ˇ gdje je e 2 E i f 2 F . Ako je fe1 : : : ek g baza u E i ff 1 : : : f l g baza u F . onda je L(x1 : : : xk ) = X . tj. Za dva potprostora E i F od X mozemo definirati zbroj potprostora E + F kao skup svih vektora oblika e + f . Drugim rijecima. Ako je k = dim X < 1 . gdje je interval (a b) ucvrscen. Ako je vektorski prostor X konacno-dimenzionalan. gdje je e 2 E i f 2 F . za svaki x 2 X postoji ˇ konacan podskup od B cija linearna kombnacija daje x ). Ako je pritom E \ F = f0g . i skup fx1 : : : xk g linearno nezavisan.1 ) kodimenzije 1 u X. U beskonacnom slijedu neprekinutih funkcija 1 x x2 : : : xk : : : . U tom slucaju naime mozemo Cn ˇ ˇ poistovjetiti s R2n . Presjek dvaju potprostora u X je opet potprostor od X . Ocevidno je dim Pk = k + 1 . To je vektorski prostor nad poljem realnih brojeva. Drugi primjer vektorskog prostora.

1=3 2 L2 (0 1) . Lako se vidi da je C( a b]) C(a b) . S druge strane. To je prostor uniformno neprekinutih funkcija.a R 1 Z b f (x) dx a g(x) := f (x) . Slicno definiramo 2 ( a b]) . Oznacavamo ga sa L2 (a b) ˇ i zovemo Lebesgueovim prostorom kvadratno integrabilnih funkcija (kratko . za razliku od funkcija iz C(a b) . svaku funkciju f : a b] ! R mozemo poistovjetiti s ˇ odgovarajucom funkcijom f : (a b) ! R . tj. Spomenimo i primjere vektorskih prostora koji imaju konacno mnogo elemenata. a) zove se srednja vrijednost od f ) je potprostor Y od L 2 (a b) ˇ cija kodimenzija je 1 . za razliku od funkcija iz C 1 (a b) . Skup svih funkcija f 2 L2 (a b) za koje vrijedi ab f (x) dx = 0 (lijeva strana pomnozena s 1=(b . x2 j ? δ slijedi jf (x1 ) . Jos jedan vazan beskonacno-dimenzionalan prostor je prostor funkcija f : (a b) ! ˇ ˇ ˇ R R koje su kvadratno-integrabilne. ako je π = 3:14 : : : Ludolphov broj. Svaku funkciju f 2 L2 (a b) mozemo naime rastaviti na dva dijela: ˇ f (x) = e(x) + g(x) e(x) := b. tj. Skup realnih brojeva R nad poljem R (nad samim sobom) je jednodimenzionalan. isti skup R nad poljem racionalnih brojeva je beskonacnoˇ dimenzionalan. Razlog je taj sto je broj π transcendentan. tj. Npr. ˇ ˇ Poanta je u tome da su za f 2 C1 ( a b]) funkcije f i f 0 neprekinute na zatvorenom ˇ intervalu (dakle i omedene). ´ Na slican nacin moze se definirati vektorski prostor C1 (a b) svih funkcija ˇ ˇ ˇ f : (a b) ! R koje su svuda diferencijabilne i f 0 je neprekinuta. Vidjet cemo kasnije da je to doista vektorski prostor. Npr. f 0 i f 00 neprekinute (zapravo. Iz gornjih primjera dobivamo vec cijelu jednu beskonacnu skalu vektorskih pot´ ˇ prostora ulozenih u L2 (a b) (ovdje pretpostavljamo da je interval (a b) omeden): ˇ b.C( a b]) . svaki njegov konacan podskup ˇ je linearno nezavisan). pa funkcije iz C( a b]) ne mogu imati singularitet. za svaki ε > 0 postoji δ > 0 tako da za sve x1 x2 2 (a b) iz uvjeta jx1 . oznacimo li sa E potprostor svih konstantnih funkˇ ˇ ˇ cija (mozemo ga poistovjetiti sa R ). x. jer npr. ne moze ˇ ˇ se dobiti kao nultocka nekog netrivijalnog polinoma (tj. dovoljno je zahtijevati samo neprekinutost od f 00 ). Analogno i skup C2 (a b) svih funkcija y = f (x) za koje su f . f (x2 )j ? ε Neprekinuta funkcija defirana na zatvorenom intervalu je uvijek omedena. ˇ . ali ˇ nije u L2 (0 1) .a 1 Z b f (x) a f0g P1 P2 ::: Pk : : : C2 ( a b]) C1 ( a b]) C( a b]) L2 (a b): Primijetite da prostor C(0 1) nije sadrzan u L2 (0 1) . P(x) 6 0 ) s racionalnim ˇ koeficijentima. onda je L2 (a b) = E Y . 1=x jest u C(0 1) . tj. tj. onda se pokazuje da je ˇ beskonacan skup 1 π π 2 : : : linearno nezavisan (tj. Doista. i pritom je e 2 E i g 2 Y . kao vektorski prostor funkcija cije prve i druge derivacije se mogu prosiriti C ˇ ˇ s intervala (a b) do neprekinute funkcije (dakle i omedene) na zatvoren interval a b] . Slicno definiramo i prostor C1 ( a b]) kao skup svih funkcija f 2 C 1 (a b) takvih ˇ da se derivacija f 0 : (a b) ! R moze prosiriti do neprekinute funkcije f 0 : a b] ! R .L2 ´ prostor). iz f g 2 L2 (a b) slijedi da je i f + g 2 L2 (a b) . ab jf (x)j2 dx < 1 .

Za vektor x kazemo da je okomit na podskup M od X ako je ˇ (xjm) = 0 za sve m 2 M . i zove se norma vektora x . Cesto se skalarni produkt oznacava i sa hx yi . ˇ d) (x + yjz) = (xjz) + (yjz) (linearnost). gdje je p prost ´ broj. a (xjy) = (yjx) u kompleksnom (simetricnost). Opcenitije. Njegova ˇ dimenzija jednaka je 2 . Zbroj bilo koja dva vektora je nul-vektor. Unitarni vektorski prostori Vektorski prostor na kojem je definiran tzv. skalarni produkt omogucava da se ´ geometrija prostora obogati pojmom okomitosti dvaju vektora. vektorski prostor X = Zp : : : Zp ( k puta). ˇ´ Neka je X realan (ili kompleksan) vektorski prostor. DOKAZ . Pretpostavimo da je X realan vektorski prostor (u kompleksnom slucaju je ˇ dokaz slican).3. Skalarnim produktom na X zovemo funkciju ( j ) : X X ! R (ili C ) za koju vrijedi: a) (xjx) > 0 za sve x 2 X . duljinom vektora i udaljenoscu medu vektorima. ako je (xjy) = 0 . U unitarnom prostoru X vrijedi nejednakost Cauchy-SchwarzBuniakowskog (nejednakost CSB): j(xjy)j ? kxk kyk: Takoder. c) (xjy) = (yjx) u realnom vektorskom prostoru. i pisemo x ? y . yk: Propozicija. vrijedi nejednakost trokuta: kx + yk ? kxk + kyk . On ima tri netrivijalna potprostora. elemenata. Ako je M potprostor kodimenzije 1 u unitarnom prostoru X . Broj p kxk := (xjx) > 0 je zbog svojstva pozitivnosti dobro definiran za sve x 2 X . S normom je na prirodan nacin definirana i ˇ udaljenost d(x y) izmedu x i y : d(x y) := kx . X = Z2 Z2 nad poljem F = Z2 . To su tri pravca kroz ishodiste. je k -dimenzionalni vektorski prostor nad poljem Zp .Takav je npr. koji ima cetiri elementa. onda je potprostor M ? jednodimenzionalan. ˇ ˇ ˇ Za vektore x i y kazemo da su okomiti u unitarnom prostoru X . Jasno je da vrijedi kλ xk = jgj kxk . Vektorski prostor X snabdjeven skalarnim produktom zovemo unitarnim prosˇ torom. On ima konacno mnogo ˇ k. a svaki pravac sastoji se od samo dva ˇ elementa. Funkcija f (t) = (x + tyjx + ty) je > 0 i kvadratna u varijabli t 2 R : ˇ f (t) = kxk2 + 2t(xjy) + t2 kyk2 >0 : . Skup svih vektora x koji su okomiti na podskup M cini ˇ ˇ vektorski potprostor koji se zove ortogonalni komplement skupa M . (xjx) = 0 onda i samo onda ako je x = 0 (pozitivnost). b) (λ xjx) = λ (xjx) (homogenost). i oznacava sa M ? . ukupno p 1.

Nejednakost CSB u ovom slucaju ˇ glasi: jx1y1 + ::: + xn yn j? q x2 + : : : + x2 n 1 q y2 + : : : + y2 n 1 gdje su xi i yi bilo koji realni brojevi. onda je zbog nejednakosti trokuta i f + g kvadratno integrabilna ( kf + gkL2 ? kf kL2 + kgkL2 ). To je jednostavno realni (ili kompleksni) vektorski prostor X na kojem je definirana norma. a standardZa vektorski prostor X = R ni skalarni produkt sa (xjy) := x1 y1 + : : : + xn yn . c) kx + yk ? kxk + kyk (nejednakost trokuta). 4ac = 4(xjy)2 . b) kλ xk = jλ j kxk (homogenost). n elemente definiramo kao vektore stupce. U vektorskom prostoru kvadratno integrabilnih funkcija L2 (a b) definiramo skalarni umnozak funkcija f g 2 L2 (a b) sa ˇ (f jg) := ? Z b f (x)g(x) dx: a Nejednakost CSB u ovom slucaju glasi: ˇ Z b sZ a b sZ f (x)2 dx a b f (x)g(x) dx a g(x)2 dx: Ako su f i g kvadratno integrabilne. i vodi do pojma Fourierovog reda. Za vektore e1 : : : en u prostoru X = Rn kazemo da cine ortogonalnu bazu ako ˇ ˇ su svi medusobno okomiti i = 0 .4. funkcija k k : X ! R takva da za sve x y 2 X i λ 2 R (ili λ 2 C ) vrijedi: a) kxk > 0 za sve x 2 X . tj. . (kxk + kyk)2 . 4kxj2 kyk2 > 0 . 1. pa je L2 (a b) doista vektorski prostor. Normirani vektorski prostori Prirodno je uvesti i pojam normiranog prostora. Rabi se ponajvise u Lebesgueˇ ˇ ovom prostoru kvadratno integrabilnih funkcija. odakle odmah slijedi nejednakost BSC. onda kazemo ˇ ´ ˇ da cine ortonormiranu bazu u Rn . Za svaki vektor x 2 Rn vrijedi 6 x= (x e1 ) (x en ) e1 + : : : en : e1 2 en 2 j k k j k k Ako su vektori e1 : : : en ortogonalni i jedinicni (krace. jer je kx + yk2 = (x + yjx + y) = kxk2 + 2(xjy) + kyk2 ? kxk2 + 2kxk kyk + kyk2 ? Q.D.E. Vidimo da je ˇ x = (xje1 )e1 + : : : + (xjen )en : Isto vrijedi i u prostoru X = Cn Pojam ortonormirane baze u beskonacno-dimenzionalnom ˇ slucaju je suptilniji.Prema tome je diskriminanta nenegativna: D = b2 . kxk = 0 onda i samo onda ako je x = 0 (pozitivnost). ortonormirani). Odavde odmah dobivamo i nejednakost trokuta.

Drugi vektorski prostor Rn s normom kxk1 := maxfjx1 j : : : jxn jg postaje takoder normiran prostor. U normiranom prostoru X skup svih x takvih da je kxk < r zovemo otvorenom kuglom polumjera r > 0 . ne postoji nikakav skalarni produkt na Rn cija bi pripadna norma bila kxk1 . U normiranom prostoru moze se uvesti pojam ˇ udaljenosti. Definiramo ˇ a jf ( x ) j kf kp := Z b a jf (x)j dx p 1=p : . nije tesko vidjeti da ´ ˇ ˇ za svaki x 2 Rn vrijedi kxk1 = limp!1 kxkp . 1 ? p < 1 . Moze pokazati da su svake dvije norme na vektorskom prostoru R n ˇ medusobno ekvivalentne (pa i na svakom konacno-dimenzionalnom). ˇ Skup svih x takvih da je kx . ˇ ˇ Normirani vektorski prostor Lp (a b) (Lebesgueov Lp -prostor). normiˇ 6 rani prostor nije samo skup X . 1 ? p < 1 . i oznacavamo sa Br (0) . ak ? r . i oznacava sa Sr (a) . puni kvadrat bez ruba) je otvoren skup u R 2 s obzirom na metriku k k2 . Unitarni vektorski prostor Rn (sa skalarnim proq gdje je p zadani broj. definira se kao skup svih x za koje vrijedi kx . Opisimo neke ˇ ˇ od najvaznijih norma na Rn . Sva ova tri (razlicita!) normirana proˇ stora su specijalni slucaj cijele jedne skale normiranih prostora Rn s tzv. nutrina kvadrata (tj. sto omogucava uvodenje vaznog pojam konverˇ ´ ˇ gencije slijeda. ak = r zove se sfera oko a polumjera r . kao skup svih x za ˇ ˇ koje je kx . Opcenitije. tj. On nije unitaran. sadrzi sve funkcije f : (a b) ! R koje su p -integrabilne. Na slican nacin uvodimo i zatvorenu kuglu Br (a) . ˇ duktom (xjy) = x> y ) ima pripadnu normu kxk2 = x2 + : : : + jxn j2 koja se 1 zove euklidska norma na Rn . gdje je p zadan broj. s norˇ ˇ mom k k2 jedinicna kruznica S1 (0) je okrugla. Nije tesko vidjeti da ekvivalentne norme definiraju ˇ iste otvorene skupove na X . Inace. iako su kao skupovi isti. tj.Svaki unitarni prostor je normiran prostor. Za dvije norme k k1 i k k2 na istom vektorskom prostoru X kazemo da su ˇ medusobno ekvivalentne ako postoje konstante C1 C2 > 0 tako da za sve x 2 X vrijedi C1 kxk1 ? kxk2 ? C2 kx2 k . svaki prostor iz proslog odjeljka ˇ je normiran prostor. Ponovimo. ak < r . Vektorski prostor ˇ Rn s normom kxk1 := jx1 j : : : + jxn j takoder. nego i pripadajuca norma. Npr. ˇ Za neki podskup A normiranog prostora (X k k) kazemo da je otvoren skup ako se moze dobiti kao unija koliko god otvorenih kugala. Npr. Nize cemo vidjeti neke normirane prostore za koje ne postoji ˇ ´ skalarni produkt koji bi ih generirao. kugla Br (a) . dok s normom k k1 ili k k1 ˇ ˇ jedinicna kruznica S1 (0) ima oblik kvadrata. p -normom ˇ definiranom sa kxkp := (jx1jp + : : : + jxnjp )1=p Pogledajmo neke primjere. Oblik jedinicne kruznice S1 (0) u R2 jako ovisi o odabranoj normi. Normirane prostore ( Rn k kp ) i ( Rn k kq ) smatramo razlicitim prostorima za p = q . tj. ˇ ´ gdje je r > 0 i a zadani element u X . Primijetite da pojamo otvorenog ˇ skupa ovisi i o odabranoj normi. kugle i otvorenog skupa. Jasno je da je Br (a) = Br (a) Sr (a) . broj ˇ Rb p dx je konacan.

ˇ ˇ o Teorem. onih za koje R je broj Ω jf (x)j2 dx konacan. ::: ::: ::: : i vrijedi jf (x)g(x)j dx ? a ili krace. Nije tesko vidjeti ˇ da pritom postoje funkcije f 2 Lq koje nisu u Lp . koja se u oba slucaja zove nejednakost Minkowskog. 1) . xk ! 0 kad k ! 1 . za slijed xk kazemo da je Cauchyjev ako za svaki ε > 0 postoji n = n(ε ) takav da za sve k l > n vrijedi kxk . Slikovito receno.Ako je interval (a b) omeden i p < q . tj. je skup svih kvadratno integrabilnih funkcija f : Ω ! R . onda je Lq (a b) Lp (a b) . koji je unitaran. u tom slucaju ne postoji nikakav 6 ˇ skalarni produkt na Lp koji bi generirao pripadnu normu. I za te prostore vrijedi analogna H¨ lderova nejednakost kao za prostore L p (a b) . yk izmedu x i y . potpun normiran prostor je prostor “bez supljina”. ´ Z b Z a b jf (x)jp dx 1=p Z a b jg(x)jq dx 1=q Pokazuje se da iz H¨ ldereve nejednakosti slijedi odgovarajuca nejednakost troo ´ kuta kx + ykp ? kxkp + kykp . onda kazemo da je vektorski prostor ˇ X potpun. i kf + gkp ? kf kp + kgkp . ˇ Sve gore spomenute primjere prostora funkcija s jednom varijablom mozemo ˇ definirati i za funkcije vise varijabla. Spomenimo bez dokaza zanimljivu i vaznu generalizaciju nejednakosti CSB. xl k ? ε . Npr. ˇ . Ako svaki Cauchyjev slijed u X konvergira. kf gk1 ? kf kp kgkq . gust ˇ ˇ u sebi. Pripadna norma je kf k2 = (f jf ) = ( Ω jf (x)j2 dx)1=2 . tj. ako ˇ ˇ kxk . To onda omogucava da definiramo i konvergenciju u X : za slijed xk vektora iz X kazemo da konvergira k x . prostori se razlikuju kao skupovi. Potpun normiran prostor zove se jos i Banachov prostor. s normom kf kp = ( Ω jf (x)jp )1=p . kao skup svih ´ R R funkcija f : Ω ! R takvih da je Ω jf (x)jp < 1 . L2 (Ω) . Za p = 2 dobivamo poznati prostor kvadratno integrabilnih funkcija L2 (a b) . za sve x 2 Rn . neovisno o izboru norme. o Za odabrana dva elementa x i y u normiranom prostoru X definirana je uda´ ljenost kx . za ˇ slucaj prostora X = Rn i slucaj Lp -prostora. i pisemo lim xk = x . ´ b) Neka su zadane funkcije f 2 Lp (a b) i g 2 Lq (a b) . svaki konvergentan slijed u normiranom prostoru Cauchyjev. tj. Potpun unitaran prostor ˇ (znamo da je on i normiran) zove se Hilbertov prostor. Moguce je definirati i normirani vektorski prostor Lp (Ω) . j(xjy)j ? kxkp kykq . a) Za sve xi yi 2 R vrijedi: jx1y1 + + xn ynj ? (jx1 jp + + jxn jp)1=p (jy1 jq + + jyn jq)1=q ili krace. gdje je Ω zadani otvoren skup ˇ u Rn . ˇ Isto tako. 1 ? p < 1 . (H¨ lderova nejednakost) Neka je 1 < p < 1 i definirajmo konjugirani eksponent od p kao broj q = p=(p . definiramo sa ˇ p R R (f jg) := Ω f (x)g(x) dx . 1=p + 1=q = 1 . Prostori Lp (a b) za p = 2 nisu unitarni. za sve f g 2 Lp (a b) . Svaki konacno-dimenzionalan je Banachov. Skalarni produkt na prostoru L2 (Ω) . tj. Onda je f g 2 L1 (a b) . Ovo svojstvo pisemo krace ˇ ´ u obliku kxk . tj. xl k ! 0 kad k l ! 1 . Lako se provjeri da je npr.

.1=3 2 C( 0 1]) . ako je A tipa m n . tj. Za ˇ ulancane matrice definiramo umnozak AB kao matricu C tipa m p . Npr. m n 2 N . onda je B tipa n p . Kako x. s pripadnom normom k kp ) nije potpun. tj. Za red x=1 kazemo da konvergira ako konvergira slijed njegovih parcijalnih suma sk = x1 + P: + xk k nekom s 2 X . Za matricu A ˇ onda mozemo definirati njene potencije kao A2 := AA . f 0 k ? ε . tj.1 U normiranom prostoru mozemo uvesti i pojam reda k=1 xk odredenog slijeP1 ˇ ˇ dom (xk ) u X . reda n . ˇ ˇ Medu njima je samo L2 (a b) unitaran prostor. = nije potpun (i dakle nije Hilbertov prostor). on je gust u Lp (a b) . Vektorski potprostor C( a b]) kao potprostor normiranog prostora Lp (a b) (tj. Element aij nalazi se u i -tom retku i ˇ j -tom stupcu matrice A . induktivno ˇ Ak+1 := Ak A . ks . slozenih u m redaka i n stupaca. je pravokutna tablica od m n brojeva iz polja F . sk k ! 0 kad k ! 1 . Pokazuje se da je on jednak slicno definiranom stupcanom rangu. to pokazuje da prostor C( 0 1]) nije gust u sebi s L2 -normom. Drugim rijecima.1=3 2 L2 (0 1) postoji slijed uniformno neprekinutih funkcija (funkcija iz C( a b]) ) koje k njoj konvergiraju u L2 -normi. Skup svih matrica tipa m n cini ˇ vektorski prostor Mm n dimenzije mn . za svaki f 2 Lp (a b) i bilo koji ε > 0 postoji uniformno neprekinuta funkcija f 0 2 C( a b]) takva da je kf . :: 1 U tom slucaju pisemo da je k=1 xk = s . koja na svakom mjestu (i j) ima element λ aij . ako je broj stupaca prve jednak ˇ ˇ broju redaka druge. ˇ ˇ P Vazni beskonacno-dimenzionalni Banachovi prostori su Lp (a b) . Za zadani skalara λ 2 F i matricu A definiramo matricu λ A istog tipa kao A . onda kazemo da je kvadratna. tj. moze se pokazati da prostor C( a b]) s 1 -normom. A3 := A2 A itd. Ipak.. kf k1 = ˇ maxfjf (x)j : x 2 a b]g jest potpun. Vrijedi (AB)> = B> A> . tj. Za dvije matrice A i B kazemo da su ulancane. Matrice Matrica A = (aij ) tipa m n . 1. Dvije matrice A i B istoga tipa zbrajamo tako da zbrojim ´ odgovarajuce elemente jedne i druge. Maksimalan moguci broj linearno nezavisnih redaka matrice A zove se redcani ´ ˇ rang matrice. tj. tj. dakle i Hilbertov prostor. Banachov je prostor. za funkciju x. S druge strane. stupce od A ispisujemo kao retke u ˇ A> ). ciji elementi su ˇ ˇ ˇ odredeni sa cij = n X k =1 aik bkj : Transponirana matrica A> matrice A tipa m n je matrica tipa n m u kojoj retke od A ispisujemo kao stupce (ili sto je isto. pa ˇ ˇ onda govorimo sasvim kratko o rangu matrice A .5. 1 ? p < 1 . Ako je matrica A tipa n n . A + B ce na mjestu (i j) imati element ´ aij + bij .

Takoder σ (3 2 1) = 3 . Umnozak AB regularnih matrica ˇ ˇ A i B je opet regularna matrica. ˇ ´ dok je σ (1 2 3) = 0 . ˇ Svakoj kvadratnoj matrici A pridruzujemo skalar jAj (ili det A ) iz polja F koji se zove determinanta od A . obrat) u permutaciji j1 : : : jn je bilo koji dvojac (jk jl ) kod kojeg je k < l ali jk > jl . Ako u matrici imamo dva proˇ porcionalna retka. 1 koja iz A nastaje brisanjem njegova ˇ i -tog retka i j -tog stupca.n ˇ inverzija imamo u permutaciji n : : : 2 1 .1) σ (j)a1j1 : : : anjn gdje je ˇ j = j1 : : : jn bilo koja permutacija poredanog n -terca 1 2 : : : n (ima ih ukupno n! ). jABj = jAj jBj : Za kvadratnu matricu A kazemo da je invertibilna ili regularna ako postoji maˇ trica A.1 (ako postoji) odredena je jednoznacno s A i zove se inverzna matrica od A . Ako je A reda 1 . Ako je A reda n . determinanta se ne mijenja.1)i+j Mij . pa je σ (3 1 2) = 2 .1 A = I . onda kazemo da je singularna. a inace nula. Broj Mij zove se minora od A .1 takva da je A A. i vrijedi (AB). Ako svi elementi nekog retka matrice imaju zajednicki faktor. a Mij se dobiva racunanjem determinante reda n . determinanta je jednaka nuli. Ako matrica nije regularna.Kvadratnu matricu I = (δij ) reda n .1 = B. gdje je δii = 1 . Inverzija (tj. Npr. onda ga mozemo izluciti ispred determinante. Medu svim permutacijama brojeva 1 2 : : : n najveci broj . zovemo ˇ jedinicnom matricom. Ima ih ukupno 2 . a σ (j) je broj inverzija u permutaciji j . Ista svojstva ˇ ˇ ˇ vrijede i za stupce. onda vrijedi vazan Binet – ˇ Cauchyjev teorem: det AB = det A det B tj. Ako nekom retku matrice dodamo neki drugi redak pomnozen s konstantom.1 = A. onda jAj definiramo kao zbroj svih umnozaka oblika (. koliko ima dvoclanih podskupova u toj permutaciji. Matrica A.1 . definiramo jAj = a11 . ˇ Pokazuje se da za svaku kvadratnu matricu A vrijedi da je ˜ A A> = det A I . Determinanta od A moze se izracunati Laplaceovim razvojem po bilo kojem ˇ ˇ ( i -tom) retku: det A = ili bilo kojem ( j -tom) stupcu od A : det A = n X i=1 n X j=1 aij Aij aij Aij Pritom je Aij algebarski komplement od A . permutacija 3 1 2 ima tocno dvije inverzije: (3 1) i (3 2) . Broj δij zove se Kroneckerov simbol.1 A. Ako su A i B dvije kvadratne matrice istog reda. Zamjenom redaka determinanta samo mijenja predznak. Determinanta se ne mijenja transponiranjem matrice. Za svaku kvadratnu ˇ matricu reda n vrijedi AI = IA = A . koji se definira kao Aij = (.

ˇ 6 Posebno. tj. ˇ Pretpostavimo da je A matrica tipa m n . Neka taj isti vektor u nekoj drugoj bazi fe01 : : : e0n g ima koordinate x0 = (x01 : : : x0n)> . ˇ 6 ˇ Matrica A je dijagonalna ako je aij = 0 za sve i = j . . Za kvadratnu matricu A kazemo da je gornja trokutasta ako je aij = 0 za i > j . a Iij matrica koja iz I nastaje zamjenom i -tog i j -tog retka. f) stupci od A su linearno zavisni. gdje je x matrica. Za gornju trokutastu matricu vrijedi det A = a11 : : : ann . a) b) c) d) e) f) Za kvadratne matrice mozemo definirati i pojam polinoma cija varijabla ce biti ˇ ˇ ´ k . neka je zadan polinom P(x) = a0 + a1 x + : : : + ak x formalna varijabla. Neka x ima u bazi fe1 : : : en g koordinate x = (x1 : : : xn)> . onda je AIij jednaka matrici koja iz A nastaje zamjenom i -tog i j -tog stupca. b) det A = 0 . det A = 0 . 1 ˜> A det A Sljedeca svojstva kvadratne matrice A reda n su medusobno ekvivalentna: ´ matrica A je invertibilna. iz Ax = 0 (gdje je x 2 Rn ) slijedi x = 0 . stupci od T dobivaju se kao komponente vektora druge baze f 1 : : : f n u rastavu po prˇ voj bazi. c) r(A) < n . Neka je I jedinicna matrica reda m . Polinom P(A) od gornje trokutaste (dijagonalne) matrice A = (aij ) je opet gornja trokutasta (dijagonalna) matrica koja na dijagonali ima skalare P(a11 ) : : : P(ann ) . 6 r (A ) = n . Doista. a ai iz polja F . d) postoji x = 0 tako da je Ax = 0 (tj. gdje jen T = (tij) P matrica prijelaza iz prve baze u drugu. . Primijetite da u jednicnoj matrici ˇ I zamjena i -tog i j -tog stupca daje isti rezultat kao i zamjena i -tog i j -tog stupca. Onda je x = T x0 . onda je A.1 = (det A) 1 . Ako je I matrica reda n i Iij matrica koja iz I nastaje zamjenom i -tog i j -tog stupca. Ako je A kvadratna matrica s elementima iz polja F . svi redci od A su linearno nezavisni. 6 ˇ ˇ e) redci od A su linearno zavisni.1 = i vrijedi det A. Neka je X vektorski prostor x odabrani element u X . To je isto sto i reci da su sljedeca svojstva medusobno ekvivalentna: ˇ ´ ´ a) matrica A nema inverz.˜ gdje je A = (Aij ) . Ona se dobiva preko rastava f j = i=1 tij ei . Matricu prijalaza mozemo stoga uvjetno pisati i pamtiti kao T = f 1 : : : f n ] . Onda je Iij A jednaka matrici koja iz A nastaje zamjenom i -tog i j -tog retka. jednadzba Ax = 0 ima netrivijalno rjesenje). jednadzba Ax = 0 posjeduje netrivijalno rjesenje x = 0 onda i samo ˇ onda ako je det A = 0 . Ako je A regularna. onda definiramo polinom od matrice kao matricu P(A) = a0 I + a1 A + : : : ak Ak . svi stupci od A su linearno nezavisni. Umnozak dviju gornjih trokutastih matrica A i B je opet gornja trokutasta matrica s elementima aii bii na dijagonali.

nakon sto odaberemo par baza u X i Y . To je potprostor od Y koji oznacavamo sa R(A) . za svaki linearni operator A : X ! Y je d + r = dim X . ˇ ˇ a) Nul-potprostor od A je skup svih x 2 X za koje je Ax = 0 . Obratno. Na taj nacin. tj. pa mozemo uvjetno pisati ˇ ˇ A = Ae1 : : : Aen ] radi lakseg pamcenja). Matrica A zove se matrica operatora ˇ ´ A u paru baza (ei ) i (f i ) (ako operator A djeluje medu istim prostorima. Odaberimo bazu fe1 : : : en g u X i bazu ff 1 : : : f m g u Y . gdje ˇ ˇ Linearni operator A : X ! Y jednoznacno je odreden svojim vrijednostima samo na bazi e1 : : : en u X . Linearnim operatorom iz X u Y zovemo preslikavanje A : X ! Y koje ispunjava uvjet linearnosti: A(λ1 x1 + λ2 x2 ) = λ1 A(x1 ) + λ2 A(x2 ) za sve λi 2 F i xi 2 X . . neka je zadana bilo koja matrica A = (aij ) tipa m n . Doista. Dimenzija tog potprostora ˇ zove se defekt linearnog operatora A i oznacava se sa d ili d(A) . Svakom linearnom operatoru ˇ ˇ A : X ! Y pridruzujemo dva vazna vektorska potprostora. Oznacava se sa N (A) ili ker A (kernel = jezgra). ˇ b) Slika od A je skup svih mogucih vrijednosti Ax 2 Y . ˇ 1. Neka je y = Ax i y pripadni vektor stupac u Rm dobivne rastavom od y u bazi ff 1 : : : f m g u Y . Neka x bilo koji vektor u X i x pripadni vektor stupac u Rn dobiven nakon rastava vektora x u bazi fe1 : : : en g u X . definira matricu A = (aij ) tipa m n i= (koeficijente vektora A(ej ) slazemo u j -ti stupac matrice. Vrlo cesto se vrijednost A(x) oznacava samo sa Ax . ˇ ˇ ´ ˇ Sto je nul-potprostor od A veci. sto je ocevidno (lijeva strana odgovara dvostrukoj zamjeni i -tog i ˇ ˇ j -tog retka u jedinicnoj matrici I ). Vektorski prostor Rn (ili Cn ) gledamo kao skup vektora stupaca s n realnih (kompleksnih) komponenata.2 Vrijedi Iij = I . gdje je x bilo koji element ´ ˇ iz X . To je potprostor od X . linearni operator A : X ! Y mozemo ˇ ˇ ˇ poistovjetiti s matricom A .6. s realnim (ili kompleksnim) koeficijentima. onda uzimamo istu bazu u polaznom i dolaznom prostoru). b) A(λ x) = λ A(x) (homogenost). i slicno Rm ( Cm ). imamo A : X ! X . Tocnije. To je isto sto i zahtijevati da A ispunjava sljedeca dva uvjeta: ˇ ´ a) A(x + y) = A(x) + A(y) (aditivnost). ˇ Neka je A : X ! Y linearni operator i pretpostavimo da su X i Y konacnodimenzionalni vektorski prostori nad istim poljem R (diskusija vrijedi i za bilo koje drugo polje). slika od A je manja. Linearni operatori Neka su X i Y dva vektorska prostora nad istim poljem F . Definiramo lineˇ arni operator A : Rn ! Rm generiran matricom A na ovaj nacin: A(x) = A x . j = 1 : : : n . Onda vrijedi y = Ax . i oznacava se sa r ili r(A) . njegova dimenzija zove se rang linearnog operatora. za bilo koji x = x1 e1 + : : : + xn en 2 X je zbog linearnosti od A onda A(x) = x1 A(e1 ) + : : : + xn A(en ) . OnP da rastav Aej = m 1 aij f i .

tj. Kako je f polinom stupnja najvise n u varijabli x . onda je funkcija A : X ! F n . Doista. gdje su 1 : : : an stupci matrice A . ako uzmemo bilo koju bazu fe1 : : : en g u X . Kompozicija linearnih operatora A : X ! Y i B : Y ! Z je opet linearni operator. kazemo da su izomorfni. n 0 3 7 7 5 : Matrica je reda n + 1 . stupnja ˇ 2 6 A=6 4 0 1 0 2 . Kvadratne matrice A cija neka potencija je jednaka nul-matrici zovu se nilpotentne matrice. doista u Rm . a svi ˇ ostali elementi su nula. A(x1 e1 + : : : + xn en ) = (x1 : : : xn )> . pridruzuje poredani (n + 1) -terac koeficijenata ˇ (a0 a1 : : : an ) 2 Rn+1 . Onda je C = BA . Linearni operator A je surjektivan onda i samo onda ako je r = m (onda je nuzno i m ? n .. jer r(A) ? minfm ng ). tj. i o slici matrice R(A) = fAx 2 Rn : x 2 Rn g . Na taj nacin mozemo ˇ ˇ ˇ govoriti o nul-potprostoru matrice kao o skupu N (A) = fx 2 Rn : Ax = 0 2 Rn g . d = 0 .. na njima moze uvesti pojam konvergencije. Matrica operatora A u paru kanonskih baza u R m i Rn je upravo pocetna matrica A . Ako za vektorske prostore X i Y postoji izomorfizam medu njima. te A ´ matrica operatora A i B matrice operatora B . injekcija i surjekcija). matrica operatora deriviranja u (kanonskoj) bazi 1 x : : : xn prostora Pn je Oznacimo s Pn vektorski prostor svih polinoma u realnoj varijabli x . Teorem. izomorfizam. Drugim rijecima. dakle i svaki polinom f 2 Pn . a Rang linearnog operatora A : X ! Y jednak je rangu pripadne matrice A operatora A u bilo kojem paru baza u X i Y . Definirajmo linearni operator A : Pn ! Pn kao operator deriviranja. Rezultat A x je vektor stupac tipa m 1 . Vektorski ˇ prostor Pn izomorfan je s Rn+1 . Linearni ˇ operator A je injektivan onda i samo onda ako je bez defekta. Neka je u svakom od vektorskih prostora X . ´ Svaki vektorski prostor X nad poljem F dimenzije n je izomorfan s F n . Neka je C matrica operatora B A : X ! Z u odgovarajucem paru baza.1 . onda ˇ n + 1 -va derivacija ponistava xn . n + 1 -va potencija matrice A jednaka je nul-matrici. Y i Z zadana po jedna baza. kao sto smo vidjeli. Za linearni operator A : X ! Y kazemo da je izomorfizam vektorskih prostora ˇ X i Y ako je bijekcija (tj. f (x) = a0 + a1 x + : : : + an xn . na sporednoj 1 2 : : : n . ˇ ˇ An+1 je nul-operator. jer izomorfizam ostvaruje funkcija koja polinomu f 2 Pn . Izomorfne vektorske ˇ prostore X i Y poistovjecujemo. na glavnoj dijagonali su nule. Kako je (xk )0 = kxk. ˇ Ako su zadani normirani vektorski prostori X i Y onda se. To omogucava da definiramo i pojam ˇ ´ neprekinute funkcije medu normiranim prostorima.je matricno mnozenje (ovdje je to mnozenje matrice tipa m n i vektora stupca tipa ˇ ˇ ˇ n 1 ). tj. Af = f 0 za svaki polinom f 2 Pn . Zbog An+1 = 0 iz prethodnog teorema zakljucujemo da je i n+1 = 0 . ili krace: ˇ ˇ ´ . tj. ? n . Za neku funkciju F : X ! Y kazemo da je neprekinuta u tocki x 2 X ako iz xk ! x slijedi F (xk ) ! F (x) . Vrijednost Ax jednaka je linearnoj kombinaciji x1 a1 + : : : + xn an 2 Rm .

Pritom je neprekinutost operatora A ekvivalentna s uvjetom kAk < 1 . Vrijedi kABxk ? kAk kBxk ? kAk kBk kxk . svi su oblika f a : Rn ! R . ˇ tj. gdje je f a (x) = (xja) . Npr. ako je kAk = 0 onda je kAxk = 0 za sve x . Doista. b) kλ Ak = supx6=0 kλ Axk=kxk = supx6=0 jλ j kAxk=kxk = jλ j supx6=0 kAxk=kxk = jλ j kAk (homogenost). bounded). a mnozenje sa skalarom λ A sa (λ A)(x) = λ Ax . Normu od A mozemo opisati na ekvivalentan nacin s ova dva zahtjeva: ˇ ˇ 1. vrijedi kA k k ? kAkk za svaki prirodan broj k . Za zadane konacno-dimenzionalne vektorske prostore X i Y skup svih linearnih ˇ operatora A : X ! Y oznacavamo sa L(X Y ) . Taj skup je vektorski prostor. jer L(Rn Rm) mozemo poistovjetiti s vektorskim prostorom matrica tipa m n . Za operatorsku normu vrijedi i jos jedno vrlo vazno svojstvo: ˇ ˇ d) ako su A B 2 L(X ) . Ako su X i Y konacno-dimenzionalni prostori. onda je kABk ? kAk kBk . ´ Ako su X i Y normirani vektorski prostori. c) k(A + B)xk = kAx + Bxk ? kAxk + kBxk ? (kAk + kBk)kxk . ˇ Neprekinuti linearni operatori iz X u K zovu se linearni funkcionali. Dokaz je lagan. dakle zbog svojstva minimalnosti je onda kA + Bk ? kAk + kBk (nejednakost trokuta). i to bijektivan. i oznacava sa X 0 . . Posebno. kAk ima svojstvo minimalnosti: kAk je najmanji broj M > 0 za koji vrijedi kAxk ? Mkxk za sve x . Svaki linearni operator definiran medu konacno-dimenzionalnim vektorskim prostorima X i ˇ Y je neprekinut. To su zapravo i jedini funkcionali na Rn . ako ˇ ˇ zbrajanje operatora A i B : X ! Y definiramo sa (A + B)(x) = Ax + Bx . S tom normom vektorski prostor L(X Y ) postaje normiran prostor. ˇ ˇ operatorska norma kAk = supx6=0 kAxk=kxk . Vrlo lako je vidjeti da je pridruzivanje f 7! a ˇ linearni operator iz (Rn )0 u Rn . dakle zbog svojstva minimalnosti broja kABk je onda kABk ? kAk kBk . a 2 Rn (Rieszov teorem o reprezentaciji linearnog funkcionala). ˇ ´ ˇ ˇ ˇ Neka je X konacno-dimenzionalni vektorski prostor nad poljem K = R ili C . dakle A = 0 (pozitivnost). tj. ˇ lako se vidi da je dim L(X Y ) = dim X dim Y . funkcional f : Rn ! R zadan sa f (x) = a1 x1 + : : : an xn . pa kazemo jos da je A omeden lineaaran operator ˇ ˇ (engl. O toj vaznoj normi bit ce vise rijeci u odjeljku o matricnim normama. pa se dualni prostor (Rn )0 moze poiˇ stovjetiti s Rn . Vektorski prostor L(X K ) svih neprekinutih linearnih funkcionala iz X u K zove se dualni prostor od X . dim L(Rn Rm ) = mn . kAxk ? kAk kxk 2. sa ˇ Mmn . Npr. Ako je F = A : X ! Y linearni operator.limk!1 F (xk ) = F (x) . ˇ je linearan funkcional. onda je zbog linearnosti neprekinutost linearnog operatora dovoljno provjeriti samo za x = 0 . sadrzan u (Rn )0 . tj. a) kAk > 0 je jasno. onda se i u vektorski prostor L(X Y ) svih neprekinutih linearnih operatora iz X u Y moze na prirodan nacin uvesti tzv. Vektorski prostor L(X X ) svih linearnih operatora iz X u samog sebe oznacaˇ vamo krace sa L(X ) .

1. za 2 3 3 1 0 A = 4 0 3 0 5: 0 0 1 . tj. zovemo svojstvenim potprostorom matrice A koji pripada svojstvenoj vrijednosti λ . dakle isti spektar. gdje je λ 2 σ (A) . Skup svih svojstvenih vrijednosti od A zovemo spektrom matrice A i oznacavamo sa σ (A) . i obratno. r(A) = maxfjλ j : k(λ ) = 0g . Ako je dim X < 1 . Slicne matrice imaju ˇ ˇ ˇ isti karakteristicni polinom. Taj vektor zove se svojstveni vektor matrice A koji pripada svojstvenoj vrijednosti λ .7. Za kompleksni broj λ kazemo da je svojstvena vrijednost matrice ako postoji vektor x = 0 takav ˇ 6 da je Ax = λ x . A) . kazemo da je λ 2 C svojstvena vrijednost od A ˇ ˇ ˇ ako postoji x = 0 (svojstveni vektor) takav da je Ax = λ x . Npr. A)x = 0 ima netrivijalno ˇ ˇ rjesenje x = 0 . Za zadanu ˇ svojstvenu vrijednost λ od A je njena geometrijska kratnost manja ili jednaka od algebarske kratnosti. ˇ ˇ Njena kratnost (kao nultocke polinoma) zove se algebarska kratnost. Polinom k(λ ) = det(λ I . Svojstvena vrijednost λ matrice A je nultocka karakteristicnog polinoma k(λ ) . 6 onda se mozemo definirati i karakteristicni polinom linearnog operatora A tako da ˇ ˇ gledamo najprije matricu A tog operatora u bilo kojoj odabranoj bazi od X . Karakteristicni polinom linearnog ˇ ˇ operatora A ne ovisi o izboru baze u X . Algebarska i geometrijska kratnost svojstvene vrijednosti 3 iznose 2 . Opcenitije. Razlicitim svojstvenim vrijednostima ˇ matrice A odgovaraju linearno nezavisni svojstveni vektori. σ (A) = f3 1g . ako je A : X ! X linearni operator na vektorskom prostoru X (ne ´ nuzno konacno-dimenzionalnom). A) = 0 . A . i zatim njen karakteristicni polinom k(λ ) = det(λ I . Maksimum svih apsolutnih vrijednosti ˇ svojstvenih vrijednosti kvadratne matrice A zovemo spektralnim radiusom od A i oznacavamo sa r(A) . za matricu 2 3 3 0 0 A = 4 0 3 0 5: 0 0 1 je k(λ ) = (λ . S druge strane. A) ˇ 6 n -tog stupnja u kompleksnoj varijabli λ zove se karakteristicni polinom matrice A . ˇ Nul-potprostor matrice λ I . ˇ σ (A) = fλ 2 C : k(λ ) = 0g: Prema tome spektar matrice A moze imati najvise n elemenata. Dimenzija svojstvenog prostora E(λ ) zove se geometrijska kratnost svojstvene vrijednosti λ . ˇ Dimenzija mu je barem jedan. 3)2 (λ . Svojstvene vrijednosti i svojstveni vektori kvadratne matrice Neka je zadana kvadratna matricu A s kompleksnim koeficijentima. 1) . Za λ 2 σ (A) jednadzba (λ I . pa vrijedi je det(λ I . i oznacavamo ga s E(λ ) . i svaki ne-nul element iz E(λ ) je svojstveni vektor od A koji odgovara svojstvenoj vrijednosti λ . Prostor E(3) = R2 f0g je dvodimenzionalan. ˇ Kao sto smo vidjeli.

ili krace. Jedan od razloga zasto je reduciran ˇ oblik vazan je sto je potenciranje dijagonalnih blok matrica vrlo jednostavno: ˇ ˇ Ak 0 1 k 2 N: 0 Ak 2 Tvrdnja vrijedi i za bilo koji broj dijagonalnih blokova u matrici. Ova tvrdnja ne vrijedi ako dopustamo samo realne koeficijente u matrici slicnosti.je prostor E(3) = R f0g f0g jednodimenzionalan. onda odabirom dviju baza u svakoj od njih dolazimo do baze u X u kojoj ce matrica operatora A imati ovakav reducirani oblik (dijagonalna ´ blok-matrica): C 0 A= 0 D gdje je C matrica reda dim E . s matricom slicnosti koja se moze odabrati unitarnom (Schurov ˇ ˇ teorem). Npr. takva da je X = E F . Postoje gornje trokutaste matrice koje nisu slicne dijagonalnoj. Takva je npr. Slicne matrice imaju iste determinante. A1 0 0 A2 k = Za dvije kvadratne matrice A i B istog reda kazemo da su slicne ako postoji ˇ ˇ ˇ ˇ regularna matrica T takva da je B = T . gdje je λ 2 σ (A) . a D reda dim F . onda J nije slicna niti kojoj gornjoj trokutastoj ˇ ˇ matrici. Ako operator A ima dva invarijantna prostora E i F . Odabirom baze fe1 : : : ek g u E i nadopunjavanjem do baze u X dolazimo do baze u kojoj matrica operatora A ima reducirani oblik: A= C 0 gdje je C matrica reda dim E . onda je Ax = λ x 2 E(λ ) . je invarijantan potprostor: ako je x 2 E(λ ) . Svaka matrica s kompleksnim koeficijentima je slicna gornjoj ˇ trokutastoj matrici. gdje ˇ ˇ su ei svojstveni vektori matrice A . . Pisemo A B . dok je njena geometrijska kratnost jednaka 1 . onda je slicna dijagonalnoj matrici a matrica slicnosti je T = e1 : : : en ] . ˇ matrica zakosenja: ˇ 1 1 0 1 Vrlo lako je vidjeti da ako matrica A reda n ima n razlicitih svojstvenih vrijedˇ nosti. A(E) E . Za vektorski potprostor E od X kazemo da je invarijantan potprostor linearnog ˇ ´ operatora A : X ! X ako je Ax 2 E za sve x 2 E . ˇ ˇ Npr.1 AT . Ako dopustamo samo ˇ ˇ realne koeficijente u matrici slicnosti. Algebarska kratnost svojstvene vrijednosti 3 iznosi 2 . svaki svojstveni potprostor E(λ ) matrice A . matrica 0 -1 J= 1 0 (matrica operatora rotacije ravnine oko ishodista za kut π =2 ) slicna je matrici ˇ ˇ -i 0 0 i ako za matricu slicnosti dopustimo kompleksne koeficijente.

S. a B neka je matrica istog linearnog operatora u nekoj drugoj bazi ff 1 : : : f n g u X . za ˇ ˇ z = x + iy je z = x . ˇ U slucaju kad radimo s matricama s kompleksnim koeficijentima.. S. Neka je zadana matrica A s kompleksnim koeficijentima. Ako je A simetricna matrica. tj. onda rabimo ˇ skalarni produkt (xjy) = x> y . Kako su determinante matrica A i B iste. kei k = 1 i Aei = λi ei . Lako se provjeri da za svaku kvadratnu matricu A s kompleksnim koeficijentima vrijedi (Axjy) = (xjA y) . vidimo da time mozemo definirati i determinantu linearnog ˇ operatora A : X ! X sa det A := det A . gdje je A = (aij ) . ˇ ˇ U tom slucaju kazemo jos da se simetricna matrica moze dijagonalizirati.Neka je A matrica linearnog operatora A : X ! X u bazi fe1 : : : en g . Matrica A je ˇ ´ ˇ ˇ ˇ simetricna ako je realna i A> = A . Tocnije.. 5: S AS = 4 λn . > Matricu A = A . U primjenama se vrlo cesto susrecu simetricne kvadratne matrice. zovemo hermitski konjugiranom matricom od A . U dokazu vaznu ulogu igra cinjenica da za svaku realnu matricu A i x y 2 R n vriˇ ˇ jedi (Axjy) = (xjA> y) . Naime. gdje su x y 2 Cn . svaka ˇ ortogonalna matrica je slicna jednoj od ove dvije. onda postoji ortogonalna matrica S (tj. ˇ ˇ ˇ ˇ ˇ ˇ vrijedi ovaj teorem. gdje je matricno mnozenje (u ovom slucaju mnozimo vektor redak s ˇ ˇ ˇ ˇ vektorom stupcem).. Npr. 5: S> AS = 4 λn Pritom su sve svojstvene vrijednosti λi realne.1 = S> ) takva da je SS 2 λ 3 1 . gdje su ei ortonormirani svojstveni vektori matrice A .1 AT . tj. Za kompleksnu matricu A kazemo da je hermitska ako je A = A . gdje je T matrica prijelaza iz prve baze u drugu. a S = e1 : : : en ] . a y = (y1 : : : yn ) . tj. tj.sin ϕ 1 0 : 0 -1 sin ϕ cos ϕ Pokazuje se da su (do na slicnost) ovo jedine ortogonalne matrice reda 2 . Onda je B = T . za sve x y 2 Cn . S S = SS = I . Svaka simetricna matrica A slicna je dijagonalnoj. (Axjy) = (Ax)> y = (x> A> )y = x> (A> y) = (xjA>y) . determinanta operatora deriviranja A : Pn ! Pn . Stovise. tj. Ovdje nam z za z 2 C oznacava uobicajeni konjugirano kompleksni broj od z . jednaka je nula. Svaka herˇ mitska matrica je slicna dijagonalnoj.. Nije tesko vidjeti da je matrica A simetricna onda i samo onda ako za sve x y 2 Rn ˇ ˇ vrijedi jednakost (Axjy) = (xjAy): Vazne ortognalne matrice reda 2 su matrica rotacije ravnine za kut ϕ oko ishoˇ dista i matrica simetrije ravnine oko pravca kroz ishodiste: ˇ ˇ cos ϕ . yi 2 C . Ovo pak slijedi odmah iz definicije skalarnog produkta u Rn : (xjy) = x> y . Af = f 0 . ako je A = A onda postoji unitarna ˇ ˇ matrica S (tj. iy . S> S = ˇ > = I .1 = S ) takva da je 2 λ 3 1 .

Prema tome ortogonalna (unitarna) matrica je (linearna) izometrija na prostoru X = Rn . te ako je fe1 : : : en g ortonormiran ˇ skup svojstvenih vektora od A s pripadnim svojstvenim vrijednostima λ1 : : : λn 2 R . ˇ ˇ tj. Kompleksna matrica A je hermitska onda i samo onda ako je (Axjy) = (yjAx) za sve x y 2 Cn .8. norˇ ˇ ´ malne matrice. Formulirajmo najprije konacno-dimenzionalnu ´ ˇ inacicu Hahn-Banachova teorema. yk . ˇ kSxk = kxk . kazemo da je izometrija ako cuva udaljenost. gdje je X normiran prostor. ako je matrica A ˇ ortogonalna (unitarna). Ovo zadnje svojstvo moze se izreci ˇ ´ i na ovaj iznenadujuc nacin: stupci neke matrice su medusobno okomiti i jedinicni ´ ˇ ˇ ˇ vektori onda i samo onda ako su njeni redci medusobno okomiti i jedinicni vektori! Ako je A simetricna (ili hermitska) matrica. Odatle slijedi da je skup svih ortogonalnih (unitarnih) matrica zadanog reda grupa s obzirom na mnozenje matrica. Za neku funkciju (ne nuzno linearnu) ˇ f : X ! X . ˇ ˇ matrica S je ortogonalna (unitarna) onda i samo onda ako cuva normu vektora. Pokazuje se da je umnozak dviju ortoganalnih (unitarnih) matrica istog reda opet ˇ ortogonalna (unitarna) matrica. ako cuva skalarni produkt. Taj rezultat vrijedi inace i za mnogo opcenitije matrice. tj. Takoder. Stovise. f (y)k = kx . nPosebno. > > ˇ Krace kazemo da je svaka simetricna (hermitska) matrica ortogonalno (unitarno) ´ ˇ slicna dijagonalnoj. Syk = kx . Svaka simetricna matrica je normalna. Za matricu A s kompleksnim koeficijentima kazemo da je normalna ˇ matrica ako komutira s A . za sve x 2 Rn ( 2 Cn ). yk . Hahn-Banachov teorem i Fredholmova alternativa Fredholmova alternativa bavi se pitanjem rjesivosti linearnih jednacaba. iako se oba rezultata koji slijede mogu formuˇ ˇ lirati i u znatno opcenitijoj situaciji. tj. AA = A A . ˇ Lako se vidi da je matrica S je ortogonalna (unitarna) onda i samo onda ako vriˇ jedi (SxjSy) = (xjy) za sve x y 2 Rn ( 2 Cn ). onda je i A> ( A ) takva. To slijedi odmah iz x = (xje1 )e1 + : : : + (xjen )en mnozenjem s ˇ A (s lijeva) i Aek = λk ek . kSx . ˇ U dokazu kljucnu ulogu igra cinjenica da za svaku kompleksnu kvadratnu matricu ˇ ˇ A i x y 2 Cn vrijedi jednakost (Axjy) = (xjA y): Ona slijedi iz (Axjy) = (Ax)> y = (x> A>)y = x> (A y) = x> (A y) = x> (A y) = (xjA y) . onda ortogonalna (unitarna) matrica S shvacena kao linearni operator iz R u Rn (iz Cn u Cn ) cuva i udaljenost medu ´ ˇ vektorima x i y . kf (x) . onda vrijedi Ax = λ1 (xje1 )en + : : : + λn (xjen )en (spektralni teorem). tj. tj.Svojstvene vrijednosti od A su realne i postoji ortonormirana baza fe1 : : : en g u Cn koju cine svojstveni vektori od A . 1. tzv. Nasa razmatranja su omedena ˇ samo na konacno-dimenzionalan slucaj. Njen ˇ ˇ dokaz zasniva se na primjeni Hahn-Banachova teorema. ˇ . takva da je S = e1 : : : en ] .

dakle (yjz) = 0 . dakle A y0 = 0 . Dokazimo R(A) ˇ N (A )? . tj. gdje je R(A) slika od A . A). Prema Hahny 2 N (A ) = ´ 6 Banachovu teoremu postoji y0 2 Cn takav da je (yjy0 ) = 0 i y0 ?R(A) . To je medutim protuslovlje. ˇ Q. A ) . y 2 N (A )? . Skup ρ(A) := C n σ (A) zovemo rezolventnim skupom od A . A ) . λ x . a) Za svaki λ 2 ρ(A) := C n σ (A) (rezolventni skup od A ) i svaki y 2 Cn postoji jedincat x 2 Cn takav da je b) Neka je λ 2 σ (A) i y 2 Cn zadan. Kako je ovaj ortogonalni komplement jednak R(λ I . neka je y 2 N (λ I . A regularna. da postoji element Obratno. Onda je (yjz) = (Axjz) = (xjA z) = 0 . Cilj nam je doci do protuslovlja. Ax = y je rjesiva po x ˇ ˇ onda i samo onda ako je y 2 N (λ I . (Hahn-Banach) Neka je Z potprostor od Cn i b 6 postoji y0 2 Cn takav da je (yjy0 ) = 0 i (yjz) = 0 za sve z 2 Z . Neka je y = Ax 2 R(A) .E. Propozicija. A ) . (Fredholmova alternativa) Neka je A kompleksna kvadratna matrica.D. A)xjz) = (yjz) . tj. Q.E. Ax = y: . tj. Taj vektor ima trazena svojstva. Onda je (λ I .D. Jednadzba λ x .Teorem. Odaberimo bilo koji z 2 N (A ) . tj.D. ´ Teorem. gdje je prostor X konacnoˇ dimenzionalan. A)x . Obratno. Pogledajmo prostor Z1 = L(Z fyg) . dokazimo N (A )? ˇ ? takav da y 2 R(A) . Dimenzija mu je dim Z + 1 . A )? . Onda je R(A) = N (A )? . Odaberimo z 2 N (λ I . Lijeva strana je medutim (xj(λ I . 2 Cn n Z . A )? . ˇ ˇ b) Pretpostavimo da je y takav da je jednadzba (λ I . Prema tome je i (xjA y0 ) = 0 za sve x . y ? z . tj. DOKAZ . Neka je zadan linearni operator A : X ! X . A) . Q.E. Neka je A : Cn ! Cn linearni operator (ili kompleksna matrica reda n ). A )z) = 0 . a N (A ) nul-potprostor od A . 6 y0 2 N (A ) . A)x = y slijedi x = (λ I . (Axjy0 ) = 0 za sve x 2 Cn . pa iz (λ I . a) Za λ 2 ρ(A) je matrica λ I . R(A) . y ima svojstvo da je (yjz) = 0 za sve z koji su rjesenja dualne jednadzbe A z = λ z . y ? z . onda je y ? N (λ I . Kako to vrijedi za sve z 2 N (λ I . Pretpostavimo suprotno. tj. onda postoji x takav da je y = (λ I . razapet s nekim vektorom y0 . Ortognalni komplement od Z u prostoru Z1 je jednodimenzionalan. ˇ ˇ DOKAZ . Zbog (yjy0 ) = 0 onda slijedi da y 2 N (A )? (u suprotnom bi bilo = (yjy0 ) = 0 ).1 y . Razlog za taj naziv vidljiv je iz sljedeceg teorema. A)x = y rjesiva po x . Onda DOKAZ .

Poznat je Hamilton-Cayleyev teorem. Njemacki matematicar Carl Gustav Jacobi (1804-1851) bavio se teorijom deterˇ ˇ minanata. ˇ jednakost vektora. zbrajanje vektora. ˇ ˇ ˇ pa je mali Hamilton vec sa pet godina mogao citati engleski. ˇ Njemu pripada i prvi dokaz da je det AB = det A det B . koji prethodi pojmu vektora. perzijski. Uveo je ˇ ˇ pojam kvaterniona. ˇ . hebrejski. kod zamjene ˇ varijabla u visestrukom integralu u Matematici II). malajski i hindi. vektora. Crtice iz povijesti linearne algebre Ovdje cemo dati samo mali izbor imena matematicara koji su ostvarili vazne re´ ˇ ˇ zultate u podrucju linearne algebre. Simpaticno je da se cio zivot bavio i planinarenjem. ´ ˇ ˇ a u trinaestoj godini je svladao ne samo sve glavne europske jezike. Pokazao je da je n realnih funkcija ˇ s n realnih varijabala linearno nezavisno onda i samo onda ako njihov jakobijan nije identicki jednak nula. Bio je ˇ ˇ protiv svladavanja pretjerane kolicine matematickog gradiva u nastavi. Vazne su Gauss-Jordanova ˇ ˇ ˇ metoda i Gauss-Seidelova metoda. Vrlo je vazan irski matematicar William Rowan Hamilton (1805-1865). kao i definicija karakteristicnog ˇ polinoma matrice. mnozenje sa skalarom. Jos je Gottfried Wilhelm Leibniz (1646-1716) rabio determinante. ˇ ˇ Determinante su se pojavile jedno stoljece prije matrica. Spomenimo i ime Charlsa Dogdgsona (1832-1898). ˇ ˇ Americki matematicar Josiah Willard Gibbs (1839-1903) zacetnik je vektorske ˇ ˇ analize. Vazni su njegovi prilozi u teoriji determinanata i visedimenzioˇ ˇ nalnoj geometriji. Svi su oni mnoge rezultate ostvarili i u drugim ˇ podrucjima matematike. Naziv matrica isko´ vao je britanski matematicar James Joseph Sylvester (1814-1897). Otac mu je bio lingvist. vektorske i skalarne proˇ jekcije. Naˇ jopseznije priloge teoriji determinanata dao je Augustin-Louis Cuachy (1789-1857). koji kaze da matrica ponistava svoj karakteristicni polinom.9. a uveo ono sto danas zovemo jakobijanom (pojavljuje se npr. latinski i grcki. ˇ ˇ Cini se da linearna algebra kao ozbiljna znanstvena disciplina zapocinje s njemacˇ ˇ kim matematicarom Carlom Friedrichom Gaussom (1777-1855). koji je napisao opseznu knjigu o ˇ determinantama. Svi znamo za Gaˇ ussovu metodu eliminacije za rjesavanje sustava jednacaba. o kojoj je objavio i monografiju. potpuni i koncizni.1. u znacenju “majka ˇ ˇ determinanata”. arapski. kineski. Poznat je medu inim i po tome sto su svi njegovi ˇ objavljeni radovi nevjerojatno dotjerani. Cauchy je medu inim prvi uveo strogu definiciju limesa slijeda. kao sto ih definiramo i danas. Uveo je pojam usmjerene duzine. Poznat je kao izvrstan predavac kojeg su studenti voljeli. ˇ ˇ Algebru matrica (mnozenje i zbrajanje) razvio je engleski matematicar Arthur ˇ ˇ Cayley (1821-1895). nego i sanskrt. Dodgson je mnogo poznatiji pod svojim pseudonimom Lewis Carrol (autor knjige Alisa u zemlji cudesa).

ˇ Dovoljno je pronaci vektor x norme 1 za koji je kAxk1 = kAk1 . Npr. ˇ DOKAZ . Kako je on ˇ konacno-dimenzionalan (dimenzije mn ) onda je to Banachov prostor.1. pa se zato ta norma nekad zove i redcana norma).2. Al k ! 0 kada k l ! 1 onda slijed matrica Ak konvergira k nekoj matrici A .. tj. ´ mozemo na prirodan nacin definirati operatorsku normu od A . Neka je i0 indeks ´ (retka) na kojem se dostize maksimum redcane norme. S tom matricnom normom vektorski prostor Mmn postaje normiran prostor. ˇ ˇ . Za y = Ax je kAxk1 = max jyi j = max j i i ? max i n X ij n X j=1 aij xj j jaijj jxj j ? max jxj j j max i n X j=1 jaijj = kAk1kxk1 : Treba jos samo vidjeti da je izraz kAk1 doista najmanji za koji vrijedi ova nejednakost. uzimajuci ´ 1 -normu na Rn i Rm dobivamo matricnu normu ˇ kAk1 = 1?i?m max n X j=1 jaijj ˇ (racunamo maksimum zbrojeva po redcima u matrici. svaki Caˇ uchyjev slijed u njemu konvergira: ako kAk . Stavimo x = (x1 : : : xn )> . Matricne norme i konvergencija matrica ˇ Neka je Mmn vektorski prostor svih realnih (ili kompleksnih) matrica A tipa m n . Gledajuci matricu A kao linearni operator iz Rn u Rm ( Rn 3 x 7! Ax 2 Rm ). Rjesavanje sustava jednacaba iteraˇ ˇ tivnim metodama 2. Uzmimo bilo koji x 2 Rn . generiranu sa zadaˇ ˇ ˇ nom normom na Rn i jos jednom normom na Rm : kAk = supx6=0 kAxk=kxk .

To nam omogucava da uvedemo i pojam kugle ´ u prostoru matrica. pa definiˇ cija konvergencije ne ovisi o izboru norme. Pojam udaljenosti omogucava da uvedemo konvergenciju slijeda ´ matrica.xj = sgn ai0 j . Za obje matricne norme vrijedi vazna nejednakost ˇ ˇ kABk ? kAk kBk pod uvjetom da su A i B ulancane. Najprije gledamo parcijalne sume Sk := nog slijedom matrica A P 1 (k ) A(1) + : : : + A(k) . U tom slucaju pisemo ˇ ˇ P1 (k) P1 (k) A = S . k = 1 2 : : : . Uvjet A(k) ! A je ekvivalentan s uvjetom da ak ! aij kad k ! 1 . istog tipa m n . jer transponiranjem redci matrice A postaju stupci matrice A> . pa za y = Ax vrijedi yi0 = kAk1 . Npr. Pretpostavimo da je zadan slijed matrica A(k) = (aij ) .D. kS . ili limk!1 A(k) = A . Kazemo da red matrica ˇ konvergira ako slijed park=1 A cijalnih suma Sk konvergira k matrici S . Bk . Primijetite da je kAk1 = kA>k1 .A = i j (aij . onda je kAx k1 = kyk1 = jyi0 j = kAk1 . Kako za sve i j = P vrijedi jyi j = j j aij xi j ? j jaij j ? jyi0 j . k= . aij j kEij k ! 0 kada k ! 1. j . ij ´ ˇ Drugim rijecima. tj. sve matricne norme na njemu su medusobno ekvivalentne. slijed matrica A(k) konvergira matrici A ako odgovarajuci matricni ˇ koeficijenti konvergiraju na uobicajen nacin. uzimajuci ˇ ˇ ´ 1 -normu na Rn i Rm dobivamo operatorsku normu kAk1 = max j n X i=1 Q. ˇ ´ gdje je Eij matrica koja je nula svuda osim na mjestu (i j) na koje stavljamo jedinicu. za sve i j . pa ju zato zovemo i stupcanom normom). ako kA(k) . ako je ispunjen ovaj zadnji uvjet. Sk k ! 0 . jaijj ˇ ˇ (racunamo maksimum zbrojeva po stupcima u matrici.aij )Eij . slijed matrica A(k) = 1 ( 1 + k )k 1 k (k) k sin 1 k : k+1 k konvergira prema matrici A= e 0 1 1 Na slican nacin moze se uvesti konvergencija beskonacnog reda matrica odredeˇ ˇ ˇ ˇ (k) istog tipa. Red matrica A konvergira onda i samo onda ako redovi k=1 k=1 P (k) brojeva 1 1 aij konvergiraju k nekom broju sij za sve i .E. gdje je A k k bilo koja matricna norma. Na slican nacin. P (k) dobivamo zbog nejednakosti trokuta kA (k) . Ak ! 0 kad k ! 1 . Ak ? i j jaij . Onda je ai0 j xP jai0 j j . Kazemo da slijed matrica A(k) konvergira k matrici A = (aij ) . ˇ ˇ P (k ) Doista. Kako je prostor matrica Mmn konacno-dimenzionalan ˇ ˇ (dimenzije mn ). ˇ Kad imamo matricnu normu onda mozemo definirati i udaljenost medu matricama ˇ ˇ A i B istog tipa: d(A B) = kA . onda pisuci A(k) . i pisemo ˇ ˇ (k) ! A kad k ! 1 .

ˇ ´ Za bilo koju zadanu kvadratnu matricu A ona se definira s pomocu MacLaurinova reda 2 3 funkcije ex = 1 + x + x + x + : : : ovako: 2! 3! A2 A3 + + ::: 2! 3! Da bi dokazali da taj red konvergira prema nekoj matrici. kAk2 2 6 A=6 4 λ1 λ2 .. Na slican nacin ˇ ˇ moze se definirati matrica sin A . ´ Ako je A dijagonalna matrica. pa njegove parcijalne sume konvergiraju. 3 7 7 5 λn onda je i P(A) dijagonalna matrica 2 6 P(A) = 6 4 P(λ1 ) P(λ2 ) .. cos A . Naime numericki red ekAk = 1 + kAk + 2! + : : : konvergira (npr. dobivamo matricnu normu i cinjenicu da je kA ˇ ˇ eA = xk k! x2k+1 1)k+1 (2k+1)! ( .Npr. koju zovemo eksponencijalna funkcija matrice. za sve x 2 R . Sl k ? (klA 1)k! + + ::: + kAk k ? kAkl+1 k! (l + 1)! + ::: + kAkk ! 0 k! kada k l ! 1 . Vazan primjer je matrica eA . Neka je l < k i pokazimo ˇ ˇ k! Al+1 Ak ˇ ˇ ´ da Sk . Sk k ! 0 . Rabeci bilo koju i k ? kAki .. U praksi ce se konvergencija reda najcesce provjeravati s pomocu neke ´ ˇ ˇ´ ´ norme.. Sl = (l+1)! + : : : + k! tezi prema nuli kada k i l teze u 1 .. 1 X k=0 2 4 ( .. po ˇ D’Alambertovu kriteriju). pa i opcenito f (A) uz odredene uvjete na f . dovoljno je pokazati slijed k Sk = I + A + : : : + A parcijalnih suma cini Cauchyjev niz. 3 7 7 5 P(λn ) : Lako se provjeri da je i eA dijagonalna matrica: 2 6 6 eA = 6 4 eλ1 eλ2 .1)k+1 (x2k)! 5 2k = 1 (+) k 12 3 ex sin x cos x π2 6 I+A+ l+1 kSk . tj. eλn 3 7 7 7 5 : . ˇ ´ Dovoljno je da radius konvergencije MacLaurinovog reda analiticke funkcije f bude ˇ veci od spektralnog radiusa matrice A . preko uvjeta kS .

gdje je t bilo koji realni broj. Na dijagonali su isti brojevi kao u dijagonalnom slucaju. . ˇ Pogledajmo za ilustraciju gornju trokutastu matricu A= λ 0 1 λ kλ k.1)! = k=1 : k! = j := k .Ako je A gornja trokutasta matrica. 1] = t teλ t eλ t : P1 λ j tj j=0 j! = teλ t dobivamo eAt eλ t 0 .1 λk i nadimo eAt = I + At + (At) 2! se lako vidi da je 2 + (At)3 + : : : .1 tk # k=1 k! k = P=1 (λk!)k 1 t 0 k=1 Zbog P1 k=1 k λ k 1 tk k! . Indukcijom 3! = Ak λk 0 dakle e At " P1 (λ t)k P1 kλ k. kao i eA . onda je P(A) gornja trokutasta. (k. = t P1 λ k 1 tk 1 .

Sign up to vote on this title
UsefulNot useful