P. 1
Linearna Algebra

Linearna Algebra

|Views: 843|Likes:

More info:

Published by: Zekerijah Selimović on May 20, 2012
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

05/31/2014

pdf

text

original

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);

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. u Z2 je 1 + 1 = 0 .1 = 1 . ˇ ˇ c) Operacije zbrajanja i mnozenja su uskladene zakonom distribucije: λ (µ + ν ) = λµ + λν . 1g . b) Skup F := F n f0g (skup svih ne-nul elemenata u F ) je komutativna grupa s obzirom mnozenje. 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 ). 2. U Z3 je 1 + 2 = 0 .λ takav da je . Zp := f0 1 : : : p .1 = 2 . 0 zovemo neutralnim elementom. 1.1 = 2 .λ + λ = λ + (. Skalar ˇ ˇ´ ´ je dakle drugi naziv za “broj”. tj. a4) λ + µ = µ + λ za sve λ µ 2 F . Uvedimo sada jednu od temeljnih struktura u linearnoj algebri. Skup cijelih brojeva Z je aditivna grupa. ˇ Neki od temeljnih primjera su polje realnih brojeva R . elemente od X zovemo vektorima. Moguca su i konacna polja. Npr. tako da vrijedi: a) (X +) je aditivna grupa (komutativnost podrazumijevamo). Ovdje najprije racunamo zbroj (umnozak) na uobicajen nacin. a ˇ ˇ ˇ ˇ onda njegov ostatak pri dijeljenju s p . Kada govorimo o vektorskom prostoru (X onda se operacija odnosi na .a2) postoji element 0 2 F tako da za sve λ 2 F vrijedi λ + 0 = 0 + λ = λ . Vektorski prostori Elemente nekog polja F (kod nas najcesce R ili C ) zvat cemo skalarima. tj. ˇ gdje je p prost broj. a3) za svaki λ 2 F postoji element . (λ + µ )x = λ x + µx λ (x + y) = λ x + λ y + ). ali nije multiplikativna grupa. . npr. Ako su poznate operacije koje se ˇ odnose na polje. sa zbrajanjem i mnozenjem po modulu p .λ ) = λ . Kazemo krace da je polje poredani trojac (F + ) skupa F i binarnih operacija ˇ ´ zbrajanja i mnozenja na F s gornjim svojstvima. s kojima cemo najcesce raditi. . polje kompleksnih brojeva C .2. pa prema tome niti polje. tj. a 2 2 = 1 . onda ga kratko oznacavamo samo s F . polja s konacno mno´ ˇ ˇ´ ´ ˇ ˇ go elemenata. Vektorski prostor nad zadanim poljem F je skup X zajedno s dvije operacije: 1) binarnom operacijom zbrajanja + u X . tj.

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

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

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

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

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.4. Za vektore e1 : : : en u prostoru X = Rn kazemo da cine ortogonalnu bazu ako ˇ ˇ su svi medusobno okomiti i = 0 . (kxk + kyk)2 . 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.E. 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 . onda je zbog nejednakosti trokuta i f + g kvadratno integrabilna ( kf + gkL2 ? kf kL2 + kgkL2 ). n elemente definiramo kao vektore stupce.D. b) kλ xk = jλ j kxk (homogenost). Rabi se ponajvise u Lebesgueˇ ˇ ovom prostoru kvadratno integrabilnih funkcija. Normirani vektorski prostori Prirodno je uvesti i pojam normiranog prostora. pa je L2 (a b) doista vektorski prostor. Odavde odmah dobivamo i nejednakost trokuta. odakle odmah slijedi nejednakost BSC. To je jednostavno realni (ili kompleksni) vektorski prostor X na kojem je definirana norma. tj. 4kxj2 kyk2 > 0 . kxk = 0 onda i samo onda ako je x = 0 (pozitivnost). 4ac = 4(xjy)2 . ortonormirani). 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. 1. . c) kx + yk ? kxk + kyk (nejednakost trokuta). i vodi do pojma Fourierovog reda.Prema tome je diskriminanta nenegativna: D = b2 . onda kazemo ˇ ´ ˇ da cine ortonormiranu bazu u Rn . jer je kx + yk2 = (x + yjx + y) = kxk2 + 2(xjy) + kyk2 ? kxk2 + 2kxk kyk + kyk2 ? Q. a standardZa vektorski prostor X = R ni skalarni produkt sa (xjy) := x1 y1 + : : : + xn yn . 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.

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

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

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

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

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

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

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

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

Dimenzija svojstvenog prostora E(λ ) zove se geometrijska kratnost svojstvene vrijednosti λ . 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 . Taj vektor zove se svojstveni vektor matrice A koji pripada svojstvenoj vrijednosti λ . Opcenitije. A)x = 0 ima netrivijalno ˇ ˇ rjesenje x = 0 . i svaki ne-nul element iz E(λ ) je svojstveni vektor od A koji odgovara svojstvenoj vrijednosti λ . Razlicitim svojstvenim vrijednostima ˇ matrice A odgovaraju linearno nezavisni svojstveni vektori. Karakteristicni polinom linearnog ˇ ˇ operatora A ne ovisi o izboru baze u X . S druge strane. A) = 0 . gdje je λ 2 σ (A) . σ (A) = f3 1g . za 2 3 3 1 0 A = 4 0 3 0 5: 0 0 1 . dakle isti spektar. Ako je dim X < 1 . Svojstvene vrijednosti i svojstveni vektori kvadratne matrice Neka je zadana kvadratna matricu A s kompleksnim koeficijentima. Za zadanu ˇ svojstvenu vrijednost λ od A je njena geometrijska kratnost manja ili jednaka od algebarske kratnosti. ˇ Nul-potprostor matrice λ I . A . tj. ˇ Dimenzija mu je barem jedan. Za kompleksni broj λ kazemo da je svojstvena vrijednost matrice ako postoji vektor x = 0 takav ˇ 6 da je Ax = λ x . ˇ Kao sto smo vidjeli. Slicne matrice imaju ˇ ˇ ˇ isti karakteristicni polinom. Prostor E(3) = R2 f0g je dvodimenzionalan. r(A) = maxfjλ j : k(λ ) = 0g . Svojstvena vrijednost λ matrice A je nultocka karakteristicnog polinoma k(λ ) . zovemo svojstvenim potprostorom matrice A koji pripada svojstvenoj vrijednosti λ . A) ˇ 6 n -tog stupnja u kompleksnoj varijabli λ zove se karakteristicni polinom matrice A . Algebarska i geometrijska kratnost svojstvene vrijednosti 3 iznose 2 . i oznacavamo ga s E(λ ) . 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 . i obratno. i zatim njen karakteristicni polinom k(λ ) = det(λ I . pa vrijedi je det(λ I .1.7. Za λ 2 σ (A) jednadzba (λ I . 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 . 1) . Polinom k(λ ) = det(λ I . ako je A : X ! X linearni operator na vektorskom prostoru X (ne ´ nuzno konacno-dimenzionalnom). A) . ˇ ˇ Njena kratnost (kao nultocke polinoma) zove se algebarska kratnost. Skup svih svojstvenih vrijednosti od A zovemo spektrom matrice A i oznacavamo sa σ (A) . Npr. 3)2 (λ . ˇ σ (A) = fλ 2 C : k(λ ) = 0g: Prema tome spektar matrice A moze imati najvise n elemenata.

gdje je λ 2 σ (A) . onda je slicna dijagonalnoj matrici a matrica slicnosti je T = e1 : : : en ] . onda J nije slicna niti kojoj gornjoj trokutastoj ˇ ˇ matrici. A(E) E . Postoje gornje trokutaste matrice koje nisu slicne dijagonalnoj. s matricom slicnosti koja se moze odabrati unitarnom (Schurov ˇ ˇ teorem). ili krace. dok je njena geometrijska kratnost jednaka 1 . onda je Ax = λ x 2 E(λ ) . ˇ matrica zakosenja: ˇ 1 1 0 1 Vrlo lako je vidjeti da ako matrica A reda n ima n razlicitih svojstvenih vrijedˇ nosti. ˇ ˇ Npr. Svaka matrica s kompleksnim koeficijentima je slicna gornjoj ˇ trokutastoj matrici. Takva je npr. 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 . 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 . svaki svojstveni potprostor E(λ ) matrice A . . Slicne matrice imaju iste determinante. Npr. Ova tvrdnja ne vrijedi ako dopustamo samo realne koeficijente u matrici slicnosti. Algebarska kratnost svojstvene vrijednosti 3 iznosi 2 . 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 . Ako operator A ima dva invarijantna prostora E i F . 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. Ako dopustamo samo ˇ ˇ realne koeficijente u matrici slicnosti. 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 . 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. a D reda dim F . je invarijantan potprostor: ako je x 2 E(λ ) .je prostor E(3) = R f0g f0g jednodimenzionalan.1 AT . takva da je X = E F . gdje ˇ ˇ su ei svojstveni vektori matrice A . Pisemo A B .

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

onda je i A> ( A ) takva. ˇ ˇ matrica S je ortogonalna (unitarna) onda i samo onda ako cuva normu vektora. takva da je S = e1 : : : en ] . Svaka simetricna matrica je normalna. ako je matrica A ˇ ortogonalna (unitarna).8. 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 . Formulirajmo najprije konacno-dimenzionalnu ´ ˇ inacicu Hahn-Banachova teorema. ˇ kSxk = kxk . tj. tzv. kSx . Za neku funkciju (ne nuzno linearnu) ˇ f : X ! X . 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 ). Syk = kx . norˇ ˇ ´ malne matrice. Odatle slijedi da je skup svih ortogonalnih (unitarnih) matrica zadanog reda grupa s obzirom na mnozenje matrica. ˇ . 1. > > ˇ Krace kazemo da je svaka simetricna (hermitska) matrica ortogonalno (unitarno) ´ ˇ slicna dijagonalnoj. Nasa razmatranja su omedena ˇ samo na konacno-dimenzionalan slucaj. yk . tj. yk . To slijedi odmah iz x = (xje1 )e1 + : : : + (xjen )en mnozenjem s ˇ A (s lijeva) i Aek = λk ek . Stovise. Njen ˇ ˇ dokaz zasniva se na primjeni Hahn-Banachova teorema. iako se oba rezultata koji slijede mogu formuˇ ˇ lirati i u znatno opcenitijoj situaciji. za sve x 2 Rn ( 2 Cn ). 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) . Takoder. 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 . gdje je X normiran prostor. Za matricu A s kompleksnim koeficijentima kazemo da je normalna ˇ matrica ako komutira s A . 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. tj. kf (x) . Pokazuje se da je umnozak dviju ortoganalnih (unitarnih) matrica istog reda opet ˇ ortogonalna (unitarna) matrica. AA = A A . ˇ ˇ tj. nPosebno. onda vrijedi Ax = λ1 (xje1 )en + : : : + λn (xjen )en (spektralni teorem). f (y)k = kx . Kompleksna matrica A je hermitska onda i samo onda ako je (Axjy) = (yjAx) za sve x y 2 Cn . Hahn-Banachov teorem i Fredholmova alternativa Fredholmova alternativa bavi se pitanjem rjesivosti linearnih jednacaba. tj. Taj rezultat vrijedi inace i za mnogo opcenitije matrice. kazemo da je izometrija ako cuva udaljenost.Svojstvene vrijednosti od A su realne i postoji ortonormirana baza fe1 : : : en g u Cn koju cine svojstveni vektori od A . ako cuva skalarni produkt.

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

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

2. tj. 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. ˇ Dovoljno je pronaci vektor x norme 1 za koji je kAxk1 = kAk1 . ´ mozemo na prirodan nacin definirati operatorsku normu od A . Uzmimo bilo koji x 2 Rn . ˇ DOKAZ . Npr. svaki Caˇ uchyjev slijed u njemu konvergira: ako kAk . pa se zato ta norma nekad zove i redcana norma). Neka je i0 indeks ´ (retka) na kojem se dostize maksimum redcane norme. Kako je on ˇ konacno-dimenzionalan (dimenzije mn ) onda je to Banachov prostor.. Rjesavanje sustava jednacaba iteraˇ ˇ tivnim metodama 2. 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 ). S tom matricnom normom vektorski prostor Mmn postaje normiran prostor. 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. Al k ! 0 kada k l ! 1 onda slijed matrica Ak konvergira k nekoj matrici A . Stavimo x = (x1 : : : xn )> .1. ˇ ˇ . generiranu sa zadaˇ ˇ ˇ nom normom na Rn i jos jednom normom na Rm : kAk = supx6=0 kAxk=kxk .

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

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

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

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)//-->