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);

(λ + µ )x = λ x + µx λ (x + y) = λ x + λ y + ). Npr. a4) λ + µ = µ + λ za sve λ µ 2 F . u Z2 je 1 + 1 = 0 . pa prema tome niti polje.λ takav da je .a2) postoji element 0 2 F tako da za sve λ 2 F vrijedi λ + 0 = 0 + λ = λ . Zp := f0 1 : : : p . ˇ gdje je p prost broj. npr.λ ) = λ . a3) za svaki λ 2 F postoji element . Uvedimo sada jednu od temeljnih struktura u linearnoj algebri. U Z3 je 1 + 2 = 0 . polja s konacno mno´ ˇ ˇ´ ´ ˇ ˇ go elemenata. 1. ali nije multiplikativna grupa. tj. Ovdje najprije racunamo zbroj (umnozak) na uobicajen nacin. 0 zovemo neutralnim elementom. polje kompleksnih brojeva C . s kojima cemo najcesce raditi. a 2 2 = 1 . tj.1 = 2 . Moguca su i konacna polja. 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. tj. Vektorski prostori Elemente nekog polja F (kod nas najcesce R ili C ) zvat cemo skalarima. 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 ). Ako su poznate operacije koje se ˇ odnose na polje. tako da vrijedi: a) (X +) je aditivna grupa (komutativnost podrazumijevamo). Skup cijelih brojeva Z je aditivna grupa. b) Skup F := F n f0g (skup svih ne-nul elemenata u F ) je komutativna grupa s obzirom mnozenje. . Vektorski prostor nad zadanim poljem F je skup X zajedno s dvije operacije: 1) binarnom operacijom zbrajanja + u X . tj. sa zbrajanjem i mnozenjem po modulu p . . ˇ Neki od temeljnih primjera su polje realnih brojeva R . Skalar ˇ ˇ´ ´ je dakle drugi naziv za “broj”.1 = 2 . 1g . Kazemo krace da je polje poredani trojac (F + ) skupa F i binarnih operacija ˇ ´ zbrajanja i mnozenja na F s gornjim svojstvima. onda ga kratko oznacavamo samo s F . elemente od X zovemo vektorima. Kada govorimo o vektorskom prostoru (X onda se operacija odnosi na . 2.1 = 1 . ˇ ˇ c) Operacije zbrajanja i mnozenja su uskladene zakonom distribucije: λ (µ + ν ) = λµ + λν .λ + λ = λ + (.2. a ˇ ˇ ˇ ˇ onda njegov ostatak pri dijeljenju s p .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.