Matematika 2 - Vektorski prostori i linearni operatori

Franka Miriam Brckler Ooujak 2009.

Vecina nematematiLara pod vektorskim prostorima podrazumijeva skupove vektorastrelica uz uobiLajena pravila raLunanja s tim vektorima, a pod vektorima se obiLno podrazumijevaju ob jekti koji imaju iznos (duljinu), smjer i orijentaciju. Iako tako shvaceni vektori svakako predstavljaju jednu zanimljivu i u primjenama izuzetno vaonu vrstu vektora, ograniLavanje na usko shvacanje vektora onemogucava razumijevanje nekih naprednijih primjena tako linearne primjerice u kvantno j zici ili analizi simetrija molekula i algebre, kristala. Pojednostavljeno reLeno, skup Lije ob jekte znamo zbra jati i mnooiti brojevima tako(skalarima) da dobijemo istovrsne objekte i tako da vrijede uobiLajena svojstva tih raLunskih operacija vektorskim prostorom, a njegove elemente vektorima. Ukoliko za te vektore jo2 zovemo mooemoi operaciju mnooenja ko ja bi po dvama vektorima pridruoivala skalar (i to tako da smisliti vrijede sva uobiLa jena svojstva skalarnog produkta), onda na2 vektorski prostor zovemo unitarnim prostorom . Ono 2to je bitno za vektore i vektorske prostore su dakle dvije operacije: zbra janje vektora i mnooenje vektora sa skalarima. Kako se u daljnjem necemo ograniLiti na vektorestrelice, koje u nekom kontekstu gledamo kao vektore oznaLavat cemo ob jekte v, w, . jednostavno da V neki (naravno: neprazan) skup Lije elemente oelimo zvati vektorima. . . . u, Uzmimo je Ovisno o kontekstu, to mooe biti neki od V3 , V2 , skup 1 R n ili C n (za n priro dan broj), neki skupova Mm,n ( R) ili Mm,n ( C) , neki skup realnih funkcija s istom domenom, . . . Nadalje, od skupova o tome kakav vektorski prostor ovisno potrebno je utvrditi (odluLiti se) ko ju vrstu trebamo, brojeva cemo uzeti za skalare: realne ili kompleksne bro Vektor su elementi vektorskog jeve. Da V zvali vektorskim prostorom, mora ju biti i deniraneprostora. dvije operacije: zbra bismo janje vektor i mnooenje vektora skalarom. Pritom, one moraju imati sljedeca svo jstva: zbroj dva elementa iz V (dva vektora) mora opet biti element V (tj. vektor), a umnooak elementa V iz iz (vektora) sa skalarom mora biti element V (dakle, vektor), te mora ju vrijedi svojstva ko iz ja smo u poglavlju o klasiLno j algebri vektora naveli kao tipiLna svo jstva tih operacija. Preciznije: Denicija Odabrani skup V s odabranim skupom skalara (R ili C) zove se vektorski 1 su denirane operacije ako + i prostor (zbrajanje vektor i mnooenje vektora skalarom) tako da za
Za skup A skup An se sasto ji o d svih ure enih ure enih tro jki kompleksnih brojeva.
1

Vektorski prostori

unitarni

n -torki iz

elemenata

A . Primjerice, C

se sasto ji o d svih

sve elemente

v, w, u iz V i sve skalare

, vrijede sljedeca svojstva:

v + w V v zatvorenost operacija + i V+ w = w + v komutativnost v zbrajanja 1 v = mnooenje v jedinicom (v + w) + u = v + (w + u) ( )v = asocijativnost i . (v) 0 = 0 + v = kvaziasocijativnost v+ postoji neutralni element za v + (-v) = (-v) + v = zbrajanje svaki element ima svoj suprotni 0 + w) = v + w ( + )v = v + element (v distributivnos w t Neutralni element za zbrajanje, oznaLen 0 V , zove se s Vektorski prostor je realan ako su skalari realni brojevi, a kompleksan ako su skalari nulvektor. kompleksni brojevi. Iz gornjih svojstava mogu se izvesti i druga oLekivana svojstva, primjerice da 0 v = je 0 (mnooenje s nulom daje -v = (-1) , . . . Preko suprotnog vektora denira se nulvektor), i oduzimanje v - w = v + (- v . vektora: w) Primjer Skupov V2 , V3 , V2 (O) i V3 (O) su oLigledno primjeri realnih vektorskih 1 i prostora. Primjer U poglavlju o matricama smo vidjeli da svaki od Mm,n (R ) odnosno Mm,n (C ) 2 skupova Lini realni odnosno vektorski prostor uz zbrajanje i mnooenje skalarom kako je u tom poglavlju denirano. Posebno, Mm,1 stupLanih matrica Line vektorske skupovi prostore. Primjer Promotrimo skup 4 . Njegovi elementi su (x, y , z, w) , gdje su x, y , z, w realni 3 R brojevi. Uzmimo realne brojeve oblika skalare i kao denirajmo: (x, y, z, w) + (x , y , z , w ) = (x + x , y + y , z + z , w + w ), (x, y, z, w) = ( x, y, z, w). Dakle, primjerice (1, 2, 3, 4) +(0, , e, -1) = (1, 2 + , 3 +e, , a 4 (0, 1, -1, 2) = (0, 4, -4, . 4 je je 8) Obzirom na tako 3) denirane + i skup R realni vektorski n i C n : zbraja operacije prostor. Potpuno analogno se deniraju zbrajanje i mnooenje skalarom za elemente iz R se po koordinatama, a skalarom mnooi tako da svaku koordinatu pomnooimo tim skalarom. n i C n su Uz denirane operacije svi tako vektorski R prostori. Primjer Uzmimo skup svih neprekidnih funkcija s nekog I u skup 2 R. 4 Denirajmo da zbroj intervalatakvih dviju f i g na x djeluje po pravilu funkcija varijablu I (f + g)(x) = f (x) + g(x), a da umnooak f skalarom R na x djeluje po pravilu funkcije varijablu I ( f )(x) = f (x). Uz tako denirane operacije skup svih neprekidnih realnih funkcija kojima je I Lin domena i realni vektorski prostor. Analogno bi se denirao vektorski prostor realnih funkcija koje su naintegrabilne, I derivabilne ili neprekidne.
Analogne denicije se mogu preuzeti i za kompleksne funkcije tj. funkcije s kodomenom C: sve kompleksne funkcije s istom domenom Line kompleksan vektorski prostor.
2

Gotovo sva terminologija vezana za vektore-strelice nepromijenjeno se prenosi na ovako opcenitije shvacene vektore. Denicija 2 (Linearna Linearna kombinacija (konaLno mnogo) v, kombinacija) je svaki izraz (vektor) v+ w+ vektora . Skalare u linearnim kombinacijama Lesto u, . . . oblika u+. . . zovemo koecijentima . JednoLlane linearne kombinacije su vi2ekratnici nekog v tj. v . vektora vektori Primjer Linearne kombinacije (1, 2, 3, 4) i (0, 1, 0, 1) iz R 4 su oblika (1, 2, 3, 4) 5 (0, 1, 0, 1)vektora + , 3 , 4 + + =(,2 . ) Primjer Polinomi su linearne kombinacije monoma (u prostoru svih funkcija s R u 6 R). Napomena Uz odre ena dodeniranja, koja necemo ovdje razra ivati, za operacije koje se 1 rade pri izjednaLavanju redoks-reakcija preko polujednadobi oksidacije i redukcije mooemo reci: raLuna se odre ena linearna kombinacija polujednadobi oksidacije i redukcije. Hessov zakon mooemo formulirati i ovako: ako se neka reakcija mooe zapisati SliLno, kao linearna kombinacija nekih drugih reakcija, onda je reakcijski gradijent bilo koje ekstenzivne veliLine stanja (primjerice, reakcijska entalpija ili reakcijska Gibbsova energija) jednak linearnoj kombinaciji reakcijskih gradijenata te iste veliLine pojedinih reakcija, i to s istim koecijentima: ako je reakciju R moguce zapisati kao R i , onda je Y Y za Y = H, . i r i r,i i i = G, . . . Koje god vektore uzeli, uvijek je moguce naci njihovu linearnu kombinaciju ko ja da je nulvektor. To je tzv. trivijalna linearna kombinacija u kojoj su svi koecijenti jednaki nuli. Je li to jedini naLin kako nulvektor zapisati kao linearnu kombinaciju nekih vektora? To ovisi o tome li ti vektori linearno zavisni ili jesu ne. Denicija 3 (Linearna KonaLan skup vektora {v, w, je linearno zavi(ne)zavisnost) se (bar) jedan od vektora tog skupa mooe zapisati kao linearna kombinacija u, . . .} san skup ako ostalih Skup vektora koji nije linearno zavisan zove se linearno nezavisan vektora. skup. Iz denicije vidimo: svaki skup vektora koji sadroi nulvektor je linearno zavisan. ako Naime, skup gledamo {0, v, , odmah vidimo da se jedan od tih vektora, nulvektor, w, mooe napisati kao linearna. . .} kombinacija 0 = 0 v + 0 w . Nadalje, svaki jednoLlan ostalih:v = 0 je +... skup {v } s linearno nezavisan. Primjer Svaka dva proporcionalna vektora su linearno zavisna. (1, 2, 3, 4) i 4. 7 2, 3, 4) = (i, 2i, 3i, Primjerice, i(1, su linearno zavisni u C 4i) Ako je skup {v, linearno zavisan, primjerice jer v mooe zapisati kao linearna w, . . kombinacija ostalih vektora.} v se= w ), onda se nulvektor mooe na jo2 jedan (osim ( +. trivijalnog) naLin zapisati kao linearna . .kombinacija tih = = 1 v - w . Dakle, mooemo vektora: -. reci: skup vektora je linearno zavisan ako se osim na trivijalan naLin. . 0 v + 0 w ) ( nulvektor mooe zapisati kao linearna kombinacija tih vektora na bar jo2 jedan + . . . n (ili n , M naLin. provjeriti linearnu (ne)zavisnost nekog skupa vektora iz Kako isl.)? Na m,n R C jjednostavniji naLin je preko ranga matrice. 3

w,

Primjer 8 i (0, -1, 2)

U A = 2 1 mooemo njene retke shvatiti kao dva (2, 1, 0 -1 2 matrici 3 vektora 3) u R 3 , a njene stupce kao tri vektora (2, 0) , (1, i (3, 2) u R 2 . -1) Denicija 4 (Rang Ako retke matrice (ili njene stupce) shvatimo kao vektore, matrice) je broj linearno nezavisnih redaka (odnosno stupaca) te rang matrice matrice. 3 Rang matrice odre ujemo tako da matricu podvrgnemo elementarnim sve transformacijama da su u njoj samo nule osim eventualno na dijagonalnim mjestima. Bro dok ne postignemo j nenul-elemenata na dijagonali je rang matrice. 2 -2 3 Primjer Rang A 4 -4 6 je 2 (provjerite!) odnosno ona svaka dva 9 matrice = njena -3 3 1 retka i svaka dva njena stupca su linearno nezavisna. Ako je matrica m njen rang ne mooe biti veci od manjeg od bro m i n. tipa n Primjerice, matrica iz M2,3 ne mooe imatijeva veci o d rang 2. elimo li za neke vektore utvrditi jesu li linearno zavisni ili ne, ukoliko su dani u koordinatnom obliku, dovoljno je zapisati ih kao stupce matrice i odrediti jo j rang. Primjer Recimo da nas zanima jesu li (1, -1, 0, , (2, 1, 1, i (0, 1, 0, 1) linearn 4 . 10 vektori 1) o nezavisni vektori iz Tada treba odrediti rang 1) R matrice 120 -1 1 1 . 010 1 1 1 Elementarnim transformacijama dobivamo: 120 100 100 100 100 -1 1 1 -1 0 1 001 001 010 ~ ~ ~ ~ 010 010 010 010 001 1 1 101 001 000 000 1 te je rang matrice 3 (tj. onoliko koliko smo imali vektora) te su zadani vektori linearno nezavisni. Denicija 5 Najveci broj elemenata koje u danom vektorskom prostoru (Dimenzija) linearno nezavisan mooe vektora zove se dimenzija imati neki skup prostora. n su n -dimenzionalni Primjer Realni vektorski prostori realni vektorski prostori. 11 R SliLno, vektorski prostori n su n -dimenzionalni kompleksni vektorski C prostori. Primjer Realni vektorski Mm,n su m -dimenzionalni realni vektorski 12 prostori n prostori. SliLno, vektorski Mm,n (C ) su m -dimenzionalni kompleksni vektorski prostori n prostori.
3

Kod odre ivanja ranga matrice elementarne transformacije smiju se izvo diti i sa stupcima.

Primjer Vektorski prostori realnih neprekidnih/derivabilnih/integrabilnih funkcija s 13 istom domenom su beskonaLnodimenzionalni: ma koliko velik linearno nezavisan skup vektora (funkcija) uzeli, uvijek je moguce naci jo2 neku funkciju koju mooemo dodati u taj skup, a da on ostane linearno nezavisan. Korisno je zapamtiti: svaki skup vektora ko ji sadroi vi2e elemenata nego 2to je dimenzija prostora sigurno je linearno zavisan. 01 5 10 20 -3 -1 -1 Primjer Matric , , , i su line11 -1 2 00 00 54 -1 -1 14 e arno zavisne jer se radi o 5 matrica iz M2 koji ima 2 2 = . dimenziju 4 Denicija 6 Baza prostora je bilo koji linearno nezavisan skup vektora koji ima (Baza) elemenata kolika ono- dimenzija liko je prostora. Primjer Kanonska baza za R n je skup {e 1 , e2 , . . . , en } vektora iz tog prostora koji su 15 na i-toj poziciji ima oblika: ei 1, a na svim ostalim nule. Da je to baza vidi se po tome 2to je prikaz broj (1, 0, 0, . . . , 0, 0) + 2 (0, 1, 0, . . . , 0, 0) + . . . + n (0, 0, 0, . . . , 0, 1) x x = = 1 e1 + 2 e2 + . . . + n en x x x moguc i jedinstven za svaki (x 1 , x2 , . . . ,n ) Rn odnosno (x 1 , x2 , . . . ,n ) Cn . vektor x x Primijetimo da smo time obrnuli dosada2nje shvacanje baze: V 3 smo primjerice u odabirom neka tri vektora kao baze (recimo, kristalografske baze) denirali 2to su ko ordinate svih ostalih vektora, dok su oni sami imali [1, 0, 0], [0, 1, 0] i [0, 0, 1]. Sad pak u prostorima koordinate tipa Rn i C n prvo n -torke, a bazu za ko ju bi to stvarno bile koordinate zovemo imamo kanoskom. Primjer Matric E ij M m,n koje na svim pozicijama (i, j ) imaju nule, a na 16 e1, Line kanonsku bazu od osim Mm,n . toj poziciji imaju Osnovno svojstvo baze prostora je da se svaki vektor mooe prikazati kao linearna kombinacija vektora baze, i to na jedinstven naLin. Takav zapis prikaz vektora u . zovemo koecijente u takvom prikazu, potrebno je rije2iti sustav linearnih jednadobi ko bazi elimo li odrediti ji proizlazi iz te denicije.
1

(x 1 , x2 , . . . ,n ) = x x

Primjer Vektor (2, -1, 0, , (1, 2, 3, 4) , (1, 1, 1, i (0, 1, 0, 0) su baza za R 4 jer su linearno 17 i 0) nezavisni (provjerite to1)preko ranga matrice). Prikaz proizvoljnog (x, y , z, w) u toj bazi vektora je po deniciji oblika (x, y, z, w) = (2, -1, 0, 1) + (1, 2, 3, 4) + (1, 1, 1, 0) + (0, 1, 0, 0) = = (2 + + , - + 2 + + , 3 + , + 4). elimo li (1, 0, 0, 0) zapisati u toj bazi, trebamo naci , , , takve da je recimo (1, 0, 0, 0) = (2 + + , - + 2 + + , 3 + , + 4 ) 5

tj. sustav

rije2iti 2 ++ = 1, - + 2 + + = 0, 3 + = 0,

+ 4 = 0. Buduci znamo da se radi o bazi, sigurno je da taj sustav ima jedinstveno rje2enje. Ono iznosi = 5 , = - 1 10 , = 3 10 , = 3 10 . 2 Dakle, (1, 0, 0, 0) koji u kanonskoj bazi ima [1, 0, 0, 0], obzirom na 2 , - 1 ,koordinate 3 , 3 vektor novu bazu ima . 5 10 10 10 koordinate Dimenziju studenti Lesto mije2aju s bro jem elemenata. Dimenzija je najmanji broj vektora potreban da kao njihove linearne kombinacije mooemo zapisati sve vektore. U svakom vektorskom prostoru vrijedi: ako prostor sadroi bar jo2 jedan vektor osim nulvektora, onda ta j rostor sadroi beskonaLno mnogo elemenata. To je lako vidjeti: ako p v = 0 onda su za svaki je skalar (a njih ima beskonaLno mnogo) v razliLiti. Stoga svaki vektorski vektori prostor osim V = {0} sadroi beskonaLno mnogo elemenata, neovisno o tom je li konaLne ili beskonaLne dimenzije . Dva vektorska prostora izomorfn ako do na smisao/vrstu vektora i operacija s su a nema razlika me u njima. Smisao je sliLan njima kemijskom: izomorfnost znaLi jednakost struktura, razliLitost sadroaja. ali dopu2ta Primjer Vektorski prostori 3 , M 3,1 (R ) , V3 i V3 (0) su izomorfni. Prva dva su 18 R izomorfni x jer iako su elementi prvog (x, y, , a elementi drugog y , operacije se izvode oblika z) oblika z po istim pravilima razlika je samo u stilu zapisa. Putem V3 odnosno V 3 (0) 3 . koordinatizacije da su i oni izomorfni s mooe se provjeriti n i M n i M R Opcenito, vektorski prostori n,1 (R ) odnosno C n,1 ( C) su R izomorfni. Primjer Svak M m,n je izomorfan s mn to se vidi tako da matricu shvatimo m 19 i R kao a bn torku jednostavnim nabrajanjem njenih elemenata po retcima. Recimo, cd matrice mooemo shvatiti i kao ure ene (a, b, c, d) bez da ima bitnih promjena u zbrajanju Letvorke skalarom (zbroju dviju matrica odgovara zbroj i mnooenju odgovarajucih Letvorki, a produktu ma- skalarom odgovara produkt odgovarajuce Letvorke s tim skalarom), pa trice M2 i R 4 izomorfni su . Zapravo: svi realni vektorski prostori iste (konaLne) dimenzije su izomorfni pa stoga Rn prostore (R ) (ovisno o tom s kojim nam je trenutno jednostavnije raditi) mooemo ili M n,1 prototipovima smatrati n -dimenzionalnih realnih prostora. 01 5 10 Primjer Recimo da nas zanima jesu li , i line11 -1 2 00 00 20 matrice arno zavisne, kako je M2 izomorfan s 22 = R4 , treba ispitati linearnu nezavisnost R vektora (0, 1, -1, , (5, 11, 0, i (1, 0, 0, 0) . 2) 0) 6

Denicija 7 (Unitarni Vektorski prostori) jedna operacija (skalarni produkt vektora, u prostor rana jo2 oznaci v, v 0; v, v = 0 v = 0, v, w = w, v ,

V je unitaran ako je na njenmu deni- w ) v, sa svojstvima

u, v + w = u, v + u, w, v , w = v, w. Pritom naravno ta svojstva moraju vrijediti za sve v , w, u V i skalare . vektore Za realne vektorske prostore drugo svo jstvo svo di se na komutativnost skalarnog pro dukta: v, w = w, v. Dva u primjenama najLee kori2tena skalarna pro dukta opisana su sljedecim primjerima. Primjer Na n i C n uobiLajeno je skalarni produkt denirati 21 R s (x 1 , . . . ,n ), 1 , . . . ,n ) = 1 y1 + . . . + n yn . x (y y x x Primjer Na vektorskom prostoru realnih funkcijan integrabilnih [a, b] (gdje neki 22 a i b mooe na i beskonaLan) uobiLajeno je skalarni produkt denirati oba od biti s
b

ili

f,g=
a

f (x)g(x) dx.

Ako promatramo funkcije kojima je kodomena C (kompleksne funkcije), odgovarajuci skalarni produkt se denira s f, g =
a b

gdje je s f * oznaLena funkcija koja je denirana . Ovaj skalarni produkt je s vrlo Lest u kvantnoj zici i kemiji. Primjer U poglavlju o algebri vektora vidjeli smo da u sluLaju vektora koji su 23 zadani koordinatama obziroma na ortonormiranu bazu njihov skalarni produkt raLunamo po i - 5- k pravilu [x , y , z ] = xx + yy + [x, y, z] . Primjerice, skalarni produkt 2s i + - j - - k zz vektora vektorom -je [2, 0, -5] [-1, 1, -1] = -2 + 0 + 5 = . i , -j , -k } 3 izomorfnost Koristeci V3 (O) (s ortonormiranom {)i M , prostora da za vektore v = x y z i v = x y z bazom njihov skalarni produkt mooemo izraLunati kao
3,1

f * (x)g(x) dx, f * (x) = f (x)

vidimo

v, v = t v v. Zadatak 1 Na ite sve primjere kori2tenja skalarnog produkta integrabilnih funkcija u poglavlju o primjenama integral. 7

U svakom unitarnom prostoru mooe se norma (duljina) preko denirati vektora jednakosti: ||v|| = v, v . n i C n norma Primjer U vektora se raLuna 24 R formulom 2 + . . . + 2 . || 1 , . . . ,n )|| = 1 n (x x x x Dva vektora unitarnog prostora zovu ortogonalni ako im je skalarni produkt se m nula. Svaki skup vektora unitarnog prostora u kojem su svaka dva vektora ortogonalna je linearno nezavisan . Primjer Vektor (1, -1, 2, 0, 3) i (0, 2, 1, 4, 0) su ortogonalni u R 5 jer im je skalarni 25 0 + (-1) 2 +i 2 1 + 0 4 + 3 0 = produkt 1 . 0 Primjer Retci (stupci) ortogonalne matrice, shvaceni kao vektori, su svaki na svakog 26 ortogonalni . Primjer Vodikova 1s i 2s orbitala su ortogonalne. Naime, 1s orbitala je valna 27 1 funkcija a 1 = e-r /a 0 , 2s orbitala je valna = 1 2 - r e-r/(2a 0 ) .
0 0 funkcija su formule za obje valne funkcije dane u sfernim koordinatama. Njihov skalarni produkt je zapravo trostruki integral (o tom vi2e kasnije), no kako su s orbitale sferno simetriLne, uvjet ortogonalnosti tih valnih funkcija se pojednostavljuje na oblik

1,0,0

3 0

1,0,0

8a

Pritom

4r

1,0,0

(r )

2,0,0

(r) dr = 0.

Tu faktor 4 r 2 potjeLe od vi2estrukog integrala u sfernim koordinatama. Kako obje funkcije sadroe multiplikativne konstante koje ne mogu utjecati na to je li gornji integral nula, dovoljno da je je provjeriti
+ 0

r 2 e-r/a

2-r

a0

e-r/(2a

dr 0.

RaLunamo : +
0

2-r

a0

-3r/(2a

dr 2

=
0

r e
2

-3r/(2a

dr - 1

a0

r 3 e-3r/(2a

dr =

Tu smo formulu Zadatak 2

koristili

+ 0

= 2 - 1 3! (3/ )) 3 a0 (3/ 0 2! (2a (2a r n e-ar dr = nn! . +1

a

= )) 4 0. 0

Pokaoite da su funkcije

f n i gm denirane s f n (x) = cos (nx) , gm (x) = sin (mx) za sve vrijednosti m, n 8

ortogonalne intervalom

nad

[- , ]

N .

Baza unitarnog prostora zove se me usobno ortogonalni. Kanonske baze 4 : R uvijek vrijedi i nejednakost

ortonormirana ako su svi vektori u njoj norme 1 n i C n su baza i za ortonormirane. U unitarnim prostorima | v, w | ||v || || w||. Jednakost vrijedi ako i samo ako su v i w kolinearni (tj. {v, w} je linearno vektori kraj, spomenimo i po skup zavisan). Za potprostora . Potprostor je podskup S nekog vektorskog prostorajam da je zbro j svaka dva vektora takav S ponovno u S i takav da je produkt skalara s iz vektorom S ponovno iz S . iz Primjer Skup svih rje2enja homogenog sustava linearnih jednadobi n nepoznanica mooe n (vidi 28 shvatiti kao potprostor od R s se prethodno poglavlje).

Kako ste vec primijetili, vektorski prostori su posebna vrsta skupova. Stoga se me u funkcijama domene i kodomene vektorski prostori istiLu one koje po2tiva ju tu ko jima su posebnost. ^ Denicija 8 (Linearan Linearan operator 5 je A : V ( V i W su operator) prostori, oba realni ili oba kompleksni) koja ima sljedeca dva W funkcija vektorski svojstva: ^ A(v + w) = A(v) + A(w (aditivnost , ^ ^ ) ) ^ v) = A(v A( (homogenost ^ ) ) za sve v, w V i skalare . Ako W = R odnosno W = C, linearan operator zovemo je linearnim funkcionalom . ^ ^ Kod linearnih operatora nije uobiLa jeno A(v vec se pi2e A ; glavni razlog je 2to su pisati ) v linearni operatori poopcenje mnooenja vektora ksnim bro jem. ^ ^ Primjer Za svaki vektorski V funkcij I : V koja ni2ta ne radi I(v) = ) i 29 prostor koja svim vektorima pridruouje nulvektor a V (^ v funkcij ^ : V 0 0(v) = ) su linearni atzv. jediniLni i nulV ( 0 operatori operator. Primjer Neodre eni dx je linearan operator, kao i operator = d . dx 30 integral deriviranja Primjer Trag matrice je linearan 31 funkcional. Primjer Pridruoivanje koje svim f derivabilnim c = 1 pridruouje f je 32 funkcijama (f + g) (1) = f (1) + g (1) linearan funkcional jer iu ( f ) (1) = f . je (1) (1)
4 5

Linearni operatori

Nejednakost Cauchy-SchwarzBunjakovskog. Sm izraz operator obiLno se koristi za bilo kakvu funkciju ko joj su domena i kodomena vektorski prostori.

^ p

^ x

Primjer U kvantnoj mehanici se dinamiLke veliLine klasiLne mehanike (primjerice, 33 koordinata, brzina, kinetiLka energija, potencijalna energija, koliLina gibanja) predstavljaju linearnim koji djeluju na prostoru valnih funkcija. Tako je kvantna koliLina gibanja operatorima (za gibanje po x-osi) operator px koji ^ valnoj pridruouje njenu derivaciju po poziciji x pomnooenu s -i (pi2e se px = -i ^ funkcijid ). px valnoj ^ pridruouje valnu dx koja na svoju x djeluje poDakle, pravilu px (x) = -i ^ funkciji . funkciju x ^ varijablu (x) Potencijalnoj V u kvantnoj mehanici odgovara V koji na valnu ^ energiji operator djeluje tako da jednostavno pomnooimo potencijalnu energiju s valnom funkciju V (x) funkcijom: . = V (x) (x) SliLne formule vrijede i u sluLajevu ovisnosti valnih funkcija o dvije ili tri koordinate. Osobito vaoan me u kvantnomehaniLkim linearnim operatorima je Hamiltonijan (koji ^ je kvantnomehaniLka verzija ukupne energije). Prema gornjem, H djeluje izme u ^ ^ Hamiltonijan vektorskih prostora valnih funkcija i linearan je operator H ( + ) = H + H i H( ) tj.H za ^ ^ = ^ sve valne i i sve kompleksne . funkcije brojeve ^ d koji djeluje na prostoru derivabilnih funkcija Zadatak 3 Neka je zadan operator A =x dx ^ + (s istom domenom i x ). Pritom je oznaLen operator koji funkciji pridruouje ^ d d f (x) = xf (x) + f varijablom x . s produkt s Af (x) = x f (x) = x njen f (x) . dx dx + (x) Primjerice, ^ A(a sin(bx))Dakle, sin(bx) + ab = ax ^ . + cos(bx) Za primjene u kemiji, osobito kristalograji, izuzetno su bitni operatori simetrije: linearni ^ operatori A : R3 R 3 za koje vrijedi dodatno svojstvo neki dio prostora molekulu ili kristal preslikavaju na samu sebe tj. ne vidi se razlika izme u te molekule ili kristala prije i oslije djelovanja operatora. Najvaoniji takvi operatori su jediniLni operator, centralna p simetrija ko ja svakom vektoru pridruouje suprotni (inverzija) (v) = ), zrcaljenje obzirom na ( -v neku ravninu i za neki kut oko nekog pravca. Kad se oni koriste prirodno se rotacija poistovjecuju radij-vektori toLaka sa samim toLkama prostora (tj. operator djeluje na radij[x, y, z], a vektor dobiveni novi radij-vektor daje ko ordinate toLke gdje je nakon djelovanja operatora zavr2ila toLka (x, y, ). MatematiLki reLeno, pre2utno se koristi izomorfnost vektorskih V 3 (0) prostora i R 3 . z) Primjer Svejedno je da li dva vektora prvo zbrojimo pa onda rotiramo z -osi za pravi 34 oko kut u pozitivnom 6 ili prvo svakog od njih zarotiramo z-osi za pravi kut u smjeru te dobivene vektore zbrojimo (aditivnost) i svejedno je da li prvo zarotiramo vektor oko pozitivnom pa dobiveni vektor produljimo/skratimo za neki faktor ili prvo produljimo/skratimo vektor pa onda zarotiramo (homogenost). Primjer Zrcaljenj x-y- ravninu ne x i y koordinatu, a z koordinat h obzirom 35 e na mijenja i mijenja predznak. Dakle, h (x, y , z) = (x, y, -z). Linearni operatori se uz uobiLa jene uvjete na domenu/kodomenu mogu komponirati ^ (kompozicija linearnih operatora je linearan operator), s tim da je uobiLajeno A ^B pisati ^^ umjesto i ko d drugih funkcija, komponiranje nije komutativno, tj. osim u rijetkim sluLa AB . Kao jevima
6

Pozitivni smjer je smjer suprotan smjeru kazaljke na satu.

10

^^ ne A B = B A . U analizi simetrija molekula i krisala Lesti su sljedeci komponirani ^ vrijedirotoinverzije (kompozicije rotacija s inverzijama) i rotoreeksije (kompozicije rotacija ^ operatori: sa zrcaljenjem obzirom na ravninu okomitu na os rotacije). Primjer U kvantnoj mehanici Lesto je potrebno komutator . Komutator operator ^ ^ ^ 36 i B je operator [A, ^ ] = A B - ^ B A . Komutator je nuloperator toLno kad raLunati B e A ^ ^ ^ ^ A i B ^^ operatori komutiraju (kad A B^ = B A ). ^ d i x je ^ je Primjerice, ^komutator ^ jediniLni I jer dx operatora operator vrijedi d x f (x) = xf (x) - x d dx , ^ dx ^ dx f (x) = (xf (x)) - xf (x) = f (x) + xf (x) - xf (x) = f d ^ (x), dakle je za svaku funkciju f (vektor) d x f = f = I dx , ^ ^ f tj . ,x = I. ^ ^ Neki linearni operatori su invertibilne funkcije. Takve linearne operatore zovemo izomorzimima (vektorskih prostora). Inverzna funkcija linearnog operatora je uvijek linearni ^ ^ operator. Taj inverzni linearni operator o A oznaLavamo s A-1 . Denicija inverzne funkcije ^^ ^ d linearnih operatora poprima AA-1 = ^A-1 A = I .kontekstu oblik ^ Korisno je zapamtiti i jedno zajedniLko svojstvo svih linearnih operatora: linearni 7. operator nulvektor domene preslikava u nulvektor ko domene
d dx

2.1

Matrica linearnog operatora

Kad baratamo funkcijama s bro jevima, uobiLajeni su kratki formalni zapisi pravila pridruoi- ji nam omogucuju ekasno raLunanje vrijednosti funkcije. Tako primjerice, umjesto vanja ko da kaoemo da neka funkcija raLuna kvocijente bro jeva s njihovim prirodnim logaritmima, kratko f (x) x . pi2emo ln x = Primjer Funkcija koja svim realnim brojevima pridruouje njihov dvostruki broj mooe 37 zapisati kao f se (x) = . Ona je linearan f (x+x ) = 2(x+x ) = 2x+2x = f (x)+f i operator: . Zato se funkcije (x ) f ( x) = 2( x) 2x (2x) = f = f (x) = zovu linearnim (x)kratko ih opisujemo kao mnooenje s oblika ax funkcijama, a a. brojem ^ Ako su V i W realni 8 prostori n odnosno m , linearan operator A : V mooe dimenzije M W se zamisliti kao mnooenje vektora slijeva s A , Lime dobivamo n,1 m,n iz Mm,1 : matricom M vektor ^ Av = A v. Ako znamo ko ju matricu uzeti u gornjoj jednakosti, onda raLunanje rezultata djelovanja ^ operatora A na razne vektore postaje jednostavno. No, ima jedan problem: svakom operatoru
^ Dokaz je lagan i slijedi iz aditivnosti i homogenosti linearnih A0 = ^ A(v - v) = ^ 8 operatora: pravila vrijede za kompleksni sluLa j, samo tada dobivamo kompleksne Analogna matrice.
7

Av - ^ Av = 0 .

1 1

b = c a = 2v

odgovara beskonaLno mnogo razliLitih matrica. Ko ju matricu cemo odabrati, ovisi o tome koju bazu odabrali za prikaz vektor iz smo V i koju smo odabrali za vektore W. V iW Naime, se mogu shvatiti Mn,1 i M m,1 , ali tek iz ako odaberemo njihove baze i onda njihove kao zapisujemo koordinatno u tim vektore bazama. i - - k j i + - k Primjer Neka je za V3 (O) odabrana baza , i . Uz i , -j , -k } 38 taj odabir, koji u standardnoj {ima [5, 4, -2] u novoj bazi b , c } a vektor bazi [3, 4, 1] koordinate {- , ima k + - j + 2 i + - k = ( + k i + - j + (2 )+ )+ 2 = 5, - = -2, = 4 = 1, = 4, = 3. a b , Dakle, ako nam je {- , - c } iz nekog razloga pogodnija za rad (primjerice, jer nam baza potrebna kao kristalografska baza za neki je kristal monoklinskog sustava), onda cemo vektore iz3 (0) shvacati kao matrice V M 3,1 koje su im koordinate obzirom na tu bazu, dakle cemo iz 3 5 za vekto pisati 4 , a ne 4 . r 1 -2 x Za y M (i sliLno za ostale matrice-stupce) u daljnjem cemo 3,1 matrice koristiti z zgodniji zapis [x y z]t . Ako smo odabrali B V domene i B W kodomene (dakle, ako znamo na koji naLin ^ baze smo V poistovjetili s M n,1 , a W s Mm,1 ), onda je matrica A u jednakosti Av = A jedinstven v odre ena ako je v opisan koordinatama obzirom na B V i tako shvaceno kao ^ matricastupac, rezultat mnooenjabazu A biti ce koordinatni zapis (u B W ) vektora ko jeg operator A bazi napravi iz v. Krace: ako je v v zadan koordinatama obzirom na bazu V , onda A predstavlja ^ v A(v u koordinatama obzirom na u bazu W. ) u Napomena Operatori na beskonaLnodimenzionalnim prostorima ne mogu se prikazati 2 matricama. Primjerice, ne postoji matrica operatora deriviranja. Stoga u nastavku ovog poglavlja o matricama linearnih operatora podrazumijevamo da se bavimo samo konaLnodimenzionalnim prostorima . ^ Napomena 3 Ako znamo da operator A preslikava vektore baze domene u neke vektore ^ Lije koordinate u bazi kodomene znamo, ondakodomene, matrice su elementi A obzirom na te od odabrane baze toLno po stupcima poredane koordinate slika vektora baze domene. Primjerice, ako matrica 210 A 007 = -5 2 4
3 u R 3 gdje smo i za domenu i za kodomenu odabrali istu predstavlja neki linearan operator s R bazu {a, b, c} , onda je a = (1, 0, 0) t , b = (0, 1, t i c = (0, 0, 1) t i 0) 1 2 ^ = Aa = 0 0 = 2a - 5c, A 0 -5

i + 4- j koordinate- i - - 2- k = 5-

1 2

^ Ab A ^ Ac A

0 1 = 0 0 0 = 1

1 0 = a + 2c, 2 0 7 = 7b + 4 4c.

Zanimljivo je da ipak postoji veza izme u svih mogucih matrica jednog te istog sve operatora: sliLne tj. jedna iz druge se mogu dobiti primjenom elementarnih su one transformacija. su A i B dvije matrice istog operatora, obzirom na razliLite baze, onda posto Preciznije 9 , ako ji invertibilna X takva da je B = -1 A . matrica X X ^: V Primjer JediniLni I obzirom na bilo koju bazu uvijek kao 39 jediniLnu operator (to je jedina V matricu ima matricu matrica koja mnooenjem s bilo kakvom matricomstupcem odgovarajuce veliLine ne mijenja brojeve u njoj). Nuloperator ^ : V 0 obzirom na bilo koji odabir baza ima nulmatricu m ako je n V dimenzij n i W dimenzij (tipa). W n e e Primjer Linearni funkcionali kao kodomenu imaju skup skalara tj. 40 prostor. Stoga jednodimenzionalan funkcionala matrice-retci. Primjerice, matrica traga su matrice linearnih kvadratnih matrica reda 3 (linearnog tr : 3 R) je funkcionala M ( 1 0 0 0 1 0 0 0 1 ), s tim da za kori2enje te matrice za izraLunavanje traga matrice A moram 3 matricu kao matricu-stupac M shvatiti M9,1 dobivenu nabrajanjem njenih elemenata po retcima o iz (dakle, koristeci izomorfnost deveterodimenzionalnih M3 i M9,1 ): prostora 2 1 0 210 0 =(100010001) tr 007 0 = (6). -5 2 4 7 -5 2 4 Primjer 41 slijedi inverzija
9

^ :

SliLno, ali notacijski kompliciranije vrijedi i za operatore izme u prostora koji su razliLite dimenzije, no ovdje da jemo samo varijantu za operatore izme u dva prostora iste, konaLne, dimenzije. 1 0 Podrazumijevat cemo da ako je domena jednaka ko domeni biramo istu bazu za domenu i kodomenu. MatematiLki to nije nuono, ali u primjenama su izuzetno rijetke situacije kad odabir nije takav.

Kako neovisno o odabiru baze inverzija mijenja predznak svih koordinata vektora, R 3 R 3 obzirom na sve moguce 10 odabire da baza ima -I matricu

13

Primjer 42

Zrcaljenje na

obzirom

x - yS x,y

ravninu obzirom na standardnu bazu ima matricu 100 . = 010 0 0 -1 (2, -5, -9) 2 -5 = -9 obzirom na 2 -5 . 9 zx -z- koordinate. i y -z- ravninu odabir (uz x-yravninu zrcalnosimetriLne

Tako, oelimo li izraLunati koordinate toLki toLke samo trebamo izraLunati 100 010 0 0 -1

Primijetimo da je to bilo oLekivano: samo se promijenio predznak Razmislite: kako bi izgledale matrice zrcaljenj obzirom na standardne baze)? Primjer 43 ima matricu Rotacija oko z -osi za kut

R z,

u pozitivnom smjeru (obzirom na standardnu bazu) cos - sin 0 . sin cos 0 001

elimo li znati gdje se nakon rotacije za nalazi toLka s poLetnim (x, y, , kut koordinatama z) samo treba pomnooiti R z, s [x y z]t . matricu matricom Razmislite: kako bi izgledale matrice rotacija za dani oko x i y osi (uz odabir stankut dardne baze)? IzraLunajte za 60 oko x -osi zarotirani polooaj toLke (1, 2, . 3) Kako vidimo, korist od znanja matrice operatora je da ako znamo koordinate vektora ko na operator djeluje obiLnim mnooenjem matrica mooemo izraLunati rezultat tog jeg djelovanja je da su baze u ko jima zapisujemo vektore uskla ene s o dabirom matrice. jedini uvjet tavi2e, kompoziciji operatora o dgovara produkt matrica, a inverznom operatoru odgovara inverzna matrica . Primjer elimo li izraLunati poziciju toLke (s radijr ) nakon 2to ju prvo 44 za 45 oko z-osi i zatim zrcalimo obzirom vektorom zarotiramo y - z -ravninu, dovoljno je izraLunati na produkt Sy,z R z,45 r . Svaka rotacija (oko bilo ko je osi kroz ishodi2te i obzirom na bilo koju bazu) uvijek je predstavljena ortogonalnom matricom s determinantom 1, a rotoinverzija je predstavljena ortogonalnom matricom s determinantom -1. Stoga, oelimo li provjeriti predstavlja li kvadratna A matrica neku rotaciju oko neke osi, treba provjeriti je li jo j determinanta 1 i je 3 li A t = 3M . A I 0, 36 0, 48 -0, 8 -0, 8 0, 6 0 Primjer Matric A je matrica neke rotacije (konkretno, 45 a = za 0, 48 0, 64 0, 6 priblion 74 oko pravca kroz ishodi2te s vektorom [-1, 2, 2] , no to nije o Stoga je njena inverzna, a ujedno i transponirana matrica, matrica rotacije za isti kut smjera bitno). iste oko osi, ali u suprotnom smjeru. 14

Neke veliLine iste su za sve matrice jednog operatora. One se zovu invarijante sliLnosti invarijante . Dvije najvaonije takve invarijante su determinanta i ili trag: sve operatora istog operatora imaju matrice jednake determinante i jednake tragove. Teorem 1 (Kristalografska Rotacije koje toLkama re2etke pridruouju 11 1, 2, restrikcija) toLke re2etke mogu biti iskljuLivo rotacije iskljuLivo 3, 4 ili 6 (tj. za 360 , 180 , 120 , 90 redova ). kuteve ili 60 Dokaz: Po deniciji re2etke, sve njene toLke obzirom na odabranu bazu (recimo: kristalo- ima ju cjelobrojne koordinate. Rotacija oko nekog grafsku) p mora biti pravca predstavljena ortogonalnom A . Ako je ta matrica odabrana obzirom na bazu re2etke, 3 matricom M buduci rotacija preslikava toLke re2etke samo u toLke re2etke, slijedi da su elementi A cijeli matrice dakle je i trag brojevi, A cijeli broj. S druge strane, odaberemo li neku drugu matrice z-os leoi na pravcu bazu tako da p, matrica na2e rotacije imat ce R z , iz primjera 43. Ta oblik matrica ima 1 + 2 cos . Kako trag ne ovisi o odabiru baze, slijedi da je 1 + 2 cos cijeli trag broj. Kako cos broj izme -1 i 1, jedine mogucnosti da 1 + 2 cos bude cijeli broj su 1 , - 1 tj = 90 je = 0, 1, -1, u cos , 360 , 180 , 60 , 120 . 2 2 .

2.2

Svojstveni vektori i svojstvene vrijednosti

Od posebnog znaLa ja u primjenama su vektori koje promatrani linearni operator preslikava u njima proporcionalne (kolinearne). Primjerice, kod rotacija oko pravca kroz ishodi2te samo kojima je smjer jednak smjeru pravca nakon rotiranja ne promijene smjer. Takvi vektori vektori svo jstveni vektori, a koecijent proporcionalnosti izme u svo jstvenog vektora i zovu se njegove slike nakon djelovanja operatora zove se svo jstvena vrijednost. Preciznije: ^ Denicija 9 (Svo jstveni vektori i svojstvene Neka je A : V lineara 12 . ^ ako za neki skalar vrijednosti) V n operator v = 0 zove se svojstveni vektor operatora A vrijed Vektor i ^ Av = v. ^ U tom sluLaju zovemo svojstvenom vrijednosti A (koja pripada skalar v). operatora svojstvenom vektor u ^ Primjer Schrdingerova H = je problem svojstvenih vrijednosti 46 svojstveni vektori su valne funkcije, E pripadne Hamiltoni- vrijednosti su energije jednadoba jana: a svojstvene sustava. Za2to smo u deniciji zabranili nulvektor kao svojstveni vektor? Zato jer bi onda ^ svaki bio skalar svojstvena A0 = 0 = za sve . Primijetimo: ako je v svo ^ ^ vrijednost: 0 vektor w jstveni A: vektor operatora A, onda su svi njemu proporcionalni = tako er svojstveni za ^ A(v) = Av = vektori v = . Dakle, ako operator ima svo jstveni v vektor ko ji pripada neko ^ svojstvenoj (v) , ima j ih beskonaLno mnogo. tavi2e, skup svih svojstvenih vrijednosti operatora (koji vektora ju istoj svo jstvenoj linearnog pripada ) kad mu dodamo vrijednosti nulvektor
Red rotacije za kut isto 2to i rotacija za
11 12

koji se mooe zapisati kao

360 5

= 72 . Ovdje je jako vaono da su domena i kodomena isti vektorski prostor.

360 n

s cijelim jem

bro

n je n . Primjerice, rotacija reda 5 je

1 5

Lini vektorski prostor (tzv. svo jstveni potprostor V ) tj. za danu svojstvenu vrijednost zbro od svojstvena vektora je svo jstveni vektor i skalar puta svojstveni vektor je svo jstveni j dva vektor. svih svojstvenih vrijednosti linearnog operatora zove Skup spektar . Zgodno je se zapamtiti: matrica je invertibilna ako i samo ako njen spektar ne sadroi nulu. Kako odrediti svo jstvene vektore i vrijednosti? Za linearne operatore na ^ konaLnodimenzionalnim prostorima to nije te2ko: neka A prikazan A obzirom na neku bazu je Denicijska jednakost sad poprima matriLni matricom Av = od V. tj (A - n )v = n,1 (ako je . I 0 n oblik dimenzija prostora). Pitamo se dakle: ima li homogeni v sustav opisan [A - I n |0] matricom rje2enja (osim trivijalnog ko je odgovara nulvektoru)? Ako da, ta rje2enja su koordinate svojstvenih vektora. OLigledno odgovor ovisi . Zbog veze izme u invertibilnosti i o determinante slijedi: Teorem 2 Ako je A , svojstvene vrijednosti bilo kojeg operatora opisanog n M matricom dobijemo nultoLke polinoma kojeg det(A - n ). Taj polinom zove izraLunavanjem istiLni polinom A (odnosno operatora I prikazanog karakterA). matrice matricom Napomena 4 Svojstveni vektori, spektar i karakteristiLni polinom su invarijante operatora tj. u gornjem postupku uvijek dobivamo iste rezultate, neovisno o tome obzirom na koju bazu smo odabrali matricu operatora. Primjer Odredimo spektar linearnog R z, : 47 operatora cos - - sin 0 2 ) = 0 R z, = sin cos - 0 = (1 - )(1 - 2 cos + 001daje
1

A su se

= 1, cos i sin (za = 0

2

dok su druge oblika 1, no iznose operator). Primjer 48 matrico m

dvije svojstvene vrijednosti kompleksne za taj kut rotacija je jednostavno jediniLni

one obje prikazan

Odredimo spektar i svojstvene vektore operatora koji je u nekoj bazi od R A = 2 -1 -1 . -4 polinom

2 - -4 -1 -1 - = ( + 2)( 3). Njegove nultoLke su = -2 i 2 = 3 , dakle je spektar na2eg operatora skup 1 Svojstvene vektore koji odgovaraju svojstvenoj 3 dobijemo vrijednosti homogenog sustava kojem je matrica A - : koecijenata 3I -1 -4 0 -1 -4 0 ~ 1 4 0 000

KarakteristiLni je

{-2, 3} . rje2avanjem

pa je x 1 + 4x 2 = 0 tj x1 = -4t , x 2 = t R. Rje2enja (svojstveni vektori matrice tj. A koji pripadaju. svojstvenoj 3) operatora vektori iz 2 oblik su dakle vrijednosti R a (x 1 , x2 ) = (-4t, t) = t(-4, 1). 16

Zadatak 4 Odredite svojstvene vektore operatora iz prethodnog primjera svoj- -2 . stvenoj vrijednosti Primjer Svojstvene vrijednosti dijagonalne matrice su brojevi na 49 dijagonali. 000 Recimo, ako je A 040 , onda je det(A - I) = = 0 0 -1 - (4 - )(-1 - ) pa je spektar te matrice {0, 4, -1} .

koji pripadaju

njenoj - 00 04- 0 0 0 -1 -

Jedna o d vaonosti svojstvenih vektora i svo jstvenih vrijednosti vezana je za pitanje dijagonalizacije: linearan operator mooe se dijagonalizirat ako mu je obzirom na neki odabir baze domene i kodomene matrica dijagonalna. i Pritom ce se ta baza uvijek sastojati od svojstvenih ji o dgovara ju svo jstvenim vrijednostima na dijagonali (u odgovara jucem vektora ko redoslijedu). Primjer U modelu krutog rotora koji se koristi za obja2njenje rotacijskih spektara 50 molekula, molekula se gleda kao skup jezgri na ksnim me usobnim polooajima odre enim prosjeLnom molekule o odre enom elektronskom i vibracijskom stanju. KinetiLka geometrijoim energija krutog tijela mooe se izraLunati rotacije formulom T=1 2
t

I,

gdje je vektor kutne brzine, I tzv. tenzor inercije (kvadratna matrica 3 na Lijoj direda jagonali su a momenti inercije obzirom na odabrane koordinatne osi, a izvan dijagonale su tzv. produkti inercije). Matric I se uvijek mooe dijagonalizirati u nekoj {a, b, c} ti dijagonalni a bazi (svojstvene I a I b I c ) zovu se glavni momenti inercije, elementi a vektori {a, b, c} vrijednosti odgovarajuce koordinatne osi) zovu se glavne osi inercije. baze (odnosno Vrijedi: ), 2 (I gdje su a , b , c koordinate od obzirom na {a, b, c} . Temeljem te dijagonalizacije rotoribazu se klasiciraju na linearne I a = 0 , I b = c ), sferne (I a (= b = c ), simetriLne (dva jednaka glavna momenta inercije, treci razliLit) iI asimetriLne (sva I tri I glavna momenta inercije razliLita). ^ Denicija Ako je V realan (kompleksan) vektorski prostor, linearan A : V ^ 10 simetriLan (hermitski) operator je ako Av, w = v , Aw za sve vektore v, w V . V vrijedi: ^ SimetriLni i hermitski operatori ima ju iskljuLivo realne svo jstvene vrijednosti. Za sluLa j konaLnodimenzionalni V vrijedi: Sve matrice simetriLnog operatora su simetriLne, o h matrice hermitskog operatora su hermitske. SimetriLne i hermitske matrice se mogu dnosno sve dijagonalizirati (tj. posto ji neka baza V takva da je u njoj matrica promatranog od odnosno hermitskog operatora dijagonalna, simetriLnog sa svo jstvenim vrijednostima na dijagonali).
a 2 a b 2 b c 2 c

T=1

+ I

+ I

17

Primjer Jedan od postulata kvantne mehanike je ne samo da se dinamiLke ^ (na 51 klasiLne zike veliLine u kvantnoj mehanici opisuju linearnim prostorima operatorimanego i da se mjerenjem valnih funkcija), za rezultat mogu dobiti samo svojstvene ^ . Primjerice, kad bismo mjerili energiju sustava, dobivali bismo veliLine vrijednosti operatora svojstvene vrijednosti Hamiltonijana. se osigurali da mjerne veliLine budu realne, postavlja se zahtjev: dinamiLke Da bismo ^. veliLine klasiLne zike se u kvantnoj mehanici opisuju hermitskim linearnim operatorima U sluLa ju da istoj svojstvenoj vrijednosti odgovara ju dva ili vi2e linearno nezavisnih svojstvenih vektora (tj. svojstveni potprostor ima dimenziju vecu od 1), tu svo jstvenu vrijednost zovemo degenerirano . m 3 koji obzirom na neku bazu ima Primjer Promotrimo linearan operator na 52 R matricu 101 . A 020 = 101 Njegov karakteristiLni polinom je
2 kA ( ) = - (2 - ) pa su mu svojstvene =0 i = . Odredimo svojstvene vrijednosti 2 tj. rije2imo homogeni sustav s svojstvenu- : 2 vrijednos A t matricom 2I -1 0 1 0 -1 0 1 0 ~ ~ 1 0 -1 0 . 0000 0000 1 0 -1 0 0000

vektore

za

Rje2enje sustava su sve (x 1 , x2 , x3 ) sa svojstvom x1 - x 3 = 0 , x2 = t R i x3 = s R trojke trojke tj. (s, t, s) = s(1, 0, 1) + t(0, 1, . Za t = 0 dobivamo svojstveni (1, 0, , oblikas = 0 svojstveni 0) vektor 1) a za (0, 1, 0) . (1, 0, i (0, 1, 0) nisu proporcionalni, dakle su vektor Vektori 21)odgovaraju linearno nezavisni, pa svojstvenoj dva linearno nezavisna vrijednosti= svojstvena vektora je degenerirana svojstvena vrijednost operatora prikazanog A. : 2 matricom Primjer U kvantnoj mehanici u sluLaju degeneriranih svojstvenih vrijednosti govorimo 53 degeneriranom o stanju sustava. Primjerice, za energetske nivoe (svojstvene vrijednosti Hamiltonijana) opisane glavnim kvantnim n > i azimutnim kvantnim 0 < l < brojem do degeneracija tj. postoji vi2e neproporcionalnih valnih funkcija (razliLitih orbitala, n 1 brojem dolazi prim- za l = i n = imamo 3 tzv. 2p-orbitale, koje opisuju elektrone s istom jerice 1 2 energijom).

1 8