Milan Janjić

Predavanja iz Lineare algebre 2,

2013.god.

Prirodno-matematički fakultet
Univerzitet u Banjoj Luci
 Predgovor

Knjiga je napisana po nastavnom planu i programu predmeta Linearna

algebra 2, koji se predaje u zimskom semestru, na drugoj godini Odsjeka za
matematiku i informatiku, Prirodno-matematičkog fakulteta u Banjoj Luci. To
odred̄uje njen osnovni cilj, da se studentima matematike jasno i jednostavno
prezentuje program ovog predmeta.
Sadržaj
 1
Prvo predavanje

1.1 Svojstvene vrijednosti operatora i matrica

1.2 Osnovni pojmovi

Može se reći da su sva naša dosadašnja razmatranja bazirana na sistemima
linearnih jednačina i nisu zavisila od prirode polja iz kojeg se uzimaju koefi-
cijenti sistema. Naime, rješenja sistema linearnih jednačina uvijek pripadaju
polju, iz kojeg su svi koeficijenti sistema.
U ovom ćemo dijelu vidjeti da se izučavanje nekih od najznačajnijih svoj-
stava linearnih operatora dobijaju pomoću nelinearnih algebarskih jednačina.
Poznato je, s druge strane, da rješenja nelinearnih algebarskih jednačina
bitno zavise od polja, kojem pripadaju koeficijenti jednačina.
Problem koji ćemo rješavati je sljedeći: Za dati operator koji djeluje na pro-
storu Vn = V odrediti bazu prostora, u odnosu na koju matrica tog operatora
ima najjednostavniju moguću formu. Matrice operatora u odnosu na različite
baze prostora su slične, pa se problem može izraziti i jezikom matrica i glasi:
Za datu kvadratnu matricu A odrediti ,,najjednostavniju ”matricu sličnu
matrici A. Drugim riječima, odrediti regularnu matricu P za koju je matrica
P −1 AP najjednostavnija moguća, tj. dijagonalna. Zbog toga se postupak kojim
se dobija tražena matrica često naziva dijagonalizacija. Vidjećemo da dijago-
nalizacija nije uvijek moguća.
Slična razmatranja u matričnom računu dovela su do rang normalne forme
matrice. Naime, za datu pravougaonu matricu B formata m × n postoje regu-
1.2. OSNOVNI POJMOVI GLAVA 1. PRVO PREDAVANJE

larna matrica S reda m i regularna matrica P reda n tako da je SBP rang

normalna forma matrice B. Ovaj problem je riješen teoremom ??.
Problem za slične matrice, mada izgleda analogan onom za pravougaone,
je znatno teži i predstavlja samu srž linearne algebre. To je primjetno već na
prvi pogled, jer da bismo odredili rang normalnu formu pravougaone matrice
mi odred̄ujemo dvije regularne matrice S i P, koje ne zavise jedna od druge.
Da bi na isti način riješili problem za slične matrice moralo bi biti S = P −1 ,
što se tehnikom elementarnih transformacija ne može postići.
Problemo koji želimo da riješimo vezan je za tzv. invarijante vektorskog pro-
stora. Invarijante su, slobodno rečeno, oni elementi prostora V koji djelovanjem
operatora A ostaju nepromijenjeni.
U procesu dijagonalizacije fundamentalnu ulogu imaju svojstvene vrijed-
nosti i svojstveni vektori operatora. U daljem će, zbog jednostavnosti pod V
podrazumijevati n-dimenzionalni prostor, tako da će nam fiksirani n značiti
uvijek dimenziju prostora.

Definicija 1.1
Neka je V vektorski prostor nad poljem K, a A ∈ End(V ). Kažemo da je
λ ∈ K svojstvena vrijednost operatora A, ako postoji vektor x ̸= 0 za koji
je A(x) = λx. Vektor x se naziva svojstvenim vektorom operatora A, koji
odgovara svojstvenoj vrijednosti λ.

Skup Vλ , koji se sastoji od nula vektora i svih svojstvenih vektora operatora

A, koji odgovaraju svojstvenoj vrijednosti λ je potprostor prostora Vn i naziva
se svojstveni potprostor svojstvene vrijednosti λ.

Definicija 1.2
Dimenzija potprostora Vλ naziva se geometrijska višestrukost svojstvene vri-
jednosti λ.

Ako je λ svojstvena vrijednost operatora, to znači da postoji x ̸= 0, za koji

vrijedi (λE −A)(x) = 0, tj. vrijedi Ker (λE −A) ̸= {0}, a to znači da je operator
λE − A singularan. Ako je A matrica linearnog operatora A, u odnosu na neku
bazu {e1 , . . . , en }, za singularnost operatora λE − A potrebno je i dovoljno da
vrijedi
det(λE − A) = 0. (1.1)
Tako dolazimo do važnih pojmova, koje uvodimo sljedećom definicijom.

2
GLAVA 1. PRVO PREDAVANJE 1.2. OSNOVNI POJMOVI

Definicija 1.3
Matrica E · λ − A naziva se svojstvena matrica operatora A, a jednačina (po
λ)
det(E · λ − A) = 0, (1.2)
svojstvena jednačina operatora.
Lijeva strana jednačine (??) je polinom p(λ), n-tog stepena λ. ako je on
oblika p(λ) = λn + a1 λn−1 + · · · + an , ondaćemo polinom

p(x) = xn + a1 xn−1 + · · · + an . (1.3)

nazivati svojstvenim polinomom operatora A.

Primjedba 1.4
Umjesto riječi svojstveni koriste se ravnopravno i riječ karakteristični ili sop-
stveni.

Odred̄ivanje svojstvenih vrijednosti datog operatora svodi se, dakle, na odred̄ivanje

korijena svojstvenog polinoma, tj. na rješavanje algebarske jednačine n-tog reda

xn + a1 xn−1 + · · · + an = 0.

Rješenja te jednačine zavisi od polja iz koga su koeficijenti jednačine i u

kojem pripadaju rješenja jednačine.
U tim razmatranjima bitnu ulogu igra Osnovna teorema algebre koja glasi:
Svaka algebarska jednačina n-tog reda, nad poljem kompleksnih brojeva (ili bilo
kojim algebarski zatvorenim poljem), ima tačno n korijena (ako se računaju i
višestrukosti). Prema tome, ako su koeficijenti a1 , a2 , . . . , an kompleksni brojevi
onda vrijedi

xn + a1 xn−1 + · · · + an = (x − λ1 )µ1 + (x − λ1 )µ2 ) + · · · + (x − λ1 )µk , (1.4)

pri čemu je µ1 +µ2 +· · ·+µk = n, dok su λ1 , λ2 , · · · , λk sva med̄usobno različita

rješenja.

Definicija 1.5
Brojevi µ1 , µ2 , . . . , µk , nazivalu se algebarske višestrukosti korijena λ1 , λ2 , · · · , λk .

Kako su svojstvene vrijednosti osnovni elementi pomoću kojih ćemo izučavati

strukturu operatora, to znači da će u tome bitnu ulogu igrati priroda polja nad
kojim je definisan prostor na kome operator djeluje.

3
1.2. OSNOVNI POJMOVI GLAVA 1. PRVO PREDAVANJE

Na početku ćemo vidjeti šta se može reći o svojstvenim vrijednostima ope-

ratora koji djeluju na vektorskim prostorima nad proizvoljnim poljima.
Kada su svojstvene vrijednosti odred̄ene, za odred̄ivanje svojstvenih vektora
treba još riješiti po x jednačinu

(λE − A)(x) = 0,

koja se svodi na homogeni sistem linearnih jednačina. Naime, ako su x1 , . . . , xn

komponente svojstvenog vektora x, u odnosu na bazu {e1 , . . . , en }, a A ma-
trica operatora u odnosu na tu bazu, tada je prethodna jednačina ekvivalentna
jednačini
(λE − A) · X = O, (1.5)
pri čemu je X = (x1 , . . . , xn )T .

Primjer 1.6
Odrediti svojstvene vrijednosti i pripadne svojstvene vektore sljedećih matrica
 
1 −1 −1
1. A = 1 −1 0  .
1 0 −1
 
2−i 0 i
2. B =  0 1−i 0 .
i 0 2−i

Rješenje.
1. Vrijedi
det(A − λE3 ) = −(λ + 1)(λ2 + 1),
pa matrica A ima tri med̄usobno različite svojstvene vrijednosti λ1 =
−1, λ2 = i, λ2 = −i. Jedno rješenja jednačine (A − λ1 E3 ) · X = 0, je
(0, 1, −1)T , pa je to svojstveni vektor, koji odgovara svojstvenoj vrijedno-
sti λ = −1.
Analogno, jedno rješenja jednačine (A − λ2 E3 ) · X = 0, je (1 + i, 1, 1)T , pa
je to svojstveni vektor, koji odgovara svojstvenoj vrijednosti λ = i.
Isto tako je (1 − i, 1, 1) svojstveni vektor koji odgovara svojstvenoj vrijed-
nosti λ = −i.
2. U ovom slučaju svojstvene vrijednosti su

2, 1 − i, 2 − 2i,

4
GLAVA 1. PRVO PREDAVANJE 1.2. OSNOVNI POJMOVI

a odgovarajući svojstveni vektori su

(1, 0, 1)T , (0, 1, 0)T , (1, 0, −1)T .

Primjer 1.7
1. Neka je O nula operatorna prostoru V. Tada je O(v) = 0, (v ∈ V ), što znači
da je 0 jedina svojstvena vrijednost oovog operatotra, dok su svi nenulti
vektori n jeni svojstveni vektori. Imamo, dakle, V0 = V.
2. Ako je E identični operator na prostoru V, onda za svako v ∈ V vrijedi
E(v) = v. Ovo znači da je 1 svojstvena vrijednost operatora, te da je
V1 = V.
3. Ako je A bilo koji operator, tada je 0 njegova svojstvena vrijednost ako i
samo ako je ker A ̸= {0}. U tom slučaju je V0 = ker A.

Primjer 1.8
1. Dokazati da rotacija ravni za ugao ω, 0 < ω < π) nema realnih svojstvenih
vrijednosti.
2. Odrediti kompleksne svojstvene vrijednosti perthodne transformacije.

Rješenje.
1. Matrica rotacije je odred̄ena u kursu LA1. Svojstvena jednačina ove trans-
formacije i ma oblik
 
λ − cos ω sin ω 
 = 0,
 − sin ω λ − cos ω 

odnosno, λ2 − 2 cos wλ + 1 = 0. Diskriminanta ove kvadratne jednačine je

manja od nule, pa ona nema realnih rješenja.
2. Kompleksne svojstvene vrijednosti su cos ω ± i sin ω.

Primjer 1.9
Neka je P ̸= O operator projekcije. Pokazati da su 0 i 1 jedine svojstvene
vrijednosti ovog operatora, Dokazati još da je V0 = ker P, V1 = im P.

Rješenje: Operator P zadovoljava uslov P 2 = P. Ako je v ̸= 0 vektor za koji

vrijedi P(v) = λv, tada je P(v) = P 2 (v) = (P(v) = P(λv) = λP(v) = λ2 v.
Dakle, P(v) = λ2 v. Zaključujemo da vrijedi λv = λ2 v, pa je λ2 − λ = 0

5
1.2. OSNOVNI POJMOVI GLAVA 1. PRVO PREDAVANJE

svojstvena jednačina, pa su λ = 0 i λ = 1 svojstvene vrijednosti operatora P.

Da je V0 = Ker P vidjeli smo u prethodnom primjeru. Ako je λ = 1, a w njen
svojstveni vektor onda iz P(w) = w, što znači da v ∈ ImP. Sa druge strane,
ako je w ∈ ImP, tada je w = P(v), za neki v. Slijedi P(w) = P 2 (v) = P(v) =
w, pa je w svojstveni vektor, koji odgovara svojstvenoj vrijednosti 1. Dakle,
V1 = Im P.

Primjer 1.10
Kvadratnu matricu A nazivamo stohastičkom ako joj je zbir elemenata u svakoj
vrsti jednak 1. Pokazati da je 1 svojstvena vrijednost te matrice i odrediti njen
svojstveni vektor.

Rješenje. Za vektor X = (1, 1, . . . , 1)T očigledno vrijedi A · X = X, što znači

da je 1 svojstvena vrijednost, a X svojstveni matrice A.

Primjer 1.11
Ako A, B ∈ Mn (K) dokazati da matrice AB i BA imaju iste svojstvene vrijed-
nosti.

Rješenje. Pretpostavimo da je λ = 0 svojstvena vrijednost matrice AB. To

znači da je matrica (λE−AB) = AB singularna, pa je det(AB) = det A det B =
0. To znači da je i matrica BA singularna, pa je 0 i njena svojstvena vrijednost.
Pretpostavimo da λ ̸= 0 nije svojstvena vrijednost matrice AB. Tada je
matrica (λE − AB) = λ(E − λ1 AB) invertibilna, što znači da je matrica (E −
λ AB) invertibilna. Lako se pokaže da je tada invertivilna je i matrica (En −
1
1
λ BA), pa λ nije svojstvena vrijednost ni matrice BA.
Obrnuto se dokazuje na isti način.

Primjedba 1.12
Napomenimo da svojstvena matrica operatora A nije jedinstvena, jer matrica
u (??) na zavisi samo od operatora, nego i od bazu prostora. Kako su matrice
operatora u odnosu na razli čite baze slične, to znači da se u definiciji ??
umjesto matrice A može uzeti bilo koja njoj slična matrica.

U vezi sa prethodnom primjedbom, može se postaviti pitanje: Da li izbor ma-

trice operatora utiče na svojstvene vrijednosti tog operatora. Naime, očigledno
koeficijenti svojstvene jednačine (??) zavise od elemenata matrice A, pa bi, na
prvi pogled, proizilazilo da i svojstvene vrijednosti zavise od elemenata matrice

6
GLAVA 1. PRVO PREDAVANJE 1.2. OSNOVNI POJMOVI

A. To nije slučaj, što ćemo dokazati u sljedećoj teoremi.

Teorema 1.13
Ako su A i B silčne matrice, tada vrijedi

det(λEn − A) = det(λEn − B).

Dokaz
Ako su A i B slične matrice, iz kursa Linearne algebre 1 znamo iz LA1 da
postoji regularna matrica P, za koju je B = P −1 · A · P. [Iz LA1 znamo da tada
]
vrijedi det(λEn − B) = det(λEn − P −1 · A · P ) = det P −1 (λEn − A) · P =
det(P )−1 · det(λEn − A) · det(P ) = det(λEn − A). Prema tome vrijedi

det(λEn − B) = det(λEn − A).

Kako su izrazi i na lijevoj i na desnoj strani ove jednakosti polinomi, ta jedna-

kost je, u stvari, jednakost polinoma. Iz jednakosti koeficijenata tih polinoma
zaključujemo da koeficijenti svojstvene jednačine operatora ne zavise od iza-
brane baze prostora, odnosno matrice operatora u odnosu na bazu.

Definicija 1.14
Ako je A kvadratna matrica, onda se jednačina (??) naziva svojstvena jednačina
matrice, njena se rješenja nazivaju svojstvenim vrijednostima matrice, dok se
rješenja X jednačine (??) nazivaju svojstvenim vektorima matrice.

U prethodnim razmatranjima smo dokazali da slične matrice imaju iste svoj-

stvene jednačine, pa i iste svojstvene vrijednosti vrijednosti.
Izračunaćemo sada koeficijente svojstvenog polinoma, preko elemenata ma-
trice A.

Teorema 1.15
Ako je (??) svojstveni polinom matrice A tada je

ak = (−1)k Sk , (k = 1, . . . , n), (1.6)

pri čemu je Sk suma svih glavinih minora reda k matrice A.

7
1.2. OSNOVNI POJMOVI GLAVA 1. PRVO PREDAVANJE

Dokaz
Iz LA1 znamo da vrijedi

p(k)
n (0) = (−1)
n−k
k!Sn−k , (k = 0, . . . , n − 1),

pri čemu je Sn−k zbir svih glavnih minora reda n−k matrice A. Sa druge strane,
(k)
direktno diferencirajući pn (x) dobijamo pn (0) = k!an−k , (k = 0, . . . , n − 1),
pa imamo
k!an−k = (−1)n−k k!Sn−k , (k = 0, . . . , n − 1),
iz čega slijedi tvrdnja.

Primjedba 1.16
Specijalno je a1 = −Tr (A), an = (−1)n det(A).

Posljednje jednakosti daju vezu izmed̄u svojstvenih vrijednosti matrice sa jedne,

te traga i determinante te matrice, sa druge strane.

Primjer 1.17
Odrediti vezu izmed̄u suma glavnih minora matrica A i A−1 .

Rješenje. Neka je f (λ) svojstveni polinom matrice A n-tog reda, a g(λ) svoj-
stveni polinom matrice A−1 . Vrijedi
1
g(λ) = |λEn − A−1 | = |λA · A−1 − A−1 | = |λA − En |.
|A|
Izvlačeći −λ iz svake vrste determinante |λA − En | dobijamo
( )
(−λ)n 1
g(λ) = f .
|A| λ
Upored̄ivanjem koeficijenata polinoma na lijevoj i desnoj strani prethodne
jednakosti zaključujemo da vrijedi: Zbir glavnih minora k-tog reda matrice A−1 ,
n
n-tog reda, jednak je proizvodu (−1) |A| sa zbirom svih glavnih minora reda n − k
matrice A.
Ako su λ1 , . . . , λn svojstvene vrijednosti matrice A, tada je na osnovu Vi-
jetovih formula an = (−1)n λ1 · · · λn , pa vrijedi

det(A) = λ1 · · · λn . (1.7)

8
 2
Drugo predavanje

2.1 Dijagonalizacija
Pomoću svojstvenih vrijednosti opisujemo strukturu operatora. Problem
je da se odredi takva baza prostora, u odnosu na koju operator ima što je
moguće ,,jednostavniju”matricu. U tom smislu su najjednostavniji oni operatori
za koje se može odrediti baza prostora, u odnosu na koju je matrica operatora
dijagonalna.

Definicija 2.1
Za operator A ∈ End (Vn ) kažemo da je proste strukture ako postoji baza
prostora Vn sastavljena od svojstvenih vektora operatora A.

Ako je A operator proste strukture, {e1 , e2 , . . . , en } baza sastavljena od svoj-

stvenih vektora, tada je

A(ei ) = λi ei , (i = 1, 2, . . . , n).

Ovo znači da je matrica operatora A u odnosu na ovu bazu dijagonalna i da

se na dijagonali nalaze svojstvene vrijednosti.
Vrijedi i obratno, ako postoji baza u odnosu na koju je matrica operatora
dijagonalna, onda je jasno da su bazni vektori svojstveni, a skalari na dijagonali
svojstvene vrijednosti.
Vrijedi dakle:
2.1. DIJAGONALIZACIJA GLAVA 2. DRUGO PREDAVANJE

Teorema 2.2
Operator A ∈ End (Vn ) je proste strukture ako i samo ako postoji baza prostora
Vn , u odnosu na koju je matrica tog operatora dijagonalna.

Neka je A operator proste strukture, koji djeluje na prostoru Vn . Neka je A

matrica operatora A u odnosu na neku bazu (e1 , e2 , . . . , en ) i neka su v j =
∑n i
i=1 pij e , (j = 1, 2, . . . , n) svojstveni vektori, koji čine bazu prostora Vn , a
λ1 , λ2 , . . . , λn odgovarajuće svojstvene vrijednosti. Matrica B = (pij ) je, dakle,
matrica prelaska sa baze (e1 , e2 , . . . , en ) na bazu (v 1 , v 2 , . . . , v n ). Iz LA1 znamo
da je P −1 AP je matrica operatora A u odnosu na bazu (v 1 , v 2 , . . . , v n ). Sa
druge strane, kako je baza (v 1 , v 2 , . . . , v n ) sastavljena od svojstvenih vektora,
ta matrica je diag (λ1 , λ2 , . . . , λn ). Time je dokazana

Teorema 2.3
Matrica A je matrica operatora proste strukture ako i samo ako postoji inver-
tibilna matrica P za koju je

P −1 AP = diag (λ1 , λ2 , . . . , λn )

i pri tome su λ1 , λ2 , . . . , λn svojstvene vrijednosti operatora A, dok su kolone

matrice P odgovarajući svojstveni vektori.

Primjer 2.4
Ako je A matrica operatora proste strukture, izračunati Ak , (k ∈ Z).

Rješenje. Prema prethodnoj teoremi, postoji regularna matrica P za koju je

P −1 AP = diag (λ1 , λ2 , . . . , λn ). (2.1)

Stepenujući i lijevu i desnu stranu sa k dobijamo

P −1 Ak P = diag (λk1 , λk2 , . . . , λkn ),

iz čega slijedi
Ak = P · diag (λk1 , λk2 , . . . , λkn ) · P −1 .
Napomenimo da negativni stepeni od A postoje samo u slučaju λi ̸= 0, (i =
1, 2, . . . , n).
U sljedećoj teoremi ćemo dokazati da su svojstveni vektori koji pripadaju
med̄usobno različitim svojstvenim vrijednostima linearno nezavisni.

10
GLAVA 2. DRUGO PREDAVANJE 2.1. DIJAGONALIZACIJA

Teorema 2.5
Ako su λ1 , λ2 , . . . , λm , u parovima različite svojstvene vrijednosti opera-
tora A, a v 1 , v 2 , . . . , v m svojstveni vektori koji im odgovaraju, tada je skup
{v 1 , v 2 , . . . , v m } linearno nezavisan.
Drugim riječima, ako su λ1 , λ2 , . . . , λk med̄usobno različite svojstvene vri-
jednosti, a Vλ1 , Vλ2 , . . . , Vλk odgovarajući svojstveni potprostori, tada je suma
Vλ1 + Vλ2 + . . . , Vλk direktna.

Dokaz
Neka je α1 v 1 + α2 v 2 + · · · + αm v m = 0. Označimo sa

w1 = α1 v 1 , w2 = α2 v 2 , . . . , wm = αm v m .

Svi vektori wi , (i = 1, . . . , m) su svojstveni vektori, koji odgovaraju svoj-

stvenim vrijednostima λi , izuzev eventualno jednog, koji je jednak nuli i koji
odgovara svojstvenoj vrijednosti nula. Prije svega vrijedi

w1 + w2 + · · · + wm = 0.

Djelujući na ovu jednakost operatorom A, m − 1 puta, dobijamo jednakosti

w1 + w2 + ··· + wm =0
λ1 w1 + λ2 w2 + ··· + λm wm =0
λ21 w1 + λ22 w2 + ··· + λ2m wm =0 .
.. .. .. ..
. . . .
λm−1
1 w1 + λ2m−1 w2 + ··· + λm−1
m wm =0

Kada se svaki od vektora izrazi kao linearna kombinacija vektora neke baze,
onda se iz prethodnih jednačina dobije n = dim (Vn ) sistema homogenih line-
arnih jednačina. U svakom od tih sistema nepoznate su koordinate vektora wi ,
u odnosu na odred̄eni element baze.
Determinanta svakog od tih sistema je Vandermondova i jednaka je
∏
(λj − λi ) ̸= 0,
1≤i<j≤m

pa sistemi imaju samo trivijalna rješenja iz čega slijedi w1 = . . . = wm = 0, pa

i α1 v 1 = α2 v 2 = . . . = αm v m = 0, što implicira

α1 = α2 = · · · = αm = 0.

11
2.1. DIJAGONALIZACIJA GLAVA 2. DRUGO PREDAVANJE

Sljedeća teorema je jednostavana posljedica prethodne.

Posljedica 2.6
Ako operator koji djeluje na prostoru Vn ima med̄usobno različite svojstve
vrijednosti, onda je on proste strukture.

Operator A, naravno, može da bude proste strukture i ako mu nisu sve

svojstvene vrijednosti različite. Jednostavan primjer za to je identički operator,
koji je proste strukture, a sve su mu svojstvene vrijednosti jednake 1.
U sljedećoj teoremi izlažemo vezu izmed̄u algebarskih i geometrijskih
višestrukosti svojstvenih vrijednosti.

Teorema 2.7
Gemoetrijska višestrukost svojstvene vrijednosti nije veća od njene algebarske
više strukosti.

Dokaz
Neka je k geometrijska višestrukost svojstvene vrijednosti λ opeartora A.
Neka je (e1 , e2 , . . . , ek ) baza svojstvenog potprostora Vλ1 , koja je, naravno,
sastavljena od svojstvenih vektora koji odgovaraju svojstvenoj vrijednosti
λ. Dopunimo prethodnu bazu do baze cijelog prostora. Dobili smo bazu
(e1 , e2 , . . . , ek , ek+1 , . . . , en ) prostora Vn . Matrica operatora, u odnosu na ovu
bazu, ima oblik ( )
D B
S= ,
O C
pri čemu je D = diag (λ1 , λ1 , . . . , λ1 ), dijagobnalna matrica. Svojstvena ma-
trica S ima oblik
( )
λEk − D B
S= .
O λEn−k − C
Prema tome, svojstveni polinom pn (λ) ima oblik
pn (λ) = (λ − λ1 )k qn−k (λ). (2.2)
Poredeći ovaj izraz sa definicijom ?? dobijamo tvrdnju teoreme.

Teorema 2.8
Operator A je proste strukture ako i samo ako je geometrijska višestrukost
svake svojstvene vrijednosti jednaka njenoj algebarskoj višestrukosti.

12
GLAVA 2. DRUGO PREDAVANJE 2.1. DIJAGONALIZACIJA

Dokaz
Ako je A proste strukture, onda prostor na kome djeluje ima bazu sasta-
vljenu od svojstvenih vektora. U odnosu na tu bazu, matrica operatora A
je dijagonalna i na dijagonali se pojavljuju njene svojstvene vrijednosti. Pri
tome se odred̄ena svojstvena vrijednost pojavljuje onoliko puta kolika je njena
geometrijska višestrukost. U ovom slučaju, dakle, geometrijska više strukost
mora biti jednaka algebarskoj. Obrnuto, neka je geometrijska višestrukost
svake svojstvene vrijednosti jednaka njenoj algebarskoj više strukosti i neka
su λ1 , λ2 , . . . , λk med̄usobno različite svojstvene vrijednosti. U teoremi ?? je
dokazana da je tada suma Vλ1 + · · · + Vλk direktna. Iz postavljenih uslova sli-
jedi da je dim Vλ1 +· · ·+Vλk jednaka dimenziji cijelog prostora, na kome djeluje
operator, a to znači da postoji baza sastavljena od svojstvenih vektora.

U teoremi ?? dokazali smo da slične matrice imaju iste svojstvene jednačine,

pa i iste svojstvene vrijednosti. Za obrat te tvrdnje imamo

Primjer 2.9
Pokazati da su matrice A, B ∈ Mn (K), koje imaju iste svojstvene jednačine i
predstavljaju operatore proste strukture, slične.

Rješenje. Postoje invertibilne matrice S i P za koje vrijedi:

S −1 AS = diag (λ1 , λ2 , . . . , λn ), P −1 BP = diag (µ1 , µ2 , . . . , µn ),

pri čemu su λi i µi svojstvene vridednosti datih matrica. Dovoljno je dokazati

da su matrice na desnim stranama prethodnih jednakosti slične. Kako matrice
A i B imaju iste svojstvene polinome, a samim tim i iste svojstvene vrijednosti,
to znači da je (µ1 , µ2 , . . . , µn ) neka permutacija od (λ1 , λ2 , . . . , λn ).
Sa druge strane, ako je D = diag (. . . , di , . . . , dj , . . .) dijagonalna matrica
−1
onda je D1 = Eij DEij = diag (. . . , dj , . . . , di , . . .), pa, uz činjenicu da je Eij =
Eij , slijedi da su D i D1 slične matrice. Na osnovu toga zaključujemo da su
matrice diag (λ1 , λ2 , . . . , λn ) i diag (µ1 , µ2 , . . . , µn ) slične, pa su slične i matrice
A i B. U opštem slučaju, matrice sa istim svojstvenim polinomimae moraju
biti slične, što ćemo pokazati sljedećim primjerom.

Primjer 2.10    
2 2 1 2 1 −1
Dokazati da matrice A = 1 3 1 i B =  0 2 −1 imaju iste
1 2 2 −3 −2 3
svojstvene polinome, ali nisu slične.

13
2.2. HAMILTON-KEIJLIJEVA TEOREMA
GLAVA 2. DRUGO PREDAVANJE

Rješenje. Lako se provjerava da je f (λ) = (λ − 1)2 (λ − 5) svojstveni polinom i

jedne i druge matrice. Kako je algebarska višestrukost korijena λ = 5 jednaka
1, tolika je i njegova geometrijska višestrukost. Sa druge strane, algebarska
višestrukost svojstvene vrijednosti λ = 1 je 2, za obje matrice. Lako se provje-
rava da toj vrijednosti odgovaraju dva linearno nezavisna svojstvena vektora
od B, a samo jedan od A. Prema tome B je matrica proste strukture. Ako bi
ona bila slična matrici A onda bi i A bila proste strukture, pa bi algebarska
više strukost svojstvene vrijednosti λ = 1 bila jednaka njenoj geometrijskoj
višestrukosti, što nije tačno. Dakle, matrice A i B ne mogu biti slične.

2.2 Hamilton-Keijlijeva teorema

U sljedećem poglavlju ćemo razmatrati tzv. matrične polinome. Sada ćemo
ih samo definisati i dokazati jedan značajan rezultat vezan za svojstvene poli-
nome i matrice.

Definicija 2.11
Ako je f (x) = a0 xn + a1 xn−1 + · · · + an ∈ K[x], a A ∈ Mn (K), tada se izraz

f (A) = a0 An + a1 An−1 + · · · + an · E

naziva matrični polinom stepena n.

Ako matrica A zadovoljava uslov (??), onda za svaki polinom f (x) imamo

f (A) = P diag (f (λ1 ), f (λ2 ), . . . , f (λn ))P −1 . (2.3)

Izuzetno značajnu osobinu svojstvenog polinoma daje sljedeća

Teorema 2.12 (Hamilton-Kejlijeva)

Ako je f (x) svojstveni polinom matrice A, tada je f (A) = O.

Dokaz
Za operatore proste strukture teorema slijedi iz (??).
Dajemo sada dokaz za operatore koji nisu proste strukture.
Označimo sa B asociranu matricu od xEn − A. Njeni elementi su subdeter-
minante, sa odred̄enim predznakom, (n − 1)-og reda matrice xEn − A i to su,

14
GLAVA 2. DRUGO PREDAVANJE
2.2. HAMILTON-KEIJLIJEVA TEOREMA

dakle, polinomi najviše n − 1-og stepena po x. Zbog toga se matrica B može

napisati u obliku
B = Bn−1 xn−1 + · · · + B0 .
Kako je B asocirana matrica od En x − A, vrijedi

B · (xEn − A) = |xEn − A| · En = f (x) · En .

Ako je f (x) = xn +an−1 xn−1 +· · ·+a0 , izjednačavanjem matrica uz iste stepene

x na lijevoj i desnoj strani, dobijemo

Bn−1 = En
−Bn−1 · A + Bn−2 = an−1 En
−Bn−2 · A + Bn−3 = an−2 En
.. .. ..
. . .
−B1 · A + B0 = a1 · En
−B0 · A = a0 · En .

Množenjem prve od ovih jednakosti sa An , druge sa An−1 itd., pretposljednje

sa A, pa onda sabiranjem lijevih i desnih strana, dobijamo

An + an−1 · An−1 + · · · + a0 · En = 0.

15
 3
Treće predavanja

3.1 Minimalni polinom matrice

Ako je A ∈ Mn (K), a f (x) = ak xk + ak−1 xk−1 + · · · + a1 x + a0 ∈ K[x],
tada je izraz f (A) = ak Ak + ak−1 Ak−1 + · · · + a1 A + a0 E dobro definisan.

Primjer 3.1
Neka je A ∈ Mn (K). Dokazati da postoji nenulti polinom p(x) ∈ K[x] za koji
vrijedi p(A) = O.

Rješenje. Na osnovu Hamilton-Keijlijeve teoreme traženi uslov zadovoljava

svojstveni polinom matrice. Med̄utim, tvrdnja se može jednostavno dokazati
i na elementaran način.
2
Naime, U skupu A0 = En , A, A2 , . . . , An prostora Mn (K) ima n2 + 1 ele-
menata, dok je dimenzija prostora jednaka n. Prema tome, taj je skup linearno
zavisan, tj. postoje skalari a0 , a1 , . . . , an2 koji nisu svi jednaki nuli, takvi da
vrijedi
2
a0 En + a1 A + · · · + an2 An = O.
∑n2
Prema tome, za nenulti polinom p(x) = i=0 ai xi , vrijedi P (A) = O.

Definicija 3.2
Minimalnim polinomom matrice A ∈ Mn (K) nazivamo normirani polinom
GLAVA 3. TREĆE PREDAVANJA3.1. MINIMALNI POLINOM MATRICE

mA (x), najmanjeg stepena, za koji je mA (A) = 0.

Iz prethodnih razmatranja slijedi da minimalni polinom uvijek postoji. Postoji

jednostavan metod, ali koji zahtijeva mnogo računa, za njegovo odred̄ivanje.
Naime, prvo riješimo matričnu A = x0 En , pa ako jednačina ima rješenje onda
je x − x0 minimalni polinom. Ako jednačina nema rješenja, onda rješavamo
jednačinu A2 = x1 A + x0 En . Ako jednačina ima rješenje onda je x2 − x1 x + x0
minimalni polinom. Ako jednačina nema rješenja, onda se postupak nasta-
vlja. Zbog činjenice da minimalni polinom postoji ovaj se postupak završava u
konačno mnogo koraka.

Primjer 3.3 ( )
1 2
Odrediti minimalni polinom matrice A = .
3 4

Rješenje. Jednačina A = x0 E2 ima oblik

( ) ( )
1 2 x0 0
= ,
3 4 0 x0

koja očigledno nema rješenja.

Jednačina A2 = x1 A + x0 En ima oblik
( ) ( )
7 10 x1 + x0 2x1
= .
15 22 3x1 4x1 + x0

Jednačina ima jedinstveno rješenje x0 = 2, x1 = 5. Dakle, x2 − 5x1 + 2 je

minimalni polinom matrice A.
U sljedećoj teoremi izložićemo osnovne osobine minimalnog polinoma.

Teorema 3.4
1. Za polinom f (x) vrijedi f (A) = 0 ako i samo ako mA (x)|f (x). Specijalno,
minimalni polinom matrice dijeli njen svojstveni polinom.
2. Minimalni polinom mA (x) matrice A je jednoznačno odred̄en matricom.
3. Minimalni polinom kvazidijagonalne matrice jednak je najmanjem za-
jedničkom sadržaocu minimalnih polinoma blokova te matrice.
4. Minimalni polinomi sličnih matrica su jednaki.

17
3.1. MINIMALNI POLINOM MATRICEGLAVA 3. TREĆE PREDAVANJA

Dokaz
1. Neka je f (x) ∈ K[x] bilo koji polinom, a m(x) minimalni polinom matrice
A. Dijeljenjem polinoma f (x) sa mA (x) dobijamo

f (x) = q(x)mA (x) + r(x),

pri čemu je r(x) = 0 ili je st (r(x)) < st (mA (x)). Ako je f (x) polinom za
koji je f (A) = 0, tada je

0 = f (A) = q(A)mA (A) + r(A) = r(A),

pa je r(x) = 0. To znači da iz f (A) = O slijedi mA (x)|f (x), što znači da je

tvrdnja 1. tačna. Drugi dio te tvrdnje slijedi iz Hamilton-Kelijeve teoreme.
2. Ako je uz m(x) i m1 (x) minimalni polinom matrice A, tada, prema 1.
m(x)|m1 (x) i m1 (x)|m(x) iz čega slijedi da postoji α ∈ K, za koji je
m1 (x) = αm(x). Kako su oba polinoma m(x) i m1 (x) normirani to je
α = 1, pa vrijedi 2.
3. Neka je A = diag (A1 , . . . , Ak ) kvazidijagonalna matrica, a p(x) bilo koji
polinom. Na osnovu pravila za računanje sa blok matricama dobijamo

p(A) = diag (p(A1 ), . . . , p(Ak )),

iz čega slijedi

p(A) = 0 ako i samo ako p(Ai ) = 0, (i = 1, . . . , k).

Iz ovoga slijedi da su blokovi Ai nule minimalnog polinoma matrice A. Na

osnovu 1. minimalni polinomi pi (x), (i = 1, . . . , k) tih blokova dijele p(x),
pa i polinom q(x) = N.z.s (p1 (x), . . . , pk (x)) dijeli p(x).
Obratno, za polinom q(x) vrijedi q(Ai ) = 0, (i = 1, . . . , k), pa je q(A) = 0,
što prema 1. znači da p(x)|q(x). Jednakost p(x) = q(x) slijedi iz pretpo-
stavke da se, dodatno, može pretpostaviti da je q(x), kao što je i p(x),
normiran polinom, tj. da mu je najstariji koeficijent jednak 1.
4. Ako su matrice A i B slične, m1 (x) i m2 (x) nihovi minimalni polinomi, tada
postoji invertibilna matrica P, za koju je B = P −1 AP. Kako je P −1 Ak P =
(P −1 AP )k , (k = 1, 2, . . .), iz m1 (A) = 0, množenjem sa P −1 slijeva, a sa
P zdesna, slijedi m1 (B) = 0, pa m2 (x)|m1 (x), na osnovu 2. Iz istih razloga
vrijedi i obratno, a kako su to normirani polinomi, imamo m1 (x) = m2 (x).

18
GLAVA 3. TREĆE PREDAVANJA3.1. MINIMALNI POLINOM MATRICE

Primjedba 3.5
Kako su minimalni polinomi sličnih matrica jednaki, onda se minimalni polinom
matrice nože definisati i kao minimalni polinom operatora, koji je u nekoj bazi
predstavljen tom matricom.

Primjer 3.6  
0 −1 1
Odrediti minimalni polinom matrice A = 1 2 −1 .
1 1 0

Rješenje. Lako se provjerava da je λ3 − 2λ2 + λ = λ(λ − 1)2 svojstveni polinom

date matrice. Ako minimalni polinom nije jednak svojstvenom, onda ga prema
1. iz prethodne teoreme mora dijeliti. Djelitelji svojstvenog polinoma su

λ, λ − 1, λ(λ − 1), (λ − 1)2 .

lako se provjerava da matrica A anulira jedino faktor λ(λ − 1), pa je x2 − x

minimalni polinom.
U prethodnom primjeru smo pokazali da se minimalni i svojstveni polinom
mogu razlikovati. Navešćemo sada jedan važan primjer matrice kod koje se
minimalni i svojstveni polinom poklapaju.

Definicija 3.7
Matrica
 
0 0 ··· 0 −a0
1 0 ··· 0 −a1 
 
 ··· −a2 
F = 0 1 0 ,
. . .. .. .. 
 .. .. . . . 
0 0 ··· 1 −an−1
se naziva Frobenijusova ili prateća matrica polinoma

xn + an−1 xn−1 + · · · + a0 ∈ K[x].

Teorema 3.8
Svaki polinom je svojstveni polinom svoje prateće matrice.

19
3.1. MINIMALNI POLINOM MATRICEGLAVA 3. TREĆE PREDAVANJA

Dokaz
Koristićemo indukciju u odnosu na stepen polinoma. Tvrdnja je tačna za n = 2,
jer vrijedi ( )
x a0
= x2 + a1 x + a0 .
−1 x + a1
Pretpostavimo da je tvrdnja tačna za polinome stepena n − 1 i neka je xn +
an−1 xn−1 + · · · + a0 ∈ K[x] polinom, a F njegova prateća matrica. Razvijanjem
determinante det(En · x − F ) po prvoj koloni dobijamo
 
x 0 ··· 0 a1
−1 x · · · 0 a2 
 
 0 −1 · · · 0 a2 
|xEn − F | = x   + a0 , (3.1)
 . . . . . 
 .. .
. . . . . .
. 
0 0 ··· −1 x + an−1

jer je
 
0 0 ··· 0 a0
−1 x ··· 0 a1 
 
0 −1 · · · 0 a2 
  = (−1)n−1 a0 (−1)n−1 = a0 .
 . .. .. .. .. 
 .. . . . . 
0 0 ··· −1 x + an−1

Na osnovu indukcione pretpostavke determinanta na desnoj strani jednakosti

(??) predstavlja svojstveni polinom matrice n − 1 reda
 
0 0 ··· 0 −a1
1 0 · · · 0 −a2 
 
0 1 · · · 0 −a 
B= 3 .
. . . . . 
 .. .. .. .. .. 
0 0 ··· 1 −an−1

Na osnovu toga u (??) dobijamo det(xEn − A) = x(xn−1 + an−1 xn−2 + · · · +

a1 ) + a0 , tj. vrijedi

det(xEn − A) = xn + an−1 xn−1 + · · · + a0 .

Teorema 3.9
Minimalni polinom prateće matrice jednak je njenom svojstvenom polinomu.

20
GLAVA 3. TREĆE PREDAVANJA3.1. MINIMALNI POLINOM MATRICE

Dokaz
Neka je F prateća matrica polinoma f (x) = xn + an−1 xn−1 + · · · + a0 . Neka
je F operator kome je F matrica, u odnosu na bazu (e1 , e2 , . . . , en ). Prema
prethodnom, minimalni polinom g(x) matrice F dijeli f (x).
Pretpostavimo suprotno, da je minimalni polinom g(x) stepena k < n. Tada
vrijedi g(x) = xk + bk−1 xk−1 + · · · + b0 i bar jedan bi ̸= 0.

F(e1 ) = e2 ,
F(e ) = e3 = F 2 (e1 ),
2

..
.
F(en−1 ) = en = F n−1 (e1 ).
Odavde slijedi g(F)(e1 ) = ek+1 + bk−1 ek + · · · + b0 e1 , dok je sa druge strane
g(F)(e1 ) = 0, zbog toga što je g(x) minimalni polinom matrice F. Tako dobi-
jamo
ek+1 + bk−1 ek + · · · + b0 e1 = 0,
što je nemoguće, jer su vektori e1 , . . . , ek+1 linearno nezavisni.

Teorema 3.10
Neka je A operator, čija je svojstvena vrijednost, a f (x) bilo koji polinom.a
da je f (λ) svojstvena vrijednost operatora f (A), kojoj odgovara isti svojstveni
vektor v.

Dokaz
Vrijedi Av = λv, A2 v = λ2 v, . . . , Ak v = λk v, . . . . Prema tome imamo

f (A)v = f (λ)v.

Vidjeli smo da su kod prateće matrice svojstveni i minimalni polinom jednaki.

U opštem slučaju minimalni polinom samo dijeli svojstveni. Kod operatora
proste strukture jednostavno se može uspostaviti veza izmed̄u ovih polinoma.
Vrijedi

Teorema 3.11
Ako je A operator proste strukture, λ1 , . . . , λm sve njegove različite svojstvene
vrijednosti, tada je
g(x) = (x − λ1 ) · · · (x − λm )

21
3.2. INVARIJANTNI POTPROSTORI GLAVA 3. TREĆE PREDAVANJA

njegov minimalni polinom.

Dokaz. Operator A ima bazu sastavljenu od svojstvenih vektora. U odnosu na

tu bazu, matrica operatora ima oblik

A = diag (λ1 , . . . , λ1 ; λ2 , . . . , λ2 , λm , . . . , λm ).

Vrijedi g(A) = (A − λ1 En ) · · · (A − λm En ) = 0. Zaista, g(A) je proizvod dijago-

nalnih matrica i za svako k, (k = 1, . . . , n), k-ta vrsta bar jedne od tih matrica
sastoji se od nula, a kako se dijagonalne matrice množe tako da im se množe
odgovarajući dijagonalni elementi, to je ukupan proizvod jednak nuli.
Ako g(x) ne bi bio minimalni polinom, onda bi minimalni polinom dijelio g(x)
i sastojao se dakle samo od nekih faktora polinoma g(x). No jasno je da, ako se
u proizvodu (A − λ1 En ) · · · (A − λm En ) izostavi bar jedan faktor, taj priozvod
više neće biti nula (jer će postojati bar jedan k, za koji će sve k-te vrste matrica
u ovom proizvodu biti različite od 0).

3.2 Invarijantni potprostori

Ranije smo definisali invarijantne prostore, a u ovom ćemo dijelu reći nešto
više o njima. Da je S ⊂ Vn invarijantan potprostor od Vn u odnosu na opera-
tor A znači da je ograničenje AS operatora A na S, operator na prostoru S.
Uzmimo da je {e1 , e2 , . . . , ek } baza od S. Ova se baza može dopuniti do baze
{e1 , e2 , . . . , ek , ek+1 , . . . , en } čitavog prostora.
Matrica operatora A u odnosu na ovu bazu ima oblik
( )
A11 A12
(3.2)
O A22

pri čemu je A11 matrica operatora AS u odnosu na bazu {e1 , e2 , . . . , ek }.

Vrijedi i obratno, ako u odnosu na neku bazu {e1 , e2 , . . . , en } prostora V
operator A ima kvazi-trougaonu matricu (??), pri čemu je A11 kvadratna ma-
trica reda k, tada je potprostor generisan vektorima {e1 , e2 , . . . , ek } invarijan-
tan.
Ako je i potprostor T generisan vektorima {ek+1 , . . . , en } takod̄e invarijan-
tan, onda matrica operatora u odnosu na tu bazu ima oblik
( )
A11 O
, (3.3)
O A22
pri čemu je A11 kvadratna matrica reda k, a A22 kvadratna matrica reda n − k.
Jasno je da vrijedi i obratno.

22
GLAVA 3. TREĆE PREDAVANJA 3.2. INVARIJANTNI POTPROSTORI

Prethodni rezultat se može interpretirati i na sljedeći način: Matrica ope-

ratora ima oblik (??) ako i samo ako se prostor na kome djeluje operator može
dobiti kao direktna suma invarijantnog potprostora dimenzije k i invarijantnog
potprostora dimenzije n − k.
Iz ovoga se indukcijom dobija

Teorema 3.12
Prostor Vn je direktna suma invarijantnih prostora V1 , V2 , . . . , Vs ako i samo
ako postoji baza prostora Vn , u odnosu na koju matrica tog operatora ima
oblik A = diag (A1 , A2 , . . . , As ), pri čemu su A1 , A2 , . . . , As matrice suženja
operatora A na potprostore V1 , . . . , Vs .

Sada ćemo dati malo uopštenje tvrdnje 3. iz teoreme xxx.

Teorema 3.13
Neka je A : Vn → Vn . Neka je prostor V suma invarijantnih potprostora
W1 , W2 , . . . , Wk (koja ne mora biti direktna). Neka su Ai , (i = 1, 2, . . . , k)
restrikcije opreatora A na potprostore Wi .

m(x) = N.z.s.(m1 (x), . . . , mk (x)),

pri čemu su mi (x) minimalni polinomi ograničenja operatora A na Wi , respek-

tivno.

Dokaz

Neka je f (x) = N.z.s.(m1 (x), . . . , mk (x)). Dakle, f (x) je višekratnik svakog

od mi (x). Napišimo f (x) = gi (x)mi (x), (i = 1, 2, . . . , k). Za v ∈ Wi vrijedi
f (v) = gi (v) ◦ mi (v) = gi (v) · 0 = 0, za svako i. Prema tome, f (x) se anulra na
svakom Wi , pa vrijedi mi (x)|f (x), (i = 1, 2, . . . , k).
Treba još pokazati da f (x)|m(x). Jasmo je m(Wi ) = 0, (i = 1, 2, . . . , k),
iz čega slijedi mi (x)|m(x). Zbog toga i f (x)|m(x), čime je tvrdnja dokazana.
Nilpotentni operatoti potpuno klasifikuju ne samo operatore proste strukture,
nego i nilpotentne operatore, što pokazuje sljedeća teorema.

Teorema 3.14
Neka je N ∈ Vn (K). Sljedeći uslovi su ekivalentni

23
3.2. INVARIJANTNI POTPROSTORI GLAVA 3. TREĆE PREDAVANJA

1. N je nilpotentan operator.
2. Jedina svojstvena vrijednost operatora N je 0.
3. N n = 0.
4. Minimalni polinom operatora N je oblika xk , za neki k ≤ n.

Dokaz
Dokaz se provodi po proceduri 1. ⇒ 2. ⇒ 3. ⇒ 4. ⇒ 1.
1. ⇒ 2. Ako je λ svojstvena vrijednost operatora N . Vrijedi N (x) =
λx, (x ̸= 0). Slijedi, na osnovu 1., N k (x) = λk x = 0, pa je λk = 0, jer je
x ̸= 0. Zaključujemo da je λ = 0.
2. ⇒ 3. Slijedi iz Hamilton-Keijlijeve teoreme.
2. ⇒ 3. Slijedi iz činjenice da minimalni polinom dijeli svojstveni.

24
 4
Četvrto predavanje

4.1 Operatori na kompleksnim i realnim

prostorima.

4.2 Šurova teorema

Dosadašnja razmatranja provedena su za operatore koji djeluju na vektor-
skim prostorima nad proizvoljnim poljem. U takvim prostorima je moguće da
operator nema ni jedne svojstvene vrijednosti. Primjer takvog operatora je ro-
tacija ravni za ugao ω ∈ (0, π). Sada ćemo pretpostaviti da operator djeluje na
vektorskom prostoru nad poljem kompleksnih brojeva (ista razmatranja vrijede
i za bilo koje drugo algebarski zatvoreno polje).

Teorema 4.1 (Šurova teorema)

Za svaki operator koji djeluje u kompleksnom vektorskom prostoru postoji baza
prostora u odnosu na koju je matrica tog operatora gornja trougaona.

Dokaz
Neka je A operator koji djeluje na kompleksnom vektorskom prostoru Vn . Iz
osnovne teorema algebre slijedi da operator A ima bar jednu svojstvenu vrijed-
nost λ. Tada je λEn −A singularan operator, pa je njegova slika W = Im λE −A,
4.2. ŠUROVA TEOREMA GLAVA 4. ČETVRTO PREDAVANJE

dimenzije bar 1. Sa druge strane, ako je w ∈ W, onda je w = (λE − A)(v), za

neki v ∈ Vn . Zato je

A(w) = λA(v) − A2 (v) = A(v)(λE − A)(v) ∈ W.

Prema tome, W je invarijantan prostor dimenzije manje od n, jer kad bi bio

dimenzije n, onda bi λE − A bio invertibilan operator.
Dokažimo sada da u prostoru Vn postoji lanac invarijantnih u odnosu na
operator A invarijantnih u odnosu na A potprostora oblika

V1 ⊂ V2 ⊂ · · · ⊂ Vn−1 ⊂ Vn ,

pri čemu je dim Vi = i, (i = 1, 2, . . . , n). Dovoljno je dokazati da postoji prostor

Vn−1 . U stvari, Vn−1 je bilo koji potprostor od Vn koji sadrži W. Dokažimo
da je Vn−1 invarijantan u odnosu na operator A. Ako je v ∈ Vn−1 , onda je
v − A(v) ∈ W ⊆ Vn−1 , pa je v = v − A(v) + A(v), pa kako je v − A(v) ∈ Vn−1
slijedi da je i A(v) ∈ Vn−1 . Ako izaberemo bazu (b1 , b2 , . . . , bn ) prostora Vn ,
tako da je (b1 , b2 , . . . , bi ), (i = 1, 2, . . . , n), onda je matrica operatora A, u
odnosu na tu bazu, gornja trougaona.

Posljedica 4.2
U uslovima Šurove teoreme vrijedi: Za svaki v ∈ Vn , vrijedi A(x) = λx + w, pri
čemu je w ∈ Vn−1 .

Dokaz
Neka je v ∈ Vn proizvoljan. Tada je (λ−A)(x) = w ∈ V(n−1) . A sa druge strane,
lijeva strana je λx − A(x) pa tvrdnja vrijedi,

Svaki operator u kompleksnom vektorskom prostoru ima bar jednu svoj-

stvenu vrijednost, tj. postoji jednodimenzionalni potprostor invarijantan u od-
nosu na taj operator. To za operatore koji djeluju na prostorima nad poljem
realnih brojeva ne mora biti tačno. Koristeći se pojmom kompleksifikacije pro-
stora nad poljem realnih brojeva i pojmom kompleksifikacije operatora do-
kazaćemo da svaki operator koji djeluje na realnom prostoru ima jednodimen-
zionalni ili dvodimenzionalni invarijantan potprostor.

26
GLAVA 4. ČETVRTO PREDAVANJE 4.3. KOMPLEKSIFIKACIJA

4.3 Kompleksifikacija realnog prostora

Neka je Xn vektorski prostor nad poljem realnih brojeva. Označimo sa Z
skup izraza oblika {x + iy : x, y ∈ X}. Uvedimo na Z strukturu vektorskog
prostora nad poljem kompleksnih brojeva na sljedeći način:

(x1 + iy1 ) + (x2 + iy2 ) = (x1 + x2 ) + i(y1 + y1 )

(α + iβ)(x + iy) = (αx − βy) + i(αy + βx),

za svako x, x1 , x2 , y, y1 , y2 ∈ X, α, β ∈ R.
Neposredno se provjerava da je ovim operacijama skup Z postao vektorski
prostor nad poljem kompleksnih brojeva.
Neka je {x1 , . . . , xn } baza od Xn . Tada z i = xi + i0, (i = 1, . . . , n) čine
∑n
bazu kompleksnog prostora Z. Zaista, ako je k=1 (αk + iβk )z i = 0, tada je
∑
n ∑
n
αk xk + i βk xk = 0.
k=1 k=1

Odavde slijedi
∑
n ∑
n
αk xk = βk xk = 0,
k=1 k=1

pa zbog linearne nezavisnosti skupa {x1 , . . . , xn } dobijamo

αk = βk = 0, (k = 1, . . . , n),

što znači da je skup {z 1 , . . . , z n } linearno nezavisan. Dalje, za x, y ∈ X postoje

skalari αk′ , βk′ , (k = 1, . . . , n), za koje je
∑
n ∑
n
x= αk′ xk , y = βk′ xk ,
k=1 k=1

na osnovu čega slijedi

∑
n
x + iy = (αk′ + iβk′ )z k ,
k=1

što dokazuje da je skup {z 1 , . . . , z n } generator, pa i baza prostora Z. U daljem

će nam trebati i sljedeći rezultat:
Ako su x + iy i x − iy linearno nezavisni (u Z), tada su x i y linearno nezavisni
(u Xn ).
Zaista, pretpostavimo da je αx + βy = 0. Tada je

(α − iβ)(x + iy) + (α + iβ)(x − iy) = 2(αx + βy) + i0 = 0,

27
4.3. KOMPLEKSIFIKACIJA GLAVA 4. ČETVRTO PREDAVANJE

pa je α + iβ = 0, iz čega slijedi α = β = 0, što je tražena tvrdnja.

Neka je A operator u realnom prostoru Xn . Definišimo operator à na prostoru
Z sa
Ã(x + iy) = A(x) + iA(y), (x, y ∈ Xn ).
Lako se pokazuje da je à linearan operator prostora Z. Neka je A = (aij )
matrica operatora A u odnosu na bazu {x1 , . . . , xn }. Tada je
∑
n ∑
n
Ã(z j ) = A(xj ) + i0 = akj xk + i0 = akj z k ,
k=1 k=1

što pokazuje da je A matrica i operatora à u odnosu na bazu {z 1 , . . . , z n }.

Kompleksni prostor Z naziva se kompleksifikacijom prostora Xn , a operator
à kompleksifikacijom operatora A.
Neka je à kompleksifikacija operatora A. Matrice A i à imaju iste svoj-
stvene polinome, pa samim tim i iste svojstvene vrijednosti. Ako je λ realna
svojstvena vrijednost operatora A, tada taj operator ima jednodimenzionalni
invarijantan potprostor. Ako je λ kompleksna svojstvena vrijednost, tada je i
λ takod̄e svojstvena vrijednost (jer svojstveni polinom ima realne koeficijente).
To su ujedno i svojstvene vrijednosti operatora Ã. Neka je z = x+iy svojstveni
vektor koji odgovara svojstvenoj vrijednosti λ. Tada je z = x − iy svojstveni
vektor koji odgovara svojstvenoj vrijednosti λ. Kao svojstveni vektori, koji
pripadaju različitim svojstvenim vrijednostima, ta su dva vektora linearno ne-
zavisni. Iz prethodnog slijedi da su i x i y linearno nezavisni vektori u Xn , pa
je potprostor U generisan sa ta dva vektora dvodimenzionalan.
Ako označimo λ = a + ib, imamo

Ã(x + iy) = A(x) + iA(y) = (a + ib)(x + iy),

odakle dobijamo
A(x) = ax − by, A(y) = ay + bx,
što implicira da je U invarijantan potprostor. Tako je dokazana

Teorema 4.3
Svaki operator koji djeluje u realnom prostoru ima ili jednodimenzionalan ili
dvodimenzionalan invarijantan potprostor.

28
 5
Glavni vektori i ciklički prostori

Operatori proste strukture se mogu dijagonalizirati. U ovom dijelu ćemo se

baviti operatorima koji nisu proste strukture i odrediti bazu u odnosu na koju
je matrica tog operatora najjednostavnija. Posmatraćemo samo operatore na
kompleksnom vektorskom prostoru Vn .
Već smo vidjeli, u Šurovoj teoremi, da postoji baza u odnosu na koju je
matrica tog operatora gornja trougaona. Za probleme koje smo riješili do sada,
a vezani su za ovu temu, fundamentalnu ulogu su igrali svojstvene vrijedno-
sti i svojstveni vektori. Zato je prirodno krenuti dalje sa uopštenjem pojma
svojstvene vrijednosti i svojstvenog vektora.

Definicija 5.1
Neka je A : Vn → Vn , operator, a λ njegova svojstvena vrijednost. Vektor e ̸= 0,
za koji postoji prirodan broj m, takav da vrijedi
(A − λEn )m (e) = 0, (5.1)
naziva se glavni vektor operatora A. Najmanji prirodan broj m, koji zadovoljava
jednakost (??) naziva se stepenom glavnog vektora e.

Definicija 5.2
Neka je e glavni vektor operatora A, stepena m, onda se potprostor M generisan
vektorima
{e, (A − λE)(e), . . . , (A − λE)m−1 (e)}
 GLAVA 5. GLAVNI VEKTORI I CIKLIČKI PROSTORI

Naziva cikličkim potprostorom, generisanim glavnim vektorom e

Primjer 5.3
Svaki svojstveni vektor je glavni vektor težine 1.

Primjer 5.4
Neka je V vektorski proizvod polinoma x(t) stepena najviše k. Neka je A ope-
rator koji polinom slika u njegov izvod. Dakle, A(x(t)) = x′ (t). U stvari imamo,
za svako k, Ak (x(t)) = x(k) (t). Kako je (tk )(k) = k! ̸= 0, a (tk )(k+1) = 0, slijedi
da je x(t) glavni vektor operatora A stepena k + 1 koji odgovara svojstvenoj
vrijednosti λ = 0.

Teorema 5.5
Ciklički potprostor M generisan glavnim vektorom e stepena m je invarijantan
u odnosu operator A i ima dimenziju m.

Dokaz
Kako je ciklički prostor M generisan sa m vektora, što se vidi iz definice, njegova
je dimenzija najviše m.
Dokažimo prvo da su vektori koji generišu M linearno nezavisni. Neka je

α1 e + α2 (A − λE)(e) + . . . + αm (A − λE)m−1 (e) = 0,

za neke skalare α1 , α2 , . . . , αm . Primjenjujući na lijevu stranu operator (A −

λE)m−1 dobijamo
α1 (A − λE)m−1 (e) = 0,
iz čega slijedi α1 = 0. Prethodna jednakost sada postaje

α2 (A − λEn )(e) + . . . + αm (A − λEn )m−1 (e) = 0.

Primjenom transformacije (A − λEn )m−2 obje strane ove jednakosti za-

ključujemo da je α2 = 0. Produžavajući ovaj postupak dobijamo α1 = α2 =
. . . = αm = 0, čime je tvrdnja dokazana.
Trebamo još dokazati da je M invarijantan u odnosu na operator A. Stavimo

e = e1 e2 = (A − λE)(e), . . . , em = (A − λE)m−1 (e).

Niz prethodnih jednakosti se, očigledno, može napisati u sljedećem obliku:

e1 , e2 = (A − λE)(e1 ), . . . , em = (A − λE)(em−1 ). (5.2)

30
GLAVA 5. GLAVNI VEKTORI I CIKLIČKI PROSTORI

Svi vektori iz W se mogu dobiti kao linearna kombinacija vektora e1 , e2 , . . . , em ,

dovoljno je dokazati da se vektori A(e1 ), A(e2 ), . . . , A(em ), takod̄e, mogu izra-
ziti kao linearna kombinacija tih vektora. Vrijedi
A(e1 ) = λe1 + e2
A(e2 ) = λe2 + e3
..
.
A(em−1 ) = λem−1 + em
A(em ) = λem .

Posljedica 5.6
U odnosu na bazu (e1 , e2 , . . . , em ) iz prethodne teoreme matrica preslikavanja
A ima oblika  
λ 0 0 ··· ··· 0
1 λ 0 · · · · · · 0
 
 .
 0 1 λ · · · · · · ..  ,
 
. . .. 
 .. .. . ··· λ 0
0 0 ··· ··· 1 λ
što je kao što znamo Žordanov blok.

Teorema 5.7
Neka je M ciklički potprostor generisan glavnim vektorom e stepena m, sa
svojstvenom vrijednošću λ.
1. Svaki vektor iz w ∈ W može napisati u obliku w = f (A)(e), pri čemu je
polinom f (x) stepena najviše m − 1.
2. Ako polinom f (x) nije djeljiv sa x−λ tada je vektor w takod̄e glavni vektor,
stepena m i generiše čitav ciklički prostor W.

Dokaz
1. Ako je y ∈ M proizvoljan, tada po definiciji cikličkog potprostora vrijedi:

y = α1 e + α2 (A − λE)(e) + · · · + (A − λE)m−1 (e), (5.3)

što znači da je w = f (A)(e), gdje je polinom f (x) zadat sa

f (x) = α1 + α2 (x − λ) + · · · + αm (x − λ)m−1 .

31
 GLAVA 5. GLAVNI VEKTORI I CIKLIČKI PROSTORI

2. Ako je y = f (A)(e), tada je

m
(A − λE)m (y) = (A − λE)m f (A)(e) = f (A)(A − λ) (e) = 0.

3. Pretpostavimo sada da polinom f (x) nije djeljiv sa x − λ. Slijedi da je

α1 ̸= 0. Primjenom linearne transformacije (A−λEn )m−1 na (??) dobijamo

(A − λEn )m−1 (w) = α1 (A − λEn )m−1 (e) + · · · + α1 (A − λE)2m−2 (e).

Zaključujemo da vrijedi

(A − λEn )m−1 (w) = α1 (A − λEn )m−1 (w).

Kako je α1 ̸= 0 i (A − λEn )m−1 (x) ̸= 0, zaključujemo da vrijedi (A −

λEn )m−1 (w) ̸= 0. Prema tome, w je glavni vektor linearne transformacije
A stepena m.

Na kraju dokažimo da su ciklički potprostori M i M ′ generisani vektorima e i y

jednaki. Jasno je da ke M ′ ⊆ M, jer je y ∈ M, pa imajući u vidu invarijantnost
cikličkog potprostora M, vektor (A−λE)k (y), za svako k. Ali na osnovu teoreme
?? slijedi dim M = dim M’, odakle slijedi M = M ′ .

Posljedica 5.8
U notaciji prethdne teoreme, za proizvoljan vektor y ∈ M i skalar µ ̸= α,
imamo repreyentaciju y = (A − λE)(z), za neki vektor z ∈ M. Imamo dalje: Ili
je y glavni vektor stepena m, koji generiše M , ili je y = (A − λE)(z), za neki
vektor u ∈ M.

Dokaz
Matrica restrikcije linearnog operatora A u bazi {e1 , e2 , . . . , em } potprostora
M (??). Odatle se lako vidi da za proizvolja µ ̸= λ, determinanta restrikcije
linearne transformacijeA−µE na M je izomorfizam, čija je slika (A−λE)(M ) =
M, što znači da za proizvoljan vektor y ∈ M postoji vektor z ∈ M, za koji
je z = (A − µEn ). Po teoremi xx, vektor v može biti predstavljenu obliku
y = f (A − E)(z).
Prema teoremi iz LA1 vektor y može biti predstavljen u obliku y = f (A)(e)
i ako polinom f (t) nije djeljiv sa t − λ, tj. ako je on oblika f (t) = (t − λ)g(t), za
neki polinom g(t), tada stavljajući z = g(A)(e) dobijamo traženu reprezentaciju
y = (A − λE)(z).

32
 6
Žordanova kanonska forma (postojanje)