Professional Documents
Culture Documents
Lin - Alg.2. 2013 Vol3
Lin - Alg.2. 2013 Vol3
Prirodno-matematički fakultet
Univerzitet u Banjoj Luci
Predgovor
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.
Definicija 1.2
Dimenzija potprostora Vλ naziva se geometrijska višestrukost svojstvene vri-
jednosti λ.
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
Primjedba 1.4
Umjesto riječi svojstveni koriste se ravnopravno i riječ karakteristični ili sop-
stveni.
xn + a1 xn−1 + · · · + an = 0.
Definicija 1.5
Brojevi µ1 , µ2 , . . . , µk , nazivalu se algebarske višestrukosti korijena λ1 , λ2 , · · · , λk .
3
1.2. OSNOVNI POJMOVI GLAVA 1. PRVO PREDAVANJE
(λE − A)(x) = 0,
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
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
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.
5
1.2. OSNOVNI POJMOVI GLAVA 1. PRVO PREDAVANJE
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.
Primjer 1.11
Ako A, B ∈ Mn (K) dokazati da matrice AB i BA imaju iste svojstvene vrijed-
nosti.
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.
6
GLAVA 1. PRVO PREDAVANJE 1.2. OSNOVNI POJMOVI
Teorema 1.13
Ako su A i B silčne matrice, tada vrijedi
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
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.
Teorema 1.15
Ako je (??) svojstveni polinom matrice A tada je
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).
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.
A(ei ) = λi ei , (i = 1, 2, . . . , n).
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.
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 )
Primjer 2.4
Ako je A matrica operatora proste strukture, izračunati Ak , (k ∈ Z).
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 .
w1 + w2 + · · · + wm = 0.
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
α1 = α2 = · · · = αm = 0.
11
2.1. DIJAGONALIZACIJA GLAVA 2. DRUGO PREDAVANJE
Posljedica 2.6
Ako operator koji djeluje na prostoru Vn ima med̄usobno različite svojstve
vrijednosti, onda je on proste strukture.
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.
Primjer 2.9
Pokazati da su matrice A, B ∈ Mn (K), koje imaju iste svojstvene jednačine i
predstavljaju operatore proste strukture, slične.
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
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
Ako matrica A zadovoljava uslov (??), onda za svaki polinom f (x) imamo
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
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 .
An + an−1 · An−1 + · · · + a0 · En = 0.
15
3
Treće predavanja
Primjer 3.1
Neka je A ∈ Mn (K). Dokazati da postoji nenulti polinom p(x) ∈ K[x] za koji
vrijedi p(A) = O.
Definicija 3.2
Minimalnim polinomom matrice A ∈ Mn (K) nazivamo normirani polinom
GLAVA 3. TREĆE PREDAVANJA3.1. MINIMALNI POLINOM MATRICE
Primjer 3.3 ( )
1 2
Odrediti minimalni polinom matrice A = .
3 4
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
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
iz čega slijedi
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
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
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
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.
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
A = diag (λ1 , . . . , λ1 ; λ2 , . . . , λ2 , λm , . . . , λm ).
22
GLAVA 3. TREĆE PREDAVANJA 3.2. INVARIJANTNI POTPROSTORI
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 .
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 .
Dokaz
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
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
V1 ⊂ V2 ⊂ · · · ⊂ Vn−1 ⊂ Vn ,
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,
26
GLAVA 4. ČETVRTO PREDAVANJE 4.3. KOMPLEKSIFIKACIJA
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
αk = βk = 0, (k = 1, . . . , n),
27
4.3. KOMPLEKSIFIKACIJA GLAVA 4. ČETVRTO PREDAVANJE
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
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
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
30
GLAVA 5. GLAVNI VEKTORI I CIKLIČKI PROSTORI
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:
f (x) = α1 + α2 (x − λ) + · · · + αm (x − λ)m−1 .
31
GLAVA 5. GLAVNI VEKTORI I CIKLIČKI PROSTORI
Zaključujemo da vrijedi
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)