Poglavje X
Sebiadjungirane, ortogonalne in normalne preslikave
Na vektorskih prostorih s skalarnim produktom imamo nekatere posebne vrste linearnih preslikav, ki imajo posebej lepe lastnosti. V tem poglavju si bomo ogledali nekaj tipov takih preslikav (in njihovih matrik) in njihove lastnosti.
Najprej pa bomo vpeljali pojem adjungiranja linearnih preslikav in si ogledali, kako se to odraˇza na pripadajoˇcih matrikah.
1 Adjungirana preslikava
Imejmo dva vektorska prostora (nad C) s skalarnim produktom (U,h, i1) in (V,h , i2). V tem razdelku bomo z indeksom posebej poudarili, za kateri skalarni produkt gre. Kasneje bomo indekse izpuˇsˇcali, saj bo ˇze iz preostalega teksta jasno, iz katerega vektorskega prostora so vektorji, ki jih skalarno mnoˇzimo.
Dana je ˇse linearna preslikavaA:U →V. Izberimo vektor v∈V. Potem je preslikava ϕ:U →C,ϕ(u) =hAu,vi2 linearen funkcional. Velja namreˇc
ϕ(α1u1+α2u2) = hA(α1u1+α2u2),vi2=hα1Au1+α2Au2,vi2=
= α1hAu1,vi2+α2hAu2,vi2=α1ϕ(u1) +α2ϕ(u2). Po Rieszovem izreku o funkcionalih 3.7 iz prejˇsnjega poglavja obstaja enoliˇcno doloˇcen vektor iz U, ki ga oznaˇcimo z A∗v, za katerega velja
ϕ(u) =hAu,vi2 =hu, A∗vi1
za vse u∈U. Pri tem je A∗ preslikava izV vU. 181
Izrek 1.1 Preslikava A∗ :V →U je linearna.
Dokaz Posebej bomo preverili aditivnost in posebej homogenostA∗. Naj bosta v1 inv2 izV. Potem velja
hu, A∗v1i1=hAu,v1i2, hu, A∗v2i1=hAu,v2i2 in
hu, A∗(v1+v2)i1=hAu,v1+v2i2
za vseu∈U. Od tod izraˇcunamo
hu, A∗(v1+v2)i1 = hAu,v1+v2i2=hAu,v1i2+hAu,v2i2 =
= hu, A∗v1i1+hu, A∗v2i1=hu, A∗v1+A∗v2i1. Iz trditve 3.6 prejˇsnjega poglavja nato sledi
A∗(v1+v2) =A∗v1+A∗v2.
Preverimo ˇse homogenost. Naj bo α∈C inv∈V. Potem je hu, A∗vi1 = hAu,vi2 in
hu, A∗(αv)i1 = hAu, αvi2
za vseu∈U. Zato velja
hu, A∗(αv)i1 =hAu, αvi2=αhAu,vi2 =αhu, A∗vi1 =hu, αA∗vi1 za vseu∈U. Po trditvi 3.6 prejˇsnjega poglavja slediA∗(αv) =αA∗v.
Definicija 1.2 Ce jeˇ A : U → V linearna preslikava, potem linearno pres- likavoA∗ :V →U imenujemo adjungirana preslikava preslikaveA. ♦ Iz definicije sledi enakost
hAu,vi2 =hu, A∗vi1 (X.1) za vseu∈U in vse v∈V.
Preden navedemo kak zgled adjungirane preslikave, si oglejmo, kako sta povezani matriki zaA in zaA∗.
1. ADJUNGIRANA PRESLIKAVA 183 Izberimo ortonormirano bazoB ={e1,e2, . . . ,en} za U in ortonormirano bazoC ={f1,f2, . . . ,fm} za V. Potem je
Aej =
m
X
k=1
hAej,fki2fk j = 1,2, . . . , n , zato je matrika za A v bazahB inC enaka
ABC =
hAe1,f1i2 hAe2,f1i2 . . . hAen,f1i2
hAe1,f2i2 hAe2,f2i2 . . . hAen,f2i2
... ... ...
hAe1,fmi2 hAe2,fmi2 . . . hAen,fmi2
.
Podobno poiˇsˇcemo ˇse matriko za A∗. Ker je A∗fk=
n
X
j=1
hA∗fk,eji1ej k= 1,2, . . . , m , je
(A∗)C B =
hA∗f1,e1i1 hA∗f2,e1i1 . . . hA∗fm,e1i1
hA∗f1,e2i1 hA∗f2,e2i1 . . . hA∗fm,e2i1
... ... ...
hA∗f1,eni1 hA∗f2,eni1 . . . hA∗fm,eni1
.
Ker je hAej,fki2 = hej, A∗fki1 = hA∗fk,eji1, vidimo, da matriko (A∗)C B dobimo iz matrike ABC tako, daABC transponiramo in njene elemente kon- jugiramo. Tako smo pokazali naslednji izrek:
Izrek 1.3 V ortonormiranih bazah dobimo matriko zaA∗ tako, da matriko za A transponiramo in vse elemente v matriki konjugiramo.
Opomba 1.4 Ce jeˇ A ∈ Cm×n matrika, potem z A∗ oznaˇcimo matriko v Cn×m, ki jo dobimo tako, da A transponiramo in vse elemente v A konjugi-
ramo. ♦
Zgled 1.5 Naj boA=
i 1−i 2 3 + 2i
0 i
. Potem je
A∗=
−i 2 0 1 + i 3−2i −i
.
2 Lastnosti adjungiranja linearnih preslikav in ma- trik
Preslikavo, ki linearni preslikavi A, oziroma matriki A priredi adjungirano preslikavoA∗, oziroma matriko A∗), imenujemoadjungiranje.
Lastnosti adjungiranja izpeljemo iz lastnosti transponiranja matrik. ˇCe je A∈Rm×n, potem jeA∗=A⊤, ˇce pa je A∈Cm×n, je A∗ =A⊤, kjer smo zA oznaˇcili matriko, ki jo dobimo izAtako, da konjugiramo vse elemente.
Za adjungiranje veljajo naslednje lastnosti:
1.) (A+B)∗=A∗+B∗, 2.) (αA) =αA∗,
3.) (AB)∗=B∗A∗, 4.) 0∗= 0, I∗ =I, 5.) (A∗)∗=A,
6.) Ce jeˇ Aobrnljiva, je tudiA∗ obrnljiva in velja (A∗)−1 = (A−1)∗.
Za zgled preverimo samo zadnjo lastnost. Ostale naj preveri bralec sam za vajo.
Ce jeˇ Aobrnljiva, jeAA−1 =A−1A=I. Potem iz lastnosti 3.) in 4.) sledi (A−1)∗A∗ = (AA−1)∗ = I∗=I in
A∗(A−1)∗ = (A−1A)∗ = I∗=I .
Zato jeA∗ obrnljiva in velja (A∗)−1 = (A−1)∗. Enako kot v osmem poglavju bomo tudi v tem poglavju trditve in izreke podali za matrike, enaki izreki veljajo tudi za linearne preslikave istega tipa.
Nekatere od teh bomo na kratko povzeli na koncu razdelka.
Trditev 2.1 Naj bo A ∈ Rm×n ali A ∈ Cm×n dana matrika in A∗ njena adjungirana matrika. Potem je
kerA∗ = (imA)⊥, (kerA∗)⊥ = imA ,
imA∗ = (kerA)⊥ in (imA∗)⊥ = kerA .
2. LASTNOSTI ADJUNGIRANJA LINEARNIH PRESLIKAV IN MATRIK185 Dokaz Dovolj je pokazati enakost kerA∗ = (imA)⊥. Ostale enakosti potem sledijo iz dejstev, da za vektorski podprostor velja (W⊥)⊥ = W in da je (A∗)∗ =A.
Naj bov∈kerA∗. Potem je
0 =hu, A∗vi1 =hAu,vi2
za vse u∈U, torej tudi za vse Au∈imA. Zato je kerA∗⊆(imA)⊥. Izberimo sedajv∈(imA)⊥. Torej jehAu,vi2 = 0 za vseu∈U in
0 =hAu,vi2 =hu, A∗vi1
za vse u∈U. Potem mora biti A∗v=0 inv∈kerA∗. Tako smo pokazali ˇse obratno inkluzijo (imA)⊥ ⊆kerA∗. Torej je kerA∗ = (imA)⊥.
Preverimo ˇse preostale enakosti. Ker za poljuben vektorski podprostorW velja (W⊥)⊥=W, je (kerA∗)⊥= (imA)⊥⊥
= imA.
Ce v zvezah kerˇ A∗ = (imA)⊥ in (kerA∗)⊥ = imA zamenjamo A z A∗, dobimo
kerA= ker (A∗)∗ = (imA∗)⊥ in
(kerA)⊥= (ker (A∗)∗)⊥ = imA∗. Posledica 2.2 Velja
U = imA∗⊕kerA in V = imA⊕kerA∗. Obe direktni vsoti sta ortogonalni.
Dokaz Za vektorski podprostor kerA⊆U velja
U = (kerA)⊕(kerA)⊥= kerA⊕imA∗. Podobno za vektorski podprostor kerA∗ ⊆V velja
V = kerA∗⊕(kerA∗)⊥ = kerA∗⊕imA .
Zgled 2.3 Poiˇsˇcimo ortonormirano bazo za kerA∗, ˇce je A=
1 −1 2 −2
−1 1
.
Opazimo, da je rang matrike A enak 1, zato je dim(imA) = 1. Ker je A ∈ R3×2, je A∗ ∈R2×3. Tudi rangA∗ je enak 1, zato je dim(kerA∗) = 2. Velja
kerA∗ = (imA)⊥=
L
1 2
−1
⊥
.
Izbrana vektorja u1 =
1 0 1
in u2 =
0 1 2
sta oba pravokotna na bazni vektor slikeA. Da dobimo ortogonalno bazo, naredimo Gramm-Schmidtovo ortogo- nalizacijo:
w1 =
1 0 1
,
w2 =
0 1 2
−2 2
1 0 1
=
−1 1 1
.
Ortonormirano bazo za kerA∗ tvorita vektorja
e1 = 1
√2
1 0 1
in e2 = 1
√3
−1 1 1
.
Trditev 2.4 Naj boA∈Rn×naliA∈Cn×ndana matrika. Potem jeαlastna vrednost za A natanko tedaj, ko je α lastna vrednost za A∗.
Dokaz Kompleksno ˇstevilo α je lastna vrednost za A natanko tedaj, ko je ker(A−αI)6=0. Po trditvi 2.1 in lastnostih konjugiranja je
ker(A−αI) = (im(A−αI)∗)⊥= (im(A∗−αI))⊥.
Tako jeα∈σ(A) natanko tedaj, ko im(A∗−αI) 6=U. To pa je ekvivalentno temu, da je ker(A∗ −αI) 6= 0. Torej je α ∈ σ(A) natanko tedaj, ko je
α∈σ(A∗).
Zgled 2.5 Poiˇsˇcimo lastne vrednosti za matriki A=
1 + i 1−i
i 1
in B =
1−i −i 1 + i 1
.
Najprej izraˇcunamo karakteristiˇcni polinom zaA: pA(λ) =λ2−(2+i)λ. Lastni vrednosti zaA sta 0 in 2 + i. Ker je B =A∗, sta lastni vrednosti za B enaki
0 in 2−i.
3. SEBIADJUNGIRANE PRESLIKAVE, SIMETRI ˇCNE IN HERMITSKE MATRIKE187
3 Sebiadjungirane preslikave, simetriˇ cne in hermitske matrike
Dan je vektorski prostorU nad obsegomRaliCs skalarnim produktomh,i. Definicija 3.1 Linearna preslikava A : U → U je sebiadjungirana, ˇce velja A=A∗.
Ce jeˇ U =Rn realen vektorski prostor z obiˇcajnim skalarnim produktom, potem je A matrika za sebiadjungirano linearno preslikavo A : U → U v standardni bazi natanko tedaj, ko jeAsimetriˇcna matrika, torej ko jeA⊤=A.
Ce jeˇ U =Cn vektorski prostor nad Cz obiˇcajnim skalarnim produktom, potem je A matrika za sebiadjungirano preslikavo A : U → U v standardni bazi natanko tedaj, ko je A=A∗=A⊤. ˇCe za matriko veljaA=A∗ reˇcemo,
da je Ahermitska matrika. ♦
Izrek 3.2 Vse lastne vrednosti simetriˇcne ali hermitske matrike so realne.
Dokaz Naj boαlastna vrednost hermitske matrikeA∈Cn inu∈Cn,u6=0 pripadajoˇci lastni vektor. Potem velja
hAu,ui=hαu,ui=αhu,ui in
hAu,ui=hu, A∗ui=hu, Aui=hu, αui=αhu,ui.
Zato je αhu,ui =αhu,ui. Ker je hu,ui 6= 0, mora biti α = α. Slednje velja natanko tedaj, ko jeα∈R.
Dokaz za simetriˇcno matriko je enak.
Trditev 3.3 Ce staˇ uinvlastna vektorja pri dveh razliˇcnih lastnih vrednostih simetriˇcne ali hermitske matrike, potem sta u in v ortogonalna.
Dokaz Denimo, da je A = A∗, Au = αu, Av = βv in α 6= β. Potem je hAu,vi=hαu,vi=αhu,vi inhAu,vi=hu, Avi=hu, βvi=βhu,vi. Ker je
α6=β, mora biti hu,vi= 0.
Izrek 3.4 Simetriˇcne in hermitske matrike se da diagonalizirati.
Dokaz Naj boA =A∗ hermitska matrika in naj bo α lastna vrednost za A.
Iz posledice 2.2 sledi, da je
Cn= ker(A−αI)⊕im(A−αI). (X.2)
Glede na ta razcep pripadaAmatrika oblike αI 0
0 A1
, (X.3)
saj sta tako ker(A−αI) kot im(A−αI) invariantna podprostora za A. ˇSe veˇc, ker je direktna vsota (X.2) ortogonalna, imaAobliko (X.3) glede na neko ortonormirano bazo. Ker je A =A∗, je tudi A1 = A∗1. Ali je lahko α lastna vrednost za A1? Denimo, da jew∈im(A−αI) tak vektor, da jeAw=αw.
Potem jew∈ker(A−αI) inw∈(im(A−αI)∩ker(A−αI)) =0. Zato mora bitiw = 0. Iz povedanega sledi, da je g(α) = a(α). Ker je bila α poljubna lastna vrednost, enakost g(α) = a(α) velja za vse α ∈ σ(A). Torej se A da diagonalizirati.
Dokaz za simetriˇcne matrike je enak.
Izrek 3.5 (o spektralnem razcepu za simetriˇcne in hermitske ma- trike) Naj bo A ∈ Rn×n simetriˇcna matrika in α1, α2, . . . , αk vse njene ra- zliˇcne lastne vrednosti. Potem jeαj ∈R za vse j in
Rn=
k
M
j−1
ker(A−αjI)
ortogonalna direktna vsota. V Rn obstaja ortonormirana baza, v kateri A pripada diagonalna matrika.
Ce jeˇ A ∈ Cn×n hermitska matrika in α1, α2, . . . , αk vse njene razliˇcne lastne vrednosti, je potemαj ∈R za vsej in
Cn=
k
M
j−1
ker(A−αjI)
ortogonalna direktna vsota. V Cn obstaja ortonormirana baza, v kateri A pripada diagonalna matrika.
Dokaz Izrek bomo dokazali za hermitske matrike. Za simetrˇcne matrike je enak.
Iz izreka 3.4 vemo, da se A da diagonalizirati. Posledica 2.2 pove, da je Cn= ker(A−α1I)⊕im(A−α1I)
ortogonalna direktna vsota. Ker so po trditvi 3.3 lastni vektorji pri razliˇcnih lastnih vrednostih ortogonalni, je ker(A−αjI) ⊆ im(A −α1I) za vse j =
3. SEBIADJUNGIRANE PRESLIKAVE, SIMETRI ˇCNE IN HERMITSKE MATRIKE189 2,3, . . . , k. Postopek nadaljujemo za zoˇzitevA1 =A|im(A−α1I)in dobimoU =
Lk
j=1ker(A−αjI), kjer jeL
ortogonalna direktna vsota. Vemo, da v vsakem podprostoru lahko s pomoˇcjo Gramm-Schmidtovega algoritma poiˇsˇcemo orto- normirano bazo. Ker so lastni podprostori ker(A−αjI) med seboj ortogonalni, nam unija ortonormiranih baz za ker(A−αjI),j = 1,2, . . . , k, da ortonormi-
rano bazo iz lastnih vektorjev za Cn.
Zgled 3.6 Poiˇsˇcimo ortonormirano bazo iz lastnih vektorjev za matriko A=
3 −2 4
−2 6 2
4 2 3
.
Karakteristiˇcni polinom za Aje pA(λ) =
3−λ −2 4
−2 6−λ 2
4 2 3−λ
=−(λ−7)2(λ+ 2). Lastni vrednosti staα1 =−2 inα2= 7. Velja g(−2) = 1 in g(7) = 2.
Priα1=−2 iˇsˇcemo tak vektor u1, da je (A+ 2I)u1 =0. Vrstiˇcna kanoniˇcna forma zaA−2I =
5 −2 4
−2 8 2
4 2 5
je:
1 0 1 0 1 12 0 0 0
.
Za lastni vektor u1 izberimo u1 =
2 1
−2
.
Vrstiˇcna kanoniˇcna forma zaA−7I =
−4 −2 4
−2 −1 2
4 2 −4
je:
1 12 −1
0 0 0
0 0 0
.
Za vektorjau2 inu3 izberemo u2 =
0 2 1
in u3 =
1
−2 0
.
S pomoˇcjo Gramm-Schmidtovega algoritma poiˇsˇcemo najprej ortogonalno ba- zo za ker(A−7I):
w2 =u2=
0 2 1
,
w3 =u3+ hu3,w2i hw2,w2iw2 =
1
−2 0
+4 5
0 2 1
=
1
−25
4 5
.
Vektorjeu1,w2,w3 moramo ˇse normirati. Ortonormirana baza iz lastnih vek- torjev zaAje potem
v1 = 1 3
2 1
−2
, v2= 1
√5
0 2 1
, v3 = 1 3√
5
5
−2 4
.
Enako kot za simetriˇcno ali hermitsko matriko, tudi za sebiadjungirano linearno preslikavoA:U →U obstaja ortonormirana baza iz lastnih vektorjev in velja, da so vse lastne vrednosti zaA realne.
4 Normalne matrike in preslikave
Sploˇsnejˇsi razred matrik od simetriˇcnih in hermitskih matrik je razred normal- nih matrik.
Definicija 4.1 MatrikaA∈Rn×n ali A∈Cn×n je normalna, ˇce je AA∗=A∗A .
Linearna preslikavaA:U →U je normalna, ˇce veljaAA∗ =A∗A. ♦ Zgled 4.2 1.) Ce jeˇ A simetriˇcna ali hermitska matrika, je AA∗ = A2 =
A∗A. Torej jeA normalna.
4. NORMALNE MATRIKE IN PRESLIKAVE 191 2.) Naj boD diagonalna matrika. Potem jeD∗ tudi diagonalna matrika in
velja DD∗=D∗D. Torej jeD normalna.
Trditev 4.3 Naj bo A normalna matrika. Potem je
ker(A−αI) = ker(A∗−αI). Dokaz Denimo, da je (A−αI)u=0. Potem je
0 = h(A−αI)u,(A−αI)ui=hu,(A−αI)∗(A−αI)ui=
= hu,(A∗−αI)(A−αI)ui=hu,(A∗A−αA−αA∗+αα)ui=
= hu,(AA∗−αA−αA∗+αα)ui=hu,(A−αI)(A∗−αI)ui=
= h(A−αI)∗u,(A−αI)∗ui.
Ker je skalarni produkt pozitivno definiten, je0= (A−αI)∗u= (A∗−αI)u.
Iz gornjega raˇcuna sledi, da je (A−αI)u=0natanko tedaj, ko je (A∗−αI)u=
=0.
Trditev 4.4 Ce staˇ u in v lastna vektorja pri razliˇcnih lastnih vrednostih normalne matrike A, potem sta u in v ortogonalna.
Dokaz Predpostavimo, da jeAu=αu,Av=βv inα6=β. Potem sledi hAu,vi=hαu,vi=αhu,vi.
Z uporabo prejˇsnje trditve dobimo ˇse
hAu,vi=hu, A∗vi=hu, βvi=βhu,vi.
Ker je α6=β, mora biti hu,vi= 0.
Izrek 4.5 (o spektralnem razcepu za normalne matrike) Naj bo A ∈ Rn normalna matrika in α1, α2, . . . , αk vse njene razliˇcne lastne vrednosti.
Potem je
Rn=
k
M
j−1
ker(A−αjI)
ortogonalna direktna vsota. V Rn obstaja ortonormirana baza iz lastnih vek- torjev za A. V tej bazi A pripada diagonalna matrika.
Tudi ˇce jeA∈Cnnormalna matrika, velja enak sklep: Naj bodoα1, α2, . . . , αk vse razliˇcne lastne vrednosti za A. Potem je
Cn=
k
M
j−1
ker(A−αjI)
ortogonalna direktna vsota in vCn obstaja ortonormirana baza iz lastnih vek- torjev zaA.
Dokaz Dokaz bomo naredili le za primer, ko je A∈Cn×n. Za realne matrike je enak.
Iz trditve 4.3 in posledice 2.2 sledi, da je
Cn= ker(A−αI)⊕im(A−αI) (X.4) ortogonalna direktna vsota. Ker sta ker(A−αI) in im(A−αI) invariantna podprostora zaA, imaA glede na razcep (X.4) obliko
αI 0 0 A1
.
Ker je ker(A−αI)∩im(A−αI) = 0, α ni lastna vrednost za A1. Torej je a(α) = g(α). Ker pravkar povedano velja za vsako lastno vrednost αj, se A da diagonalizirati. Iz trditve 4.4 sledi, da so lastni podprostori pri razliˇcnih lastnih vrednostih ortogonalni. Zato je
Cn=
k
M
j−1
ker(A−αjI)
ortogonalna direktna vsota. Unija ortonormiranih baz za ker(A−αjI), j = 1,2,. . .,k, nam da ortonormirano bazo za Cniz lastnih vektorjev za A.
Zgled 4.6 Pokaˇzimo, da jeA= 1 i
i 1
normalna in poiˇsˇcimo kako ortonormi- rano bazo iz lastnih vektorjev. Ker velja
AA∗ =A∗A= 2 0
0 2
,
je matrika normalna. Karakteristiˇcni polinom za A je pA(λ) = λ2 −2λ+ 2.
Lastni vrednosti staα1 = 1 + i inα2 = 1−i. Za pripadajoˇca lastna vektorja
5. ORTOGONALNE IN UNITARNE MATRIKE TER IZOMETRIJE 193 izberemo u1 =
1 1
inu2= 1
−1
. Oˇcitno velja (A−(1 + i)I)u1 =
−i i i −i
1 1
= 0
0
in
(A−(1−i)I)u1 = i i
i i 1
−1
= 0
0
.
Vektorja u1 inu2 sta pravokotna. Iskana ortonormirana baza je 1
√2 1
1
, 1
√2 1
−1
.
Enako kot za normalno matriko, tudi za normalno linearno preslikavo A : U → U obstaja ortonormirana baza iz lastnih vektorjev, torej se jo da diagonalizirati v ortonormirani bazi.
5 Ortogonalne in unitarne matrike ter izometrije
Denimo, da je {v1,v2, . . . ,vn} ortonormirana baza za Rn. Naj bo Q∈Rn×n
matrika, katere stolpci sov1,v2, . . . ,vn. Potem velja Q⊤Q=I .
Matrika, za katero je Q⊤Q = I imenujemo ortogonalna. Na sploˇsno defini- ramo:
Definicija 5.1 Ce jeˇ Q∈Cn×nmatrika, za katero jeQ∗Q=I, potem reˇcemo, da je Qunitarna matrika.
Linearna preslikava Q : U → U, kjer je U vektorski prostor s skalarnim produktom nad R, je ortogonalna, ˇce jeQQ∗ =Q∗Q=I.
Linearna preslikava Q : U → U, kjer je U vektorski prostor s skalarnim produktom nad C, je unitarna, ˇce je QQ∗ =Q∗Q=I. ♦ Matrika A ∈ Rn×n je torej ortogonalna, ˇce je Q−1 =Q⊤ in matrika A ∈ Cn×n je unitarna, ˇce jeQ−1=Q∗.
Zgled 5.2 Poiˇsˇcimo vse ortogonalne matrike v R2×2.
Matrika Q∈R2×2 je ortogonalna, ˇce njena stolpca tvorita ortonormirano bazo zaR2. Oznaˇcimo
Q= a c
b d
.
Stolpec a
b
je normiran, ˇce jea2+b2 = 1. Torej obstaja takα∈[0,2π), da je a= cosα inb= sinα. Tudi stolpec
c d
je normiran in pravokoten na stolpec cosα
sinα
. Iz prvega poglavja vemo, da imamo za c
d
dve moˇznosti. To sta sinα
−cosα
in
−sinα cosα
.
Vse ortogonalne matrike vR2×2 so torej Rα =
cosα −sinα sinα cosα
in Zα=
cosα sinα sinα −cosα
za α∈[0,2π). Iz definicije vidimo, da je vsaka ortogonalna (oz. unitarna) matrika nor- malna. Iz izreka 4.5 sledi:
Posledica 5.3 Vsaka ortogonalna in vsaka unitarna matrika se da diagonal- izirati (nadC) in zanjo obstaja ortonormirana baza iz lastnih vektorjev.
Trditev 5.4 Ce jeˇ α lastna vrednost ortogonalne ali unitarne matrike A, potem je|α|= 1.
Dokaz Za v∈ker(A−αI), v6=0velja
hv,vi = hAv, Avi=hαv, αvi=ααhv,vi=|α|2hv,vi.
Ker jehv,vi 6= 0, je|α|2= 1. Torej je |α|= 1.
Zgled 5.5 Naj bo Zα =
cosα sinα sinα −cosα
ortogonalna matrika iz zgleda 5.2.
Karakteristiˇcni polinom za Zα je p(λ) = λ2 −1. Lastni vrednosti sta tako α1 = 1 in α2 = −1. S pomoˇcjo formul za sinus in kosinus poloviˇcnih kotov dobimo
Zα−I =
cosα−1 sinα sinα −cosα−1
=
−2 sin2 α2 2 sinα2 cosα2 2 sinα2 cosα2 −2 cos2 α2
.
Normiran lastni vektor priα1= 1 je potem u1 =
cosα2 sinα2
.
5. ORTOGONALNE IN UNITARNE MATRIKE TER IZOMETRIJE 195 Lastni vektorji pri α2=−1 so pravokotni na u1. Izberemo npr. u2 =
=
−sinα2 cosα2
.
Kaj je geometriˇcni opis preslikave podane z mnoˇzenjem zZα? Ta preslikava je zrcaljenje prek premiceL(u1), to je prek premice z enaˇcboy= (tanα2)x.
x y
L(u1)
α
⌣
2
>
AA AA A
AA
AAAL(u2) α
⌣
>
Zgled 5.6 Poiˇsˇcimo ˇse lastni vrednosti ortogonalne matrike Rα iz zgleda 5.2 in geometriˇcni opis delovanja Rα na R2. Karakteristiˇcni polinom za Rα = cosα −sinα
sinα cosα
jep(λ) =λ2−2 cosαλ+ 1. Lastni vrednosti staα1 = cosα+ i sinαinα2= cosα−i sinα. Razen ko jeα = 0 aliα=π, staα1 inα2 nerealni kompleksni ˇstevili.
PreslikavaRα je rotacija za kotα okoli toˇcke0. O tem se zlahka prepriˇca- mo, ˇce poiˇsˇcemo sliki standardnih baznih vektorjev e1 ine2:
x y
a a
cosα sinα
1 0 a a
a
−sinα cosα
0 1 a
α
⌣
>
@@
@@ α
⌣
>
Spomnimo se, da je v vektorskem prostoruU skalarnim produktomh,i norma vektorja definirana s predpisomkuk=p
hu,ui.
Definicija 5.7 Linearno preslikavo A:U →U imenujemo (linearna) izome- trija, ˇce je
kAuk=kuk za vseu∈U . ♦
Izometrije so linearne preslikave, ki ohranjajo normo in zato ohranjajo tudi razdaljo med toˇckami.
Zgled 5.8 Ce jeˇ Q ortogonalna preslikava, potem je
kQuk2=hQu, Qui=hu, Q∗Qui=hu,ui=kuk2.
Zato jeQ linearna izometrija.
Izrek 5.9 (Polarizacijska enakost) Ce jeˇ U vektorski prostor s skalarnim produktom nadR, potem za poljubnau,v∈U velja
hu,vi= 1
4 ku+vk2− ku−vk2 .
Ce jeˇ U vektorski prostor s skalarnim produktom nad C, potem za poljubna u,v∈U velja
hu,vi= 1
4 ku+vk2− ku−vk2+ iku+ ivk2−iku−ivk2 .
Dokaz Dokaz je direkten raˇcun.
NadRimamo:
ku+vk2− ku−vk2 =
=hu+v,u+vi − hu−v,u−vi=
=hu,ui+ 2hu,vi+hv,vi − hu,ui+ 2hu,vi − hv,vi=
= 4hu,vi. NadCdobimo:
ku+vk2− ku−vk2+ iku+ ivk2−iku−ivk2=
=hu+v,u+vi − hu−v,u−vi+ ihu+ iv,u+ ivi −ihu−iv,u−ivi=
=hu,ui+hu,vi+hv,ui+hv,vi − hu,ui+hu,vi+hv,ui − hv,vi+ + ihu,ui+hu,vi − hv,ui+ ihv,vi −ihu,ui+hu,vi − hv,ui −ihv,vi=
= 4hu,vi.
Trditev 5.10 Linearna preslikava A:U →U je izometrija natanko tedaj, ko jehAu, Avi=hu,vi za vse u,v∈U.
Dokaz Ceˇ A ohranja skalarni produkt, tj. hAu, Avi=hu,vi, velja tudi kAuk2=hAu, Aui=hu,ui=kuk2.
5. ORTOGONALNE IN UNITARNE MATRIKE TER IZOMETRIJE 197 Zato je A izometrija.
Denimo, da jeAizometrija. Potem iz polarizacijske enakosti sledi (nadR) hAu, Avi = 1
4 kAu+Avk2− kAu−Avk2
=
= 1
4 kA(u+v)k2− kA(u−v)k2
= 1
4 ku+vk2− ku−vk2
=
= hu,vi.
Dokaz nad obsegom kompleksnih ˇstevil Cje podoben.
Izrek 5.11 Linearna preslikava A:U →U je izometrija natanko tedaj, ko je A ortogonalna (oziroma unitarna) .
Dokaz V zgledu 5.8 smo videli, da je ortogonalna (oz. unitarna) preslikava izometrija.
Predpostavimo, da jeA izometrija. Potem je po trditvi 5.10 hAu, Avi=hu,vi za vse u inv∈U .
Zato jehA∗Au,vi=hu,viza vseu,v∈U. Iz trditve 3.6 sledi (A∗A−I)u=0 za vse u inA∗A=I. Torej jeA ortogonalna (oziroma unitarna).
Trditev 5.12 Ce jeˇ A:Rn→Rn izometrija, potem A ohranja kote.
Dokaz Kot med (neniˇcelnima) vektorjemau inv je cosα= hu,vi
kukkvk.
Ker je A izometrija, je potem cosα= khAAuukk,AAvvik. Torej je α tudi kot med Au
inAv.
Posledica 5.13 Izometrija slika ortonormirano mnoˇzico v ortonormirano mno- ˇzico.
Zgled 5.14 Linearne izometrije A : R2 → R2 so podane z ortogonalnimi matrikami iz R2×2. V zgledih 5.2, 5.5 in 5.6 smo pokazali, da so ortogonalne matrike v R2×2 ravno matrikeZα inRα, ki predstavljajo ravno vsa zrcaljenja in vse rotacije v R2. Torej so vse linearne izometrije v ravnini zrcaljenja ali
rotacije.
6 Pozitivno-definitne matrike
Definicija 6.1 Simetriˇcna ali hermitska matrika A je pozitivno-definitna, ˇce je hAu,ui>0 za vse neniˇcelne vektorje u. Simetriˇcna ali hermitska matrika Aje pozitivno-semidefinitna, ˇce jehAu,ui ≥0 za vse vektorjeu. ♦
Zgled 6.2 Naj bo A =
1 0 0 0 2 0 0 0 3
∈ R3×3. Potem za v =
x y z
∈ R3 velja hAv,vi = x2 + 2y2 + 3z2. ˇCe je v 6= 0, je x2 + 2y2 + 3z2 > 0, zato je A
pozitivno definitna.
Izrek 6.3 Simetriˇcna ali hermitska matrikaA je pozitivno-definitna natanko tedaj, ko so vse lastne vrednosti A pozitivne.
Simetriˇcna ali hermitska matrikaA je pozitivno-semidefinitna natanko te- daj, ko so vse lastne vrednosti A nenegativne.
Dokaz Naj bo α lastna vrednost za pozitivno-definitno matriko A in u pri- padajoˇci lastni vektor. Potem je 0 < hAu,ui = hαu,ui = αhu,ui. Ker je hu,ui>0, mora bitiα >0.
Predpostavimo sedaj, da so vse lastne vrednosti simetriˇcne ali hermitske matrikeApozitivne. Potem obstaja taka ortonormirana baza, da imaAv njej diagonalno matrikoD. Torej je
A=QDQ−1,
kjer stolpci Q tvorijo ortonormirano bazo. Zato je Q ortogonalna, oziroma unitarna, in jeA=QDQ∗. Potem za neniˇceln vektor uvelja
hAu,ui=hQDQ∗u,ui=hD(Q∗u), Q∗ui.
Oznaˇcimo zα1, α2, . . . , αn diagonalne elemente D (tj. lastne vrednosti za A) in
Q∗u=
u1 u2 ... un
.
Potem jehAu,ui=Pn
j=1αj|uj|2>0.
Dokaz za primer, ko jeApozitivno-semidefinitna je enak, le strogi neenaˇcaj
>moramo povsod zamenjati z ≥.
6. POZITIVNO-DEFINITNE MATRIKE 199 Zgled 6.4 Naj bo B ∈Cm×n dana matrika. Potem je matrika A = B∗B ∈ Cn×n pozitivno-semidefinitna. Velja namreˇc
hAu,ui=hB∗Bu,ui=hBu, Bui ≥0 za vse u∈Cn.
Ce jeˇ B obrnljiva, je A celo pozitivno-definitna. Tedaj za neniˇceln vektor u∈Cn velja
hAu,ui=hB∗Bu,ui=hBu, Bui>0, saj je Bu6=0.
Enako pokaˇzemo, da tudi za realno matrikoB∈Rm×nvelja: MatrikaA= B⊤B je pozitivno-semidefinitna in je pozitivno definitna, ˇce jeB obrnljiva.
Trditev 6.5 Simetriˇcna ali hermitska matrikaAje pozitivno-definitna natan- ko tedaj, ko jeA=B2za kako obrnljivo simetriˇcno oziroma hermitsko matriko B. V tem primeru za B vedno lahko vzamemo pozitivno-definitno matriko.
Dokaz Ce jeˇ Bobrnljiva simetriˇcna ali hermitska matrika, potem je po zgledu 6.4 matrika A=B∗B=B2 pozitivno-definitna.
Obratno, naj bo Apozitivno-definitna. Po spektralnem izreku za simetri- ˇcne ali hermitske matrike je
A=QDQ∗,
kjer je D diagonalna matrika in Q ortogonalna, oziroma unitarna, matrika.
Ker je A pozitivno-definitna, so diagonalni elementi D pozitivna (realna) ˇstevila. Oznaˇcimo
D=
α1 0 . . . 0 0 α2 . . . 0 ... ... . .. ...
0 0 . . . αn
, βj =√αj za j = 1,2, . . . , n
in
E=
β1 0 . . . 0 0 β2 . . . 0 ... ... . .. ...
0 0 . . . βn
.
Potem je E2=Din zaB =QEQ∗ velja:
B2 =QEQ∗QEQ∗=QE2Q∗=QDQ∗ =A
in
B∗ = (QEQ∗)∗ = (Q∗)∗E∗Q∗ =QEQ∗=B .
Ker jeβj >0 za vsej, jeB pozitivno-definitna.
Zgled 6.6 Dana je matrika A =
5 −4
−4 5
. Preverimo, da je pozitivno- definitna in poiˇsˇcimo tako simetriˇcno matrikoB, da boB2=A. Takoj vidimo, da jeA=A∗. Karakteristiˇcni polinom za Aje
pA(λ) =λ2−10λ+ 9 = (λ−9)(λ−1).
Lastni vrednosti 1 in 9 sta pozitivni, zato je A pozitivno-definitna. Ortogo- nalna lastna vektorja zaA sta: u1 = √1
2
1
−1
priα1 = 1 in u2 = √1 2
1 1
pri α2 = 9. Torej je
A=
" 1
√2 −√12
√1 2
√1 2
# 1 0 0 9
" 1
√2
√1 2
−√12 √12
# .
MatrikaE = 1 0
0 3
je taka, da je E2= 1 0
0 9
. Potem je B =
" 1
√2 −√12
√1 2
√1 2
# 1 0 0 3
" 1
√2
√1 2
−√12 √12
#
=
2 −1
−1 2
.
Izrek 6.7 Naj bo A pozitivno definitna matrika in h, i1 obiˇcajni skalarni produkt. Potem je preslikava podana s predpisom
hu,vi2=hAu,vi1
za vse vektorje u in v tudi skalarni produkt.
Dokaz Izrek bomo dokazali za primer, ko jeA∈Cn×n. Dokaz za primer, ko jeA∈Rn×n je podoben.
Preveriti moramo, da za h, i2 :Cn×Cn → C veljajo vsi trije aksiomi skalarnega produkta. Zaα1, α2 ∈C inu1,u2,v∈Cn velja
hα1u1+α2u2,vi2 = hA(α1u1+α2u2),vi1 =hα1Au1+α2Au2,vi1 =
= α1hAu1,vi1+α2hAu2,vi1 =α1hu1,vi2+α2hu2,vi2. Zau,v∈Cn velja
hv,ui2=hAv,ui1=hu, Avi1=hAu,vi1 =hu,vi2.
Nazadnje za neniˇceln vektor u ∈ Cn velja hu,ui2 = hAu,ui1 > 0. Torej je hu,ui2 ≥0 in hu,ui2 = 0 natanko tedaj, ko jeu=0.