Dr Branko Male sevi c

ETF - Matematika 2, 2008., 2009.

1. VEKTORSKI PROSTORI

1.1. Polja skalara

Polazni pojam u denisanju pojma vektorskog prostora je pojam polja F = (, +, ) kao algebarske strukture sa od ranije poznatom aksiomatikom. Napomenimo da neutralni element za sabiranje ozna cavamo sa 0 i neutralni element za mno zenje ozna cavamo sa 1 . Elemente polja F nazivamo skalarima. Primer 1.1.1. Primeri polja: Z ( -prost broj), Q, R, C.

1.2. Denicija vektorskog prostora

Denicija 1.2.1 Neka je neprazan skup cije elemente zovemo vektorima i neka je F = (, +, ) polje skalara. Algebarska struktura: V = (, +, ) naziva se vektorski prostor V nad poljem F ako za binarnu operaciju sabiranja vektora + : 2 i spoljnu operaciju mno zenja skalara i vektora : va ze aksiome: (1 ) (2 ) (3 ) (4 ) (5 ) (, +) jeste Abelova grupa, ( + ) = + za svako i , , ( + ) = + za svako , i , ( ) = ( ) za svako , i , 1 = za svaki .

-enim parom (, F) tako da va Drugim re cima, vektorski prostor V mo zemo odrediti ured zi: () neprazan skup (njegove elemente zovemo vektorima). () F je polje (njegove elemente zovemo skalarima). () U skupu je denisana binarna operacija + : 2 , koju nazivamo sabiranje vektora, takva da va zi aksioma (1 ). ( ) Denisana je spoljna operacija : , koju zovemo mno zenje vektora skalarom (tj. elementom) polja za koju va ze aksiome (2 ) (5 ). Napomena 1.2.1. Uobi cajeno je da skalare ozna cavamo malim slovima gr ckog alfabeta: , , , . . . i da vektore ozna cavamo malim slovima abecede: , , , . . . . Dalje, + ozna cava cemo sa + , odnosno ozna cava cemo sa . U daljem razmatranju nulu polja 0 i jedinicu polja 1 ozna cava cemo sa 0 i 1 respektivno. Napomena 1.2.2. Neka je V vektorski prostor nad poljem skalara F. Ukoliko je F = R, tada vektorski prostor nazivamo realnim vektorskim prostorom, dok za F = C nazivamo kompleksnim vektorskim prostorom. 1

1.3. Primeri vektorskih prostora

-enih -torki: F = ( , +, ) . . . Primer 1.3.1. Vektorski prostor ured Primer 1.3.2. Vektorski prostor polinoma stepena ne ve ceg od : F [] = ( [], +, ) . . . Primer 1.3.3. Vektorski prostor funkcija: V = ( , +, ) . . . Primer 1.3.4. Op sti funkcijski prostor1 W = ( , +, ) i specijalni funckijski vektorski prostori neprekidnih funkcija [, ], diferencijabilnih funkcija [, ] . . .

1.4. Osnovne osobine vektorskih prostora

Teorema 1.4.1. Ako je V = (, +, ) vektorski prostor nad poljem skalara F, tada za svaki skalar i svaki vektor va zi: 1o. 0 = 0, 2o. 0 = 0, 3o. = 0 = = 0 = 0. Dokaz. . . . . Teorema 1.4.2. Ako je V = (, +, ) vektorski prostor nad poljem skalara F, tada za svaki vektor va zi: 4o. = (1) . Dokaz. . . . .

1.5. Vektorski potprostori

Denicija 1.5.1. Neka je V = (, +, ) vektorski prostor nad poljem skalara F. Tada podskup -uje vektorski potprostor W vektorskog prostora V ako va odred zi: 1o. = . -uju vektorski 2o. Za skup restrikcije operacija + = + : 2 i = : odred prostor W = (, +, ). -uje vektorski potprostor Drugim re cima, skup ( = ), za vektorski prostor V = (, F), odred W vektorskog prostora V ako je W = (, F) vektorski prostor. Prema aksiomatici vektorskih prostora proizvoljni vektorski prostor sadr zi nula vektor 0. Samim tim svaki vektorski prostor V za koji postoje i ne-nula vektori ( = {0}) ima bar dva tvz. trivijalna potprostora ({0}, +, ) i (, +, ), svi ostali potprostori nazivaju se pravi potprostori. -uje vektorski potprostor W vektorskog prostora V nad Teorema 1.5.1. Neprazan podskup odred poljem skalara F akko va zi (, )(, ) + . Dokaz. . . . .
1

gde je V dati vektorski prostor i dati skup

1.6. Linearna zavisnost

Denicija 1.6.1. Neka je V vektorski prostor nad poljem skalara F. Za 1 , . . . , i 1 , . . . , vektor 1 1 + . . . + predstavlja linearnu kombinaciju vektora 1 , 2 , . . . , . Denicija 1.6.2. Skup svih linearnih kombinacija vektora 1 , . . . , vektorskog prostora V nad poljem -juje skup skalara F odred ({1 , . . . , }) = {1 1 + . . . + 1 , . . . , } koji nazivamo lineal vektora 1 , . . . , . Teorema 1.6.1. Neka je V vektorski prostor nad poljem skalara F i neka su 1 , . . . , ksirani vektori. -uje vektorski potprostor vektorskog prostora V. Tada lineal ({1 , . . . , }) odred Dokaz. . . . Denicija 1.6.3. Neka je V vektorski prostor nad poljem skalara F. Za vektore 1 , . . . , ka zemo da su linearno zavisni ako postoje skalari 1 , . . . , takvi da je bar jedan razli cit od nule i pri tom va zi: 1 1 + . . . + = 0. Za vektore 1 , . . . , ka zemo da su linearno nezavisni ukoliko nisu linearno zavisni. Napomena 1.6.1. Va zi: 1 , . . . , linearno zavisni akko (1 , . . . , ) 1 1 + . . . + = 0 (1 = . . . = = 0) i odatle zaklju cujemo2 : 1 , . . . , linearno nezavisni akko (1 , . . . , ) 1 1 + . . . + = 0 = 1 = . . . = = 0. Teorema 1.6.2. Neka je V vektorski prostor nad poljem skalara F. Vektori 1 , . . . , su linearno zavisni akko je bar jedan od njih linearna kombinacija preostalih vektora. Primer 1.6.1. . . . Primer 1.6.2. . . .

1.7. Baza i dimenzija

Denicija 1.7.1. Neka je V vektorski prostor nad poljem skalara F. Skup vektora {1 , . . . , } jeste generatorski skup za vektorski prostor V ako va zi ({1 , . . . , }) = .
2

linearna zavisnost je ekvivaletna sa formulom oblika (1 , . . . , ) (1 , . . . , ) (1 , . . . , ); linearna nezavisnost je ekvivaletna sa formulom oblika (1 , . .). , )( (1 , . . . , ) (1 , . . . , ), ) ( pri cemu va zi tautologija: = (1 , . . . , ) (1 , . . . , ) (1 , . . . , ) = (1 , . . . , )

Denicija 1.7.2. Neka je V vektorski prostor nad poljem skalara F. Skup vektora = {1 , . . . , } jeste bazni skup (baza) za vektorski prostor V ako va zi: 1o. Skup {1 , . . . , } jeste generatortski, tj. ({1 , . . . , }) = . 2o. Skup {1 , . . . , } jeste linearno nezavisan skup vektora u . Primer 1.7.1. . . . Primer 1.7.2. . . . Denicija 1.7.3. Ako vektorski prostor ima bar jednu bazu koja sadr zi kona cno mnogo elemenata, tada se prostor naziva kona cno-dimenzionalni vektorski prostor. Teorema 1.7.1. Ako je V kona cno-dimenzionalni vektorski prostor nad poljem skalara F, tada sve baze imaju isti broj elemenata. Denicija 1.7.4. Ako vektorski prostor V, takav da = {0}, nad poljem skalara F ima bazu sa elemenata, tada se prirodan broj naziva dimenzija kona cno-dimenzionalnog vektorskog prostora. Koristimo oznaku = dim( ). Napomena 1.7.1. U slu caju trivijalnog vektorskog prostora V, kada je = {0}, smatramo da je nulte dimenzije, tj. dim( ) = 0. Primer 1.7.3. . . . Napomena 1.7.2. Ako vektorski prostor nema kona cnu bazu, tada za takve vektorske prostore pojam baze takode mo ze uvesti na odgovaraju ci na cin. Takvi prostori se nazivaju beskona cno-dimenzionalni vektorski prostori. Primer 1.7.4. . . . Teorema 1.7.2. Neka je V kona cno-dimenzionalni vektorski prostor nad poljem skalara F sa baznim skupom = {1 , . . . , }. Svaki vektor mo ze se na ta cno jedan na cin izraziti kao linearna kombinacija u odnosu na poredak baznih vektora 1 , . . . , . Dokaz. . . . Napomena 1.7.3. Neka je V kona cno-dimenzionalni vektorski prostor nad poljem skalara F sa baznim skupom = {1 , . . . , }. Za vektor predstavljanje = 1 1 + . . . + , u odnosu na poredak -uje koordinate 1 , . . . , vektora u bazi . baznih vektora 1 , . . . , , odred

1.8. Izomorzmi vektorskih prostora

Denicija 1.8.1. Dva vektorska prostora V1 = (1 , +1 , 1 ) i V2 = (2 , +2 , 2 ) nad istim poljem skalara F su homomorfni prostori ako postoji preslikavanje : 1 2 takvo da va zi: (, 1 )(, ) ( 1 +1 1 ) = 2 () +2 2 ( ). Preslikavanje nazivamo linearni operator ili homomorzam vektorskog prostora V1 u vektorski prostor V2 . Posebno, ako je homomorzam bijekcija tada ga nazivamo izomorzam vektorskog prostora V1 u vektorski prostor V2 . Same vektorske prostore V1 i V2 smatramo izomorfnim prostorima, sto ozna cavamo V1 = V2 . Teorema 1.8.2. Svaki -dimenzionalni vektorski prostor V nad poljem skalara F izomorfan je vektorskom -enih -torki F . prostoru ured 4

2. UNITARNI PROSTORI I ANALITICKA GEOMETRIJA U 3

2.1. Unitarni prostori
Denicija 2.1.1. Vektorski prostor V nad poljem F realnih ili kompleksnih skalara (F = R ili F = C) naziva se unitarni ili pred-Hilbertov prostor ako za skalarni ili unutra snji proizvod (. , . ) : 2 va ze aksiome: (1 ) (2 ) (3 ) (4 ) (5 ) ( + , ) = (, ) + (, ) za svako , , , ( , ) = (, ) za svako i , , (, ) = (, ) za svako , , (, ) 0 za svako , (, ) = 0 = 0 za svako .

Na osnovu (3 ), primetimo da i u slu caju kompleksnog unitarnog prostora vrednosti (, ), za , jesu realni brojevi i dotano na osnovu (4 ) jesu nenegativni realni brojevi. Denicija 2.1.2. Norma (intezitet) vektora iz unitarnog prostora V je nenegativan broj = -enu normu ka Za tako odred zemo da je norma indukovana skalarnim proizvodom. -enje skalarnog proizvoda i norme u vektorski prostor . . . Primer 2.1.1. Uvod -enje skalarnog proizvoda i norme u vektorski prostor . . . Primer 2.1.2. Uvod -enje skalarnog proizvoda i norme u vektorski prostor C[, ] . . . Primer 2.1.3. Uvod

(, ).

2.2. Osnovne osobine norme

Teorema 2.2.1. (Cauchy, , Schwarz) Neka je V unitaran prostor nad poljem skalara F i sa skalarnim proizvodom (. , . ) : 2 . Tada za normu indukovanu skalarnim proizvodom va zi: (, ) sa jednako s cu akko su i linearno zavisni vektori. Teorema 2.2.2. Neka je V unitaran prostor nad poljem skalara F i sa skalarnim proizvodom (. , . ) : 2 . Tada za normu indukovanu skalarnim proizvodom va zi: 1o. 0 ( ), 2o. = 0 = 0 ( ), 3o. = 4o. + + Dokaz. . . .
3

(, )

( , ), (nejednakost 3 trougla za , ).

jednakost va zi akko je = 0 ili = za 0

Denicija 2.2.1. Vektorski prostor V nad poljem skalara F naziva se normiran vektorski prostor ako za normu . : va ze aksiome: (1 ) (2 ) (3 ) (4 ) 0 za svako , = 0 = 0 za svako , = za svako , , + + za svako , .

Primer 2.2.1. . . . Primer 2.2.2. . . . Denicija 2.2.2. Neka je vektorski prostor V normiran sa normom . , tada funkcija: = (, ) = : 2 se naziva metrika na .

2.3. Geometrija unitarnih prostora

U ovom delu razmatramo slu caj realnog unitarnog prostora V i geometriju takvih prostora zasnovanu na nejednakosti CauchySchwarz-a: (, ) 1 1 (, ) 1 (, = 0).

-u dva ne-nula vektora i Denicija 2.3.1. Neka je V realni unitarni vektorski prostor, tada ugao ized -ujemo kao realan broj = (, ) [0, ] takav da va odred zi: cos = (, ) (, = 0).

Denicija 2.3.2. Za ne-nula vektore i ka zemo da su ortogonalni vektori u unitarnom prostoru V ako je (, ) = 0, navedeno ozna cavamo . Napomena 2.3.1. Dodatno smatra cemo da je nula vektor ortogonalan na svaki vektor iz unitarnog prostora V. Denicija 2.3.3. Za dva vektora i ka zemo da su paralelni (kolinearni) vektori u unitarnom prostoru V ako su linearno zavisni, navedeno ozna cavamo . -usobno ortogonalni vektori unitarnog prostora V, tada va Teorema 2.3.2. Neka su i med zi: 2 + 2 = + 2 . Dokaz. . . . Teorema 2.3.1. Neka su i vektori unitarnog prostora V, tada va zi: + 2 + 2 = 22 + 2 2 . Denicija 2.3.4. Skup vektora {1 , . . . , } unitarnog prostora V je ortogonalan skup vektora ako za svaka dva razli cita indeksa , {1, 2, . . . , } va zi ( , ) = 0. Ukoliko, pored prethodnog, va zi i = 1 za svaki indeks {1, 2, . . . , } tada taj skup vektora je ortonormiran skup vektora. 6

Teorema 2.3.3. U unitarnom prostoru svaki ortogonalni skup ne-nula vektora jeste linearno nezavisan. Dokaz. . . .

2.4. Vektori u 3
-eni par (, ) odred -uje usmerenu du Za realni vektorski prostor R3 ured z za , 3 . U ovom delu deni semo pojam vektora u 3 polaze ci od skupa svih usmerenih du zi nad kojima razmatramo jednakost usmerenih du zi na na cin koji sleduje. Usmerene du zi i su jednake, u oznaci = , ako su ispunjeni slede ci geometrijski uslovi: () prave p(, ) i p(, ) su paralelne; () poluprave p[, ) i p[, ) su isto usmerene i () du zi i su podudarne. Relacija jednakosti usmerenih du zi jeste jedna relacija ekvivalencije skupa svih usmerenih du zi. Vektor u 3 deni semo kao klasu ekvivalencije: = { = } gde je ksiran predstavnik klase ekvivalencije. Nula vektor 0 je klasa ekvivalencije za koju se prva i druga koordinata usmerene du zi podudaraju. Uobi cajeno je da oznaku predstavnika klase poistove cujemo sa oznakom klase. Teorema 4.1.1. Za vektor u 3 postoji ta cno jedna ta cka 3 takva da je = , gde je = (0, 0, 0) (koordinatni po cetak). -uje koordinate vektora Napomena 4.1.1. Ta cka = (, , ) 3 odred , sto zapisujemo = (, , ). Skup vektora u 3 jeste skup:

V = { vektor u 3 },
koji predstavlja koli cni cki skup polaznog skupa usmerenih du zi po relaciji ekvivalencije jednakosti usmerenih 3 2 2 du zi. Za vektor = (, , ) V intezitet vektora u odreden je sa = + + 2 . Nad skupom vektora V deni semo dve operacije: -eno je vektorom 1 . Sabiranje vektora , V odred = + , gde je = .
0

-eno je sa vektorom 20 . Mno zenje skalara i vektora = V odred tako da:

) Ako je = 0 i = 0 tada () pravac vektora je paralelan sa pravcem vektora ; () smer vektora je isti sa smerom vektora ukoliko je > 0, ina ce je suprotnog smera ukoliko je < 0 i () = . ) Ako je = 0 ili = 0 tada = 0. Teorema 2.4.2. Skup vektora V u odnosu na sabiranje vektora + : V 2 V i mno zenje realnog skalara i -uje jedan realan vektorski prostor = (V, +, ). vektora : V V odred

2.5. Skalarni proizvod vektora u 3

Denicija 2.5.1. Neka su dati vektori = (1 , 1 , 1 ), = (2 , 2 , 2 ) V, tada skalarni proizvod vektora 3 i u , u oznaci , jeste realan broj:
= 1 2 + 1 2 + 1 2 .

-uje unitaran prostor u odnosu na skalarni Teorema 2.5.1. Realni vektorski prostor vektora u R3 odred proizvod ( , ) = za , V. Tada, norma indukovana skalarnim proizvodom je = za V. 7

Na osnovu geometrije unitarnih prostora za dva ne-nula vektora , V va zi: = cos , -u dva posmatrana vektora. Odatle sleduje: gde je = ( , ) ugao izmed = 0 = 0 = 0 ( , V).

Denicija 2.5.2. Neka je unitarni prostor vektora u 3 i neka je V { 0} ksiran ne-nula vektor. Algebarska vrednost ortogonalne projekcije vektora V na vektor jeste broj pr ( ) = cos (, ). Ortogonalna projekcija vektora V na vektor jeste vektor = pr . ( ) Napomena 2.5.1. Va zi: pr ( ) =

: ako su i istog smera, :

ina ce.

Teorema 2.5.2. Za ne-nula vektore , va zi: = pr () = pr (). Dokaz. . . .

2.6. Vektorski proizvod vektora u 3

Neka je unitarni prostor vektora u 3 . Posmatrajmo pravaougli koordinatni sistem , gde je = (1, 0, 0) sa [)-poluose, = (0, 1, 0) sa [ )-poluose i = (0, 0, 1) sa -ena trojka vektora ( -uje desni trijedar [ )-poluose. Smatramo da ured , , ) odred ako je smer poluose [ ) tako odreden da rotacija poluose [) ka poluosi [ ), u G smeru suprotnom od kretanja kazaljke sata, ima najkra ci put gledano sa ta caka polu -en koordinatni sistem, ose [ ). Dalja razmatranja odnosi ce se na prethodno odred sa ksiranim trijedrom desne orjentacije4 ( , , ). Za tri vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ), = ( 3 , 3 , 3 ) V smatramo da uredena trojka vektora (, , ) odreduje u koordinatnom sistemu :

1 1 1

() desni trijedar ako:

2 2 2 3 3 3 1 1 1

> 0,

() levi trijedar ako:

2 2 2 3 3 3

< 0; 1 1 1 2 2 2 3 3 3 = 0.

-uju trijedar ako je ispunjeno: u suprotnom ne odred

Denicija 2.6.2. Za dva vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ) V vektorski proizvod vektora i odreden je kao vektor: = tj.
4

1 1 1 2 2 2

1 1 (1, 0, 0) 1 1 (0, 1, 0) + 1 1 (0, 0, 1) , 2 2 2 2 2 2

= (1 2 2 1 , 2 1 1 2 , 1 2 2 1 ).
druga mogu cnost je da je ksiran trijedar leve orjentacije

Teorema 2.6.1 Za dva ne-nula vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ) V, koji nisu paralelnih pravaca, vektorski proizvod = ima slede ce osobine: -uju vektori 10 . Pravac vektora je normalan na ravan koju odred i . -en tako da ured -ena trojka ( 20 . Smer vektora je odred , , ) bude desni trijedar. -en veli 30 . Intezitet vektora je odred cinom povr sine paralelograma koji je formi ran nad vektorima i , tj. va zi = sin , za ugao = ( , ). Dokaz. 10 . . . . 20 . . . .

G

Napomena 2.6.1. Smer vektora je takav da rotacija vektora ka vektoru , u smeru suprotnom od kretanja kazaljke sata, ima najkra ci put gledano sa zavr sne ta cke vektora . Teorema 2.6.2. Za skalar i vektore , V va zi: () = 0 = 0 = 0 , () = ( ) , () ( ) = ( ) , ( ) ( + ) = ( ) + ( ) .

2.7. Me soviti vektorski proizvod vektora u 3

Denicija 2.7.1. Za tri vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V me soviti vektorski proizvod vektora , i odreden je kao realan broj:
[ , , ] = ( ).

Teorema 2.7.1. Me soviti vektorski proizvod vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V mo ze se predstaviti kao determinanta: 1 1 1 [ , , ] = 2 2 2 . 3 3 3 Dokaz. . . . Posledica 2.7.1. Va zi: [ , , ] = [ , , ] = [ , , ] = [ , , ].

Teorema 2.7.2. Ako vektori = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V nisu koplanarni u 3 , tada apsolutna vrednost njihovog me sovitog proizvoda jednaka je zapremini V paralelopipeda konstruisanog nad ta tri vektora dovedena na zajedni cki po cetak, tj. V = [ , , ] . Dokaz. . . . Napomena 2.7.1. Za vektore = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V va zi: [ , , ] = 0 , , koplanarni u 3 , , linearno zavisni u 3 , odnosno: [ , , ] = 0 , , nekoplanarni u 3 , , linearno nezavisni u 3 . 9

2.8. Ta cka, prava i ravan u 3

-u ta () Ta cka u 3 . Rastojanje izmed caka 1 = 1 (1 , 1 , 1 ), 2 = 2 (2 , 2 , 2 ) 3 dato je formulom:
1 2 = (2 1 )2 + (2 1 )2 + (2 1 )2 .

Ta cka = (, , ) 3 sa koordinatama: = 2 + 1 2 + 1 2 + 1 , = , = + + + (, > 0)

deli du z 1 2 u razmeri 1 : 2 = : . () Prava u 3 . Za ta cku 0 = 0 (0 , 0 , 0 ) 3 i ne-nula vektor p = (, , ) V postoji ta cno jedna 3 prava p u koja sadr zi ta cku 0 i ima vektor pravca p. Neka je r = (, , ) vektor polo zaja proizvoljne ta cke = (, , ) p ( r = ), tada vektorski oblik jedna cine prave p je dat sa: () r = r0 + p ( ).

-uje skup ta Prethodna formula kojom se odred caka u 3 , u zavisnosti od , mo ze se uzeti za deniciju prave p. Na osnovu vektorskog oblika jedna cine prave izvode se razni oblici jedna cine prave koje navodimo. Parametarske jedna cine prave: = 0 + , = 0 + , = 0 + Kanonske jedna cine prave: ( ).

0 0 0 = = = ( ). Ako je = 0 = 0 = 0 u prethodnoj jednakosti clanovi koji dovode do deljenja sa nulom se izostavljaju. Pri tom, dodatno, ako je = 0 pi semo = 0 , ako je = 0 pi semo = 0 , ako je = 0 pi semo = 0 . Jedna cina prave kroz dve ta cke 1 = 1 (1 , 1 , 1 ), 2 = 2 (2 , 2 , 2 ) 3 je data u obliku kanonske jedna cine: 1 1 1 = = = ( ). 2 1 2 1 2 1 -uje skup ta Prethodna formula kojom se odred caka u 3 , u zavisnosti samo od [0, 1], mo ze se uzeti za deniciju du zi 1 2 . -ena5 sa ta Formula za rastojanje proizvoljne ta cke = ( , , ) 3 do prave p, koja je odred ckom 0 = (0 , 0 , 0 ) p i vektorom p = (, , ) V, je data sa: (, p) = ( r r0 ) p . p

-u dve prave (p) Formula za rastojanje izmed r = r1 + p ( ) i ( q) r = r2 + q ( ) je data sa: (p, q) =

5

( r2 r1 ) ( p q) p q

( = 0)).

r = r0 + p

( )

10

() Ravan u 3 . Za ta cku 0 = 0 (0 , 0 , 0 ) 3 i ne-nula vektor n = (, , ) V postoji ta cno jedna ravan u 3 koja sadr zi ta cku 0 i ima vektor normale n. Neka je r = (, , ) vektor polo zaja proizvoljne ta cke = (, , ) ( r = ), tada vektorski oblik jedna cine ravni je dat sa: () ( r r0 ) n = 0.

-uje skup ta Prethodna formula kojom se odred caka u 3 mo ze se uzeti za deniciju ravni . Odatle se izvode razni oblici jedna cine ravni koje navodimo. Jedna cina ravni kroz datu ta cku: ( 0 ) + ( 0 ) + ( 0 ) = 0. Op sti oblik jedna cine ravni: + + + = 0 Segmetni oblik jedna cine ravni: + + =1
(

( = 0 0 0 ).

, =

, =

-ujemo za = 0. Za ta odred cke 1 = 1 (1 , 1 , 1 ), 2 = 2 (2 , 2 , 2 ), 3 = 3 (3 , 3 , 3 ) 3 jedna cina -ena je iz [ ravni kroz tri ta cke odred 1 , 1 2 , 1 3 ] = 0, tj. 1 1 1 =0
( )

2 1 2 1 2 1 3 1 3 1 3 1

= (, , ) .

Rastojanje ta cke = ( , , ) 3 do ravni date u op stem obliku + + + = 0 je dato sa: (, ) = + + + . 2 + 2 + 2

Na kraju napomenimo da se prava mo ze zadati i kao presek dve ravni:

1 + 1 + 1 + 1 = 0

2 + 2 + 2 + 2 = 0

pri cemu (1 , 1 , 1 ) (2 , 2 , 2 ) = 0.

11

 3. SISTEMI LINEARNIH JEDNACINA

10 . Sistem( linearnih jedna cina, nad poljem F) , za -torku nepoznatih (1 , . . . , ) nad poljem i konstante
, {1, 2, . . . , } i {1, 2, . . . , } , jeste konjukcija jedna cina:

11 1 + 12 2 + . . . + 1 21 1 + 22 2 + . . . + 2

( )

= 2

= 1 . . .

1 1 + 2 2 + . . . + =

Ako je 1 = 2 = . . . = = 0, tada sistem linearnih jedna cina ( ) se naziva homogeni sistem. U suprotom ako postoji = 0, sistem linearnih jedna cina ( ) se naziva nehomogeni sistem. Skalare 1 , 2 , . . . , nazivamo slobodnim clanovima sistema. Sistem linearnih jedna cina ( ) se mo ze napisati u matri cnom obliku:
21 . . .

11

12 22 . . .

... ...

( )

2 . . .

2 = . . . . . . 2

1 2 . . .

pri cemu je = [ ] matrica koecijenata, = [ ] matrica kolona nepoznatih nad 1 i = [ ] 1 matrica kolona slobodnih clanova. Sistem lineanih jedna cina ( ) naziva se saglasan sistem (neprotivure can, mogu c) ako postoji matrica kolona = [ ] 1 takva da za 1 = 1 , . . . , = konjukcija jedna cina iz ( ) jeste ta cna. Matrica kolona se naziva re senje sistema linearnih jedna cina ( ). U suprotnom ako za sistem ( ) ne postoji re senje, tada sistem linearnih jedna cina ( ) se naziva nesaglasan sistem (protivure can, nemogu c).

20 . U cilju diskusije saglasnosti nesaglasnosti sistema linearnih jedna cina ( ) razmatra se pojam ranga.
Denicija 3.1. Neka je data matrica formata nad poljem F, tj. . Rang matrice jeste broj , u oznaci rang() = , takav da u matrici postoji kvadratna regularna submatrica reda tako da su sve kvadratne submatrice ve ceg reda od singularne. Matricu nazivamo glavnom submatricom. Napomena 3.1. Ako matrica = [ 0 ] jeste nula matrica ( = 0), tada = 0. U suprotnom, ako matrica = [ ] nije nula matrica, tada 1 min{, }. Sveukupno za matricu va zi: 0 rang() min{, }. Primer 3.1. . . . Teorema 3.1. Za matricu va zi rang(T ) = rang(). Dokaz. . . . 12

Denicija 3.2. Za matricu elementarne transformacije matrice su slede ce transformacije: () Zamena mesta dve vrste (ili kolone). () Mno zenje jedne vrste (ili kolone) skalarom = 0. () Dodavanje elemenata jedne vrste (kolone), prethodno pomno zenih nekim skalarom odgovaraju cim elementima druge vrste (ili kolone). Denicija 3.3. Matrice , su ekvivaletne matrice, sto ozna cavamo = , ako se mogu dobiti jedna iz druge pomo cu kona cnog broja elementarnih transformacija. Teorema 3.2. Neka je data matrica i neka je matrica nastala zamenom -te i -te vrste (kolone). Tada va zi: rang( ) = rang(). Teorema 3.3. Neka je data matrica i neka je {0} proizvoljan ne-nula skalar. Tada: rang() = rang(). Teorema 3.4. Neka je data matrica i neka su izdvojeni vektori vrste = [ 1 . . . ] 1 -u vektor vrstama postoji ta ( = 1, . . . , ). Ako je rang() = , tada med cno linearno nezavisnih vektora tako da preostlih vektora su linearne kombinacije ovih vektora. -uje vektorski prostor vrsta V . Posledica 3.1. Va zi rang() = dim( ), gde = ({1 , . . . , }) odred Teorema 3.4. Neka je data matrica i neka su izdvojeni vektori kolone = [ 1 . . . ]T 1 -u vektor kolonama postoji ta ( = 1, . . . , ). Ako je rang() = , tada med cno linearno nezavisnih vektora tako da preostlih vektora su linearne kombinacije ovih vektora. -uje vektorski prostor kolona V . Posledica 3.1. Va zi rang() = dim( ), gde = ({1 , . . . , }) odred Teorema 3.5. Neka je data matrica i neka je matrica dobijena od matrice tako sto su elementima jedne vrste (kolone) matrice dodati elementi neke druge vrste (kolone) pomno zeni skalarom . Tada va zi: rang( ) = rang(). Teorema 3.6. Elementarne transformacije ne menjaju rang matrice. -ene kao 30 . Neka je dat sistem linearnih jedna cina ( ). Elementarne transformacije sistema ( ) su odred slede ce transformacije: () Zamena mesta dve jedna cine. () Mno zenje jedne jedna cine skalarom = 0. () Dodavanje jedne jedna cine, prethodno pomno zene nekim skalarom odgovaraju coj drugoj jedna cini. Napomena 3.2. Za elementarnu transformaciju sistema linearnih jedna cina ( ) mo zemo uzeti i zamenu dva sabiraka u jednoj jedna cini samo ako se odgovaraju ce zamene izvr se u svim jedna cinama sistema tako da se iste nepoznate pi su jedne ispod drugih. Ovom transformacijom se vr si zamena redosleda u nizu nepoznatih! Teorema 3.7. Elementarnim transformacijama skup re senja sistema ( ) se ne menja. 13

Za sistem linearnih jedna cina ( ) = matrice:

21 = . . .

11

12 22 . . .

. . . 1 ...

2 . . .

21 = . . .

11

12 22 . . .

. . . 1 . . . 2 . . .

1 2 . . .

(+1)

1 2 . . .

1 2 . . .

-enje: nazivaju se matrica sistema i pro sirena matrica sistema respektivno. Tada va zi slede ce tvrd Teorema 8. (Kronecker Capelli) Sistem linearnih jedna cina ( ) = jeste saglasan akko va zi: rang() = rang( ). Dokaz. . . .

40 . Za matricu koecjenata = [ ] i matricu kolonu nepoznatih = [ ] nad 1 neka je dat

homogeni sistem:
21 . . .

11

12 22 . . .

. . . 1

( 0 )

= 0

. . . 2 . . .

= . . . 2

. . . .

1 2 . . .

Saglasno Kronecker Capellijevoj teoremi linearan sistem ( 0 ) je uvek saglasn i ima re senje. Jedno takvo re senje je matrica kolona 0 = [ 0, . . . , 0 ]T 1 koju nazivamo trivijalno re senje. Sa slede com teoremom odredujemo kada homogeni sistem ima i druga, takozvana netrivijalna re senja. Teorema 3.9. Homogeni sistem ( 0 ) od linearnih jedna cina sa nepoznatih ima jedinstveno trivijalno re senje akko je rang() = (tada je ). Ina ce, homogeni sistem ( 0 ) ima i netrivijalna re senja akko je rang() = < , pri cemu je mogu ce nepoznatih izabrati proizvoljno. Posledica 3.2. () Svaki homogeni sistem kod koga je < ima i netrivijalna re senja. () Svaki homogeni sistem kod koga je6 = ima netrivijalna re senja akko je = 0 (tada je rang() < ). () Svaki homogeni sistem kod koga je > ekvivalentan je, primenom Gaussovog algoritma, sa homogenim sistemom sa ta cno jedna cina ( = rang()). Dakle, ovaj slu caj se svodi na jedan od prethodna dva slu caja. Teorema 3.10. Skup svih re senja homogenog sistema ( 0 ) ima strukturu vektorskog prostora. Teorema 3.11. Svaki sistem linearnih jedna cina:
11 1 + 12 2 + . . . + 1 21 1 + 22 2 + . . . + 2

= 1
= 2 , . . .

( )

1 1 + 2 2 + . . . + =

za , ( = 1, . . . , = 1, . . . , ), mo ze se Gaussovim algoritmom, elementarnim transformacijama,

6

tzv. homogeni kvadratni sistem

14

dovesti do ekvivaletnog trougaonog sistema:

11 1 + 12 2 + . . . + 1 22 2 + . . . + 2 = 2 2(+1) +1 . . . 2

= 1 1(+1) +1 . . . 1

( )

= (+1) +1 . . . 0 =

. . .

za , ( = 1, . . . , = , . . . , ), i = rang() . Pri tome je 11 22 . . . = 0 i (1 , . . . , ) predstavlja jednu permutaciju od (1 , . . . , ). Napomena 3.3. Sistem ( ) je saglasan akko je = 0. Ako je sistem ( ) homogen tada je 1 = . . . = = = 0.

15

 4. KARAKTERISTICNI KORENI I VEKTORI

10 . Neka je data kvadratna matrica = [ ] . Glavni predmet prou cavanja ovog dela su skalari
i ne-nula matrice kolone = [ 1 . . . ] 1 koji ispunjavaju uslov = , tj. za koje va zi:
(11 )1 + 12 2 + ... + 21 1 + (22 )2 + . . . +

1 2 . . .

()

( ) = 0

= 0

= 0

. . . 1 1 +

. . . 2 2

. . .

+ . . . + ( ) = 0

Denicija 4.1. Za kvadratnu matricu = [ ] homogeni sistem () se naziva karakteristi can (sopstveni) sistem matrice . Skalar se naziva karakteristi cna (sopstvena) vrednost matrice ako za taj skalar karakteristi can sistem ima netrivijalno re senje = [ 1 . . . ] 1 karakteristi cni (sopstveni) vektor matrice koji odgovara karakteristi cnoj vrednosti . Primetimo da potreban i dovoljan uslov da karakteristi can sistem () ima netrivijalno re senje je dat sa: = 0. Denicija 4.2. Za kvadratnu matricu = [ ] polinom: (11 ) 21 () = = . . . 1 12 . . . 2 ... 1 2 . . . . . . ( ) (22 ) . . .

se naziva karakteristi cni (sopstveni) polinom matrice . Koreni karakteristi cnog polinoma se nazivaju karakteristi cni (sopstveni) koreni matrice i skup svih tih korena odreduju spektar matrice . Napomena 4.1. Za matricu = [ ] pojmovi karakteristi cne vrednosti i karakteristi cnog korena se podudaraju. Zaista, na osnovu Posledice 3.2. (Teoreme 3.9.) skup skalara za koje razmatramo -en je karakteristi can sistem () matrice , tako da ima netrivijalna re senja u 1 , je kona can i odred spektrom matrice . Napomenimo da za svaki skalar izvan spektra matrice, homogeni sistem () ima samo trivijalno re senje = 0 u 1 . Denicija 4.3. Za kvadratnu matricu = [ ] karakteristi cni (sopstveni) potprostor matrice , koji odgovara karakteristi cnoj vrednosti , jeste skup svih vektora u 1 koji su re senje karakteristi cnog sistema uklju cuju ci i nula vektor = 0 u 1 . Primer 4.1. Odrediti karakteristi cne vrednosti, vektore i potprostore slede cih matrica:
( )

= 2

4 2 5

0 2

16

Proveriti rezultate koji su dobijeni pomo cu Maple-a: > restart; > with(linalg): > A:=matrix([[3,2,0],[2,4,-2],[0,-2,5]]);

3 A := 2
0

2 4 2

0 2 5

> charpoly(A,); # karakteristi cni polinom > e:=eigenvalues(A); # karakteristi cne vrednosti

3 + 122 39 + 28 e := 1, 4, 7

> v:=eigenvectors(A); # karakteristi cni vektori v := [1, 1, {[2, 2, 1]}], [4, 1, {[2, 1, 2]}], [7, 1, {[1, 2, 2]}] > v1:=v[1]; # za jednostruki koren 1 = 1 karkteristi can potprostor je generisan sa [2, 2, 1]T v1 := [1, 1, {[2, 2, 1]}] > v2:=v[2]; # za jednostruki koren 2 = 4 karkteristi can potprostor je generisan sa [2, 1, 2]T v2 := [4, 1, {[2, 1, 2]}] > v3:=v[3]; # za jednostruki koren 3 = 7 karkteristi can potprostor je generisan sa [1, 2, 2]T v3 := [7, 1, {[1, 2, 2]}]

Za karakteristi cne vrednosti odgovaraju ci karakteristi cni potprostori i karakteristi cni vektori su dati redom sa: {[ } ] [ ] 1 = 1 : 2 = 4 : 3 = 7 : () 1 =
{[
2 2 1 2 1 2 1 2 2

i i
}

1 =
[

2 2 2 2

( {0}),
]

2 =
{[

2 =
[

( {0}),
]

3 =

3 =

2 2

( {0}).

3 1 1

= 1 3 1 0 0 2
Proveriti rezultate koji su dobijeni pomo cu Maple-a: > restart; > with(linalg): > B:=matrix([[3,1,1],[1,3,1],[0,0,2]]);

3 B := 1
0

1 3 0

1 1 2

> charpoly(B,); # karakteristi cni polinom > e:=eigenvalues(B); # karakteristi cne vrednosti

3 + 82 20 + 16 e := 2, 2, 4

> v:=eigenvectors(B); # karakteristi cni vektori v := [2, 2, {[1, 1, 0], [1, 0, 1]}], [4, 1, {[1, 1, 0]}]

17

> v1:=v[1]; # za dvostruki koren 1,2 = 2 karkteristi can potprostor je generisan sa [1, 1, 0]T i [1, 0, 1]T v1 := [2, 2, {[1, 1, 0], [1, 0, 1]}] > v3:=v[3]; # za jednostruki koren 3 = 4 karkteristi can potprostor je generisan sa [1, 1, 0]T v3 := [4, 1, {[1, 1, 0]}]

Za karakteristi cne vrednosti odgovaraju ci karakteristi cni potprostori i karakteristi cni vektori su dati redom sa:
{[

1,2 = 2 : 3 = 4 :

1,2 =

1 1 0

+
{[
1 1 0

1 0 1

,
}

i i

1,2 =

(, ( = = 0)),
[
0

3 =

3 =

( {0}).

Primetimo da je dimenzija dim(1,2 ) = 2, u ovom primeru, jednaka redu = 2 vi sestrukosti karakteristi cnog korena 1,2 . ()

2 10

= 1 15 1 16 15 3

Proveriti rezultate koji su dobijeni pomo cu Maple-a: > restart; > with(linalg): > C:=matrix([[2,-10,6],[8,-15,-1],[16,-15,3]]);

2 10 C := 8 15
16 15

6 1 3

> charpoly(C,); # karakteristi cni polinom > e:=eigenvalues(C); # karakteristi cne vrednosti

3 102 + 100 + 1000 e := 10, 10, 10

> v:=eigenvectors(C); # karakteristi cni vektori v := [10, 2, {[1, 3/2, 1/2]]}], [10, 1, {[4, 1, 7]}] > v1:=v[1]; # za dvostruki koren 1,2 = 10 karkteristi can potprostor je generisan sa [1, 3/2, 1/2]T v1 := [10, 2, {[1, 3/2, 1/2]]}] > v3:=v[3]; # za jednostruki koren 3 = 10 karkteristi can potprostor je generisan sa [4, 1, 7]T v3 := [10, 1, {[4, 1, 7]}]

Za karakteristi cne vrednosti odgovaraju ci karakteristi cni potprostori i karakteristi cni vektori su dati redom sa: {[ } ] [ ] 1,2 = 10 : 3 = 10 : 1,2 =
{[
1 3/2 1/2 4 1 7

i i

1,2 =
[

3/2 1/2 4 7

( {0}), ( {0}).

3 =

3 =

Primetimo da je dimenzija dim(1,2 ) = 1, u ovom primeru, manja od reda vi sestrukosti = 2 karakteristi cnog korena 1,2 !

18

20 . Neka je data kvadratna matrica = [ ] i skalari 0 , 1 , . . . ,

() = + 1 1 + . . . + 1 + 0 se naziva matri cni polinom stepena .

( = 0). Tada izraz:

-en karakteristi Teorema 4.1. (CayleyHamilton) Neka je za kvadratnu matricu = [ ] odred cni polinom: () = = za koecijente 0 , 1 , . . . , 1 , ( = 0), tada va zi: () =
=0

=0

= 0.

-en karakteristi Napomena 4.1. Neka je za kvadratnu matricu = [ ] odred cni polinom: () = = tada va zi: = (1) , 1 = (1)1 Tr() i 0 = gde je Tr() =
=1 =0

trag matrice .

Denicija 4.4. Kvadratne matrice , su sli cne matrice, sto ozna cavamo , ako postoji regularna matrica takva da va zi = 1 . Teorema 4.2. Sli cnost matrica jeste relacija ekvivalencije skupa matrica . Dokaz. . . . Teorema 4.3. Sli cne matrice imaju isti spektar. Dokaz. . . . Denicija 4.5. Neka je data kvadratna matrica = [ ] , tada polinom () takav da ispunjava uslove: () () = 0, () koecijent uz najve ci stepen polinoma () jednak je 1, () () je polinom najmanjeg stepena za koje va ze prethodni uslovi () i (); naziva se minimalni polinom matrice . Teorema 4.4. Svaka kvadratna matrica = [ ] ima jedinstven minimalan polinom () i on je delilac karakteristi cnog polinoma () = . Dokaz. . . . Teorema 4.5. Neka je data kvadratna matrica = [ ] . Svaka nula karakteristi cnog polinoma () je i nula minimalnog polinoma (). Napomena 4.2. Nule minimalnog i karakteristi cnog polinoma se podudaraju i mogu se razlikovati samo svojim redom!

19

-ivanje minimalnog polinoma matrice = [ ] : Algoritam za odred 1o . Prvo odredimo karakteristi cni polinom () = . 2o . Izvr simo faktorizaciju polinoma () na nerastavljive faktore. 3o . Formirajmo sve mogu ce delitelje karakterist cnog polinoma tako da sadr ze sve korene karakteristi cnog polinoma i da su jedini cnog vode ceg koecijenta. -u prethodno odred -enim deliteljima izdvajamo one polinome koji se anuliraju u matrici . 4o . Med -u polinomima odred -enim u prethodnom koraku. 5o . Minimalni polinom je polinom najni zeg stepena med Primer 5.2. Odrediti minimalni polinom matrice:

1 1 1

= 1 1 1 33 . 1 1 1 Primenom prethodnog algoritma nalazimo: 1o . 3 () = = 3 + 32 . 2o . 3 () = ( 3). 3o . Delitelji () = ( 3) = 2 3 i () = 2 ( 3) = 3 32 karakteristi cnog polinoma 3 () sadr ze sve korene karakteristi cnog polinoma i jedini cnog su vode ceg koecijenta. 4o . Za oba polinoma () = 2 3 i () = 3 32 va zi () = 2 3 = 0 (proveriti) i () = 3 32 = 0. 5o . Minimalni polinom je () = () = 2 3.

Napomena: U prethodnom materijalu date su samo denicije, iskazi teorema i algoritama -eni na (. . .) koji su rad casovima predavanja ! Literatura: D. Cvetkovi c, I. Lackovi c, M. Merkle, Z. Radosavljevi c, S. Simi c, P. Vasi c: Matematika I Algebra

20