P. 1
matematika

matematika

|Views: 4,101|Likes:
Published by Nikola Dukic

More info:

Published by: Nikola Dukic on Dec 17, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/04/2013

pdf

text

original

Sections

  • 1 LINEARNE JEDNAˇCINE I SISTEMI
  • 1.1 Osnovni pojmovi
  • 1.2 Elementarne transformacije sistema jednaˇcina, Gausov postupak
  • 2 VEKTORI U Rn
  • 2.1 Sabiranje vektora i mnoˇzenje skalarom
  • 2.3 Norma vektora i skalarni proizvod
  • 2.4 Nejednakosti Cauchy-Shwartza i Minkowskog
  • 2.5 Rastojanje, ugao izmedju vektora, projekcija
  • 2.6 Povrˇsina paralelograma
  • 2.8 Prave i hiper-ravni u Rn
  • 2.9 Rastojanje taˇcke od prave u Rn
  • 2.10 Prava u ravni
  • 2.11 Poloˇzaj ravni u R3
  • 2.12 Medjusobni poloˇzaj pravih u R3
  • 2.13 Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni
  • 3 MATRICE
  • 3.1 Sabiranje i mnoˇzenje matrica skalarom,
  • 3.2 Mnoˇzenje matrica
  • 3.5 Transponovanje matrice
  • 3.6 Kvadratne matrice
  • 3.7 Elementarne transformacije vrsta matrice, elementarne matrice
  • Elementarne transformacije vrsta matrice su:
  • 3.8 Inverzna matrica
  • 3.9 Izraˇcunavanje inverzne matrice elementarnim transformacijama vrsta
  • 3.10 Elementarne transformacije kolona
  • 3.11 Ekvivalentnost matrica
  • 3.12 Smena promenljivih (promena koodinatnog sistema), sliˇcne matrice
  • 3.13 Specijalni tipovi kvadratnih matrica
  • 4 VEKTORSKI PROSTORI
  • 4.1 Primeri vektorskih prostora
  • 4.2 Potprostori
  • 4.3 Linearne kombinacije
  • 4.4 Linearna zavisnost
  • 4.5 Baza i dimenzija
  • 4.6 Prostor vrsta matrice
  • 4.7 Odredjivanje baze i dimenzije potprostora u Rn
  • 4.8 Rang matrice
  • 4.9 Drugi algoritam za odredjivanje baze i dimenzije
  • 4.10 Linearne jednaˇcine i vektorski prostori
  • 4.11 Suma i direktna suma potprostora
  • 4.12 Koordinate vektora u odnosu na bazu, promena baze
  • 5 LINEARNI OPERATORI
  • 5.1 Definicija i primeri
  • 5.2 Slika i jezgro linearnog operatora
  • 5.3 Primena na sisteme linearnih jednaˇcina
  • 5.4 Izomorfizam vektorskih prostora
  • 5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U,V)
  • 5.6 Algebra A(V) (ili Hom(V))
  • 5.7 Matriˇcno predstavljanje linearnih operatora
  • 5.8 Algoritam za formiranje matrice operatora u odnosu na bazu
  • 5.9 Mn(F) i A(V)
  • 5.10 Promena baze i matrica operatora
  • 6 DETERMINANTE
  • 6.1 Determinante reda 1, 2 i 3
  • 6.2 Permutacije
  • 6.3 Definicija i osnovna svojstva determinanti
  • 6.4 Minori i kofaktori, izraˇcunavanje determinante
  • 6.5 Adjungovana matrica
  • 6.6 Kramerova teorema
  • 6.7 Determinante blok matrica
  • 6.8 Determinanta linearnog operatora
  • 7 UNITARNI PROSTORI
  • 7.1 Koˇsi-ˇSvarcova nejednakost
  • 7.2 Ortogonalnost
  • 7.3 Ortogonalni skupovi i baze
  • 7.4 Furijeovi koeficijenti
  • 7.5 Beselova nejednakost
  • 7.6 Gram-ˇSmitov postupak ortogonalizacije
  • 7.7 Ugao izmedju vektora i potprostora
  • 7.8 Matriˇcno predstavljanje skalarnog proizvoda
  • 7.9 Promena baze i Gramova matrica
  • 7.10 Ortogonalne matrice i skalarni proizvod
  • 7.11 Gramova determinanta
  • 7.12 NORMIRANI PROSTORI
  • 8 DIJAGONALIZACIJA
  • 8.1 Karakteristiˇcni (sopstveni) polinom matrice
  • 8.2 Teorema Kejli-Hamiltona
  • 8.3 Sopstvene vrednosti i sopstveni vektori
  • 8.4 Algebarska i geometrijska viˇsestrukost sopstvene vrednosti
  • 8.5 Dijagonalizabilnost
  • 8.6 Dijagonalizacija realnih simetriˇcnih matrica
  • 8.7 Minimalni polinom matrice
  • 8.8 Dijagonalizacija linearnog operatora
  • 9 KANONSKE FORME OPERATORA
  • 9.1 Invarijantni potprostori linearnog operatora
  • 9.2 Osnovna dekompozicija linearnog operatora
  • 9.3 Nilpotentni operatori
  • 9.4 ˇZordanova forma linearnog operatora
  • 10 ISPITNA PITANJA

Linearna Algebra i Analitiˇcka Geometrija

Predrag Tanovi´c
February 1, 2011
Contents
1 LINEARNE JEDNA
ˇ
CINE I SISTEMI 3
1.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Elementarne transformacije sistema jednaˇcina, Gausov postupak . . . . . . . . . . . . . . . . . . . . . 6
2 VEKTORI U R
n
6
2.1 Sabiranje vektora i mnoˇzenje skalarom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Linearne kombinacije, linearna zavisnost vektora u R
n
; veza sa sistemima linearnih jednaˇcina . . . . . 8
2.3 Norma vektora i skalarni proizvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Nejednakosti Cauchy-Shwartza i Minkowskog . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Rastojanje, ugao izmedju vektora, projekcija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.6 Povrˇsina paralelograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7 Vektori u R
3
, vektorski i meˇsoviti proizvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.8 Prave i hiper-ravni u R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.9 Rastojanje taˇcke od prave u R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.10 Prava u ravni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.11 Poloˇzaj ravni u R
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.12 Medjusobni poloˇzaj pravih u R
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.13 Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni . . . . . . . . . . . . . . . . . . . . . . . 17
3 MATRICE 18
3.1 Sabiranje i mnoˇzenje matrica skalarom, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Mnoˇzenje matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Matriˇcni zapis sistema linearnih jednaˇcina, veza izmedju skupa reˇsenja sistema i skupa reˇsenja pridruˇzenog
homogenog sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Blok matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Transponovanje matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Kvadratne matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7 Elementarne transformacije vrsta matrice, elementarne matrice . . . . . . . . . . . . . . . . . . . . . . 26
3.8 Inverzna matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.9 Izraˇcunavanje inverzne matrice elementarnim transformacijama vrsta . . . . . . . . . . . . . . . . . . . 29
3.10 Elementarne transformacije kolona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.11 Ekvivalentnost matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.12 Smena promenljivih (promena koodinatnog sistema), sliˇcne matrice . . . . . . . . . . . . . . . . . . . . 33
3.13 Specijalni tipovi kvadratnih matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 VEKTORSKI PROSTORI 36
4.1 Primeri vektorskih prostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Potprostori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Linearne kombinacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4 Linearna zavisnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5 Baza i dimenzija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.6 Prostor vrsta matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 Odredjivanje baze i dimenzije potprostora u R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.8 Rang matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.9 Drugi algoritam za odredjivanje baze i dimenzije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.10 Linearne jednaˇcine i vektorski prostori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1
Linearna Algebra i Analitiˇcka Geometrija – 2 –
4.11 Suma i direktna suma potprostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.12 Koordinate vektora u odnosu na bazu, promena baze . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5 LINEARNI OPERATORI 50
5.1 Definicija i primeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2 Slika i jezgro linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3 Primena na sisteme linearnih jednaˇcina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.4 Izomorfizam vektorskih prostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U, V ) . . . . . . . . . . . . . . . . . . . 54
5.6 Algebra A(V ) (ili Hom(V )) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.7 Matriˇcno predstavljanje linearnih operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.8 Algoritam za formiranje matrice operatora u odnosu na bazu . . . . . . . . . . . . . . . . . . . . . . . 57
5.9 M
n
(F) i A(V ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.10 Promena baze i matrica operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 DETERMINANTE 58
6.1 Determinante reda 1, 2 i 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Permutacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.3 Definicija i osnovna svojstva determinanti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.4 Minori i kofaktori, izraˇcunavanje determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.5 Adjungovana matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.6 Kramerova teorema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.7 Determinante blok matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.8 Determinanta linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7 UNITARNI PROSTORI 67
7.1 Koˇsi-
ˇ
Svarcova nejednakost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Ortogonalnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.3 Ortogonalni skupovi i baze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
7.4 Furijeovi koeficijenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
7.5 Beselova nejednakost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.6 Gram-
ˇ
Smitov postupak ortogonalizacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.7 Ugao izmedju vektora i potprostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.8 Matriˇcno predstavljanje skalarnog proizvoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.9 Promena baze i Gramova matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.10 Ortogonalne matrice i skalarni proizvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.11 Gramova determinanta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.12 NORMIRANI PROSTORI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
8 DIJAGONALIZACIJA 78
8.1 Karakteristiˇcni (sopstveni) polinom matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8.2 Teorema Kejli-Hamiltona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
8.3 Sopstvene vrednosti i sopstveni vektori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
8.4 Algebarska i geometrijska viˇsestrukost sopstvene vrednosti . . . . . . . . . . . . . . . . . . . . . . . . . 81
8.5 Dijagonalizabilnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
8.6 Dijagonalizacija realnih simetriˇcnih matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.7 Minimalni polinom matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.8 Dijagonalizacija linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
9 KANONSKE FORME OPERATORA 85
9.1 Invarijantni potprostori linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.2 Osnovna dekompozicija linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.3 Nilpotentni operatori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
9.4
ˇ
Zordanova forma linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
10 ISPITNA PITANJA 89
Linearna Algebra i Analitiˇcka Geometrija – 3 –
1 LINEARNE JEDNA
ˇ
CINE I SISTEMI
1.1 Osnovni pojmovi
Neka je K polje, ukoliko drugaˇcije nije naglaˇseno podrazumevamo K = R.
• Linearna jednaˇcina nad poljem K po promenljivim x
1
, x
2
, ..., x
n
je jednaˇcina koja se moˇze svesti na oblik
a
1
x
1
+a
2
x
2
+... +a
n
x
n
= b
gde su koeficijenti a
1
, a
2
, ..., a
n
i slobodni ˇclan b elementi polja K.
• Uredjena n-torka (k
1
, k
2
, ..., k
n
) ∈ K
n
je reˇsenje gornje jednaˇcine ako vaˇzi:
a
1
k
1
+a
2
k
2
+... +a
n
k
n
= b
• Sva njena reˇsenja ˇcine skup reˇsenja jednaˇcine:
{(k
1
, k
2
, ..., k
n
) ∈ K
n
| a
1
k
1
+a
2
k
2
+... +a
n
k
n
= b }
• Degenerisana linearna jednaˇcina je oblika:
0 x
1
+ 0 x
2
+... + 0 x
n
= b
Ako je b = 0 skup njenih reˇshenja je K
n
; ako je b ̸= 0 onda ona nema reˇsenja (skup reˇsenja je ∅).
• Sistem linearnih jednaˇcina po promenljivim x
1
, x
2
, ..., x
n
je
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
Uredjena n-torka (k
1
, k
2
, ..., k
n
) ∈ K
n
je reˇsenje sistema ako je reˇsenje svake od jednaˇcina sistema. Sva reˇsenja ˇcine
skup reˇsenja sistema.
• Ako sa S
i
oznaˇcimo skup reˇsenja i-te jednaˇcine gornjeg sistema a sa S skup reˇsenja sistema tada vaˇzi:
S = S
1
∩ S
2
∩ ... ∩ S
m
• Reˇsiti sistem jednaˇcina znaˇci odrediti njegov skup reˇsenja.
Definicija 1.1. Dva sistema su ekvivalentna ako imaju isti skup reˇsenja.
Definicija 1.2. Homogena linearna jednaˇcina je oblika
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= 0 .
Neka su r = (r
1
, r
2
, ..., r
n
) i r

= (r

1
, r

2
, ..., r

n
) reˇsenja gornje homogene jednaˇcine i k ∈ R. Tada:
• (kr
1
, kr
2
, ..., kr
n
) je reˇsenje:
a
11
r
1
+ a
12
r
2
+ ... + a
1n
r
n
= 0
k(a
11
r
1
+ a
12
r
2
+ ... + a
1n
r
n
) = 0
a
11
(k r
1
) + a
12
(k r
2
) + ... + a
1n
(k r
n
) = 0 ;
oznaˇcavamo ga sa kr .
• (r
1
+r

1
, r
2
+r

2
, ..., r
n
+r

n
) je reˇsenje:
a
11
r
1
+ a
12
r
2
+ ... a
1n
r
n
= 0
Linearna Algebra i Analitiˇcka Geometrija – 4 –
+
a
11
r

1
+ a
12
r

2
+ ... a
1n
r

n
= 0
a
11
(r
1
+r

1
) + a
12
(r
2
+r

2
) + ... a
1n
(r
n
+r

n
) = 0 ;
oznaˇcavamo ga sa r +r

.
• Ako su r, r

, ... ,r
(n)
njena reˇsenja i k
0
, k
1
, ..., k
n
skalari (obiˇcni brojevi) tada je i k
0
r + k
1
r

+ ... + k
n
r
(n)
reˇsenje.
Isto vaˇzi i za sistem homogenih linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= 0
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= 0
• Ako su r, r

, ... ,r
(n)
njena reˇsenja i k
0
, k
1
, ..., k
n
skalari (obiˇcni brojevi) tada je i k
0
r + k
1
r

+ ... + k
n
r
(n)
reˇsenje.
Primer 1.1.
x + z = 0
y + 3z = 0
t = 0
ima parametarsko reˇsenje t = 0, z = a, y = −3a, x = −a ili (x, y, z, t) = (−a, −3a, a, 0) a ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
−a
−3a
a
0
_
_
_
_
= a
_
_
_
_
−1
−3
1
0
_
_
_
_
Primer 1.2.
x − 2y + t = 0
z − 3t = 0
ima parametarsko reˇsenje t = a, z = 3a, y = b, x = 2b −a ili (x, y, z, t) = (2b −a, b, 3a, a) a, b ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
2b −a
b
3a
a
_
_
_
_
=
_
_
_
_
2b
b
0
0
_
_
_
_
+
_
_
_
_
−a
0
3a
a
_
_
_
_
= b
_
_
_
_
2
1
0
0
_
_
_
_
+a
_
_
_
_
−1
0
3
1
_
_
_
_
(2, 1, 0, 0) je reˇsenje sistema i dobija se za a = 0 b = 1, reˇsenje (−1, 0, 3, 1) za a = 1 b = 0. Ova dva reˇsenja
ˇcine bazu skupa reˇsenja (ˇsto znaˇci da se svako reˇsenje sistema izraˇzava kao njihova linearna kombinacija). U sluˇcaju
proizvoljnog homogenog sistema bazu skupa reˇsenja dobijamo kada uzimamo da je vrednost jedne slobodne promenljive
1 a ostalih 0; na taj naˇcin dobijemo onoliko reˇsenja koliko homogeni sistem ima slobodnih promenljivih.
Zbir dva reˇsenja nehomogene linearne jednaˇcine
a
1
x
1
+... +a
n
x
n
= b
(gde je b ̸= 0!) ne daje reˇsenje: (1, 1) i (0, 2) su reˇsenja jednaˇcine x + y = 2 a (1, 3) nije. Reˇsenja ne smemo ni
mnoˇziti: k (1, 1) nije reˇsenje jednaˇcine za k ̸= 1.
• Ako je r reˇsenje nehomogene jednaˇcine a h reˇsenje odgovaraju´ce homogene jednaˇcine, tada je r + h takodje
reˇsenje nehomogene jednaˇcine:
Neka je r = (r
1
, r
2
, ..., r
n
) reˇsenje jednaˇcine
a
1
x
1
+ a
2
x
2
+ ... + a
n
x
n
= b
Linearna Algebra i Analitiˇcka Geometrija – 5 –
i neka je h = (h
1
, h
2
, ..., h
n
) reˇsenje odgovaraju´ce homogene jednaˇcine
a
1
x
1
+ a
2
x
2
+ ... + a
n
x
n
= 0
Tada je
a
1
r
1
+ a
2
r
2
+ ... + a
n
r
n
= b
a
1
h
1
+ a
2
h
2
+ ... + a
n
h
n
= 0
Sabiranjem dobijamo:
a
1
(r
1
+h
1
) + a
2
(r
2
+h
2
) + ... + a
n
(r
n
+h
n
) = b
• Ako je r

bilo koje reˇsenje nehomogene jednaˇcine tada se lako proveri da je r

− r = h

reˇsenje homogene
jednaˇcine. Zakljuˇcujemo: svako reˇsenje nehomogene jednaˇcine r

moˇzemo napisati kao zbir
r

= r +h

reˇsenja r i nekog reˇsenja homogene jednaˇcine.
• Ako sa W oznaˇcimo skup svih reˇsenja homogene jednaˇcine i ako je r bilo koje reˇsenje odgovaraju´ce nehomogene
jednaˇcine, tada je
r +W = {r +h| h ∈ W}
skup svih reˇsenja nehomogene jednaˇcine.
Isto vaˇzi i za sisteme: posmatrajmo sistem
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
i njemu odgovaraju´ci homogeni sistem:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= 0
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= 0
• Ako je r

bilo koje reˇsenje nehomogenog sistema tada je r

− r = h

reˇsenje homogenog sistema. Svako reˇsenje
nehomogenog sistema r

moˇzemo napisati kao zbir
r

= r +h

reˇsenja r i nekog reˇsenja homogene jednaˇcine.
• Ako sa W oznaˇcimo skup svih reˇsenja homogenog sistema i ako je r bilo koje reˇsenje odgovaraju´ceg nehomogenog
sistema tada je
r +W = {r +h| h ∈ W}
skup svih reˇsenja nehomogenog sistema.
Primer 1.3.
x + z = 2
y + 3z = 1
t = 3
ima parametarsko reˇsenje t = 3, z = a, y = −3a + 1, x = −a + 2 ili (x, y, z, t) = (−a + 2, −3a + 1, a, 0) a ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
−a + 2
−3a + 1
a
3
_
_
_
_
= a
_
_
_
_
−1
−3
1
0
_
_
_
_
+
_
_
_
_
2
1
0
3
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 6 –
Primer 1.4.
x − 2y + t = 1
z − 3t = 2
ima parametarsko reˇsenje t = a, z = 3a+2, y = b, x = 2b −a+1 ili (x, y, z, t) = (2b −a+1, b, 3a+2, a) a, b ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
= b
_
_
_
_
2
1
0
0
_
_
_
_
+a
_
_
_
_
−1
0
3
1
_
_
_
_
+
_
_
_
_
1
0
2
0
_
_
_
_
(1, 0, 2, 0) je reˇsenje nehomogenog sistema;
(2, 1, 0, 0) i (−1, 0, 3, 1) su reˇsenja homogenog sistema .
Skup svih reˇsenja homogenog sistema je
W = {b (2, 1, 0, 0) +a (−1, 0, 3, 1) | a, b ∈ R} ;
skup reˇsenja nehomogenog sistema je W + (1, 0, 2, 0) .
1.2 Elementarne transformacije sistema jednaˇcina, Gausov postupak
Oznaˇcimo sa (S) slede´ci sistem jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
L
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
L
2
. . . ... . . . . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
L
m
Elementarne transformacije sistema su:
(E
1
) Zamena mesta i-te i j-te jednaˇcine: L
i
↔L
j
(E
2
) Na mesto i-te jednaˇcine staviti nju pomnoˇzenu skalarom k ̸= 0: k L
i
→L
i
(E
2
) i-tu jednaˇcinu zameniti sa L
i
+a L
j
(a ∈ K, i ̸= j): L
i
+a L
j
→L
i
Teorema 1.1. Ako se sistem (S)

mozhe dobiti iz sistema (S) primenom konachnog niza elementarnih transformacija
tada su ta dva sistema ekvivalentna.
Dokaz. Videti Problem 1.46
• Trougaona i stepenasta forma sistema.
• Gausov postupak, svodjenje sistema na stepenastu formu
2 VEKTORI U R
n
• R
n
je n-prostor ;
• u = (u
1
, u
2
, ..., u
n
) ∈ R
n
je vektor (ili taˇcka) prostora. u
1
, u
2
, ..., u
n
su njegove komponente ili koordinate.
• a ∈ R je skalar .
• Dva vektora u = (u
1
, ..., u
n
) i v = (v
1
, ..., v
n
) su jednaka ako i samo ako je u
1
= v
1
, u
2
= v
2
, ... , u
n
= v
n
.
• Vektor u = (u
1
, ..., u
n
) piˇsemo i kao vektor-kolonu
_
_
_
_
u
1
u
2
...
u
n
_
_
_
_
• Ponekad vektor x oznaˇcavamo i sa ⃗x .
Linearna Algebra i Analitiˇcka Geometrija – 7 –
2.1 Sabiranje vektora i mnoˇzenje skalarom
Definicija 2.1. Neka su u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) vektori prostora R
n
. Definiˇsemo:
(a) sabiranje vektora:
u +v = (u
1
+v
1
, u
2
+v
2
, ..., u
n
+v
n
) (∈ R
n
)
(b) mnoˇzenje vektora skalarom (brojem) k ∈ R:
k u = (k u
1
, k u
2
, ..., k u
n
) (∈ R
n
)
• Ako je n = 2, 3 mnoˇzenje vektora poloˇzaja skalarom k je ’izduˇzivanje’ (ili ’skra´civanje’) po istom pravcu sa
koeficijentom k, ako je k < 0 onda imamo i promenu smera.
• Sabiranje vektora je ’sabiranje vektora poloˇzaja po pravilu paralelograma’.
• Nula-vektor je 0 = (0, 0, ..., 0).
• −u je (−1) u.
Teorema 2.1. Za sve vektore u, v, w ∈ R
n
i skalare k, k

∈ R vaˇzi:
1. (u +v) +w = u + (v +w)
2. u +0 = u
3. u + (−u) = 0
4. u +v = v +u
5. k (u +v) = k u +k v
6. (k +k

) u = k u +k

u
7. (k k

) u = k (k

u)
8. 1 u = u
Dokaz. Videti Problem 2.4
• Prethodna teorema opisuje R
n
kao vektorski prostor u odnosu na sabiranje vektora i mnoˇzenje skalarom (videti
Definiciju 4.1)
• Ako su vektori u, v ∈ R
n
i k ̸= 0 skalar takvi da je u = k v onda kaˇzemo da u i v imaju isti pravac (u is a
multiple of v).
• u i v imaju isti smer ako je k > 0;
• u i v imaju suprotan smer ako je k < 0.
Linearna Algebra i Analitiˇcka Geometrija – 8 –
2.2 Linearne kombinacije, linearna zavisnost vektora u R
n
; veza sa sistemima linearnih
jednaˇcina
Definicija 2.2. Vektor v je linearna kombinacija vektora u
1
, u
2
, ..., u
n
ako postoje skalari k
1
, k
2
, ..., k
n
takvi da vaˇzi
v = k
1
u
1
+k
2
u
2
+... +k
n
u
n
,
k
1
, k
2
, ..., k
n
su koeficijenti ove linearne kombinacije.
• v je linearna kombinacija vektora u
1
, u
2
, ..., u
n
ako i samo ako slede´ca ’vektorska jednaˇcina’ ima reˇsenje:
v = x
1
u
1
+x
2
u
2
+... +x
n
u
n
.
Primer 2.1. Dati su vektori
v =
_
_
2
3
−4
_
_
u
1
=
_
_
1
1
1
_
_
u
2
=
_
_
1
1
0
_
_
i u
3
=
_
_
1
0
0
_
_
Da li je v linearna kombinacija vektora u
1
, u
2
i u
3
? Ekvivalentno: da li postoje x, y, z ∈ R takvi da:
x
_
_
1
1
1
_
_
+y
_
_
1
1
0
_
_
+z
_
_
1
0
0
_
_
=
_
_
2
3
−4
_
_
Ekvivalentno, da li sistem
x + y + z = 2
x + y = 3
x = −4
ima reˇsenje?
Odgovor je: da. Isti je odgovor i za bilo koji vektor v

na mestu v.
ˇ
Sta viˇse: svaki vektor se na jedinstven naˇcin
izraˇzava kao linearna kombinacija vektora u
1
, u
2
i u
3
(u
1
, u
2
, u
3
je baza vektorskog prostora R
3
)
• Sistem linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
je isto ˇsto i ’vektorska jednaˇcina’
x
1
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
+x
2
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
+... +x
n
_
_
_
_
a
1n
a
2n
...
a
mn
_
_
_
_
=
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
ˇsto oznaˇcava da je vektor
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
linearna kombinacija vektora kolona
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
,
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
, ...,
_
_
_
_
a
1n
a
2n
...
a
mn
_
_
_
_
sa
koeficijentima x
1
, ..x
n
.
Definicija 2.3. Vektori u
1
, u
2
, ..., u
n
∈ R
n
su linearno zavisni ako postoje skalari k
1
, k
2
, ..., k
n
koji nisu svi nule takvi
da vaˇzi
k
1
u
1
+k
2
u
2
+... +k
n
u
n
= 0.
U suprotnom (ako ne postoje takvi k
i
-ovi) oni su linearno nezavisni.
Linearna Algebra i Analitiˇcka Geometrija – 9 –
Teorema 2.2. (a) Vektori u
1
, u
2
, ..., u
n
∈ R
n
su linearno zavisni ako i samo ako je jedan od njih linearna kombinacija
preostalih.
(b) Vektori u
1
, u
2
, ..., u
n
∈ R
n
su linearno zavisni ako je jedan od njih nula -vektor.
Primer 2.2.
• (1, 1) i (1, 0) su linearno nezavisni.
• (1, 1), (1, 0) i (3, 1) su linearno zavisni.
• (1, 1, 1), (1, 1, 0) i (1, 0, 0) su linearno nezavisni.
• (1, 1, 1), (1, 1, 0), (1, 0, 0) i (2, 3, 1) su linearno zavisni.
• Vektori
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
,
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
, ... ,
_
_
_
_
a
1n
a
2n
...
a
mn
_
_
_
_
su linearno nezavisni ako i samo ako homogeni sistem linearnih
jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= 0
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= 0
ima netrivijalno reˇsenje.
2.3 Norma vektora i skalarni proizvod
Definicija 2.4. Neka je u = (u
1
, u
2
, ..., u
n
) vektor u R
n
. Definiˇsemo normu vektora u (njegov intenzitet ili duˇzinu):
∥u∥ =

u
2
1
+u
2
2
+... +u
2
n
(∈ R
+
).
• ∥u∥ = 0 ako i samo ako u = 0.
• ∥k u∥ = |k| ∥u∥ (|k| je apsolutna vrednost broja k).
• u ∈ R
n
je jediniˇcni vektor ako i samo ako je ∥u∥ = 1 .
• Za svaki u ̸= 0 postoji taˇcno jedan jediniˇcni vektor koji ima isti smer kao i u. To je
1
∥u∥
u (ili
u
∥u∥
) .
Definicija 2.5. Neka su u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) vektori u R
n
. Definiˇsemo skalarni proizvod vektora u i v
(dot product, inner product or scalar product):
u · v = u
1
v
1
+u
2
v
2
+... +u
n
v
n
(∈ R)
Naredna teorema opisuje osnovna algebarska svojstva skalarnog proizvoda:
Teorema 2.3. Za sve vektore a, b, c ∈ R
n
vaˇzi:
1. a · b = b · a
2. (−a) · b = −(a · b)
3. (k a) · b = k (a · b)
4. a · a = ∥a∥
2
Linearna Algebra i Analitiˇcka Geometrija – 10 –
5. (a +b) · c = a · c +b · c i a · (b +c) = a · b +a · c
Dokaz. ...
• Na osnovu prethodne teoreme moˇzemo skalarno mnoˇziti dve linearne kombinacije vektora kao da se radi o
’obiˇcnim brojevima’; jedino za a · a umesto a
2
piˇsemo ∥a∥
2
:
(2 a +b) · (3 a −b + 2 c) = 6 a · a −2 a · b + 4 a · c + 3 b · a −b · b + 2 b · c =
= 6 ∥a∥
2
+a · b + 4 a · c −∥b∥
2
+ 2 b · c
ili
(a +b) · (a −b) = a · a − a · b +b · a −b · b = ∥a∥
2
−∥b∥
2
2.4 Nejednakosti Cauchy-Shwartza i Minkowskog
Teorema 2.4. (Cauchy- Shwartz) Za vektore u, v ∈ R
n
vaˇzi
|u · v| ≤ ∥u∥ ∥v∥ .
Dokaz: Za svaki realni broj t imamo
0 ≤ (tu +v) · (tu +v) = t
2
(u · u) + 2t(u · v) + (v · v) = ∥u∥
2
t
2
+ 2(u · v)t +∥v∥
2
Neka je
a = ∥u∥
2
, b = 2(u · v), c = ∥v∥
2
Tada, za svaku vrednost t, imamo at
2
+ bt + c ≥ 0. Ovo znaˇci da kvadratni polinom ne moˇze da ima dva realna
korena.
ˇ
Sto dalje implicira da diskriminanta D = b
2
−4ac ≤ 0, ili ekvivalentno tome, b
2
≤ 4ac. Tako
4 (u · v)
2
≤ 4 ∥u∥
2
∥v∥
2
Deljenjem sa 4 dobijamo naˇs rezultat.
Teorema 2.5. (Minkowski) Za vektore u, v ∈ R
n
vaˇzi
∥u +v∥ ≤ ∥u∥ +∥v∥ .
Dokaz: Po Cauchy- Shwartz-ovoj nejednakosti i drugim svojstvima proizvoda,
∥u +v∥
2
= (u +v) · (u +v) = (u · u) + 2(u · v) + (v · v) ≤ ∥u∥
2
+ 2∥u∥ ∥v∥ +∥v∥
2
= (∥u∥ +∥v∥)
2
Kada korenujemo obe strane dobijamo ˇzeljenu nejednakost.
2.5 Rastojanje, ugao izmedju vektora, projekcija
Definicija 2.6. Rastojanje (distance) izmedju taˇcaka (vektora) u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) je:
d(u, v) =

(u
1
−v
1
)
2
+ (u
2
−v
2
)
2
+... + (u
n
−v
n
)
2
.
• d(u, v) = d(v, u)
• Ako je n = 2, 3 sa d(u, v) je definisano uobiˇcajeno rastojanje (duˇzina duˇzi uv).
• Nejednakost Minkowskog za u = a −b i v = b −c daje:
d(a, c) ≤ d(a, b) +d(b, c)
ˇsto je nejednakost trougla za △abc: duˇzina stranice ac je manja od zbira duˇzina stranica ab i bc
Linearna Algebra i Analitiˇcka Geometrija – 11 –
Teorema 2.6. (a) Ako su u = (u
1
, u
2
) i v = (v
1
, v
2
) taˇcke u (ravni) R
2
i θ ugao izmedju njih (∠u0v) onda je
cos θ =
u
1
v
1
+u
2
v
2

u
2
1
+u
2
2

v
2
1
+v
2
2
=
u · v
∥u∥ ∥v∥
(b) Ako su u = (u
1
, u
2
, u
3
) i v = (v
1
, v
2
, v
3
) taˇcke u (obiˇcnom prostoru) R
3
i θ ugao izmedju njih (∠u0v) onda
je
cos θ =
u
1
v
1
+u
2
v
2
+u
3
v
3

u
2
1
+u
2
2
+u
2
3

v
2
1
+v
2
2
+v
2
3
=
u · v
∥u∥ ∥v∥
Dokaz.
-
6
0
v = (v
1
, v
2
)
u = (u
1
, u
2
)
x
y
∥u∥
∥v∥
θ
Primenimo kosinusnu teoremu na trougao 0uv ......
Definicija 2.7. Ugao izmedju ne-nula vektora u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) θ definiˇsemo sa:
cos θ =
u · v
∥u∥ ∥v∥
Primetimo da Cauchy-Shwartzova nejednakost povlaˇci:
−1 ≤
u · v
∥u∥ ∥v∥
≤ 1
pa postoji ugao θ ∈ [0, π) takav da je cos θ =
u · v
∥u∥ ∥v∥
.
Kako je cos
π
2
= 0 imamo da su vektori u R
n
(n = 2, 3) normalni ako i samo ako je njihov skalarni proizvod 0.
Definicija 2.8. Vektori u, v ∈ R
n
su ortogonalni (ili normalni) ako je u · v = 0 .
Definicija 2.9. Definiˇsemo projekciju vektora v = (v
1
, v
2
, ..., v
n
) na pravac vektora u = (u
1
, u
2
, ..., u
n
) :
proj(v, u) =
u · v
∥u∥
2
u (= cu)
- -

6
O u
v
c u
v −c u
c =
u · v
∥u∥
2
je jedinstven skalar takav da je (v −c u) · u = 0 :
(v −c u) · u = v · u −c u · u = v · u −c ∥u∥
2
= 0
Odavde sledi c =
u · v
∥u∥
2
.
Linearna Algebra i Analitiˇcka Geometrija – 12 –
2.6 Povrˇsina paralelograma
• Raˇcunamo povrˇsinu P paralelograma (u R
n
!) odredjenog vektorima a i b:
- -

6
0 a
b
c a
h = b −c a
Vektor visine je h = b −c a = b −
a · b
∥a∥
2
a
∥h∥
2
= (b −c a) · (b −c a) = ∥b∥
2
−2 c a · b +c
2
∥a∥
2
=
= ∥b∥
2
−2
a · b
∥a∥
2
(a · b) +
_
a · b
∥a∥
2
_
2
∥a∥
2
=
= ∥b∥
2
−2
(a · b)
2
∥a∥
2
+
(a · b)
2
∥a∥
2
=
= ∥b∥
2

(a · b)
2
∥a∥
2
Kako je P
2
= ∥a∥
2
∥h∥
2
dobijamo:
P
2
= ∥a∥
2
∥b∥
2
−(a · b)
2
=
¸
¸
¸
¸
a · a a · b
b · a b · b
¸
¸
¸
¸
2.7 Vektori u R
3
, vektorski i meˇsoviti proizvod
• i = (1, 0, 0) je jediniˇcni vektor u smeru x-ose;
• j = (0, 1, 0) je jediniˇcni vektor u smeru y-ose;
• k = (0, 0, 1) je jediniˇcni vektor u smeru z-ose.
• i, j, k je ortonormirana baza (to su jediniˇcni vektori koji su medjusobno normalni:
i · i = j · j = k · k = 1 i · j = j · k = k · i = 0
Svaki vektor u = (a, b, c) se na jedinstven naˇcin piˇse u obliku
u = a i +b j +ck .
Definicija 2.10. Vektorski proizvod (cross product) vektora a = (a
1
, a
2
, a
3
) i b = (b
1
, b
2
, b
3
) je vektor
a ×b = (a
2
b
3
−a
3
b
2
, −a
1
b
3
+a
3
b
1
, a
1
b
2
−a
2
b
1
) .
a ×b = (a
2
b
3
−a
3
b
2
)i −(a
1
b
3
−a
3
b
1
)j + (a
1
b
2
−a
2
b
1
)k =
=
¸
¸
¸
¸
a
2
a
3
b
2
b
3
¸
¸
¸
¸
i −
¸
¸
¸
¸
a
1
a
3
b
1
b
3
¸
¸
¸
¸
j +
¸
¸
¸
¸
a
1
a
2
b
1
b
2
¸
¸
¸
¸
k
a ×b =
¸
¸
¸
¸
¸
¸
i j k
a
1
a
2
a
3
b
1
b
2
b
3
¸
¸
¸
¸
¸
¸
Linearna Algebra i Analitiˇcka Geometrija – 13 –
• Neka je a = (a
1
, a
2
, a
3
), b = (b
1
, b
2
, b
3
), c = (c
1
, c
2
, c
3
). Kaˇzemo da je trojka (a, b, c) direktno (ili pozitivno)
orijentisana baza ako vaˇzi:
¸
¸
¸
¸
¸
¸
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
¸
¸
¸
¸
¸
¸
> 0
Teorema 2.7. a ×b je jedinstven vektor koji zadovoljava slede´ca tri uslova:
1. Ortogonalan je i na a i na b
2. ∥a ×b∥ je jednak povrˇsini paralelograma odredjenog sa a i b
3. (a, b, a ×b) je direktno orijentisana baza ukoliko su a i b nekolinearni.
Dokaz. ...
Osobine vektorskog proizvoda
1. a ×b = 0 ako i samo ako su a i b kolinearni.
2. a ×b = −b ×a
3. a ×(k b) = (k a) ×b = k (a ×b)
4. (a +b) ×c = a ×c +b ×c.
5. a ×(b +c) = a ×b +a ×c.
6. (α
1
a +β
1
b) ×(α
2
a +β
2
b) =
¸
¸
¸
¸
α
1
β
1
α
2
β
2
¸
¸
¸
¸
(a ×b).
7. (a ×b) ×c pripada potprostoru (ravni, pravi,...) generisanom sa a i b.
Definicija 2.11. Meˇsoviti proizvod vektora a, b i c se definiˇse na slede´ci naˇcin:
[a, b, c] = (a ×b) · c.
Teorema 2.8. Neka je a = (a
1
, a
2
, a
3
), b = (b
1
, b
2
, b
3
), c = (c
1
, c
2
, c
3
). Tada
[a, b, c] =
¸
¸
¸
¸
¸
¸
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
¸
¸
¸
¸
¸
¸
.
Takodje, [a, b, c] je po apsolutnoj vrednosti jednak zapremini paralelepipeda odredjenog vektorima a, b i c.
Dokaz. ...
Osobine meˇsovitog proizvoda
(1) [a, b, c] = [b, c, a] = [c, a, b]
(2) [a, b, c] = −[a, c, b] = −[c, b, a] = −[b, a, c].
(3) [αa +α

a

, b, c] = [αa, b, c] + [α

a

, b, c]; sliˇcno za b i c.
(4) Ako je m = α
1
a +α
2
b +α
3
c; n = β
1
a +β
2
b +β
3
c i p = γ
1
a +γ
2
b +γ
3
c tada je:
[m, n, p] =
¸
¸
¸
¸
¸
¸
α
1
α
2
α
3
β
1
β
2
β
3
γ
1
γ
2
γ
3
¸
¸
¸
¸
¸
¸
[a, b, c]
• Dvostruki vektorski proizvod je (a ×b) ×c. Raˇcuna se po formuli:
(a ×b) ×c = (a · c) b −(a · b) c
(i pripada potprostoru generisanom sa b i c).
Linearna Algebra i Analitiˇcka Geometrija – 14 –
2.8 Prave i hiper-ravni u R
n
• Neka su A(a
1
, a
2
, ..., a
n
) i B(b
1
, b
2
, ..., b
n
) taˇcke (vektori) u R
n
.
−−→
AB identifikujemo sa vektorom
B −A = (b
1
−a
1
, b
2
−a
2
, ..., b
n
−a
n
)
Definicija 2.12. Hiper-ravan je skup svih taˇcaka prostora R
n
koje zadovoljavaju nedegenerisanu linearnu jednaˇcinu
k
1
x
1
+k
2
x
2
+... +k
n
x
n
= b .
n = (k
1
, k
2
, ..., k
n
) je njen vektor normale.
• Vektor normale nije jedinstven, ali svaka dva su kolinearna.
Geometrijska motivacija za prethodnu definiciju dolazi iz R
3
.
Primer 2.3. Ravan (u R
3
) je odredjena jednom svojom taˇckom i vektorom normale.
Odredi´cemo jednaˇcinu ravni α koja sadrˇzi taˇcku A(x
0
, y
0
, z
0
) i normalna je na vektor n = (k
1
, k
2
, k
3
) ̸= 0.
:
X
6
n
A
α
Taˇcka X(x, y, z) pripada ravni α ako i samo ako je
−−→
AX · n = 0
(x −x
0
, y −y
0
, z −z
0
) · (k
1
, k
2
, k
3
) = 0
Jednaˇcina ravni koja sadrˇzi taˇcku A(x
0
, y
0
, z
0
) i normalna je na vektor n = (k
1
, k
2
, k
3
) je:
k
1
(x −x
0
) +k
2
(y −y
0
) +k
3
(z −z
0
) = 0
Ako oznaˇcimo b = k
1
x −0 +k
2
y −0 +k
3
z
0
imamo jednaˇcinu ravni α:
k
1
x +k
2
y +k
3
z = b
Primer 2.4. Neka je ravan α data jednaˇcinom 2 x + 3 y −2 z = 5.
Iz jednaˇcine odmah vidimo jedan vektor normale n
α
= (2, 3, −2), a taˇcka ravni je bilo koje reˇsenje ove jednaˇcine;
npr. A(2, 1, 1). Jednaˇcina ravni se transformiˇse u:
2 (x −2) + 3 (y −1) −2 (z −1) = 0
ˇsto oznaˇcava da taˇcka X(x, y, z) pripada ravni ako i samo ako
−−→
AX · n = 0 .
Definicija 2.13. Prava u R
n
koja sadrˇzi taˇcku A(a
1
, a
2
, .., a
n
) i ima pravac vektora v = (k
1
, k
2
, ..., k
n
) je skup svih
taˇcaka X(x
1
, x
2
, ..., x
n
) koje zadovoljavaju:
x
1
= a
1
+k
1
t, x
2
= a
2
+k
2
t, ..., x
n
= a
n
+k
n
t
gde t ∈ R.
• v je vektor pravca prave .
x
1
= a
1
+k
1
t, x
2
= a
2
+k
2
t, ..., x
n
= a
n
+k
n
t , t ∈ R
je parametarska jednaˇcina prave koja sadrˇzi taˇcku A(a
1
, a
2
, .., a
n
) i ima pravac (paralelna je) vektora v = (k
1
, k
2
, ..., k
n
) (̸=
0). Zapisujemo je i u obliku;
x
1
−a
1
k
1
=
x
2
−a
2
k
2
= ... =
x
n
−a
n
k
n
(= t)
• Vektor pravca prave nije jedinstveno odredjen pravom: ako je v
p
vektor pravca prave p onda je to i bilo koji
vektor kolinearan sa njim, na primer 2 v
p
, 3 v
p
, −5 v
p
...
Slede´ci primer daje geometrijsku motivaciju za prethodnu definiciju.
Linearna Algebra i Analitiˇcka Geometrija – 15 –
Primer 2.5. Odredimo jednaˇcinu prave p koja sadrˇzi taˇcku A(x
0
, y
0
, z
0
) i ima pravac vektora v
p
= (k
1
, k
2
, k
3
)
p X A
-
v
p
Y
1
O
Taˇcka X(x, y, z) pripada pravi p ako i samo ako postoji t ∈ R takav da je
−−→
AX = t v
p
(x −x
0
, y −y
0
, z −z
0
) = t (k
1
, k
2
, k
3
)
Odavde dobijamo parametarsku jednaˇcinu prave; x = x
0
+k
0
t y = y
0
+k
1
t z = z
0
+k
3
t koju zapisujemo i
p :
x −x
0
k
1
=
y −y
0
k
2
=
z −z
0
k
3
(= t)
Primer 2.6. Neka je data prava
p :
x −3
2
=
y −1
3
=
z + 1
−3
(= t)
Iz ove jednaˇcine odmah proˇcitamo njen vektor pravca v
p
= (2, 3, −3) i jednu njenu taˇcku A(3, 1, −1)
• Dve prave su paralelne ako i samo ako su im vektori pravaca kolinearni.
• Ugao izmedju dve prave je ugao izmedju njihovih vektora pravaca (definisan je iako se prave moˇzda i ne seku).
2.9 Rastojanje taˇcke od prave u R
n
Rastojanje taˇcke M od prave p (u R
n
) odredjene taˇckom A ∈ p i vektorom pravca v
p
, raˇcunamo kao u delu 2.7 kada
smo raˇcunali visinu paralelograma: Oznaˇcimo
−−→
AM sa m:
- -

6
A
v
p
M
m
c v
p
p
m−c v
p
M
p
−−−→
MM
p
= m−c v
p
, gde je c =
m· v
p
∥v
p

2
pa:

−−−→
MM
p

2
= ∥(m−c v
p
)∥
2
= ∥m∥
2

(v
p
· m)
2
∥v
p

2
• U R
2
i R
3
postoji alternativni naˇcin raˇcunanja rastojanja taˇcke od prave. Rastojanje taˇcke M od prave p
odredjene taˇckom A ∈ p i vektorom pravca v
p
moˇzemo izraˇcunati koriste´ci vektorski proizvod (povrˇsinu): Oznaˇcimo
−−→
AM sa m:
- -

6
A
v
p
-
M
m
p
M
p
Linearna Algebra i Analitiˇcka Geometrija – 16 –

−−−→
MM
p
∥ je duˇzina visine paralelograma odredjenog vektorima m i v
p
, pa je brojno jednaka povrˇsini paralelograma
podeljenoj duˇzinom njegove stranice v
p
:

−−−→
MM
p
∥ =
∥m×v
p

∥v
p

2.10 Prava u ravni
Imamo dve vrste jednaˇcina prave u R
2
. Moˇzemo je posmatrati kao:
1. pravu u R
n
(odredjenu taˇckom i vektorom pravca);
2. hiper-ravan u R
2
(odredjenu taˇckom i vektorom normale).
Primer 2.7. Neka je p : 2 x + 3 y = 5
Iz jednaˇcine odmah imamo vektor normale prave p: n
p
= (2, 3). Taˇcka A(1, 1) pripada pravi p.
Vektor pravca prave p moˇzemo odrediti na dva naˇcina:
1. v
p
je ma koji vektor normalan na n
p
; npr. v
p
= (−3, 2)
2. Taˇcka B(7, −3) pripada pravi p pa je njen vektor pravca i
−−→
AB = (10, −5).
Primer 2.8. Odrediti jednaˇcinu prave q koja sadrˇzi taˇcku M(2, 7) i normalna je na pravu p : 3 x −2 y = 4
Imamo vektor normale prave p: n
p
= (3, −2). Vektor pravca prave q je baˇs n
p
pa je jednaˇcina
q :
x −2
3
=
y −7
−2
ili q 3 x + 2 y = 20.
2.11 Poloˇzaj ravni u R
3
• Jednaˇcine ravni koja sadrˇzi 3 date nekolinearne taˇcke A, B, C moˇzemo na´ci na slede´ci naˇcin: kako ravan odredjuju
taˇcka i vektor normale, treba na´ci samo vektor normale, a to je
−−→
AB ×
−→
AC.
Primer 2.9. Jednaˇcina ravni koja sadrˇzi taˇcke A(1, 0, 2), B(3, 2, 1) i C(2, 1, 5). Nadjemo vektor normale:
n =
−−→
AB ×
−→
AC = (2, 2, −1) ×(2, 1, 3) =
¸
¸
¸
¸
¸
¸
i j k
2 2 −1
2 1 3
¸
¸
¸
¸
¸
¸
= (7, −8, −2)
Jednaˇcina ravni koja sadrˇzi taˇcku A(1, 0, 2) i normalna je na vektor n = (7, −8, −2) je:
7 (x −1) −8 y −2 (z −2) = 0
• Na´ci ´cemo jednaˇcinu ravni koja sadrˇzi (nekolinearne) taˇcke A(a
1
, a
2
, a
3
), B(b
1
, b
2
, b
3
) i C(c
1
, c
2
, c
3
). Prvo
nadjemo vektor normale na ravan, npr
n =
−−→
AB ×
−→
AC =
¸
¸
¸
¸
¸
¸

i

j

k
b
1
−a
1
b
2
−a
2
b
3
−a
3
c
1
−a
1
c
2
−a
2
c
3
−a
3
¸
¸
¸
¸
¸
¸
.
Primeti da je ⃗n ̸=

0 kako su taˇcke nekolinearne. Dalje, taˇcka X(x, y, z) pripada ravni akko
−−→
AX · n = 0 akko:
¸
¸
¸
¸
¸
¸
x −a
1
y −a
2
z −a
3
b
1
−a
1
b
2
−a
2
b
3
−a
3
c
1
−a
1
c
2
−a
2
c
3
−a
3
¸
¸
¸
¸
¸
¸
= 0 .
• Dve ravni α i β su paralelne ako i samo ako su im vektori normala kolinearni. Ekvivalentno: povrˇsina paralelo-
grama odredjenog sa ta dva vektora je 0 (ili n
α
×n
β
= 0).
• Iz prethodnog sledi da se dve ravni α i β seku akko n
α
×n
β
̸= 0. Da odredimo jednaˇcinu preseˇcne prave te dve
ravni treba na´c jednu taˇcku preseka i vektor pravca prave. Vektor pravca je normalan na svaki od vektora normala
ravni, pa moˇzemo uzeti
v
p
= n
α
×n
β
Linearna Algebra i Analitiˇcka Geometrija – 17 –
Primer 2.10. Jednaˇcina preseˇcne prave ravni α : 2x + 2y −z = 1 i β : 2x +y + 3z = 5.
v
p
= n
α
×n
β
=
¸
¸
¸
¸
¸
¸
i j k
2 2 −1
2 1 3
¸
¸
¸
¸
¸
¸
= (7, −8, −2)
Preseˇcna taˇcka je bilo koje reˇsenje sistema 2x + 2y −z = 1 2x +y + 3z = 5 npr. A(1, 0, 1).
p :
x −1
7
=
y
−8
=
z −1
−2
(= t)
• Neka je ravan α data taˇckom A i vektorom normale n. Rastojanje taˇcke M od ravni α je duˇzina duˇzi AM
1
.
Primetimo
−−−→
AM
1
= proj (
−−→
AM, n)

6
n
A
M
α
M
1
Prema tome, rastojanje raˇcunamo po formuli:
d(M, α) = |
−−−→
AM
1
| = |proj (
−−→
AM, n)| =
|(M −A) · n|
∥n∥
2
2.12 Medjusobni poloˇzaj pravih u R
3
• Prave p i q su paralelne akko su im vektori pravaca kolinearni; ekvivalentno v
p
×v
q
= 0.
• Kada su p i q mimoilazne?
Neka je p data taˇckom A i vektorom pravca v
p
a q taˇckom B i vektorom pravca v
q
.
B
A
p
q
v
p
v
q

-
:
Primetimo da su prave mimoilazne ako i samo ako je paralelepiped odredjen sa
−−→
AB, v
p
, v
q
nedegenerisan (zapremina
mu nije nula): [
−−→
AB, v
p
, v
q
] ̸= 0
• Sliˇcno: prave su u istoj ravni (paralelne su, ili se seku) ako i samo ako [
−−→
AB, v
p
, v
q
] = 0
• Rastojanje izmedju mimoilaznih pravih p i q (sa gornje slike) je jednako visini paralelepipeda. Primetimo da je
povrˇsina osnove paralelepipeda paralelogram odredjen sa v
p
i v
q
pa imamo:
d(p, q) =
[
−−→
AB, v
p
, v
q
]
|v
p
×v
q
|
2.13 Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni
Neka je prava p zadata taˇckom A i vektorom pravca v
p
, i neka je ravan α zadata taˇckom B i vektorom normale n
α
.
Linearna Algebra i Analitiˇcka Geometrija – 18 –
• p pripada ravni α akko A ∈ α (ekvivalentno
−−→
AB ⊥ n
α
) i v
p
⊥ n
α
:
−−→
AB · n
α
= 0 i v
p
×n
α
= 0
• p je paralelna ravni (ali joj ne pripada) α akko A / ∈ α i v
p
⊥ n
α
:
−−→
AB · n
α
̸= 0 i v
p
×n
α
= 0
• Iz prethodna dva sledi da p seˇce ravan α akko v
p
×n
α
̸= 0
• Ugao izmedju prave p i ravni α je (po definiciji) ugao θ izmedju p i njene ortogonalne projekcije na ravan α
(oznaˇcimo projekciju sa p

).
6
p
n
α
v
p
p

θ
ϕ

Ako je ϕ ugao izmedju vektora v
p
i n tada je: cos ϕ =
v
p
· n
∥n∥
2
pa, zbog ϕ +θ = 90
0
, imamo:
sin θ =
v
p
· n
∥n∥
2
3 MATRICE
Definicija 3.1. Matrica tipa m×n, ili formata m× n, (size, shape) nad poljem K je pravougaona tablica koja se
sastoji od m vrsta (horizontalnih redova, rows) i n kolona (vertikalnih redova, columns) ˇcija su polja popunjena
elementima skupa K:
_
_
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
a
31
a
32
a
33
... a
3n
. . . ... .
a
m1
a
m2
a
m3
... a
mn
_
_
_
_
_
_
.
Ovu matricu skra´ceno obeleˇzavamo sa (a
ij
)
m,n
ili samo sa (a
ij
) .
• Koristi se i oznaka [a
ij
] ;
• Matrice (a
ij
)
m,n
i (b
ij
)
m

,n
′ su jednake akko imaju isti tip (m = m

i n = n

) i svi parovi odgovaraju´cih
elemenata su jednaki (a
ij
= b
ij
za 1 ≤ i ≤ m , 1 ≤ j ≤ n)) ;
• Vektor i-te vrste je v
i
= (a
i1
, a
i2
, ..., a
in
) ; (a
ij
)
m,n
=
_
_
_
_
v
1
v
2
...
v
m
_
_
_
_
• Vektor j-te kolone je u
j
=
_
_
_
_
a
1j
a
2j
...
a
mj
_
_
_
_
; (a
ij
)
m,n
= (u
1
u
2
... u
n
)
Linearna Algebra i Analitiˇcka Geometrija – 19 –
3.1 Sabiranje i mnoˇzenje matrica skalarom,
• Skup svih m×n matrica nad poljem K se oznaˇcava sa M
m,n
(K).
• Sabiramo samo matrice istog formata
(a
ij
)
m,n
+ (b
ij
)
m,n
= (a
ij
+b
ij
)
m,n
;
• Matrice mnoˇzimo skalarom k po pravilu:
k (a
ij
)
m,n
= (k a
ij
)
m,n
;
• Nula-matrica tipa m×n ima sve elemente 0, oznaˇcavamo je sa 0
m,n
( ili samo sa 0).
Teorema 3.1. Za sve matrice A, B, C ∈ M
m,n
(K) i skalare k
1
, k
2
∈ K vaˇzi:
1. (A+B) +C = A+ (B +C)
2. A+0 = A
3. A+ (−A) = 0
4. A+B = B +A
5. k
1
(A+B) = k
1
A+k
1
B
6. (k
1
+k
2
) A = k
1
A+k
2
A
7. (k
1
k
2
) A = k
1
(k
2
A)
8. 1 A = A
Dokaz. ...
• Ove osobine znaˇche da je M
m,n
(K) vektorski prostor nad poljem K (videti Definiciju 4.1).
• Aksiome vektorskog prostora dozvoljavaju uobiˇcajeno linearno kombinovanje; na primer:
2 (3 A−4B) + 3(B + 2 A) = 6 A−8 B + 3 B + 6 A = 12 A−5 B
3.2 Mnoˇzenje matrica
Neka je A = (a
1
a
2
... a
n
) B =
_
_
_
_
b
1
b
2
...
b
n
_
_
_
_
. Definiˇsemo:
A· B = a
1
b
1
+a
2
b
2
+... +a
n
b
n
Ovo je skalarni proizvod vektora vrste (ili 1 × n matrice) i vektora kolone (ili n × 1 matrice). U rezultatu dobijamo
skalar (ili 1 ×1 matricu).
Linearna Algebra i Analitiˇcka Geometrija – 20 –
Definicija 3.2. Neka je A matrica tipa m×k i B matrica tipa k×n (vektori vrsta matrice A i vektori kolona matrice
B imaju istu duˇzinu k).
A =
_
_
_
_
A
1
A
2
...
A
m
_
_
_
_
B =
_
B
1
B
2
... B
n
_
Definiˇsemo proizvod A· B (koji je matrica tipa m×n) na slede´ci naˇcin:
AB =
_
_
_
_
A
1
· B
1
A
1
· B
2
... A
1
· B
n
A
2
· B
1
A
2
· B
2
... A
2
· B
n
. . ... .
A
m
· B
1
A
m
· B
2
... A
m
· B
n
_
_
_
_
• AB = (c
ij
)
m,n
gde je
c
ij
= a
i1
b
1j
+a
i2
b
3j
+... +a
ik
b
kj
ili: c
ij
=

k
s=1
a
is
b
sj
.
Primer 3.1.
_
2 1 6
3 5 4
_
_
_
6 3
1 7
0 1
_
_
=
_
2 · 6 + 1 · 1 + 6 · 0 2 · 3 + 1 · 7 + 6 · 1
3 · 6 + 5 · 1 + 4 · 0 3 · 3 + 5 · 7 + 4 · 1
_
=
_
13 19
23 48
_
.
• Ukoliko matricu B predstavimo preko vektora vrsta
_
_
_
_
a
11
a
12
... a
1k
a
21
a
22
... a
2k
. . ... .
a
m1
a
m2
... a
mk
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
b
k
_
_
_
_
_
_
=
_
_
_
_
a
11
b
1
+a
12
b
2
+... +a
1k
b
k
a
21
b
1
+a
22
b
2
+... +a
2k
b
k
...
a
m1
b
1
+a
m2
b
2
+... +a
mk
b
k
_
_
_
_
Primer 3.2.
_
_
1 2 3
4 5 6
7 8 9
_
_
_
_
b
1
b
2
b
3
_
_
=
_
_
b
1
+ 2b
2
+ 3b
3
4b
1
+ 5b
2
+ 6b
3
7b
1
+ 8b
2
+ 9b
3
_
_
Konkretno:
_
_
1 2 3
4 5 6
7 8 9
_
_
_
_
3 2
−2 0
1 −1
_
_
=
_
_
2 −1
8 2
14 5
_
_
1(3, 2) + 2(−2, 0) + 3(1, −1) = (2, −1)
4(3, 2) + 5(−2, 0) + 6(1, −1) = (8, 2)
7(3, 2) + 8(−2, 0) + 9(1, −1) = (14, 5)
Teorema 3.2. Slede´ca tvrdjenja vaˇze pretpostavljaju´ci da su formati matrica A, B, C takvi da su izrazi definisani:
1. (AB) C = A(BC) (asocijativnost);
2. A(B +C) = AB +AC (leva distributivnost);
3. (B +C) A = BA+C A (desna distributivnost);
4. k (AB) = (k A) B = A(k B) gde je k skalar.
Linearna Algebra i Analitiˇcka Geometrija – 21 –
• Mnoˇzenje matrica nije komutativno:
_
2 3
−1 2
_ _
1 0
4 3
_
=
_
14 9
7 6
_
_
1 0
4 3
_ _
2 3
−1 2
_
=
_
2 3
5 18
_
ili:
_
_
2 3
−1 2
4 0
_
_
_
1 0
4 3
_
=
_
_
14 9
7 6
4 0
_
_
_
1 0
4 3
_
_
_
2 3
−1 2
4 0
_
_
nije definisan !!!
Definicija 3.3. Jediniˇcna matrica reda n, u oznaci I
n
, je n ×n matrica:
_
_
_
_
1 0 ... 0
0 1 ... 0
. . ... .0
0 0 ... 1
_
_
_
_
• Ako je A matrica tipa m×n onda je:
I
m
A = AI
n
= A
• Ako je red jediniˇcne matrice jasan iz konteksta pishemo samo I.
3.3 Matriˇcni zapis sistema linearnih jednaˇcina, veza izmedju skupa reˇsenja sistema i
skupa reˇsenja pridruˇzenog homogenog sistema
Sistem linearnih jednaˇcina
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
moˇzemo zapisati u matriˇcnoj formi AX = B:
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
m1
a
m2
... a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
Matrica A je matrica sistema (coefficient matrx).
Primer 3.3. Sistem
2 x + 3 y + 5 z = −1
−x + 2 y + 4 z = 5
moˇzemo zapisati u matriˇcnoj formi AX = B:
_
2 3 5
−1 2 4
_
_
_
x
y
z
_
_
=
_
−1
5
_
Linearna Algebra i Analitiˇcka Geometrija – 22 –
Primer 3.4. Sistem
2 x + 3 y + 5 z = 0
−x + 2 y + 4 z = 0
moˇzemo zapisati u matriˇcnoj formi AX = 0:
_
2 3 5
−1 2 4
_
_
_
x
y
z
_
_
=
_
0
0
_
Teorema 3.3. Pretpostavimo da su u
1
, u
2
, ..., u
l
reˇsenja homogenog sistema AX = 0 (u
i
je vektor-kolona) . Tada
je svaka linearna kombinacija k
1
u
1
+k
2
u
2
+... +k
l
u
l
takodje reˇsenje sistema.
Dokaz: Dato nam je: Au
1
= 0, Au
2
= 0, ..., Au
n
= 0. Otuda:
A(k
1
u
1
+k
2
u
2
+... +k
n
u
n
) = k
1
Au
1
+k
2
Au
2
+... +k
n
Au
n
= k
1
0 +k
2
0 +... +k
n
0 = 0
Teorema 3.4. Pretpostavimo da je u
0
jedno reˇsenje sistema AX = B i neka je W skup svih reˇsenja (vektor kolona)
odgovaraju´ceg homogenog sistema AX = 0. Tada je
u
0
+W = {u
0
+w| w ∈ W}
skup svih reˇsenja nehomogenog sistema.
Dokaz: Kako je U = u
0
+W dobijeno dodavanjem u
0
svakom elementu W .............
Prime´cujemo da teorema ima geometrijsku interpretaciju u R
3
. Posebno, predpostavimo da je W linija koja prolazi
kroz poˇcetak O. Onda je, kao ˇsto se vidi sa slike, U = u
0
+ W linija koja je paralelna W dobijena dodavanjem v
0
svakom elementu W. Sliˇcno, za bilo koje W
U narednoj teoremi bitno je da je polje K beskonaˇcno:
Teorema 3.5. Svaki sistem linearnih jednaˇcina AX = B ili nema reˇsenja, ili ima taˇcno jedno reˇsenje, ili ima
beskonaˇcno mnogo reˇsenja .
Dokaz: Dovoljno je pokazati da ako AX = B ima viˇse od jednog reˇsenja, da ih onda ima beskonaˇcno mnogo.
Predpostavimo da u i v razliˇcita reˇsenja AX = B; onda je i Au = B i Av = b. Onda, za bilo koje k ∈ K,
A[u +k(u −v)] = Au +k(Au −Av) = B +k(B −B) = B
Drugim reˇcima, za bilo koje k ∈ K, u + k(u − v) je reˇsenje za AX = B. Kako su za razliˇcite k-ove ova reˇsenja
medjusobno razliˇcita (videti Problem 3.21), i kako imamo beskonaˇcno mnogo k-ova, zakljuˇcujemo da AX = B ima
beskonaˇcan broj reˇsenja.
3.4 Blok matrice
Blok matrice dobijamo deljenjem matrice horizontalnim i vertikalnim linijama na matrice manjeg formata (pod-
matrice). Na primer, ako je A = (a
ij
)
6,6
moˇzemo je deliti na blok matrice na viˇse naˇcina:
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
.
.
. a
13
a
14
.
.
. a
15
a
16
a
21
a
22
.
.
. a
23
a
24
.
.
. a
25
a
26
. . . . . .
.
.
. . . . . . .
.
.
. . . . . . .
a
31
a
32
.
.
. a
33
a
34
.
.
. a
35
a
36
a
41
a
42
.
.
. a
43
a
44
.
.
. a
45
a
46
. . . . . .
.
.
. . . . . . .
.
.
. . . . . . .
a
51
a
52
.
.
. a
53
a
54
.
.
. a
55
a
56
a
61
a
62
.
.
. a
63
a
64
.
.
. a
65
a
66
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
A
11
A
12
A
13
A
21
A
22
A
23
A
31
A
32
A
33
_
_
Linearna Algebra i Analitiˇcka Geometrija – 23 –
Matrice A
i,j
su tipa 2 ×2
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
.
.
. a
13
a
14
.
.
. a
15
a
16
a
21
a
22
.
.
. a
23
a
24
.
.
. a
25
a
26
a
31
a
32
.
.
. a
33
a
34
.
.
. a
35
a
36
. . . . . .
.
.
. . . . . . .
.
.
. . . . . . .
a
41
a
42
.
.
. a
43
a
44
.
.
. a
45
a
46
a
51
a
52
.
.
. a
53
a
54
.
.
. a
55
a
56
a
61
a
62
.
.
. a
63
a
64
.
.
. a
65
a
66
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
A

11
A

12
A

13
A

21
A

22
A

23
_
Matrice A

i,j
su tipa 3 ×2
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
.
.
. a
13
a
14
a
15
.
.
. a
16
a
21
a
22
.
.
. a
23
a
24
a
25
.
.
. a
26
a
31
a
32
.
.
. a
33
a
34
a
35
.
.
. a
36
a
41
a
42
.
.
. a
43
a
44
a
45
.
.
. a
46
. . . . . .
.
.
. . . . . . . . . .
.
.
. . . .
a
51
a
52
.
.
. a
53
a
54
a
55
.
.
. a
56
a
61
a
62
.
.
. a
63
a
64
a
65
.
.
. a
66
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
C D E
F G H
_
C je tipa 4 ×2, D je 4 ×3, E je 4 ×1, F je 2 ×2, G je 2 ×3 i H je tipa 2 ×1 .
• Dijagonalna blok matrica je blok matrica oblika
_
_
_
_
A
11
0 ... 0
0 A
22
... 0
. . ... .
0 0 ... A
nn
_
_
_
_
gde su svi blokovi A
ii
kvadratne matrice (mogu´ce razliˇcitih formata). Primetimo da blokovi 0 ne moraju biti
kvadratni i mogu biti razliˇcitih tipova. Na primer:
_
A
11
0
0 A
22
_
=
_
_
_
_
_
_
_
2 3
.
.
. 0
1 5
.
.
. 0
. . . . . . . . . . . .
0 0
.
.
. 4
_
_
_
_
_
_
_
• Trougaona blok matrica je blok matrica oblika
_
_
_
_
A
11
A
12
... A
1n
0 A
22
... A
2n
. . ... .
0 0 ... A
nn
_
_
_
_
gde su svi blokovi A
ii
kvadratne matrice.
• Ako su blok-matrice
A =
_
_
_
_
A
11
A
12
... A
1n
A
21
A
22
... A
2n
. . ... .
A
m1
A
m2
... A
mn
_
_
_
_
i B =
_
_
_
_
B
11
B
12
... B
1n
B
21
B
22
... B
2n
. . ... .
B
m1
B
m2
... B
mn
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 24 –
istog ‘tipa’ (t.j. A
ij
i B
ij
su istog tipa za sve i, j) tada je
A+B =
_
_
_
_
A
11
+B
11
A
12
+B
12
... A
1n
+B
1n
A
21
+B
21
A
22
+B
22
... A
2n
+B
2n
. . ... .
A
m1
+B
m1
A
m2
+B
m2
... A
mn
+B
mn
_
_
_
_
• k
_
_
_
_
A
11
A
12
... A
1n
A
21
A
22
... A
2n
. . ... .
A
m1
A
m2
... A
mn
_
_
_
_
=
_
_
_
_
k A
11
k A
12
... k A
1n
k A
21
k A
22
... k A
2n
. . ... .
k A
m1
k A
m2
... k A
mn
_
_
_
_
• Ako su blok-matrice
A =
_
_
_
_
A
11
A
12
... A
1p
A
21
A
22
... A
2p
. . ... .
A
q1
A
q2
... A
qp
_
_
_
_
B =
_
_
_
_
B
11
B
12
... B
1r
B
21
B
22
... B
2r
. . ... .
B
p1
B
p2
... B
pr
_
_
_
_
takve da je svaki (matriˇcni) zbir
C
ij
= A
i1
B
1j
+A
i2
B
2j
+... +A
in
B
nj
definisan, tada je
AB =
_
_
_
_
C
11
C
12
... C
1r
C
21
C
22
... C
2r
. . ... .
C
q1
C
q2
... C
qr
_
_
_
_
Primer 3.5. Neka je A =
_
2 3
1 4
_
. Tada je AA =
_
7 18
6 19
_
_
_
_
_
0 0 2 3
0 0 1 4
2 3 0 0
1 4 0 0
_
_
_
_
_
_
_
_
2 3 2 3
1 4 1 4
0 0 2 3
0 0 1 4
_
_
_
_
=
_
0 A
A 0
_ _
A A
0 A
_
=
_
0 A+A0 0 A+AA
AA+ 0 AA+ 0 A
_
=
_
_
_
_
0 0 7 18
0 0 6 19
7 18 7 18
6 19 6 19
_
_
_
_
3.5 Transponovanje matrice
Transponovanu matricu matrice A, u oznaci A
T
, dobijamo tako ˇsto vrste matrice A piˇsemo kao kolone matrice A
T
:
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
. . . ... .
a
m1
a
m2
a
m3
... a
mn
_
_
_
_
T
=
_
_
_
_
_
_
a
11
a
21
... a
m1
a
12
a
22
... a
m2
a
13
a
23
... a
m3
. . ... .
a
1n
a
2n
... a
mn
_
_
_
_
_
_
• Ako je A = (a
ij
)
m,n
matrica tipa m×n tada je A
T
matrica tipa n ×m i A
T
= (a
ji
)
n,m
.
• Ako je A vektor vrsta (1 ×n matrica) tada je A
T
vektor kolona (n ×1 matrica); vaˇzi i obrnuto.
Linearna Algebra i Analitiˇcka Geometrija – 25 –
Teorema 3.6. Pretpostavljaju´ci da su matrice takvih formata da su izrazi definisani vaˇzi:
1. (A+B)
T
= A
T
+B
T
2. (A
T
)
T
= A
3. (k A)
T
= k A
T
4. (AB)
T
= B
T
A
T
.
3.6 Kvadratne matrice
Kvadratne matrice su one koje imaju isti broj vrsta i kolona (t.j. tip im je oblika n × n); za matrice tipa n × n
kaˇzemo i da su matrice reda n . M
n
(K) (umesto M
n,n
(K)) oznaˇcava skup svih kvadratnih matrica reda n nad poljem
K.
• Skup M
n
(K) je zatvoren za sabiranje, mnoˇzenje i mnoˇzenje skalarima:
1. Ako A, B ∈ M
n
(K) tada i A+B, AB ∈ M
n
(K);
2. Ako k ∈ K i A ∈ M
n
(K) tada k A ∈ M
n
(K).
• Vaˇze osobine iz Teoreme 3.1 za M
n
(K) (ˇcini vektorski prostor nad poljem K).
• Prema Teoremi 3.2 za sve A, B, C ∈ M
n
(K) i k ∈ K vaˇzi:
1. (AB) C = A(BC)
2. A(B +C) = AB +AC
3. (B +C) A = BA+C A
4. k (AB) = (k A) B = A(k B) gde je k skalar.
Vektorski prostor u kome je definisana i operacija mnoˇzenja vektora koja zadovoljava ove uslove naziva se algebra.
• Za skup A ⊆ M
n
(R) kaˇzemo da je algebra matrica ukoliko je zatvoren za sabiranje, mnoˇzenje i mnoˇzenje
skalarima; primetimo da tada on ima sve osobine pobrojane u teoremama 3.1 i 3.2
Primer 3.6. 1. AB +AC +A
2
= A(A+B +C) (izvlaˇcenje ‘levog’ A)
2. BA+C A+A
2
= (B +C +A)A (izvlaˇcenje ‘desnog’ A)
3. (A+B)(C +D) = AC +AD +BC +BD
4. (A+B)
2
= (A+B)(A+B) = A
2
+AB +BA+B
2
5. AB +C A ̸= A(B +C) (mnoˇzenje nije komutativno) .
• Matrice A, B reda n komutiraju ako vaˇzi AB = BA .
• Induktivno definiˇsemo stepen kvadratne matrice:
A
0
= I, A
1
= A, A
2
= AA, .... A
n+1
= A
n
A
• Opˇstije, za svaki polinom p(t) = a
n
t
n
+ a
n−1
t
n−1
... +a
1
t +a
0
definiˇsemo matriˇcni polinom:
p(A) = a
n
A
n
+ a
n−1
A
n−1
... +a
1
A+a
0
I
Linearna Algebra i Analitiˇcka Geometrija – 26 –
Teorema 3.7. Ako su f(t) i g(t) polinomi tada je:
1. (f +g)(A) = f(A) +g(A)
2. (f g)(A) = f(A) g(A)
3. f(A) g(A) = g(A) f(A).
Dokaz. Videti Problem 4.11
• Glavna dijagonala kvadratne matrice (main diagonal) ide iz gornjeg levog u donji desni ugao; ona sadrˇzi elemente
a
11
a
22
... a
nn
• tr(A), ili trag kvadratne matrice (trace) A = (a
ij
)
n,n
je skalar definisan kao suma elemenata glavne dijagonale:
tr(A) = a
11
+a
22
+... +a
nn
Teorema 3.8. Ako je k skalar i A, B ∈ M
n
(R) tada vaˇzi:
1. tr(A+B) = tr(A) + tr(B)
2. tr(k A) = k tr(A)
3. tr(AB) = tr(BA)
Dokaz. Videti Problem 4.10
3.7 Elementarne transformacije vrsta matrice, elementarne matrice
Elementarne transformacije vrsta matrice su:
(E
1
) Zamena mesta dve vrste ; v
i
↔ v
j
(E
2
) Mnoˇzenje jedne vrste skalarom k ̸= 0 ; v
i
→ k v
i
(E
3
) Dodavanje i-toj vrsti k puta j-ta vrsta (i ̸= j!); v
i
→ v
i
+k v
j
• Svaka od ovih operacija ima inverznu operaciju istog tipa:
(1) v
i
↔ v
j
je inverzna sama sebi ;
(2) v
i

1
k
v
i
je inverzna za v
i
→ k v
i
;
(3) v
i
→ v
i

1
k
v
j
je inverzna za v
i
→ v
i
+k v
j
.
• Matrice istog formata A i B su ekvivalentne (po vrstama), u zapisu A ∼
v
B, ako B moˇze biti dobijena iz A
primenom niza elementarnih transformacija vrsta.
• ∼
v
je relacija ekvivalencije (na skupu matrica fiksiranog tipa):
(1) A ∼
v
A
(2) A ∼
v
B povlaˇci B ∼
v
A
(3) A ∼
v
B i B ∼
v
C povlaˇci A ∼
v
C
Teorema 3.9. Svaka matrica je ekvivalentna stepenastoj matrici istog formata.
Dokaz. ...
Kanonske matrice su stepenaste matrice sa jedinicama na prvom ne-nula mestu u svakoj vrsti, a u koloni svake
takve jedinice moraju se nalaziti joˇs samo nule. Kasnije ´cemo dokazati jaˇce tvrdjenje od prethodnog :
Teorema 3.10. Svaka matrica je ekvivalentna jedinstvenoj kanonskoj matrici istog formata.
Linearna Algebra i Analitiˇcka Geometrija – 27 –
Neka e oznaˇcava elementarnu transformaciju matrice (neku od (E
1
), (E
2
), (E
3
)) i neka je e(I) matrica dobijena pri-
menom operacije e na jediniˇcnu matricu I. Takve matrice su elementarne matrice koje odgovaraju el.transformacijama
vrsta.
• Svaka elementarna operacija na vrstama matrice je mnoˇzenje odgovaraju´com elementarnom matricom s’ leva.
Primer 3.7. Prethodno tvrdjenje na primeru 3 ×3 matrica:
(1) e je ‘zameni mesta druge i tre´ce vrste’ : e(I) =
_
_
1 0 0
0 0 1
0 1 0
_
_
:
_
_
1 0 0
0 0 1
0 1 0
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
=
_
_
a
1
a
2
a
3
c
1
c
2
c
3
b
1
b
2
b
3
_
_
(2) e je ‘pomnoˇzi drugu vrstu sa k’ : e(I) =
_
_
1 0 0
0 k 0
0 0 1
_
_
:
_
_
1 0 0
0 k 0
0 0 1
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
=
_
_
a
1
a
2
a
3
kb
1
kb
2
kb
3
c
1
c
2
c
3
_
_
(3) e je ‘dodati drugoj vrsti k puta tre´ca’: e(I) =
_
_
1 0 0
0 1 k
0 0 1
_
_
:
_
_
1 0 0
0 1 k
0 0 1
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
=
_
_
a
1
a
2
a
3
b
1
+kc
1
b
2
+kc
2
b
3
+kc
3
c
1
c
2
c
3
_
_
Teorema 3.11. Neka je e elementarna transformacija vrsta i neka je e(I
m
) njena odgovaraju´ca elementarna matrica.
1. Primenom operacije e na matricu A (koja ima m vrsta) dobijamo matricu e(I) A .
2. A ∼
v
B ako i samo ako postoji matrica P koja je proizvod elementarnih matrica takva da je A = P B
Dokaz.
3.8 Inverzna matrica
Definicija 3.4. Kvadratna matrica A je inverzibilna (invertible or nonsingular) ako postoji matrica B istog tipa takva
da je
AB = BA = I
• Ako je Ainverzibilna tada postoji taˇcno jedna matrica koja zadovoljava gornji uslov; zovemo je inverzna matrica matrice
A (ili inverz od A) i obeleˇzavamo sa A
−1
:
AA
−1
= A
−1
A = I
• Ako je B inverz za A onda je A inverz za B ((A
−1
)
−1
= A).
• Ako su A i B inverzibilne tada je i AB inverzibilna i vaˇzi:
(AB)
−1
= B
−1
A
−1
Opˇstije: (A
1
A
2
...A
n
)
−1
= A
−1
n
...A
−1
2
A
−1
1
• Ako A ima nula-vrstu onda nije inverzibilna.
Linearna Algebra i Analitiˇcka Geometrija – 28 –
Primer 3.8.
_
2 5
1 3
_ _
3 −5
−1 2
_
=
_
3 −5
−1 2
_ _
2 5
1 3
_
= I
Znaˇci:
_
2 5
1 3
_
−1
=
_
3 −5
−1 2
_
i
_
3 −5
−1 2
_
−1
=
_
2 5
1 3
_
• Ako je A inverzibilna i B takva da vaˇzi BA = I (ili AB = I) tada je B = A
−1
:
BA = I pomnoˇzimo s’ desna sa A
−1
:
BAA
−1
= I A
−1
BI = A
−1
B = A
−1
• Elementarne matrice su inverzibilne.
• Proizvod elementarnih matrica je inverzibilna matrica.
• A ∼
v
B ako i samo ako postoji niz elementarnih matrica E
1
, ...., E
m
takvih da je
E
m
E
m−1
... E
1
A = B
Teorema 3.12. Neka je A kvadratna matrica reda n. Tada su slede´ca tvrdjenja ekvivalentna:
(1) A je inverzibilna;
(2) A ∼
v
I ili: primenom niza elementarnih transformacija vrsta matricu A moˇzemo svesti na jediniˇcnu;
(3) A je proizvod elementarnih matrica (koje odgovaraju el. trans. vrsta).
Dokaz: Predpostavimo da je A inverzibilna i predpostavimo da je A ekvivalentna matrici B koja je u kanonskoj
formi. To znaˇci da postoje elementarne matrice E
1
, E
2
, ..., E
n
, takve da E
1
, E
2
, ..., E
n
A = B. Kako su A i svaka
elementarna matrica inverzibilne, B je takodje inverzibilna. Ali ako B ̸= I, onda B ima nula-vrstu; odakle sledi da B
nije inverzibilna. Tako da B = I pa (1) implicira (2). Ako (2) vaˇzi, onda postoje elementarne matrice E
1
, E
2
, ..., E
n
takve da E
1
, E
2
, ..., E
n
A = I. Kako je A = (E
n
, ..., E
1
)
−1
= E
−1
1
...E
−1
n
. Ali E
−1
i
je isto elementarna matrica. Odavde
sledi da (2) implicira (3). Ako (3) vaˇzi, onda A = E
1
E
2
...E
n
. E
i
je inverzibilna matrica; zbog njihovog proizvoda i A
je inverzibilna, a odatle sledi da (3) implicira (1). Prema tome, teorema je dokazana.
Teorema 3.13. Ako je AB = I tada je i BA = I (prema tome A
−1
= B)
Dokaz
Teorema 3.14. B ∼
v
A ako i samo ako postoji inverzibilna matrica P takva da je B = P A .
Dokaz: Predpostavimo B ∼
v
A, tj. B = e
n
(...(e
1
(A))...) = E
s
...E
1
A = PA gde je P = E
n
...E
1
inverzi-
bilna matrica. Prema Teoremi 3.12, P je proizvod elementarnih matrica, pa se B moze dobiti iz A elementarnim
transformacijama vrsta ˇsto znaˇci B ∼
v
A.
Posledica 3.1. Ako je A ∼
v
B i B ima nula-vrstu onda A nije inverzibilna.
Dokaz. Neka je A ∼
v
B . Tada postoji inverzibilna P takva da je B = P A. Ako je A inverzibilna onda je i P A
inverzibilna; ali B = P A nije inverzibilna. Prema tome A nije inverzibilna.
Znaˇci: ako (kvadratnu) matricu A moˇzemo elementarnim transformacijama vrsta svesti na matricu sa nula-vrstom
tada A nije inverzibilna!
• Vide´cemo kasnije i drugi naˇcin ispitivanja postojanja i izraˇcunavanja inverzne matrice: dokaza´cemo da je A
inverzibilna ako i samo ako je det(A) ̸= 0 i u tom sluˇcaju je A
−1
=
1
det(A)
adj(A).
Linearna Algebra i Analitiˇcka Geometrija – 29 –
3.9 Izraˇcunavanje inverzne matrice elementarnim transformacijama vrsta
Teorema 3.12 (1) ⇔ (2) kaˇze: A je inverzibilna ako i samo ako se moˇze svesti na jediniˇcnu matricu. Neka je A
inverzibilna reda n. Tada postoji niz elementarnih matrica takvih da je
E
m
... E
2
E
1
A = I
Pomnoˇzimo s’ desna sa A
−1
:
E
m
... E
2
E
1
AA
−1
= IA
−1
E
m
... E
2
E
1
= A
−1
Strategija izraˇcunavanja A
−1
: (I) Formiramo blok matricu
_
A I
_
(II) Svodimo je na kanonsku formu (t.j. na I) elemetarnim transformacijama vrsta (mnoˇzenjem s’leva elementarnim
matricama E
1
, E
2
, ..., E
m
)
_
A I
_
_
E
1
A E
1
I
_
_
E
2
E
1
A E
2
E
1
_
...
_
E
m
...E
1
A E
m
...E
1
_
=
=
_
I A
−1
_
Algoritam za izraˇcunavanje A
−1
Korak 1. Formirati n ×2n blok matricu M = (A I) ;
Korak 2. Elementarnim transformacijama vrsta svesti matricu M na stepenastu formu (i tada je A-blok gornje-
trougaon, t.j. ima nule ispod glavne dijagonale); ako stepenasta forma ima nula-vrstu u A-bloku STOP (A nije
inverzibilna);
Korak 3. Elementarnim transformacijama produˇziti svodjenje do kanonske forme: ona je oblika (I B);
Korak 4. A
−1
= B.
Objaˇsnjenje STOP u koraku 2 je zbog Posledice 3.1: ako A ∼
v
B i B ima nula-vrstu tada A nije inverzibilna!
Primer 3.9. Neka je A =
_
1 2
3 5
_
_
_
1 2
.
.
. 1 0
3 5
.
.
. 0 1
_
_

v
_
_
1 2
.
.
. 1 0
0 −1
.
.
. −3 1
_
_

v

v
_
_
1 2
.
.
. 1 0
0 1
.
.
. 3 −1
_
_

v
_
_
1 0
.
.
. −5 2
0 1
.
.
. 3 −1
_
_
Prema tome A
−1
=
_
−5 2
3 −1
_
Linearna Algebra i Analitiˇcka Geometrija – 30 –
Primer 3.10. Neka je A =
_
_
1 0 2
2 −1 3
4 1 8
_
_
_
_
_
_
_
1 0 2
.
.
. 1 0 0
2 −1 3
.
.
. 0 1 0
4 1 8
.
.
. 0 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 1 0
.
.
. −4 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 0 −1
.
.
. −6 1 1
_
_
_
_
_
nema nula-vrste u A-bloku pa produˇzavamo:
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 0 −1
.
.
. −6 1 1
_
_
_
_
_

v
_
_
_
_
_
1 0 0
.
.
. −11 2 1
0 −1 0
.
.
. 4 0 −1
0 0 −1
.
.
. −6 1 1
_
_
_
_
_

v
_
_
_
_
_
1 0 0
.
.
. −11 2 1
0 1 0
.
.
. −4 0 1
0 0 1
.
.
. 6 −1 −1
_
_
_
_
_
Prema tome A
−1
=
_
_
−11 2 1
−4 0 1
6 −1 −1
_
_
Primer 3.11. Neka je A =
_
_
1 0 2
2 −1 3
4 1 9
_
_
_
_
_
_
_
1 0 2
.
.
. 1 0 0
2 −1 3
.
.
. 0 1 0
4 1 9
.
.
. 0 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 1 1
.
.
. −4 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 0 0
.
.
. −6 1 1
_
_
_
_
_
Dobili smo nula-vrstu: STOP! A nije inverzibilna.
3.10 Elementarne transformacije kolona
Posmatrajmo proizvod
_
_
_
_
a
11
a
12
... a
1k
a
21
a
22
... a
2k
. . ... .
a
m1
a
m2
... a
mk
_
_
_
_
_
_
_
_
_
_
b
11
b
12
... b
1n
b
21
b
22
... b
2n
b
31
b
32
... b
3n
. . ... .
b
k1
b
k2
... b
kn
_
_
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 31 –
Prva kolona u proizvodu je
_
_
_
_
a
11
b
11
+a
12
b
21
+... +a
1n
b
n1
a
21
b
11
+a
22
b
21
+... +a
2n
b
n1
...
a
m1
b
11
+a
m2
b
21
+... +a
mn
b
n1
_
_
_
_
=
b
11
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
+b
21
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
+... +b
k1
_
_
_
_
a
1k
a
2k
...
a
mk
_
_
_
_
= b
11
A
1
+b
21
A
2
+... +b
k1
A
k
gde je A =
_
A
1
A
2
... A
k
_
predstavljena preko vektora kolona
• Ukoliko matricu A predstavimo preko vektora kolona tada je mnoˇzenje matricom B (s’ desna) delovanje njenih
kolona na kolone matrice A.
_
A
1
A
2
... A
k
_
_
_
_
_
_
_
b
11
b
12
... b
1n
b
21
b
22
... b
2n
b
31
b
32
... b
3n
. . ... .
b
k1
b
k2
... b
kn
_
_
_
_
_
_
=
=
_
b
11
A
1
+b
21
A
2
+... +b
k1
A
k
... b
1n
A
1
+b
2n
A
2
+... +b
kn
A
k
_
Elementarne transformacije kolona matrice su:
(F
1
) Zamena mesta dve kolone ; k
i
↔ k
j
(F
2
) Mnoˇzenje jedne kolone skalarom k ̸= 0 ; k
i
→ k k
i
(F
3
) Dodavanje i-toj koloni k puta j-ta kolona (i ̸= j!);
k
i
→ k
i
+k k
j
• Svaka od ovih operacija ima inverznu operaciju istog tipa:
(1) k
i
↔ k
j
je inverzna sama sebi ;
(2) k
i

1
k
k
i
je inverzna za k
i
→ k k
i
;
(3) k
i
→ k
i
−k k
j
je inverzna za k
i
→ k
i
+k k
j
.
Neka f oznaˇcava elementarnu transformaciju kolona matrice (neku od F
1
, F
2
, F
3
) i neka je f(I) matrica dobijena pri-
menom operacije f na jediniˇcnu matricu I. Takve matrice su elementarne matrice koje odgovaraju el.transformacijama
kolona. Svaka elementarna operacija je mnoˇzenje odgovaraju´com elementarnom matricom s’ desna
Primer 3.12. Elementarne matrice koje odgovaraju operacijama na kolonama 3 ×3 matrica
(1) Zamena mesta druge i tre´ce kolone: f(I) =
_
_
1 0 0
0 0 1
0 1 0
_
_
:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
1 0 0
0 0 1
0 1 0
_
_
=
_
_
a
1
a
3
a
2
b
1
b
3
b
2
c
1
c
3
c
2
_
_
(2) Mnoˇzenje druge kolone sa k: f(I) =
_
_
1 0 0
0 k 0
0 0 1
_
_
:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
1 0 0
0 k 0
0 0 1
_
_
=
_
_
a
1
ka
2
a
3
b
1
kb
2
b
3
c
1
kc
2
c
3
_
_
Linearna Algebra i Analitiˇcka Geometrija – 32 –
(3) Dodati drugoj koloni k puta tre´ca: e(I) =
_
_
1 0 0
0 1 0
0 k 1
_
_
:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
1 0 0
0 1 0
0 k 1
_
_
=
_
_
a
1
a
2
+ka
3
a
3
b
1
b
2
+kb
3
b
3
c
1
c
2
+kc
3
c
3
_
_
Teorema 3.15. Neka je f elementarna transformacija kolona i F njena odgovaraju´ca matrica. Tada je f(A) = AF.
• Matrica operacije f: dodati drugoj koloni k puta tre´ca
F =
_
_
1 0 0
0 1 0
0 k 1
_
_
Matrica operacije e: dodati drugoj vrsti k puta tre´ca
E =
_
_
1 0 0
0 1 k
0 0 1
_
_
• Neka je f bilo koja el. trans. kolona i e odgovaraju´ca transformacija vrsta. Vaˇzi: F = E
T
f moˇzemo primeniti na bilo koju matricu A na slede´ci naˇcin:
(1) prebacimo kolone u vrste: A →A
T
(2) izvrˇsimo e: A
T
→e(A
T
)
(3) vratimo vrste u kolone: e(A
T
) →(e(A
T
))
T
f(A) = (e(A
T
))
T
Kako je f(A) = AF i e(A
T
) = E A
T
, koriste´ci osbine transponovanja, imamo:
AF = (EA
T
)
T
AF = (A
T
)
T
E
T
AF = AE
T
Za A = I imamo: F = E
T
• Matrica B je ekvivalentna (po kolonama) (column equivalent) matrici A ako B moˇzemo dobiti uzastopnom
primenom elementarnih transformacija kolona.
Teorema 3.16. B je ekvivalentna (po kolonama) sa A ako i samo ako postoji inverzibilna matrica Q takva da je
B = AQ .
• Podsetimo: B je ekvivalentna po vrstama sa A (moˇze se dobiti transformacijama vrsta) ako i samo ako postoji
inverzibilna matrica P takva da je B = PA .
3.11 Ekvivalentnost matrica
Matrice A i B su ekvivalentne ako se A primenom el. transformacija vrsta i kolona moˇze svesti na B.
• Ekvivalentnost je relacija ekvivalencije.
• B je ekvivalentna sa A ako i samo ako postoje inverzibilne matrice P i Q takve da je B = P AQ.
Teorema 3.17. Svaka m×n matrica je ekvivalentna taˇcno jednoj blok matrici oblika
_
I
r
0
0 0
_
gde je I
r
jediniˇcna
r ×r matrica. (r je rang matrice A)
Linearna Algebra i Analitiˇcka Geometrija – 33 –
Dokaz: Dokaz se sastoji iz sledeceg algoritma:
Korak 1. Matricu A svedemo na kanonsku formu, sa vode´cim ne nula ˇclanovima a
1j
1
, a
2j
2
, ..., a
mj
m
.
Korak 2. Zamenimo C
1
i C
1j
1
, zamenimo C
2
i C
2j
2
,..., i zamenimo C
m
i C
j
n
. Ovo daje matricu u formi
_
I
r
B
0 0
_
,
sa vode´cim ne nula ˇclnom a
1 1
, a
2 2
, ..., a
mm
.
Korak 3. Iskoristiti operacije nad kolonama, sa a
ii
kao pivotima, da bi zamenili ˇclan u B sa nulom, npr. za
i = 1, 2, ..., r i j = r + 1, r + 2, ..., n, primeniti operacije −b
ij
C
i
+ C
j
→ C
j
. Konacna matrica treba da izgleda
_
I
r
0
0 0
_
.
3.12 Smena promenljivih (promena koodinatnog sistema), sliˇcne matrice
Neka je
x
i
= p
i1
y
1
+p
i2
y
2
+... +p
in
y
n
i = 1, 2, ..., n
linearna smena promenljivih. Ona je inverzibilna ako je matrica P = (p
ij
)
n,n
inverzibilna.
X = P Y ako i samo ako Y = P
−1
X
(X je vektor kolona (x
1
x
2
... x
n
)
T
a Y = (y
1
y
2
... y
n
)
T
)
Geometrijsko tumaˇcenje linearne inverzibilne smene: promena koordinatnog sistema. Posmatrajmo standardan
i j-koordinatni sistem u R
2
i neka je P =
_
2 3
1 2
_
. Definiˇsemo
p : R
2
−→R
2
sa p(X) = P X
gde je X =
_
x
1
x
2
_
vektor kolona . Neka je p(X) = Y (Y su koordinate taˇcke p(X) u standardnom koordinatnom
sistemu):
p(X) =
_
2 3
1 2
__
x
1
x
2
_
=
_
y
1
y
2
_ _
=
_
2x
1
+ 3x
2
x
1
+ 2x
2
__
_
2 3
1 2
__
x
1
_
1
0
_
+x
2
_
0
1
__
=
= x
1
_
2 3
1 2
__
1
0
_
+x
2
_
2 3
1 2
__
0
1
_
p(X) = x
1
_
2
1
_
+x
2
_
3
2
_
= x
1
r +x
2
s
gde su r =
_
2
1
_
= p(i) i s =
_
3
2
_
= p(j) vektori koji odredjuju ‘novi koordinatni sistem’ u ravni (slika ...) (r s-
koordinatni sistem): svaki (vektor) taˇcka se moˇze na jedinstven naˇcin napisati kao linearna kombinacija a
1
r +a
2
s;
u tom sluˇcaju kaˇzemo da su (a
1
, a
2
) koordinate te taˇcke u r, s-koordinatnom sistemu.
• Svaku kvadratnu matricu P moˇzemo posmatrati i kao uvodjenje novog koordinatnog sistema.
• Gornji raˇcun pokazuje da taˇcka X u standardnom ima iste koordinate kao taˇcka Y = p(X) u novom koordinatnom
sistemu. Znaˇci: ako imamo koordinate taˇcke u novom sistemu taˇcke X, njene koordinate u starom sistemu raˇcunamo
po formuli Y = P X.
• Svaka taˇcka ravni ima koordinate (y
1
, y
2
) u odnosu na standardni koordinatni sistem i (x
1
, x
2
) u odnosu na
‘novi’. Kako izraˇcunati (y
1
, y
2
) preko (x
1
, x
2
):
_
y
1
y
2
_
=
_
2 3
1 2
__
x
1
x
2
_
ili Y = P X
• Kako izraˇcunati (x
1
, x
2
) preko (y
1
, y
2
) :
_
x
1
x
2
_
=
_
2 3
1 2
_
−1
_
y
1
y
2
_
Linearna Algebra i Analitiˇcka Geometrija – 34 –
_
x
1
x
2
_
=
_
2 −3
−1 2
__
y
1
y
2
_
ili Y = P
−1
X
• Sliˇcno vaˇzi i u R
n
!
Neka je P inverzibilna matrica kojom uvodimo novi koordinatni sistem:
p : R
n
−→R
n
p(X) = P X
• Neka je preslikavanje (zvano linearni operator) f : R
n
−→ R
n
dato sa f(X) = AX gde je matrica A
inverzibilna (naravno da je ovo sve u starim koordinatama kako raˇcunamo f(X)).
• Kako izraˇcunati f(Z) preko Z u novim koordinatama (ili za date nove koordinate taˇcke Z, kojom formulom
izraˇcunavamo f(Z) u novim koordinatama):
(1) izraˇcunamo stare koordinate taˇcke Z (to je P Z)
(2) pomnoˇzimo stare koordinate s’leva matricom A, dobili smo stare koordinate taˇcke f(Z) (rezultat je AP Z)
(3) Pomnoˇzimo s’leva matricom P
−1
da dobijemo nove koordinate taˇcke f(Z). Rezultat je:
f(Z) = (P
−1
AP)Z
Definicija 3.5. Matrice A i B su sliˇcne ako i samo ako postoji matrica P takva da je B = P
−1
AP .
3.13 Specijalni tipovi kvadratnih matrica
1. Dijagonalne matrice Kvadratna matrica je dijagonalna ako su joj svi elementi van glavne dijagonale jednaki
nuli. Dijagonalnu matricu (a
ij
) reda n oznaˇcavamo sa diag(a
11
, a
22
, ..., a
nn
).
_
2 0
0 3
_
= diag(2, 3)
_
_
3 0 0
0 0 0
0 0 −9
_
_
= diag(3, 0, −9)
Skup svih dijagonalnih matrica reda n ˇcini algebru matrica (zatvoren je za sabiranje, mnoˇzenje i mnoˇzenje
skalarom); svake dijagonalne matrice istog reda komutiraju pa je to komutativna algebra matrica.
2. Trougaone matrice Kvadratna matrica je gornje trougaona ili samo trougaona (upper triangular or trian-
gular) ako su joj svi elementi ispod glavne dijagonale nule; na primer:
_
a
11
a
12
0 a
22
_
,
_
_
3 0 3
0 6 34
0 0 4
_
_
i
_
_
_
_
2 1 2 5
0 0 6 0
0 0 0 7
0 0 0 6
_
_
_
_
• Skup svih gornje trougaonih matrica reda n ˇcini algebru matrica (zatvoren je za sabiranje, mnoˇzenje i mnoˇzenje
skalarom) .
Teorema 3.18. Neka su A = (a
ij
) i B = (b
ij
) gornje trougaone matrice reda n.
1. A+B je trougaona sa dijagonalom (a
11
+b
11
, ..., a
nn
+b
nn
) ;
2. k A je trougaona sa dijagonalom (ka
11
, ka
22
, ..., ka
nn
) ;
3. AB je trougaona sa dijagonalom (a
11
b
11
, a
22
b
22
, ..., a
nn
b
nn
) ;
Linearna Algebra i Analitiˇcka Geometrija – 35 –
4. Za svaki polinom f(x) matrica f(A) je trougaona sa dijagonalom (f(a
11
), f(a
22
), ..., f(a
nn
)) ;
5. A je inverzibilna ako i samo ako je svaki dijagonalni element a
ii
razliˇcit od nule .
Dokaz ...
• Donje trougaona (lower triangular) matrica je kvadratna matrica koja ima sve elemente iznad glavne dijagonale
jednake nuli. Za njih vaˇzi analog Teoreme 3.18.
3. Simetriˇcne matrice Kvadratna matrica A = (a
ij
) je simetriˇcna ako je A
T
= A; simetrija je u odnosu na
glavnu dijagonalu: a
ij
= a
ji
.
_
1 0
0 −3
_
,
_
_
0 4 −1
4 3 2
−1 2 0
_
_
,
_
_
_
_
... 3 1 0
3 ... 7 5
1 7 ... 9
0 5 9 ...
_
_
_
_
(... je bilo ˇsta).
• Skup svih simetriˇcnih matrica reda n je zatvoren za sabiranje i mnoˇzenje skalarom ali nije za mnoˇzenje:
_
1 2
2 3
_ _
4 5
5 6
_
=
_
14 17
23 28
_
Matrica A = (a
ij
) je koso-simetriˇcna ako vaˇzi A
T
= −A; ekvivalentno a
ij
= −a
ji
. Elementi na glavnoj
dijagonali moraju biti nule zbog a
ii
= −a
ii
.
Teorema 3.19. Neka je A (bilo koja) kvadratna matrica reda n. Tada:
1. A+A
T
je simetriˇcna;
2. A−A
T
je koso simetriˇcna;
3. A se moˇze napisati u obliku A = B +C gde je B simetriˇcna a C koso simetriˇcna matrica.
4. Ortogonalne matrice Kvadratna matrica A reda n je ortogonalna ako vaˇzi
AA
T
= A
T
A = I
• Ortogonalna matrica A je inverzibilna i vaˇzi A
−1
= A
T
.
Primer 3.13. A =
_
_
_
_
1
9
8
9

4
9
4
9

4
9

7
9
8
9
1
9
4
9
_
_
_
_
je ortogonalna:
Matrica
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
je ortogonalna ako i samo ako:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
ˇsto je ekvivalentno sa :
a
2
1
+a
2
2
+a
2
3
= 1 a
1
b
1
+a
2
b
2
+a
3
b
3
= 0 a
1
c
1
+a
2
c
2
+a
3
c
3
= 0
b
1
a
1
+b
2
a
2
+b
3
a
3
= 0 b
2
1
+b
2
2
+b
2
3
= 1 b
1
c
1
+b
2
c
2
+b
3
c
3
= 0
c
1
a
1
+c
2
a
2
+c
3
a
3
= 0 c
1
b
1
+c
2
b
2
+c
3
b
3
= 0 c
2
1
+c
2
2
+c
2
3
= 1
Linearna Algebra i Analitiˇcka Geometrija – 36 –
Oznaˇcimo vektore vrsta a = (a
1
, a
2
, a
3
) b = (b
1
, b
2
, b
3
) a = (c
1
, c
2
, c
3
)
a · a = 1 a · b = 0 a · c = 0
b · a = 0 b · b = 1 b · c = 0
c · a = 0 c · b = 0 c · c = 1
Ovo znaˇci da je {a, b, c} ortonormirani skup vektora (t.j. da je to skup jediniˇcnih vektora koji su medjusobno
normalni).
Teorema 3.20. Neka je A kvadratna matrica reda n. Slede´ca tvrdjenja su ekvivalentna:
(1) A je ortogonalna matrica;
(2) Vektori vrsta matrice A ˇcine ortonormirani skup vektora;
(3) Vektori kolona matrice A ˇcine ortonormirani skup vektora.
Teorema 3.21. Ortogonalna 2 ×2 matrica ima oblik
_
cos θ sin θ
−sin θ cos θ
_
5. Normalne matrice Kvadratna matrica A je normalna ako komutira sa svojom transponovanom matricom:
AA
T
= A
T
A .
• Dijagonalne, simetriˇcne, koso simetriˇcne i ortogonalne matrice su normalne. Postoje normalne matrice koje
nisu ni u jednoj od ovih klasa, na primer
_
6 −3
3 6
_ _
6 3
−3 6
_
=
_
45 0
0 45
_ _
6 3
−3 6
_
=
_
6 −3
3 6
_
Teorema 3.22. Svaka normalna 2 ×2 matrica je ili skalarna matrica ili je zbir skalarne i koso simetriˇcne matrice.
4 VEKTORSKI PROSTORI
Definicija 4.1. Neka je K polje (obiˇcno je K = R) i V neprazan skup na kome su definisane operacije sabiranja i
mnoˇzenja skalarom. V je vektorski prostor nad poljem K ukoliko su zadovoljene slede´ce aksiome:
(A
1
) Za sve u, v, w ∈ V vaˇzi
(u +v) +w = u + (v +w)
(A
2
) Postoji 0 ∈ V tako da za sve u ∈ V vaˇzi:
u +0 = u
(A
3
) Za svaki u ∈ V postoji -u ∈ V takav da
u + (-u) = 0
(A
4
) Za sve u, v ∈ V
u +v = v +u
(M
1
) Za sve u, v ∈ V i sve k ∈ K
k (u +v) = k u +k v
(M
2
) Za sve u ∈ V i sve k, k

∈ K
(k +k

) u = k u +k

u
(M
3
) Za sve u ∈ V i sve k, k

∈ K
(k k

) u = k (k

u)
(M
4
) Za sve u ∈ V 1 u = u
Linearna Algebra i Analitiˇcka Geometrija – 37 –
• (A
1
) −(A
4
) se odnose iskljuˇcivo na sabiranje (addition): (V, +) je komutativna grupa.
• Elemente skupa V nazivamo vektorima, vektor v ∈ V oznaˇcavamo i sa ⃗v; elementi polja su skalari ili brojevi,
obiˇcno je K = R.
• Sve ukupno, ovo su ‘aksiome za linearno kombinovanje’.
Teorema 4.1. Za sve vektore u, v, w ∈ R
n
i skalare k, k

∈ R vaˇzi:
1. Za sve k ∈ K : k 0 = 0 .
2. Za sve u ∈ V : 0 u = 0 .
3. Ako je k u = 0 tada je u = 0 ili k = 0.
4. Za sve k ∈ K i u ∈ V : (−k) u = k (-u) = -(ku)
Dokaz:
1. Prema aksiomi (A
2
), sa u = 0, imamo 0 +0 = 0. Otuda iz aksiome (M
1
),
k 0 = k (0 +0) = k 0 +k 0
Dodavanjem −(k 0) na obe strane dobijamo trazeni rezultat.
2. U polju vaˇzi: 0 + 0 = 0; otuda po aksiomi (M
2
),
0 u = (0 + 0) u = 0 u + 0 u
Dodavanjem −(0u) na obe strane dobijamo ˇzeljeni rezultat.
3. Predpostavimo da je k u = 0 i k ̸= 0. Onda postoji skalari k
−1
takav da je k
−1
k = 1; otuda
u = 1 u = (k
−1
k) u = k
−1
(k u) = k
−1
0 = 0
4. Koriste´ci deo 1. ove teoreme i (A3) u + (−u) = 0 i imamo
0 = k 0 = k (u + (−u)) = k u +k (−u)
Dodavanjem −(k u) na obe strane dobijamo −(k u) = k (−u). Dalje, koriste´ci k + (−k) = 0 i 2., imamo
0 = 0 u = (k + (−k)) u = k u + (−k) u
Dodavanjem −(k u) na obe strane dolazimo do −(k u) = (−k) u. Odatle (−k) u = k (−u) = −(k u)
4.1 Primeri vektorskih prostora
1. Prostor R
n
R
n
je skup svih n-torki realnih brojeva (vektora) koje se sabiraju po pravilu
u +v = (u
1
+v
1
, u
2
+v
2
, ..., u
n
+v
n
) (∈ R
n
)
i mnoˇze skalarom po pravilu: mnoˇzenje vektora skalarom (brojem) k ∈ R:
k u = (k u
1
, k u
2
, ..., k u
n
) (∈ R
n
)
0 vektor je (0, 0, ..., 0) dok je -(u
1
, ..., u
n
) = (−u
1
, ..., −u
n
).
2. Prostor matrica M
m,n
Linearna Algebra i Analitiˇcka Geometrija – 38 –
M
m,n
(R) je skup svih m×n matrica (elementi su realni brojevi). M
m,n
(R) je vektorski prostor nad R u odnosu
na uobiˇcajeno sabiranje matrica i mnoˇzenje matrice skalarom. 0 je nula-matrica a -A je −A.
3. Prostor polinoma P(t)
Neka je P(t) skup svih polinoma
a
0
+a
1
t +... +a
n
t
n
n = 0, 1, ....
gde su koeficijenti iz nekog polja K (obiˇcno K = R). P(t) je vektorski prostor u odnosu na uobiˇcajeno sabiranje
polinoma i mnoˇzenje polinoma skalarom (brojem). 0 vektor je konstantni polinom 0 i
-(a
0
+a
1
t +... +a
n
t
n
) je −a
0
−a
1
t −... −a
n
t
n
4. Prostor funkcija F(X)
Neka je X proizvoljan skup i neka je F(X) skup svih funkcija f : X −→R . Definiˇsemo zbir f-ja (+) i mnoˇzenje
f-je skalarom na ‘prirodan’ naˇcin:
(f+g)(x) = f(x) +g(x) (k f)(x) = k f(x)
0-funkcija je definisana 0(x) = 0 za sve x ∈ X dok je (-f)(x) = −f(x)
4.2 Potprostori
Neka je V vektorski prostor i W ⊂ V . W je potprostor prostora V ako i samo ako je W vektorski prostor u odnosu
na sabiranje i mnoˇzenje skalarom.
Teorema 4.2. Neka je V vektorski prostor i W ⊂ V . W je potprostor prostora V ako i samo ako vaˇze slede´ci uslovi:
1. 0 ∈ W
2. W je zatvoren za sabiranje vektora:
ako u, v ∈ W tada i u +v ∈ W.
3. W je zatvoren za mnoˇzenje vektora skalarom:
ako v ∈ W tada k v ∈ W za svaki skalar k.
Dokaz. Videti Problem 5.4
Posledica 4.1. W je potprostor prostora V ako i samo ako
1. 0 ∈ W i
2. Za sve skalare a, b i vektore u, v ∈ W vaˇzi a u +b v ∈ W
Dokaz. Videti Problem 5.5
Primer 4.1. Primeri potprostora
1. 0 i V su potprostori prostora V .
2. W = {(x, y, 0) | x, y ∈ R} je potprostor prostora R
3
3. Skup svih (gornje) trougaonih matrica reda n je potprostor od M
n,n
(isto i za donje trougaone, simetriˇcne,
dijagonalne, ...)
4. Skup svih polinoma stepena ≤ n je potprostor prostora P(t).
5. Prava ili ravan koja sadrˇzi koordinatni poˇcetak je potprostor prostora R
3
.
Linearna Algebra i Analitiˇcka Geometrija – 39 –
Teorema 4.3. Presek (viˇse) potprostora je potprostor.
Dokaz ...
Teorema 4.4. Skup reˇsenja homogenog sistema AX = 0 po n promenljivih je potprostor od R
n
.
Dokaz ...
• Skup reˇsenja nehomogenog sistema AX = B gde je B ̸= 0 nije potprostor od R
n
poˇsto ne sadrˇzi 0.
4.3 Linearne kombinacije
Neka je V vektorski prostor i v
1
, v
2
, ..., v
n
∈ V . Vektor koji se moˇze napisati u obliku
a
1
v
1
+a
2
v
2
+... +a
n
v
n
je linearna kombinacija vektora v
1
, v
2
, ..., v
n
. Skup svih takvih linearnih kombinacija je linearni omotaˇc ili lineal
skupa v
1
, v
2
, ..., v
n
(linear span) i oznaˇcava se sa
span(v
1
, v
2
, ..., v
n
)
Teorema 4.5. Neka je S ⊂ V .
(1) span(S) je potprostor prostora V .
(2) span(S) je najmanji potprostor prostora V koji sadrˇzi S:
ako je W potprostor prostora V i S ⊆ W tada je span(S) ⊆ W.
Vektori v
1
, v
2
, ..., v
n
generiˇsu prostor V (generate or span) ako je
V = span(v
1
, v
2
, ..., v
n
)
Drugim reˇcima v
1
, v
2
, ..., v
n
generiˇsu V ako i samo ako je svaki u ∈ V linearna kombinacija vektora v
1
, v
2
, ..., v
n
:
u = a
1
v
1
+a
2
v
2
+... +a
n
v
n
Primer 4.2. 1. Vektori i, j generiˇsu R
2
.
2. Vektori i, j, k generiˇsu R
3
.
3. P(t) = span(1, t, t
2
, t
3
, ...)
4.4 Linearna zavisnost
Definicija 4.2. Neka je V vektorski prostor. Vektori v
1
, v
2
, ..., v
n
su linearno zavisni (linearly dependent) ukoliko
postoje skalari a
1
, a
2
, ..., a
n
koji nisu svi jednaki nuli tako da
a
1
v
1
+a
2
v
2
+... +a
n
v
n
= 0 .
U suprotnom, oni su linearno nezavisni (linearly independent).
• v
1
, v
2
, ..., v
n
su linearno zavisni ako je 0 medju njima.
• Jedan ne-nula vektor ˇcini linearno nezavisan skup.
• Ako su dva od vektora v
1
, v
2
, ..., v
n
jednaka onda su linearno zavisni.
• Svaki podskup linearno nezavisnog skupa je linearno nezavisan; svaki nadskup linearno zavisnog skupa je
linearno zavisan.
• Dva vektora u, v su linearno zavisna ako i samo ako je jedan od njih jednak drugom pomnoˇzen nekim skalarom:
u = k v ili v = k u
Linearna Algebra i Analitiˇcka Geometrija – 40 –
Primer 4.3. Vektori (2, 1, 1), 2(1, 2, 1) i (4, −1, 1) su linearno zavisni:
3 (2, 1, 1) −2(1, 2, 1) −(4, −1, 1) = (0, 0, 0)
Primer 4.4. Ispitujemo da li su vektori (6, 2, 3, 4), (0, 5, −3, 1) i
(0, 0, 7, −2) linearno zavisni: da li postoje x, y, z koji nisu svi jednaki nuli takvi da je:
x(6, 2, 3, 4) +y (0, 5, −3, 1) +z (0, 0, 7, −2) = (0, 0, 0, 0)
6 x = 0
2 x + 5 y = 0
3 x − 3 y + 7 z = 0
4 x + y − 2 z = 0
Reˇsavanjem dobijamo x = y = z = 0 pa su vektori linearno nezavisni.
• Iz prethodna dva primera zakljuˇcujemo da se ispitivanje linearne zavisnosti konkretnog skupa vektora u R
n
svodi na ispitivanje postojanja netrivijalnog reˇsenja homogenog sistema linearnih jednaˇcina.
Lema 4.1. Pretpostavimo da su ne-nula vektori v
1
, v
2
, ..., v
n
linearno zavisni. Tada je jedan od njih linearna kom-
binacija prethodnih: postoji k ≤ n i a
1
, ..., a
k−1
takvi da
a
1
v
1
+a
2
v
2
+... +a
k−1
v
k−1
= v
k
.
Dokaz. Videti Problem 5.36
• U prostoru R
3
:
(a) Dva vektora su linearno zavisna ako i samo ako pripadaju istoj pravi koja sadrˇzi i 0.
(b) Tri vektora su linearno zavisna ako i samo ako pripadaju istoj ravni koja sadrˇzi i 0.
Teorema 4.6. Svi ne-nula vektori vrsta matrice u stepenastoj formi ˇcine linearno nezavisan skup.
Dokaz. Videti Problem 5.37
4.5 Baza i dimenzija
Definicija 4.3. v
1
, v
2
, ..., v
n
je baza (basis) prostora V ako vaˇzi:
(1) v
1
, v
2
, ..., v
n
je linearno nezavisan; i
(2) span(v
1
, v
2
, ..., v
n
) = V.
Definicija 4.4. v
1
, v
2
, ..., v
n
je baza ako i samo ako se svaki vektor prostora V na jedinstven naˇcin predstavlja
kao linearna kombinacija vektora v
1
, v
2
, ..., v
n
.
• Prethodne dve definicije su ekvivalentne (za dokaz videti Problem 5.30)
• Prema Definiciji 4.4 svaki vektor v se na jedinstven naˇcin piˇse u obliku:
v = a
1
v
1
+a
2
v
2
+... +a
n
v
n
1
(a
1
, a
2
, ..., a
n
) su koordinate vektora v u odnosu na bazu v
1
, v
2
, ..., v
n
.
Primer 4.5. (1) Neka je e
i
∈ R
n
vektor kome je i-ta koordinata 1 a ostale su nule. Tada je e
1
, e
2
, ..., e
n
baza za
R
n
.
(2)
_
1 0
0 0
_ _
0 1
0 0
_ _
0 0
1 0
_
i
_
0 0
0 1
_
ˇcine bazu M
2,2
(R) zato ˇsto se svaka matrica na jedinstven
naˇcin predstavlja kao linearna kombinacija:
_
a b
c d
_
= a
_
1 0
0 0
_
+b
_
0 1
0 0
_
+c
_
0 0
1 0
_
+d
_
0 0
0 1
_
Linearna Algebra i Analitiˇcka Geometrija – 41 –
• V je konaˇcno dimenzioni ili n-dimenzioni vektorski prostor ako ima bazu od n elemenata. Oznaka:
dim(V ) = n
U suprotnom V je beskonaˇcno dimenzioni prostor.
• Naredna teorema utvrdjuje da su svake dve baze konaˇcno dimenzionog prostora jednakobrojne; taj broj je
dimenzija vektorskog prostora.
Teorema 4.7. Svake dve baze konaˇcno dimenzionog vektorskog prostora imaju isti broj elemenata.
Dokaz. Naredna lema je kljuˇcna ...
Lema 4.2. Pretpostavimo:
- span(v
1
, v
2
, ..., v
n
) = V i
- vektori w
1
, w
2
, ..., w
m
∈ V su linearno nezavisni. Tada:
(1) Vaˇzi m ≤ n i moˇzemo izabrati taˇcno n −m v
i
-ova: v
i
1
, v
i
2
, ..., v
i
n−m
tako da je:
span(w
1
, w
2
, ..., w
m
, v
i
1
, v
i
2
, ..., v
i
n−m
) = V
(2) Svakih n + 1 vektora su linearno zavisni.
Dokaz. Videti Problem 5.39
Teorema 4.8. Neka je dim(V ) = n.
(1) Svaki skup koji sadrˇzi bar n + 1 vektor je linearno zavisan.
(2) Svaki linearno nezavisan skup od n vektora je baza za V .
(3) Ako je span(v
1
, v
2
, ..., v
n
) = V tada je v
1
, v
2
, ..., v
n
baza.
Dokaz. Videti Problem 5.41
Teorema 4.9. Neka je span(S) = V gde je S = {v
1
, v
2
, ..., v
n
}.
(1) Svaki maksimalan linearno nezavisan podskup od S je baza.
(2) Ako iz S izbacimo svaki vektor koji je linearna kombinacija prethodnih, dobi´cemo bazu za V .
Dokaz. Videti Problem 5.42
Teorema 4.10. Neka je V konaˇcno dimenzioni vektorski prostor i neka je S njegov linearno nezavisan podskup. Tada
S moˇzemo produˇziti do baze.
Dokaz. Videti Problem 5.43
• dim(R
n
) = n
Primer 4.6. Vektori (1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 1, 1), (0, 0, 0, 1) ˇcine stepenastu matricu. Prema Teoremi 4.6 oni su
linearno nezavisni, pa su i baza za R
4
prema Teoremi 4.8(3).
Potprostor vektorskog prostora je za sebe vektorski prostor, pa je baza i dimenzija dobro definisana.
Teorema 4.11. Neka je W potprostor n-dimenzionog prostora V . Tada je dim(W) ≤ dim(V ) i: ako je dim(W) = n
onda je W = V .
Dokaz...
Primer 4.7. Neka je W potprostor prostora R
3
:
(1) dim(W) = 0 ako i samo ako je W = {0)
(2) dim(W) = 1 ako i samo ako je W prava koja sadrˇzi koordinatni poˇcetak.
(3) dim(W) = 2 ako i samo ako je W ravan koja sadrˇzi koordinatni poˇcetak.
(4) dim(W) = 3 ako i samo ako je W = R
3
.
Linearna Algebra i Analitiˇcka Geometrija – 42 –
4.6 Prostor vrsta matrice
Vektori vrsta matrice
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
m1
a
m2
... a
mn
_
_
_
_
v
1
= (a
11
, a
12
, ..., a
1n
) v
2
= (a
11
, a
12
, ..., a
1n
) ..... v
m
= (a
m1
, a
m2
, ..., a
mn
)
posmatrani kao vektori u R
n
generiˇsu potprostor prostora R
n
; to je prostor vrsta matrice A (rowspace of A):
rowsp(A) = span(v
1
, v
2
, ..., v
m
)
• Rang vrsta matrice A je dimenzija prostora njenih vrsta.
Teorema 4.12. Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta.
Dokaz ...
Teorema 4.13. Kanonske matrice imaju isti prostor vrsta ako i samo ako su jednake.
Dokaz. Videti Problem 5.51
Slede´cu teoremu smo ve´c koristili iako je tek sada dokazujemo
Teorema 4.14. Svaka matrica je ekvivalentna (po vrstama) jedinstvenoj kanonskoj matrici.
Dokaz. Videti Problem 5.52
Primer 4.8. Neka je V potprostor od R
3
generisan vektorima
(1, 2, 3), (4, 5, 6), (7, 8, 9)
_
_
1 2 3
4 5 6
7 8 9
_
_

v
_
_
1 2 3
0 −3 −6
0 −6 −12
_
_

v
_
_
1 2 3
0 1 2
0 1 2
_
_

v

v
_
_
1 2 3
0 1 2
0 0 0
_
_

v
_
_
1 0 −1
0 1 2
0 0 0
_
_
Zakljuˇcci:
(1) V je potprostor generisan vektorima (1, 0, −1) i (0, 1, 2).
(2) V je potprostor generisan vektorima (1, 2, 3) i (0, 1, 2).
(3) V je potprostor generisan vektorima (1, 2, 3) i (0, −3, −6).
4.7 Odredjivanje baze i dimenzije potprostora u R
n
Podsetimo se:
• Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta.
• Vektori vrsta stepenaste matrice su linearno nezavisni. Oni ˇcine bazu prostora vrsta (poˇsto svaki linearno
nezavisan skup predstavlja bazu potprostora generisanog njima).
Linearna Algebra i Analitiˇcka Geometrija – 43 –
Algoritam za odredjivanje baze i dimenzije potprostora generisanog datim vektorima (strana 154.)
Korak 1. Od datih vektora, kao vektora vrsta, formirati matricu.
Korak 2. Svesti matricu na stepenastu formu.
Korak 3. Vektori ne-nula vrsta stepenaste matrice ˇcine bazu; koliko ih je tolika je dimenzija.
Primer 4.9. Neka je V potprostor prostora R
5
generisan vektorima
(1, 1, 1, 1, 1), (1, 0, 2, 1, 1), (0, 0, 1, 1, 1),
(2, 1, 5, 4, 4), (3, 2, 3, 2, 2), (1, −1, 2, 0, 0)
_
_
_
_
_
_
_
_
1 1 1 1 1
1 0 2 1 1
0 0 1 1 1
2 1 5 4 4
3 2 3 2 2
1 −1 2 0 0
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1 1
0 −1 1 0 0
0 0 1 1 1
0 −1 3 2 2
0 −1 0 −1 −1
0 −2 1 −1 −1
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1 1
0 1 1 0 0
0 0 1 1 1
0 0 2 2 2
0 0 −1 −1 −1
0 0 −1 −1 −1
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1 1
0 1 1 0 0
0 0 1 1 1
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
_
_
_
_
_
_
_
_
(1, 1, 1, 1, 1), (0, 1, 1, 0, 0), (0, 0, 1, 1, 1) je baza za V i dim(V ) = 3.
• Algoritam koristimo i da odredimo da li je dati skup vektora linearno nezavisan: odredimo bazu i dimenziju
potprostora generisanog tim vektorima. Ako je dimenzija jednaka broju vektora (t.j. ako u stepenastoj matrici nema
nula vrsta), oni su linearno nezavisni.
4.8 Rang matrice
Rang vrsta matrice je dimenzija njenog prostora vrsta ( t.j. maksimalan broj linearno nezavisnih vektora vrsta).
Ako A svedemo na stepenastu formu tada je broj ne-nula vrsta te stepenaste matrice jednak rangu vrsta matrice (ovo
smo dokazali u Teoremi 4.6.
Sliˇcno prostoru vrsta definiˇsemo i prostor kolona matrice A: to je potprostor generisan vektorima kolona, ili skup
svih vektora kolona koji se mogu izraziti kao linearna kombinacija vektora kolona matrice A; rang kolona matrice je
dimenzija njenog prostora kolona.
Teorema 4.15. Rang vrsta matrice jednak je rangu njenih kolona.
Dokaz: Neka je A proizvoljna m×n matrica:
A =
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . . . . . . . . . . .
a
m1
a
m2
... a
mn
_
_
_
_
Neka R
1
, R
2
, . . . , R
m
oznaˇcavaju vektore vrsta:
R
1
= (a
1 1
, a
1 2
, . . . , a
1 n
), . . . , R
m
= (a
m1
, a
m2
, . . . , a
mn
)
Predpostavimo da je rang vrsta r i da slede´ci vektori ˇcine bazu prostora vrsta:
S
1
= (b
1 1
, b
1 2
, . . . , b
1 n
), S
2
= (b
2 1
, b
2 2
, . . . , b
2 n
), . . . , S
r
= (b
r 1
, b
r 2
, . . . , b
r n
)
Linearna Algebra i Analitiˇcka Geometrija – 44 –
Svaka vektor vrste matrice A je linearna kombinacija baznih vrsta:
R
1
= k
11
S
1
+ k
12
S
2
+· · · +k
1r
S
r
R
2
= k
21
S
1
+ k
22
S
2
+· · · +k
2r
S
r
· · · · · · · · · · · · · · · · · · · · · · · · · · ·
R
m
= k
m1
S
1
+k
m2
S
2
+· · · +k
mr
S
r
gde su k
ij
skalari. Fiksirajmo i ≤ n i u svakoj od ovih jednakosti izjednaˇcimo i-te koordinate vektora s leve i desne
strane, dobijamo slede´ce jednakosti:
a
1i
= k
11
b
1i
+k
12
b
2i
+· · · +k
1r
b
ri
a
2i
= k
21
b
1i
+k
22
b
2i
+· · · +k
2r
b
ri
· · · · · · · · · · · · · · · · · · · · · · · · · · ·
a
mi
= k
m1
b
1i
+k
m2
b
2i
+· · · +k
mr
b
ri
ˇsto zapisujemo na drugi naˇcin kao:
_
_
_
_
a
1i
a
2i
. . .
a
mi
_
_
_
_
= b
1i
_
_
_
_
k
11
k
21
. . .
k
m1
_
_
_
_
+b
2i
_
_
_
_
k
12
k
22
. . .
k
m2
_
_
_
_
+· · · +b
ri
_
_
_
_
k
1r
k
2r
. . .
k
mr
_
_
_
_
Drugim reˇcima, i-ta kolona matrice A je linearna kombinacija slede´cih r vektora
_
_
_
_
k
11
k
21
. . .
k
m1
_
_
_
_
,
_
_
_
_
k
12
k
22
. . .
k
m2
_
_
_
_
, · · · ,
_
_
_
_
k
1r
k
2r
. . .
k
mr
_
_
_
_
Kako ovi vektori ne zavise od izbora i ≤ n zakljuˇcujemo da je svaki vektor kolone matrice A linearna kombinacija
ovih r vektora, ˇsto znaˇci da oni generiˇsu ceo prostor kolona pa je njegova dimenzija najviˇse r, odnosno rang kolona
matrice A je ≤ r.
Ovim smo dokazali da je rang kolona matrice A nije ve´ci od ranga vrsta. Ako primenimo ovo na matricu A
T
dobi´cemo obrnutu nejednakost, pa zakljuˇcujemo da su ova dva ranga jednaka.
• Alternativni dokaz prethodne teoreme je zasnovan na kasnije dokazanim lemama 4.3 i 4.4: Neka je A ∼
v
B
gde je B stepenasta matrica koja ima r ne-nula vrsta. Prema Teoremi 4.12 A i B imaju isti prostor vrsta, a prema
Teoremi 4.6 vektori ne-nula vrste matrice B su linearno nezavisni pa chine bazu prostora vrsta. Znachi rang vrsta
matrice A je r.
Predstavimo sada matrice preko vektora kolona:
A = (A
1
A
2
... A
n
) B = (B
1
B
2
... B
n
)
Iz Leme 4.3 sledi da ako A
i
1
, A
i
2
, ..., A
i
r
ˇcine bazu prostora kolona matrice A, onda B
i
1
, B
i
2
, ..., B
i
r
ˇcine bazu
prostora kolona matrice B. Zakljuˇcujemo da matrice A i B imaju isti rang kolona (iako mogu imati razliˇcite prostore
kolona)! S druge strane, prema Lemi 4.4, rang kolona matrice B je jednak broju ‘pivota’ t.j. broju ne-nula vrsta
matrice B. Zakljuˇcujemo da je rang prostora kolona matrice B jednak r, pa je i rang kolona matrice A jednak r.
Definicija 4.5. Rang matrice A, u oznaci rang(A), je rang njenih vrsta (ili kolona).
U Teoremi 3.17 (Teorema 4.16 u knjizi) smo dokazali da je svaka m × n matrica ekvivalentna (moˇze se svesti
elementarnim transformacijama vrsta i kolona) taˇcno jednoj blok matrici oblika
_
I
r
0
0 0
_
gde je I
r
jediniˇcna r ×r
matrica. Primetimo da je r = rang(A).
4.9 Drugi algoritam za odredjivanje baze i dimenzije
Elementarne transformacije vrsta matrice ne utiˇcu na linearnu zavisnost kolona matrice:
Linearna Algebra i Analitiˇcka Geometrija – 45 –
Lema 4.3. Neka su A
1
, A
2
, ..., A
n
vektori kolona matrice A i neka su B
1
, B
2
, ..., B
n
vektori kolona matrice B.
Pretpostavimo A ∼
v
B (B se moˇze dobiti iz A elementarnim transformacijama vrsta). Tada za skalare α
1
, ...., α
n
vaˇzi:
α
1
A
1

2
A
2
+... +α
n
A
n
= 0
ako i samo ako
α
1
B
1

2
B
2
+... +α
n
B
n
= 0
Dokaz. Dovoljno je proveriti tvrdjenje za sluˇcaj kada se B dobija iz A primenom samo jedne elementarne
transformacije vrsta, ˇsto nije teˇsko.
Lema 4.4. Bazu prostora kolona stepenaste matrice ˇcine vektori kolona koji sadrˇze pivote. Posebno, svaka kolona
bez pivota je linearna kombinacija kolona sa pivotima.
Dokaz. Neposredno se proveri da su kolone koje sadrˇze pivote linearno nezavisne i da je svaka kolona bez pivota
njihova linearna kombinacija.
Primer 4.10.
_
_
_
_
1 2 1 5 0 3 −1
0 0 2 4 1 5 4
0 0 0 0 1 1 −2
0 0 0 0 0 0 0
_
_
_
_
_
_
_
_
5
4
0
0
_
_
_
_
= 3
_
_
_
_
1
0
0
0
_
_
_
_
+ 2
_
_
_
_
1
2
0
0
_
_
_
_
_
_
_
_
3
5
1
0
_
_
_
_
=
_
_
_
_
1
0
0
0
_
_
_
_
+ 2
_
_
_
_
1
2
0
0
_
_
_
_
+
_
_
_
_
0
1
1
0
_
_
_
_
_
_
_
_
−1
4
−2
0
_
_
_
_
= −4
_
_
_
_
1
0
0
0
_
_
_
_
+ 3
_
_
_
_
1
2
0
0
_
_
_
_
−2
_
_
_
_
0
1
1
0
_
_
_
_
Na prethodne dve leme zasnovan je slede´ci algoritam. Koristimo ga da iz datog skupa vektora izdvojimo maksimalan
linearno nezavisan podskup; t.j. da iz datog skupa vektora izdvojimo bazu potprostora generisanog datim skupom.
Neka je dat skup (spisak) vektora S = {v
1
, v
2
, ..., v
n
}
Korak 1. Od datih vektora, kao vektora kolona, formirati matricu.
Korak 2. Elementarnim transformacijama vrsta svesti matricu na stepenastu formu.
Korak 3. Izbrisati iz S sve v
i
-ove takve da se u i-toj koloni stepenaste matrice ne nalazi pivot.
Korak 4. Preostali vektori ˇcine maksimalan linearno nezavisan podskup.
Primer 4.11. Neka je V potprostor prostora R
6
generisan vektorima
v
1
= (1, 1, 0, 2, 3, 1), v
2
= (1, 0, 0, 1, 2, −1)
v
3
= (1, 2, 1, 5, 3, 2), v
4
= (1, 1, 1, 4, 2, 0)
Pronadjimo bazu za V koja je podskup skupa {v
1
, v
2
, v
3
, v
4
}
_
_
_
_
_
_
_
_
1 1 1 1
1 0 2 1
0 0 1 1
2 1 5 4
3 2 3 2
1 −1 2 0
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1
0 −1 1 0
0 0 1 1
0 −1 3 2
0 −1 0 −1
0 −2 1 −1
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 0
0 0 1 1
0 0 2 2
0 0 −1 −1
0 0 −1 −1
_
_
_
_
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 46 –

v
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 0
0 0 1 1
0 0 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
Jedino u ˇcetvrtoj koloni nema pivota pa je v
1
, v
2
, v
3
baza za V i dim(V ) = 3.
4.10 Linearne jednaˇcine i vektorski prostori
Sistem linearnih jednaˇcina
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
moˇzemo zapisati u matriˇcnoj formi AX = B:
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
m1
a
m2
... a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
Matrica A je matrica sistema (coefficient matrx).
(A, B) =
_
_
_
_
a
11
a
12
... a
1n
b
1
a
21
a
22
... a
2n
b
2
. . ... .
a
m1
a
m2
... a
mn
b
m
_
_
_
_
je proˇsirena matrica sistema (augmented matrix).
• Ako linearne jednaˇcine posmatramo kao vektore vrsta, moˇzemo definisati pojam linearne zavisnosti:
sistem je linearno nezavisan ukoliko su vektori vrsta proˇsirene matrice linearno nezavisni. Sistem u stepenastoj formi
je nezavisan.
• Dva sistema linearnih jednaˇcina su ekvivalentna (imaju isti skup reˇsenja) ako i samo ako su im proˇsirene matrice
ekvivalentne po vrstama.
• Svaki sistem je ekvivalentan nezavisnom sistemu (npr. u stepenastoj formi); nezavisni sistem moˇze imati manje
jednaˇcina od polaznog. Broj jednaˇcina tog nezavisnog sistema je jednak rangu matrice proˇsirenog sistema.
Teorema 4.16. Slede´ca tvrdjenja su ekvivalentna:
(a) Sistem linearnih jednaˇcina AX = B ima reˇsenje.
(b) B je linearna kombinacija vektora kolona matrice A (vektor kolona B pripada prostoru kolona matrice A).
(v) Rang matrice sistema jednak je rangu proˇsirene matrice.
Dokaz ...
• (a)⇔(v) u gornjoj teoremi je Kroneker-Kapelijeva teorema.
• (a)⇔(b) u gornjoj teoremi opisuje prostor kolona matrice A:
v pripada prostoru kolona matrice A ako i samo ako AX = v ima reˇsenje.
• Podsetimo: skup svih reˇsenja homogenog sistema AX = 0 sa n promenljivih je potprostor prostora R
n
.
Teorema 4.17. Dimenzija prostora reˇsenja homogenog sistema AX = 0 je n −r gde je n broj nepoznatih a r rang
matrice sistema.
Linearna Algebra i Analitiˇcka Geometrija – 47 –
Dokaz. Predpostavimo da vektori u
1
, u
2
, ..., u
r
ˇcine bazu prostora kolona matrice A (postoji taˇcno r takvih
vektora poˇsto je rang(A)=r). Po Teoremi 4.16 (b)⇒(a), svaki sistem AX = u
i
ima reˇsenje v
i
:
Av
1
= u
1
, Av
2
= u
2
, ..., Av
r
= u
r
(1)
Neka je W prostor reˇsenja, dim(W) = s i neka je w
1
, w
2
, ..., w
s
baza za W. Neka je
B = {v
1
, v
2
, ..., v
r
, w
1
, w
2
, ..., w
s
}
Tvrdimo da je B baza prostora K
n
a potrebno je dokazati da je B linearno nezavisan i da je span(B) = K
n
.
Dokaz za span(B) = K
n
. Pretpostavimo da v ∈ K
n
i Av = u. Kako u pripada prostoru kolona matrice A moˇze
se izraziti kao linearna kombinacija vektora u
i
:
Av = k
1
u
1
+k
2
u
2
+· · · +k
r
u
r
(2)
Neka je v

= v −k
1
u
1
−k
2
u
2
−· · · −k
r
u
r
. Onda, koriste´ci (1) i (2) sledi:
A(v

) = A(v −k
1
u
1
−k
2
u
2
−· · · −k
r
u
r
)
= Av −k
1
Av
1
−k
2
Av
2
−· · · −k
r
Av
r
= Av −k
1
u
1
−k
2
u
2
−· · · −k
r
u
r
= Av −Av = 0
Tako v

pripada reˇsenju W i odatle sledi da je v

linearna kombinacija w
i
-ova:
v

= c
1
w
1
+c
2
w
2
+· · · +c
s
w
s
Onda
v = v

+
r

i=1
k
i
v
i
=
r

i=1
k
i
v
i
+
r

i=1
c
j
w
j
Tako v je linearna kombinacija elemenata iz B, i odatle sledi da span(B) = K
n
.
Dokaz da je B linearno nezavisan. Pretpostavimo da
a
1
v
1
+a
2
v
2
+· · · +a
r
v
r
+b
1
w
1
+· · · +b
s
w
s
= 0 (3)
Kako w
i
pripada W, svaki Aw
i
= 0. Koriste´ci ˇcinjenicu i ove formule, dobijamo
0 = A(0) = A
_
_
r

i=1
a
i
v
i
+
s

j=0
b
j
w
j
_
_
=
r

i=1
a
i
Av
i
+
s

j=1
b
j
Aw
j
=
r

i=1
a
i
u
i
+
s

j=1
b
j
0 = a
1
u
1
+a
2
u
2
+· · · +a
r
u
r
Kako su u
1
, u
2
, . . . , u
r
linearno nezavisni , svaki a
i
= 0. Zamenom u (3) dobija se
b
1
w
1
+b
2
w
2
+· · · +b
s
w
s
= 0
Ipak, w
1
, w
2
, . . . , w
s
su linearno nezavisni, tako da je svako b
i
= 0. Odatle sledi, B je linearno nezavisan. Prema
tome, B je baza za K
n
. Kako B ima r +s elemenata, imamo r +s = n. Kao posledica, dim(W) = s = n −r, kao ˇsto
je i reˇceno.
• Za ekvivalentnu formulaciju prethodne teoreme, kao i alternativni dokaz, videti Teoremu 5.4.
• Ukoliko je sistem u stepenastoj formi broj slobodnih promenljivih je n −r.
4.11 Suma i direktna suma potprostora
Neka su U i W potprostori prostora V . Njihova suma U +W sa sastoji od svih zbirova u+w gde u ∈ U i w ∈ W:
U +W = {u +w| u ∈ U w ∈ W}
Teorema 4.18. Ako su U i W potprostori prostora V tada je i U +W potprostor od V .
Linearna Algebra i Analitiˇcka Geometrija – 48 –
Dokaz:
Lema 4.5. Ako je U
1
= span(S
1
) i U
2
= span(S
2
) tada je U
1
+U
2
= span(S
1
∪ S
2
).
Dokaz. ...
Teorema 4.19. (Grassmanova formula) Ako su U i W potprostori konaˇcno dimenzionog prostora V tada je:
dim(U +W) = dim(U) + dim(W) −dim(U ∩ W)
Dokaz: Uoˇcimo da je U ∩ W potprostor oba, U i W. Predpostavimo da je
dim(U) = m dim(W) = n dim(U ∩ W) = r
i neka je {v
1
, ..., v
r
} baza za U ∩ W. Prema Teoremi 4.10 svaku bazu za U ∩ W moˇzemo raˇsiriti do baze za W (kao i
do baze za U); Neka su
B
U
= {v
1
, ..., v
r
, u
1
, ..., u
m−r
} i B
W
= {v
1
, ..., v
r
, w
1
, ..., w
n−r
}
baze za U i W respektivno i neka je B = B
U
∪ B
W
:
B = {v
1
, ..., v
r
, u
1
, ..., u
m−r
, w
1
, ..., w
n−r
}
Primetimo da B ima taˇcno m+n −r elemenata. Teorema je dokazana ako pokaˇzemo da je B baza U +W. Kako je
span(B
U
) = U i span(B
W
) = W, prema Lemi 4.5 je:
span(B
U
) + span(B
W
) = span(B
U
∪ B
W
) = span(B)
ili U +W = span(B). Preostaje da pokaˇzemo da je B nezavisan. Predpostavimo
a
1
v
1
+... +a
r
v
r
+b
1
u
1
+... +b
m−r
u
m−r
+c
1
w
1
+... +c
n−r
w
n−r
= 0 (1)
gde su a
i
, b
j
, c
k
skalari. Neka je
v = a
1
v
1
+· · · +a
r
v
r
+b
1
u
1
+· · · +b
m−r
u
m−r
(2)
Po (1) takodje imamo
v = −c
1
w
1
−· · · −c
n−r
w
n−r
(3)
Kako je v
i
, u
j
∈ U iz (2) dobijamo v ∈ U; a kako je w
k
∈ W iz (3) dobijamo v ∈ W. Prema tome, v ∈ U ∩W. Kako
je {v
1
, ..., v
r
} baza za U ∩ W postoje skalari d
1
, . . . , d
r
takvi da je:
v = d
1
v
1
+d
2
v
2
+· · · +d
r
v
r
Ubacimo ovo u (3) i dobijamo:
d
1
v
1
+· · · +d
r
v
r
+c
1
w
1
+· · · +c
n−r
w
n−r
= 0
Ali poˇsto je B
W
= {v
1
, ..., v
r
, w
1
, ..., w
n−r
} baza za W njeni vektori su linearno nezavisni pa zakljuˇcujemo:
c
1
= 0 c
2
= 0 . . . c
n−r
= 0
Zamenom u (1) dobijamo
a
1
v
1
+· · · +a
r
v
r
+b
1
u
1
+· · · +b
m−r
u
m−r
= 0
Poˇsto je B
U
= {v
1
, ..., v
r
, u
1
, ..., u
m−r
} baza za U zakljuˇcujemo;
a
1
= 0 . . . a
r
= 0 b
1
= 0, . . . , b
m−r
= 0
Dokazali smo da iz (1) sledi da su a
i
, b
j
, i c
k
svi 0 pa je B linearno nezavisan skup.
Definicija 4.6. Vektorski prostor V je direktna suma potprostora U i W, u oznaci
V = U ⊕W
ako se svaki vektor v ∈ V na jedinstven naˇcin moˇze napisati u obliku v = u +w gde u ∈ U i w ∈ W.
Teorema 4.20. V je direktna suma potprostora U i W ako i samo ako vaˇzi:
(i) V = U +W i (ii) U ∩ W = {0}
Dokaz. Videti Problem 5.70
• Ako je V = U ⊕W tada Grasmanova formula postaje:
dim(V ) = dim(U) + dim(W)
Linearna Algebra i Analitiˇcka Geometrija – 49 –
4.12 Koordinate vektora u odnosu na bazu, promena baze
Podsetimo da je S = {v
1
, v
2
, ..., v
n
} baza prostora V ako i samo ako se svaki vektor u ∈ V na jedinstven naˇcin
predstavlja kao linearna kombinacija vektora
u = a
1
v
1
+a
2
v
2
+... +a
n
v
n
a
1
, a
2
, ..., a
n
su koordinate vektora u u odnosu na bazu S.
Koordinatni vektor vektora u u odnosu na bazu S je
[u]
S
= (a
1
, a
2
, ..., a
n
) ∈ K
n
Primetimo da koordinatni vektor vektora v ∈ V pripada prostoru K
n
(a ne V ).
Teorema 4.21. Neka je V konaˇcno dimenzioni vektorski prostor nad K. Tada:
(1) [u]
S
+ [v]
S
= [u+v]
S
(2) [k u]
S
= k [u]
S
• Prethodna teorema, u smislu definicije 5.3, znaˇci da je svaki n-dimenzioni vektorski prostor V nad poljem K
izomorfan sa K
n
(u oznaci V

= K
n
).
Neka je S = {u
1
, u
2
, ..., u
n
} baza prostora V . Koordinatne vektore [w]
S
∈ K
n
posmatramo kao vektor-kolone:
[w]
S
=
_
_
_
_
a
1
a
2
...
a
n
_
_
_
_
Neka je S

= {v
1
, v
2
, ..., v
n
} druga (‘nova’) baza prostora V . Kako izraˇcunati koordinate vektora w u odnosu
na novu bazu S

?
v
1
= c
11
u
1
+c
12
u
2
+... +c
1n
u
n
v
2
= c
21
u
1
+c
22
u
2
+... +c
2n
u
n
....................................
v
n
= c
n1
u
1
+c
n2
u
2
+... +c
nn
u
n
Neka je P transponovana matrica ovog ‘sistema’:
P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
P je matrica promene baze sa baze S na bazu S

.
Teorema 4.22. Neka je P matrica promene baze sa baze S na bazu S

. Tada je P inverzibilna i za svaki vektor
w ∈ V vaˇzi:
P [w]
S
′ = [w]
S
i P
−1
[w]
S
= [w]
S

Dokaz ...
Linearna Algebra i Analitiˇcka Geometrija – 50 –
5 LINEARNI OPERATORI
5.1 Definicija i primeri
Definicija 5.1. Neka je U vektorski prostor u odnosu na sabiranje +
U
i V vektorski prostor u odnosu na +
V
vektorski
prostori nad poljemF. Preslikavanje F : U −→V je linearno preslikavanje, (linearni operator, linearna transformacija
ili homomorfizam vektorskih prostora) ako vaˇzi:
(1) F(u
1
+
U
u
2
) = F(u
1
) +
V
F(u
2
) za sve u
1
, u
2
∈ U; i
(2) F(k u) = k F(u) za sve u ∈ U i k ∈ F .
• Ako je F : U −→V linearni operator onda:
(a) F(0
U
) = F(0
V
);
(b) Za sve u
1
, u
2
∈ U i a
1
, a
2
∈ F:
F(a
1
u
1
+a
2
u
2
) = a
1
F(u
1
) +a
2
F(u
2
)
(v) Za sve u
1
, ..., u
n
∈ U i a
1
, ..., a
n
∈ F
F(a
1
u
1
+... +a
n
u
n
) = a
1
F(u
1
) +... +a
n
F(u
n
)
• F : U −→V je linearni operator ako i samo ako:
F(a
1
u
1
+a
2
u
2
) = a
1
F(u
1
) +a
2
F(u
2
)
vaˇzi za sve u
1
, u
2
∈ U i a
1
, a
2
∈ F.
Primer 5.1. (1) Neka je A matrica tipa m×n. Definiˇsemo
F : R
n
−→R
m
sa F(X) = AX
(X je vektor-kolona). F je linearno preslikavanje.
(2) Neka je F : R
3
−→R
3
‘projekcija na ravan Oxy’: F(x, y, z) = (x, y, 0). F je linearno preslikavanje.
(3) Neka je F : R
2
−→R
2
translacija za vektor (1, 2): F(x, y) = (x + 1, y + 2). F nije linearno preslikavanje.
(4) Neka su U, V vektorski prostori i F : V −→U definisano sa F(x) = 0
U
. F je linearno preslikavanje.
(5) F : P(t) −→R definisano sa
F(a
0
+a
1
t +... +a
n
t
n
) = a
0
F je linearno preslikavanje.
(6) F : P(t) −→R
2
definisano sa
F(a
0
+a
1
t +... +a
n
t
n
) = (a
0
, a
1
)
F je linearno preslikavanje.
(7) ‘Izvod’ polinoma (derivacija) je linearno preslikavanje
D : P(t) −→P(t) definisano sa
D(a
0
+a
1
t +... +a
n
t
n
) = a
1
+ 2a
2
t +... +na
n−1
t
n−1
(8) Neka su U, V vektorski prostori i F : V −→U linearno preslikavanje koje je bijekcija (1-1 i ‘na’). Tada je i
F
−1
linearno preslikavanje.
Teorema 5.1. Neka su U i V vektorski prostori, neka je {v
1
, v
2
, ..., v
n
} baza za V i neka su {u
1
, u
2
, ..., u
n
}
proizvoljni vektori iz U. Tada postoji jedinstveno linearno preslikavanje F : V −→ U takvo da je F(v
1
) =
u
1
, F(v
2
) = u
2
, ..., F(v
n
) = u
n
Linearna Algebra i Analitiˇcka Geometrija – 51 –
5.2 Slika i jezgro linearnog operatora
Definicija 5.2. Neka je F : V −→U linearno preslikavanje. Njegova slika (image of F) je:
Im(F) = {u ∈ U | F(v) = u za neki v ∈ V }
Jezgro (kernel) preslikavanja F je
Ker(F) = {v ∈ V | F(v) = 0}
Teorema 5.2. Neka su U i V vektorski prostori i F : V −→U linearno preslikavanje. Tada je Im(F) potprostor od
U i Ker(F) je potprostor od V .
Dokaz ...
Primer 5.2. Neka je F : R
3
−→R
3
‘projekcija na ravan Oxy’: F(x, y, z) = (x, y, 0). Tada je
Im(F) = {(a, b, 0) | a, b ∈ R} i Ker(F) = {(0, 0, c) | c ∈ R}
ili: Im(F) je ravan Oxy a Ker(F) je z-osa.
Primer 5.3. Neka je A =
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
d
1
d
2
d
3
_
_
_
_
koju posmatramo kao linearno preslikavanje A : R
3
−→R
4
(definisano
sa A(x) = Ax, za vektor-kolone x). Neka je e
1
, e
2
, e
3
standardna baza (vektor-kolona) za R
3
.
A(e
1
) = Ae
1
=
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
d
1
d
2
d
3
_
_
_
_
e
1
=
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
d
1
d
2
d
3
_
_
_
_
_
_
1
0
0
_
_
=
_
_
_
_
a
1
b
1
c
1
d
1
_
_
_
_
Sliˇcno:
Ae
2
=
_
_
_
_
a
2
b
2
c
2
d
2
_
_
_
_
i Ae
3
=
_
_
_
_
a
3
b
3
c
3
d
3
_
_
_
_
Kako je
A(x
1
e
1
+x
2
e
2
+x
3
e
3
) = x
1
A(e
1
) +x
2
A(e
2
) +x
3
A(e
3
)
zakljuˇcujemo:
(a) Im(A) skup svih linearnih kombinacija kolona matrice A (prostor kolona matrice A, ili colsp(A));
(b) dim(Im(A)) je jednaka rangu matrica A.
(v) Ker(A) je potprostor svih reˇsenja homogenog sistema AX = 0 .
• Isto vaˇzi i za m×n matrice.
Teorema 5.3. (Teorema o rangu i defektu linearnog operatora)
Neka je V konaˇcno dimenzioni vektorski prostor i F : V −→U linearno preslikavanje. Tada je
dim(V ) = dim(Ker(F)) + dim(Im(F))
Dokaz ...
• dim(Im(F)) je rang operatora F; oznaka ρ(F)
• dim(Ker(F)) je defekt operatora F (nullity); oznaka δ(F)
• dim(V ) = ρ(F) +δ(F)
• Ako m×n matricu A posmatramo kao linearni operator
A : R
n
−→R
m
tada je dim(Im(A)) = rang(A)
Linearna Algebra i Analitiˇcka Geometrija – 52 –
Primer 5.4. Neka je f : R
4
−→R
3
definisano sa:
f(x, y, z, t) = (x −3y +z + 2t, x −y + 2t, −x −3y + 2z −2t)
i neka je e
1
, e
2
, e
3
, e
4
standardna baza za R
4
.
(a) Odredjujemo bazu za Im(f). Im(f) je potprostor generisan vektorima f(e
1
), f(e
2
), f(e
3
), f(e
4
):
f(e
1
) = f(1, 0, 0, 0) = (1, 1, −1) f(e
2
) = (−3, −1, −3)
f(e
3
) = (1, 0, 2) f(e
4
) = (2, 2, −2)
Bazu moˇzemo odrediti na dva naˇcina
Prvi naˇcin: koriste´ci Prvi algoritam
_
_
_
_
1 1 −1
−3 −1 −3
1 0 2
2 2 −2
_
_
_
_

_
_
_
_
1 1 −1
0 2 −6
0 −1 3
0 0 0
_
_
_
_

_
_
_
_
1 1 −1
0 2 −6
0 0 0
0 0 0
_
_
_
_
Zakljuˇcujemo da je (1, 1, −1), (0, 2, −6) baza za Im(f). Takodje
ρ(f) = dim(Im(f)) = 2 .
Drugi naˇcin: Na´ci ´cemo ne bilo koju bazu nego maksimalan linearno nezavisan podskup skupa
(1, 1, −1), (−3, −1, −3), (1, 0, 2), (1, 1, −1)
Koristimo Drugi algoritam:
_
_
1 −3 1 2
1 −1 0 2
−1 −3 2 −2
_
_

_
_
1 −3 1 2
0 2 −1 0
0 −6 3 0
_
_

_
_
1 −3 1 −1
0 2 −1 2
0 0 0 0
_
_
Kako u tre´coj i ˇcetvrtoj koloni nema pivota, izbriˇsemo ih iz polazne matrice i zakljuˇcujemo da je
(1, 1, −1) (−3, −1, −3)
baza za Im(f).
(b) Raˇcunamo defekt δ(f) = dim(R
4
) −ρ(f) = 4 −2 = 2 .
(v) Odredjujemo bazu za Ker(f).
Ker(f) = {v ∈ R
4
| f(v) = (0, 0, 0)}
f(x, y, z, t) = (x −3y +z + 2t, x −y + 2t, −x −3y + 2z −2t) = (0, 0, 0)
Dobijamo sistem linearnih jednaˇcina:
x − 3y + z + 2t = 0
x − y + 2t = 0
−x − 3y + 2z − 2t = 0
Svedemo ga na stepenasti:
x − 3y + z + 2t = 0
2y − z = 0
− 6y + 3z = 0
x − 3y + z + 2t = 0
2y − z = 0
Njegov skup reˇsenja je {(
a
2
−2b,
a
2
, a, b) | a, b ∈ R} (= Ker(f)).
(
a
2
−2b,
a
2
, a, b) = a(
1
2
,
1
2
, 1, 0) +b(−2, 0, 0, 1)
Zakljuˇcujemo da je (
1
2
,
1
2
, 1, 0), (−2, 0, 0, 1) baza za Ker(f).
Linearna Algebra i Analitiˇcka Geometrija – 53 –
5.3 Primena na sisteme linearnih jednaˇcina
Posmatrajmo sistem linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
i njegov matriˇcni zapis AX = B gde je A = (a
ij
)
m,n
matrica sistema a X = (x
i
) ∈ R
m
i B = (b
i
) ∈ R
n
vektor-kolone. Posmatrajmo A kao linearni operator A : R
n
−→R
m
. Primetimo:
(1) Ker(A) je prostor reˇsenja homogenog sistema AX = 0.
(2) Im(A) se sastoji od svih vektora B za koje sistem AX = B ima reˇsenje. Prema Teoremi 4.16 Im(A) je prostor
kolona matrice A; dimenzija ovog prostora je rang(A).
Kako je dim(Ker(A)) = dim(R
n
) −dim(Im(A)) zakljuˇcujemo:
dim(Ker(A)) = n −rang(A)
Ovim je dat alternativni dokaz Teoreme 4.17
Teorema 5.4. Dimenzija skupa reˇsenja homogenog sistema AX = 0 je n −r gde je r rang matrice A.
5.4 Izomorfizam vektorskih prostora
Definicija 5.3. Vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→ U .
Izomorfizam je bijektivno linearno preslikavanje.
• Ako su U i V izomorfni to oznaˇcavamo sa U

= V .


= je relacija ekvivalencije (refleksivna, simetriˇcna i tranzitivna).
• Teorema 4.21 glasi: svaki n-dimenzioni vektorski prostor nad poljem K je izomorfan sa vektorskim prostorom
K
n
.
Primer 5.5. .
1. M
2,2
(R)

= R
4
Definiˇsemo F : M
2,2
(R) −→R
4
sa F(
_
a b
c d
_
) = (a, b, c, d) Direktno se proveri da je F izomorfizam.
2. Sliˇcno: M
m,n
(R)

= R
mn
.
3. Neka je P
n
(t) prostor svih polinoma stepena ≤ n nad poljem K. Tada je F : P
n
(t) −→ R
n+1
definisano sa:
F(a
n
t
n
+... +a
1
t +a
0
) = (a
n
, ..., a
1
, a
0
) izomorfizam.
Linearno preslikavanje F : U −→ V je singularno ako postoji u ∈ U takav da je F(u) = 0 (ekvivalentno:
Ker(F) ̸= {0}). U suprotnom je nesingularno (kada je Ker(F) = {0}).
Teorema 5.5. Ako je linearno preslikavanje nesingularno tada je slika svakog linearno nezavisnog skupa linearno
nezavisan skup.
Podsetimo: vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→U . U
tom sluˇcaju F je izomorfizam.
Teorema 5.6. Pretpostavimo da je dim(U) = dim(V ) = n i da je F : U −→V linearno preslikavanje. Tada je F
izomorfizam ako i samo ako je nesingularno preslikavanje.
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 54 –
5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U, V )
Neka su F : U −→V i G : U −→V linearni operatori. Definiˇsemo sabiranje operatora i mnoˇzenje operatora skalarom:
(1) F+G : U −→V
(F+G)(u) = F(u) +G(u)
(2) (k F) : U −→V
(k F)(u) = k F(u)
• F+G i k F su linearni operatori.
Definicija 5.4. Ako su U i V vektorski prostori nad istim poljem tada Hom(U, V ) oznaˇcava skup svih linearnih
operatora F : U −→V .
Teorema 5.7. Hom(U, V ) je vektorski prostor u odnosu na sabiranje i mnoˇzenje skalarom.
Dokaz...
Teorema 5.8. Ako dim(U) = m, dim(V ) = n onda dim(Hom(U, V )) = mn.
Dokaz...
Neka su U, V, W vektorski prostori nad istim poljem skalara i F : U −→ V , G : V −→ W linearni operatori.
Kompozicija (ili slaganje) linearnih operatora G◦ F : U −→W je definisana sa:
(G◦ F)(u) = G(F(u))
Teorema 5.9. Neka su F, F

: U −→V i G, G

: V −→W linearni operatori. Tada:
(1) G◦ (F +F

) = G◦ F +G◦ F

(2) (G+G

) ◦ F = G◦ F +G

◦ F
(3) k (G◦ F) = (kG) ◦ F = G◦ (kF).
Dokaz...
5.6 Algebra A(V ) (ili Hom(V ))
Neka je V vektorski prostor nad poljem F. Posmatramo linearne operatore F : V −→ V ; zovemo ih: linearni
operatori na V , ili linearne transformacije prostora V . Sa A(V ) (ili Hom(V )) oznaˇcavamo skup svih linearnih
operatora na V .
• Algebra nad poljem F je vektorski prostor A nad F u kome postoji binarna operacija ‘mnoˇzenje’ takva da i za
sve F, G, H ∈ A vaˇzi:
(1) F (G+H) = FG+FH
(2) (G+H) F = GF +HF
(3) k(GF) = (kG)F = G(kF).
Ukoliko vaˇzi i asocijativni zakon za ‘mnoˇzenje’
(4) F(GH) = (FG)H
onda kaˇzemo da je algebra A asocijativna.
Linearna Algebra i Analitiˇcka Geometrija – 55 –
Teorema 5.10. Ako je V n-dimenzioni vektorski prostor tada je A(V ) asocijativna algebra u odnosu na operaciju
slaganja operatora. Ako je dim(V ) = n onda je dim(A(V )) = n
2
Dokaz...
• Definiˇsemo stepen operatora F : V −→V :
F
0
= I, F
n+1
= F ◦ F
n
• Ako je p(x) = a
0
+a
1
x+... +a
n
x
n
polinom sa koeficijentima iz polja skalara vektorskog prostora V i F ∈ A(V )
onda:
p(F) = a
0
I +a
1
F +... +a
n
F
n
∈ A(V )
Linearni operator F : V −→V je inverzibilan ako postoji F
−1
∈ A(V ) takav da je
F ◦ F
−1
= F
−1
◦ F = I
• Linearni operator je inverzibilan ako i samo ako je, kao funkcija, 1 −1 i ‘na’ (t.j bijekcija).
Teorema 5.11. Neka je F linearni operator na konaˇcno dimenzionom prostoru V . Tada su slede´ca ˇcetiri uslova
ekvivalentna:
(1) F je nesingularan (t.j Ker(F) = {0});
(2) F je 1 −1;
(3) F je ‘na’;
(4) F je inverzibilan (t.j. ‘1-1’ i ‘na’).
Dokaz...
Posmatrajmo sistem linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
n1
x
1
+ a
n2
x
2
+ ... a
nn
x
n
= b
n
i njegov matriˇcni zapis AX = B gde je A = (a
ij
)
n,n
matrica sistema a X = (x
i
) ∈ R
n
i B = (b
i
) ∈ R
n
vektor-kolone.
Posmatrajmo A kao linearni operator A : R
n
−→R
n
. Tada:
Teorema 5.12. (a) Ako homogeni sistem AX = 0 ima jedinstveno reˇsenje (trivijalno), tada i AX = B ima
jedinstveno reˇsenje.
(b) Ako homogeni sistem ima netrivijalno reˇsenje tada:
- Postoje vrednosti b
1
, ..., b
n
takve da sistem AX = B nema reˇsenje.
- Ako sistem AX = B ima reˇsenje onda ono nije jedinstveno.
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 56 –
5.7 Matriˇcno predstavljanje linearnih operatora
Neka je S = {v
1
, v
2
, ..., v
n
} baza vektorskog prostora V . Tada se svaki vektor u ∈ V na jedinstven naˇcin
predstavlja kao linearna kombinacija
u = a
1
v
1
+a
2
v
2
+... +a
n
v
n
a
1
, a
2
, ..., a
n
su koordinate vektora u u odnosu na bazu S a
[u]
S
= (a
1
, a
2
, ..., a
n
) ∈ R
n
je koordinatni vektor vektora u u odnosu na bazu S. Vaˇzi:
[a u+b v]
S
= a [u]
S
+b [v]
S
• Preslikavanje f : V −→F
n
definisano sa
f(v) = [v]
S
je linearno; ono je i izomorfizam vektorskih prostora V i F
n
.
Neka je T linearni operator na vektorskom prostoru V (t.j. T : V −→ V ), neka je S = {v
1
, v
2
, ..., v
n
} baza
vektorskog prostora V i neka je:
T(v
1
) = a
11
v
1
+a
12
v
2
+... +a
1n
v
n
T(v
2
) = a
21
v
1
+a
22
v
2
+... +a
2n
v
n
....................................
T(v
n
) = a
n1
v
1
+a
n2
v
2
+... +a
nn
v
n
Matriˇcna reprezentacija operatora T u odnosu na bazu S, ili matrica operatora T u odnosu na S, je transponovana
matrica koeficijenata. Ovu matricu oznaˇcavamo sa m
S
(T) ili [T]
S
. Praktiˇcno:
[T]
S
=
_
_
_
_
a
11
a
21
... a
n1
a
12
a
22
... a
n2
. . ... .
a
1n
a
2n
... a
nn
_
_
_
_
Ukoliko vektore T(v
1
), T(v
2
), ..., T(v
n
) predstavimo kao vektore kolona onda:
[T]
S
= (T(v
1
), T(v
2
), ..., T(v
n
))
• Ove matrice zavise od baze; u odnosu na razliˇcite baze moˇzemo dobiti razliˇcite matrice operatora.
• Transponovana matrica koeficijenata (a ne matrica koeficijenata) se uzima zato ˇsto raˇcunaju´ci u koordinatama
u odnosu na bazu S:
T je ‘mnoˇzenje s leva matricom [T]
S
’.
Preciznije:
Teorema 5.13. Neka je T : V −→ V linearni operator na vektorskom prostoru V i neka je S = {v
1
, v
2
, ..., v
n
}
baza. Za svaki u ∈ V :
[T(u)]
S
= [T]
S
[u]
S
(Koordinatni vektori [u]
S
i [T(u)]
S
su vektori-kolona.)
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 57 –
5.8 Algoritam za formiranje matrice operatora u odnosu na bazu
Neka je S = {v
1
, v
2
, ..., v
n
} baza prostora V i T : V −→V linearni operator. Matricu operatora T u odnosu na
bazu S formiramo na slade´ci naˇcin:
Korak 1 Za i = 1, 2, ..., n izraˇcunamo T(v
i
) u obliku:
T(v
i
) = a
i1
v
1
+a
i2
v
2
+... +a
in
v
n
Korak 2 Formiramo matricu od vektora T(v
i
) kao vektora kolona.
Primer 5.6. Neka je F : R
2
−→R
2
definisano sa
F(x, y) = (3x −5y, x −2y)
(1) Odredjujemo matricu preslikavanja u odnosu na standardnu bazu S = {e
1
= (1, 0), e
2
= (0, 1)}
Korak 1. T(e
1
) = (3, 1) = 3e
1
+e
2
T(e
2
) = (−5, −2) = −5e
1
−2e
2
Korak 2. [T]
S
= (T(e
1
) T(e
2
)) =
_
3 −5
1 −2
_
(2) Odredjujemo matricu preslikavanja u odnosu na
S
1
= {v
1
= (2, 1), v
2
= (1, 1)}
Korak 1. T(v
1
) = T(2, 1) = (1, 0) = v
1
−v
2
T(v
2
) = T(1, 1) = (−2, −1) = −v
1
Korak 2. [T]
S
1
= ([T(e
1
)]
S
1
[T(e
2
))]
S
1
=
_
1 1
−1 0
_
(3) Bitan je i redosled elemenata baze! U odnosu na
S
2
= {v
2
= (1, 1), v
2
= (2, 1)}
matrica je
[T]
S
2
= ([T(e
2
)]
S
2
[T(e
1
))]
S
2
=
_
1 1
0 −1
_
5.9 M
n
(F) i A(V )
• Podsetimo da M
n
(F) oznaˇcava skup svih kvadratnih matrica reda n nad poljem F. M
n
(F) je algebra matrica u
odnosu na sabiranje matrica, mnoˇzenje skalarom i mnoˇzenje.
Teorema 5.14. Neka je S = {v
1
, v
2
, ..., v
n
} baza vektorskog prostora V nad poljem K i neka je m : A(V ) −→
M
n
(K) preslikavanje definisano sa m(T) = [T]
S
. Tada je m izomorfizam vektorskih prostora:
(1) m(F +G) = m(F) +m(G) (ili [F +G]
S
= [F]
S
+ [G]
S
)
(2) m(k F) = k m(F) (ili [k F]
S
= k [F]
S
)
(3) m je bijekcija (1-1 i ‘na’).
Dokaz...
Teorema 5.15. m(G◦ F) = m(G) m(F)
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 58 –
5.10 Promena baze i matrica operatora
Neka je S = {u
1
, u
2
, ..., u
n
} baza prostora V i neka je S

= {v
1
, v
2
, ..., v
n
} druga (‘nova’) baza prostora V .
v
1
= c
11
u
1
+c
12
u
2
+... +c
1n
u
n
v
2
= c
21
u
1
+c
22
u
2
+... +c
2n
u
n
....................................
v
n
= c
n1
u
1
+c
n2
u
2
+... +c
nn
u
n
Neka je P matrica promene baze sa baze S na bazu S

; podsetimo, to je transponovana matrica koeficijenata gornjeg
‘sistema’:
P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
P je inverzibilna i za svaki vektor w ∈ V vaˇzi:
P [w]
S
′ = [w]
S
i P
−1
[w]
S
= [w]
S

Teorema 5.16. Neka je P matrica promene baze sa baze S na bazu S

vektorskog prostora V i neka je T linearni
operator na V . Tada je
[T]
S
′ = P
−1
[T]
S
P
Dokaz. Videti Problem 10.19.
Podsetimo da su matrice A i B sliˇcne ako postoji inverzibilna matrica P takva da je
B = P
−1
AP
• Ako su A i B matrice istog linearnog operatora u odnosu na neke baze tada su A i B sliˇcne.
• Fiksirajmo bazu S prostora V . Svaka inverzibilna matrica je matrica promene baze sa S na neku drugu bazu
S

.
Teorema 5.17. Kvadratne matrice A i B su sliˇcne ako i samo ako postoji linearni operator koga one reprezentuju .
Dokaz...
6 DETERMINANTE
Za svaku kvadratnu matricu A = (a
ij
)
n×n
sa elementima iz polja F (obiˇcno je F = R) definisa´cemo njenu determi-
nantu, oznaka det(A) ili |A|. Vrednost determinante je skalar!
det(a
ij
)
n×n
obiˇcno oznaˇcavamo i sa:
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
¸
¸
¸
¸
¸
¸
¸
¸
Determinante se javljaju prirodno kod reˇsavanja sistema linearnih jednaˇcina.
Linearna Algebra i Analitiˇcka Geometrija – 59 –
6.1 Determinante reda 1, 2 i 3
|a| = a .
¸
¸
¸
¸
a b
c d
¸
¸
¸
¸
= ad −bc =
+



a b
c d
• Posmatrajmo sistem:
a
11
x +a
12
y = b
1
a
21
x +a
22
y = b
2
Mnoˇze´ci prvu sa a
22
pa oduzimaju´ci drugu pomnoˇzenu sa −a
12
:
(a
11
a
22
−a
21
a
12
)x = (b
1
a
22
−b
2
a
12
)
Sliˇcno
(a
11
a
22
−a
21
a
12
)y = (a
11
b
2
−b
1
a
21
)
• Ako je (a
11
a
22
−a
21
a
12
) ̸= 0 imamo jedinstveno reˇsenje sistema:
x =
¸
¸
¸
¸
b
1
a
12
b
2
a
22
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
y =
¸
¸
¸
¸
a
11
b
1
a
21
b
2
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
Ovaj • je jednostavnije zapisati uz slede´ce oznake:
∆ =
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
je determinanta sistema

x
=
¸
¸
¸
¸
b
1
a
12
b
2
a
22
¸
¸
¸
¸
je determinanta po x

y
=
¸
¸
¸
¸
a
11
b
1
a
21
b
2
¸
¸
¸
¸
je determinanta po y
• Ako je ∆ ̸= 0 tada sistem ima jedinstveno reˇsenje koje raˇcunamo po formulama:
x =

x

y =

y

Primer 6.1. Metodom determinanti reˇsavamo sistem:
3x + 2y = 11
2x −y = 5
∆ =
¸
¸
¸
¸
3 2
2 −1
¸
¸
¸
¸
= −7 ∆
x
=
¸
¸
¸
¸
11 2
5 −1
¸
¸
¸
¸
= −21 ∆
y
=
¸
¸
¸
¸
3 11
2 5
¸
¸
¸
¸
= −7
kako je ∆ ̸= 0 sistem ima jedinstveno reˇsenje:
x =

x

= 3 y =

y

= 1
• Reˇsavaju´ci 3 ×3 sistem dolazi se do slede´ce definicije:
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
= a
11
¸
¸
¸
¸
a
22
a
23
a
32
a
33
¸
¸
¸
¸
−a
12
¸
¸
¸
¸
a
21
a
23
a
31
a
33
¸
¸
¸
¸
+a
13
¸
¸
¸
¸
a
21
a
22
a
31
a
32
¸
¸
¸
¸
=
= a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
21
a
32
−a
31
a
22
a
13
−a
32
a
23
a
11
−a
33
a
21
a
12

ˇ
Cesto se izraˇcunava koriˇs´cenjem Sarusovog pravila:
Linearna Algebra i Analitiˇcka Geometrija – 60 –
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
=
+ + +
↘ ↘ ↘
↗ ↗ ↗
− − −
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
a
11
a
12
a
21
a
22
a
31
a
32
• Ako je ∆ =
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
̸= 0 sistem
a
11
x +a
12
y +a
13
z = b
1
a
21
x +a
22
y +a
23
z = b
2
a
31
x +a
32
y +a
33
z = b
3
ima jedinstveno reˇsenje:
x =

x

y =

y

z =

z

gde se ∆
x
(∆
y
, ∆
z
) dobija zamenom kolone koeficijaenata uz x (y, z) kolonom b-ova:

x
=
¸
¸
¸
¸
¸
¸
b
1
a
12
a
13
b
2
a
22
a
23
b
3
a
32
a
33
¸
¸
¸
¸
¸
¸

y
=
¸
¸
¸
¸
¸
¸
a
11
b
1
a
13
a
21
b
2
a
23
a
31
b
3
a
33
¸
¸
¸
¸
¸
¸

z
=
¸
¸
¸
¸
¸
¸
a
11
a
12
b
1
a
21
a
22
b
2
a
31
a
32
b
3
¸
¸
¸
¸
¸
¸
Primer 6.2. Reˇsavamo sistem
2x +y +z = 5
−x −3y + 5z = 4
3x −y +z = 4
∆ =
¸
¸
¸
¸
¸
¸
2 1 1
−1 −3 5
3 −1 1
¸
¸
¸
¸
¸
¸
= −30 ∆
x
=
¸
¸
¸
¸
¸
¸
5 1 1
4 −3 5
4 −1 1
¸
¸
¸
¸
¸
¸
= −30

y
=
¸
¸
¸
¸
¸
¸
2 5 1
−1 4 5
3 4 1
¸
¸
¸
¸
¸
¸
= 0 ∆
z
=
¸
¸
¸
¸
¸
¸
2 1 5
−1 −3 4
3 −1 4
¸
¸
¸
¸
¸
¸
= −30
kako je δ ̸= 0 sistem ima jedinstveno reˇsenje:
x =
−30
−30
= 1 y =
0
−30
= 0 z =
−30
−30
= 1
• Ovo su specijalni sluˇcajevi Kramerove teoreme (n = 2, 3). Vaˇzi i uopˇstenje ali se za n ≥ 4 determinante teˇze
raˇcunaju jer NEMA PRAVILA SLI
ˇ
CNOG SARUSOVOM ZA n ≥ 4 !!!
6.2 Permutacije
Permutacija skupa {1, 2, ..., n} je bijekcija tog skupa u samog sebe; permutaciju π : {1, 2, ..., n} −→ {1, 2, ..., n}
zapisujemo u obliku:
π =
_
1 2 ... n
π(1) π(2) ... π(n)
_
Zapisujemo je i kao ‘preraspodelu’ elemenata skupa {1, 2, ..., n} i oznaˇcavamo je kao:
π(1), π(2), ..., π(n)
Linearna Algebra i Analitiˇcka Geometrija – 61 –
Na primer 3,2,4,1 oznaˇcava permutaciju π : {1, 2, 3, 4} −→{1, 2, 3, 4} takvu da je π(1) = 3, π(2) = 2, π(3) = 4, π(4) =
1.
• Ima ukupno n! = 1 · 2 · ... · n permutacija skupa {1, 2, ..., n}.
• Inverzija u permutaciji π(1), π(2), ..., π(n) je (svaki) par (π(i), π(j) takav da je i > j.
Primer 6.3. U permutaciji 32541 ima ukupno 6 inverzija:
- 2 je na prvom mestu u (2,1)
- 3 je na prvom mestu u (3,2), (3,1)
- 4 je na prvom mestu u (4,1)
- 5 je na prvom mestu u (5,4), (5,1)
• Permutacija π je parna ako ima paran broj inverzija, oznaka sgn(π) = 1; u suprotnom ona je neparna ili
sgn(π) = −1.
• 32541 i 3412 su parne permutacije dok su 32451 i 2413 neparne.
6.3 Definicija i osnovna svojstva determinanti
Definicija 6.1. Determinanta matrice A = (a
ij
)
n×n
oznaka |A| ili det(A) je
|A| =

π
sgn(π) a
1π(1)
a
2π(2)
... a
nπ(n)
gde se sumiranje vrˇsi po svim permutacijama skupa {1, 2, ..., n}.
• Za n = 2, 3 definicija se slaˇze sa prethodnom.
• Sabirke a
1π(1)
a
2π(2)
... a
nπ(n)
moˇzemo opisati kao proizvode a
ij
-ova takve da je iz svake vrste i svake kolone
uzet taˇcno po jedan!
Teorema 6.1. Za svaku kvadratnu matricu vaˇzi det(A) = det(A
T
) .
Dokaz ...
Teorema 6.2. Neka je A kvadratna matrica.
(1) Ako A ima nula-vrstu (ili kolonu) tada je |A| = 0 .
(2) Ako A ima dve jednake vrste (kolone) tada je |A| = 0.
(3) Ako je A trougaona (gornje ili donje) tada je |A| jednaka proizvodu elemenata na glavnoj dijagonali.
Dokaz ...
Teorema 6.3. Pretpostavimo da je kvadratna matrica B dobijena iz A primenom elementarne transformacije vrsta
(ili kolona).
(1) Ako su dve vrste (kolone) zamenile mesta u A tada je
|B| = −|A|
(2) Ako je neka vrsta (kolona) matrice A pomnoˇzena sa k tada je
|B| = k |A|
(3) Ako je neka vrsta (kolona) pomnoˇzena nekim skalarom dodata nekoj drugoj vrsti (koloni) tada je
|B| = |A|
Linearna Algebra i Analitiˇcka Geometrija – 62 –
Dokaz ...
Prethodne dve teoreme daju jednu od strategija za izraˇcunavanje determinanti: koriste´ci elementarne transformacije
svedemo determinantu na trougaoni oblik pa primenimo teoremu 6.2(3).
Primer 6.4. Izraˇcuna´cemo
¸
¸
¸
¸
¸
¸
¸
¸
5 1 1 1
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
.
Prvo saberemo sve vrste u prvu (determinanta se ne menja prema teoremi 6.3(3)), pa izvuˇcemo 8 iz prve vrste
(teorema 6.3(2)), onda Gaus:
¸
¸
¸
¸
¸
¸
¸
¸
5 1 1 1
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
¸
8 8 8 8
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
= 8
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
= 8
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
0 4 0 0
0 0 4 0
0 0 0 4
¸
¸
¸
¸
¸
¸
¸
¸
= 8 · 4
3
• Ako je E matrica neke elementarne transformacije vrsta (ili kolona) tada je
|E A| = |E| |A|
• Neka se matrica B dobija iz A primenom elementarnih transformacije vrsta i kolona. Tada je
|A| = 0 ako i samo ako |B| = 0
Teorema 6.4. Kvadratna matrica A je inverzibilna ako i samo ako je det(A) ̸= 0.
Dokaz Videti Problem 7.27
Teorema 6.5. (Binet-Cauchy) |AB| = |A| |B| .
Dokaz Videti Problem 7.28
6.4 Minori i kofaktori, izraˇcunavanje determinante
Neka je A = (a
ij
) kvadratna matrica reda n i neka M
ij
oznaˇcava matricu koja se dobija iz A brisanjem i-te vrste i
j-te kolone.
• Minor polja (i, j) (ili elementa a
ij
) matrice A je (skalar) |M
ij
|
• Kofaktor polja (i, j) matrice A je:
A
ij
= (−1)
i+j
|M
ij
|
Primer 6.5. Neka je A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
.
A
11
=
¸
¸
¸
¸
3 4
−2 −3
¸
¸
¸
¸
= −1, A
12
= −
¸
¸
¸
¸
6 4
5 −3
¸
¸
¸
¸
= 38, A
13
=
¸
¸
¸
¸
6 3
5 −2
¸
¸
¸
¸
= −27, A
21
= −
¸
¸
¸
¸
5 7
−2 −3
¸
¸
¸
¸
= 1,
A
22
=
¸
¸
¸
¸
2 7
5 −3
¸
¸
¸
¸
= −41, A
23
= −
¸
¸
¸
¸
2 5
5 −2
¸
¸
¸
¸
= 29, A
31
=
¸
¸
¸
¸
5 7
3 4
¸
¸
¸
¸
= −1, A
32
= −
¸
¸
¸
¸
2 7
6 4
¸
¸
¸
¸
= 34,
A
33
=
¸
¸
¸
¸
2 5
6 3
¸
¸
¸
¸
= −24.
Linearna Algebra i Analitiˇcka Geometrija – 63 –
Teorema 6.6. Neka je A = (a
ij
) kvadratna matrica reda n.
(1) Vaˇzi formula za razvoj po i-toj vrsti:
|A| = a
i1
A
i1
+a
i2
A
i2
+... +a
in
A
in
(2) Vaˇzi formula za razvoj po i-toj koloni:
|A| = a
1j
A
1j
+a
2j
A
2j
+... +a
nj
A
nj
Primer 6.6. Neka je A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
. Tada je:
A
11
=
¸
¸
¸
¸
3 4
−2 −3
¸
¸
¸
¸
= −1 A
12
= −
¸
¸
¸
¸
6 4
5 −3
¸
¸
¸
¸
= 38 A
13
=
¸
¸
¸
¸
6 3
5 −2
¸
¸
¸
¸
= −27
Razvoj po prvoj vrsti:
|A| = a
11
A
11
+a
12
A
12
+a
13
A
1n
=
= 2 · (−1) + 5 · 38 + 7 · (−27) = −1
Za praktiˇcno izraˇcunavanje determinante Koristimo razvoj po vrstama (kolonama) i pravila za elementarne trans-
formacije (Teorema 6.3):
(1) Ako zamenimo mesta dvema vrstama (kolonama) determinanta menja znak.
(2) Ako jednu vrstu (ili kolonu) pomnoˇzimo sa k ̸= 0 determinanta se uve´ca k puta.
(3) Ako jednoj vrsti dodamo k puta neku drugu vrstu determinanta se ne menja!
Korak 1 Prona´ci ‘zgodnu vrstu i pivota’ u njoj (ili kolonu).
Korak 2 Koriste´ci pivota elementarnim transformacijama napraviti sve ostale nule u toj vrsti (koloni).
Korak 3 Primenom Teoreme 6.6 razviti determinantu po toj vrsti (koloni). Dobijamo matricu za red kra´cu, pa
ponavljamo postupak dok ...
Primer 6.7. A =
_
_
2 5 7
3 1 1
5 −2 −3
_
_
. Zgodan je a
23
= 1 u drugoj vrsti:
¸
¸
¸
¸
¸
¸
2 5 7
3 1 1
5 −2 −3
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
−19 −2 7
0 0 1
14 1 −3
¸
¸
¸
¸
¸
¸
= (−1)
2+3
· 1 ·
¸
¸
¸
¸
−19 −2
14 1
¸
¸
¸
¸
=
Sad moˇze i da se izraˇcuna 2 ×2 determinanta:
= −1((−19)1 −14(−2)) = 1
6.5 Adjungovana matrica
Neka je A = (a
ij
) kvadratna matrica reda n. Adjungovana matrica matrice A (adjunct of A) je:
adj(A) =
_
_
_
_
A
11
A
21
... A
n1
A
12
A
22
... A
n2
. . ... .
A
1n
A
2n
... A
nn
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 64 –
Teorema 6.7. (Laplas) Za svaku kvadratnu matricu A vaˇzi:
A· adj(A) = adj(A) · A = det(A) I
Dokaz Videti Problem 7.33
Primer 6.8. Uzmimo matricu iz primera 6.5: A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
. Izraˇcunali smo:
A
11
= −1 A
12
= 38 A
13
= −27
A
21
= 1 A
22
== −41 A
23
= 29
A
31
= −1 A
32
= 34 A
33
= −24
Prema tome adjA =
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
Laplasova teorema (u primeru 6.6 imamo |A| = −1):
_
_
2 5 7
6 3 4
5 −2 −3
_
_
·
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
=
_
_
−1 0 0
0 −1 0
0 0 −1
_
_
= |A| I
Teorema 6.8. Neka je A kvadratna matrica.
(a) A je inverzibilna ako i samo ako det(A) ̸= 0.
(b) Ako je A inverzibilna tada je A
−1
=
1
det(A)
adj(A).
Primer 6.9. Uzmimo matricu iz primera 6.5: A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
. U primeru 6.6 smo izraˇcunali |A| = −1 a u
primeru 6.8
adjA =
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
Prema teoremi 6.8(2)
A
−1
= −
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
• Kvadratna matrica A je inverzibilna ako i samo ako je adj(A) inverzibilna. U sluˇcaju inverzibilnosti vaˇzi:
|adj(A)| = |A|
n−1
6.6 Kramerova teorema
Posmatrajmo sistem linearnih jednaˇcina AX = B :
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
_
_
_
_
·
_
_
_
_
x
1
x
2
.
x
n
_
_
_
_
=
_
_
_
_
b
1
b
2
.
b
n
_
_
_
_
.
Linearna Algebra i Analitiˇcka Geometrija – 65 –
Neka je ∆ = det(A) i neka je ∆
x
i
dobijena zamenom i-te kolone u ∆ sa B:

x
1
=
¸
¸
¸
¸
¸
¸
¸
¸
b
1
a
12
... a
1n
b
2
a
22
... a
2n
. . ... .
b
n
a
n2
... a
nn
¸
¸
¸
¸
¸
¸
¸
¸
; ∆
x
2
=
¸
¸
¸
¸
¸
¸
¸
¸
a
11
b
1
... a
1n
a
21
b
2
... a
2n
. . ... .
a
n1
b
n
... a
nn
¸
¸
¸
¸
¸
¸
¸
¸
; ....
Kramerova teorema
(1) Sistem ima jedinstveno reˇsenje ako i samo ako je ∆ ̸= 0; u tom sluˇcaju je
x
1
=

x
1

; x
2
=

x
2

; ... ; x
n
=

x
n

.
(2) Ako je ∆ = 0 i za bar jedno i je ∆
x
i
̸= 0 onda sistem nema reˇsenja.
• Primetimo da o sluˇcaju
∆ = ∆
x
1
= ∆
x
2
= ... = ∆
x
n
= 0
Kramer ne kaˇze niˇsta. U ovom sluˇcaju sistem reˇsavamo nekom drugom metodom i nekad dobijamo da ima reˇsenja, a
nekad da ih nema.
Dokaz Kramerove teoreme (1) Pretpostavimo da je ∆ ̸= 0 (tada je i adj(A) inverzibilna). Iz AX = B sledi
adj(A) · A· X = adj(A) · B
Vaˇzi i obrnuto: mnoˇzenjem sleva sa adj(A)
−1
dobijamo AX = B
Primenom Laplasove teoreme
(det(A) · I) · X = adj(A) · B
∆·
_
_
_
_
x
1
x
2
.
x
n
_
_
_
_
=
_
_
_
_
A
11
b
1
+A
21
b
2
+... +A
n1
b
n
A
12
b
1
+A
22
b
2
+... +A
n2
b
n
....
A
1n
b
1
+A
2n
b
2
+... +A
nn
b
n
_
_
_
_
=
_
_
_
_

x
1

x
2
...

x
n
_
_
_
_
_
_
_
_
∆· x
1
∆· x
2
...
∆· x
n
_
_
_
_
=
_
_
_
_

x
1

x
2
...

x
n
_
_
_
_
.
Zakljuˇcujemo da je prethodna jednakost ekvivalentna sa AX = B.
(2) Neka je ∆ = 0 i za bar jedno i je ∆
x
i
̸= 0. Ako je X reˇsenje AX = B mnoˇzenjem sleva sa adj(A) dobijemo
_
_
_
_
∆· x
1
∆· x
2
...
∆· x
n
_
_
_
_
=
_
_
_
_

x
1

x
2
...

x
n
_
_
_
_
ˇsto nije mogu´ce. Nema reˇsenja.
Teorema 6.9. Homogeni kvadratni sistem
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
_
_
_
_
·
_
_
_
_
x
1
x
2
.
x
n
_
_
_
_
=
_
_
_
_
0
0
.
0
_
_
_
_
ima netrivijalno reˇsenje ako i samo ako je det(a
ij
) = 0.
Dokaz ...
Primer 6.10. Koriste´ci Kramerovo pravilo, reˇsi´cemo sistem:
Linearna Algebra i Analitiˇcka Geometrija – 66 –
x +y +z = 0
x + 2y +z = 1
2x +y +az = 1.
gde je a realan parametar.
∆ =
¸
¸
¸
¸
¸
¸
1 1 1
1 2 1
2 1 a
¸
¸
¸
¸
¸
¸
= a −2 ∆
x
=
¸
¸
¸
¸
¸
¸
0 1 1
1 2 1
1 1 a
¸
¸
¸
¸
¸
¸
= −a

y
=
¸
¸
¸
¸
¸
¸
1 0 1
1 1 1
2 1 a
¸
¸
¸
¸
¸
¸
= a −2 ∆
z
=
¸
¸
¸
¸
¸
¸
1 1 0
1 2 1
2 1 1
¸
¸
¸
¸
¸
¸
= 2
Reˇsenja sistema zavise od vrednosti parametra a (da li je ∆ = 0 ili ∆ ̸= 0). Imamo dva sluˇcaja:
(1) a ̸= 2
U ovom sluˇcaju je ∆ ̸= 0 pa, prema Krameru, sistem ima jedinstveno reˇsenje:
x =

x

=
−a
a −2
y =
a −2
a −2
= 1 z =
2
a −2
(2) a = 2
U ovom sluˇcaju je ∆ = 0 a ∆
x
= −2 ̸= 0; prema Krameru sistem nema reˇsenja.
Primer 6.11. Koriste´ci Kramerovo pravilo, reˇsi´cemo sistem:
mx +y +z = 1
x +my +z = 1
x +y +mz = 1.
gde je m realan parametar.
∆ = (m+ 2)(m−1)
2

x
= ∆
y
= ∆
z
= (m−1)
2
(1) m ̸= −2, 1 Tada je ∆ ̸= 0 pa, prema Krameru, sistem ima jedinstveno reˇsenje: x = y = z =
1
m+ 2
.
(2) m = 1 Tada je ∆ = ∆
x
= ∆
y
= ∆
z
= 0; Kramer ne kaˇze niˇsta u ovom sluˇcaju, ali sistem postaje:
x +y +z = 1
x +y +z = 1
x +y +z = 1.
i reˇsenja su: x = 1 −a −b y = b z = a (a, b ∈ R)
(3) m = −2 tada je ∆ = 0, ali ∆
x
̸= 0 pa prema Krameru naˇs sistem nema reˇsenja.
Primer 6.12. Reˇsavamo sistem:
mx +y +z = 1
x +my +z = m+ 1
x +my +mz = 1.
∆ = (m+ 1)(m−1)
2

x
= (m−1)
2

y
= (m−1)(m
2
+ 2m−1)

z
= −m(m
2
−1)
(1) m ̸= ±1 Tada je ∆ ̸= 0 pa Kramer kaˇze da sistem ima jedinstveno reˇsenje:
x =
1
m+ 1
; y =
m
2
+ 2m−1
(m−1)
2
; z =
−m
m−1
(2) m = 1 U ovom sluˇcaju ∆ = ∆
x
= ∆
y
= ∆
z
= 0, pa Kramer ne pomaˇze, ali sistem je zapravo:
x +y +z = 1
x +y +z = 2
x +y +z = 1,
i oˇcito nema reˇsenja.
(3) m = −1 U ovom sluˇcaju ∆ = 0, ali ∆
x
= 1 ̸= 0; prema Krameru, sistem nema reˇsenja.
Linearna Algebra i Analitiˇcka Geometrija – 67 –
6.7 Determinante blok matrica
Teorema 6.10. Neka je M trougaona (gornje ili donje) blok matrica sa dijagonalnim blokovima A
1
, A
2
, ..., A
n
. Tada
je
det(M) = det(A
1
) det(A
2
) ... det(A
n
)
Dokaz ...
Primer 6.13. Determinantu
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
3 2 67 7 90
4 5 23 −8 65
0 0 5 2 82
0 0 3 1 31
0 0 0 0 2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
razloˇzimo na blokove:
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
3 2
.
.
. 67 7
.
.
. 90
4 5
.
.
. 23 −8
.
.
. 65
. . . . . . . . . . . . . . . . . . . . .
0 0
.
.
. 5 2
.
.
. 82
0 0
.
.
. 3 1
.
.
. 31
. . . . . . . . . . . . . . . . . . . . .
0 0
.
.
. 0 0
.
.
. 2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
3 2
4 5
¸
¸
¸
¸
¸
¸
¸
¸
5 2
3 1
¸
¸
¸
¸
¸
¸
2
¸
¸
= 7(−1)2 = −14
6.8 Determinanta linearnog operatora
Neka je T : V −→V linearni operator na n-dimenzionom vektorskom prostoru V . Neka su S
1
i S
2
baze za V i neka
su T
1
i T
2
matrice operatora u odnosu na njih.
Lema 6.1. det(T
1
) = det(T
2
) .
Dokaz. Neka je P matrica prelaska sa baze S
1
na bazu S
2
. Tada je T
2
= P T
1
P
−1
. Primenimo Koˇsi-Binea:
det(T
2
) = det(P) det(T
1
) det(P
−1
) = det(P) det(T
1
) det(P)
−1
= det(T
1
)
ˇsto je i trebalo pokazati.
• Determinanta linearnog operatora je determinanta njene matrice u odnosu na neku bazu.
7 UNITARNI PROSTORI
Neka je V vektorski prostor nad R (realni vektorski prostor).
Definicija 7.1. (Realni) skalarni proizvod ((real) inner product) na V je funkcija koja svakom paru vektora u, v ∈ V
dodeljuje broj < u, v >∈ R i koja zadovoljava slede´ce uslove:
(1) Linearnost (po prvom argumentu):
< au
1
+bu
2
, v >= a < u
1
, v > +b < u
2
, v >
(2) Komutativnost: < u, v >=< v, u >
(3) Pozitivna definitnost: < u, u >≥ 0 i
< u, u >= 0 ako i samo ako u = 0.
Linearna Algebra i Analitiˇcka Geometrija – 68 –
(Realni) unitarni prostor je vektorski prostor snabdeven skalarnim proizvodom.
• Aksioma (1) je ekvivalentna sa:
< u
1
+u
2
, v >=< u
1
, v > + < u
2
, v > i < a u, v >= a < u, v >
• Skalarni proizvod oznaˇcavamo i sa u ◦ v . Pri ovakvom zapisu linearnost (prema prethodnoj primedbi) se
razlaˇze na distributivnost + u odnosu na skalarno mnoˇzenje
(u
1
+u
2
) ◦ v = u
1
◦ v +u
2
◦ v
i na izvlaˇcenje skalara ispred skalarnog proizvoda:
(a u) ◦ v = a (u ◦ v)
• Linearnost izraˇzena preko ◦ je:
(a u
1
+bu
2
) ◦ v = au
1
◦ v +bu
2
◦ v
• < 0, u >=< v, 0 >= 0
• Iz linearnosti po prvoj promenljivoj i komutativnosti sledi linearnost i po drugoj promenljivoj:
u ◦ (cv
1
+dv
2
) = c u ◦ v
1
+d u ◦ v
2
• Linearnost nam omogu´cuje da linearne kombinacije vektora mnoˇzimo kao linearne kombinacije brojeva po
principu ‘svaki sa svakim’ pri ˇcemu skalare izdvajamo ispred:
(u
1
+u
2
) ◦ (v
1
+v
2
) = u
1
◦ v
1
+u
1
◦ v
2
+u
2
◦ v
1
+u
2
◦ v
2
(a u
1
+b u
2
) ◦ (c v
1
+d v
2
) = ac(u
1
◦ v
1
) +ad(u
1
◦ v
2
) +bc(u
2
◦ v
1
) +bd(u
2
◦ v
2
)
• Opˇstije:
(
n

i=1
a
i
u
i
) ◦ (
m

j=1
b
j
v
j
) =
n

i=1
m

j=1
a
i
b
j
(u
i
◦ v
j
)
ili
<
n

i=1
a
i
u
i
,
m

j=1
b
j
v
j
>=
n

i=1
m

j=1
a
i
b
j
< u
i
, v
j
>

ˇ
Cesto se v ◦ v oznaˇcava i sa v
2
. Na primer:
(u + 2 v) ◦ (u + 3 v) = u
2
+ 5 u◦, v + 6 v
2
Paˇznja: u
n
nema smisla za n ≥ 3!!!
Definicija 7.2. Norma vektora u = (u
1
, u
2
, ..., u
n
) je:
∥u∥ =

< u, u >
• ∥u∥ =

u
2
je direktna asocira na apsolutnu vrednost broja.
Primer 7.1. Standardni skalarni proizvod vektora u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) u R
n
smo definisali sa:
u · v = u
1
v
1
+u
2
v
2
+... +u
n
v
n
(∈ R)
Linearna Algebra i Analitiˇcka Geometrija – 69 –
Primer 7.2. Neka je V prostor m×n realnih matrica. Tada je:
< A, B >= tr(B
T
A)
skalarni proizvod; tr(C), ili trag kvadratne matrice C, je zbir elemenata glavne dijagonale.
Primer 7.3. Neka je V prostor neprekidnih realnih funkcija na intervalu [a, b]. Tada je:
< f, g >=

b
a
f(t)g(t)dt
skalarni proizvod.
7.1 Koˇsi-
ˇ
Svarcova nejednakost
Teorema 7.1. (Cauchy-Shwartz)
|u ◦ v| ≤ ∥u∥ ∥v∥ .
Dokaz Problem 6.10
Teorema 7.2. Za vektore u, v ∈ R
n
vaˇzi
(1) ∥v∥ ≥ 0; ∥v∥ = 0 ako i samo ako v = 0
(2) ∥k v∥ = |k| ∥v∥
(3) ∥u +v∥ ≤ ∥u∥ +∥v∥
Dokaz Problem 6.11
• Ako je ∥u∥ = 1 onda je u jediniˇcni vektor (unit vector) ili normiran (normalized).
• Normiranje ne-nula vektora u je v =
1
∥u∥
u (∥v∥ = 1)
• d(u, v) = ∥u −v∥ je rastojanje izmedju taˇcaka u i v unitarnog prostora.
• Ugao izmedju vektora u i v unitarnog prostora je:
cos θ =
< u, v >
∥u∥ ∥v∥
7.2 Ortogonalnost
Vektori u i v unitarnog prostora su ortogonalni ili normalni ako vaˇzi
< u, v >= 0
Primer 7.4. Traˇzimo vektor u = (x, y, z) koji je normalan na vektore (2, 1, −1) i (0, 1, 1) standardnog R
3
:
2x +y −z = 0 y +z = 0
Svako reˇsenje ovog sistema odgovara, na primer (−1, 1, −1).
Linearna Algebra i Analitiˇcka Geometrija – 70 –
Neka je S bilo koji skup vektora unitarnog prostora. Svi vektori koji su normalni na svaki vektor iz S ˇcine
ortogonalni komplement skupa S:
S

= {u ∈ V | < u, s >= 0 za svaki s ∈ S}
• ‘< u, s >= 0 za svaki s ∈ S’ piˇsemo kra´ce i u ⊥ S:
S

= {u ∈ V | u ⊥ S}
• S

je potprostor prostora V .
• Naˇs cilj u narednom delu je dokaz slede´ce vaˇzne teoreme, koji zahteva nekoliko prethodnih tvrdjenja.
Teorema 7.3. Ako je U potprostor konaˇcno-dimenzionog prostora V tada je
V = U ⊕U

• Ekvivalentno: svaki vektor v se na jedinstven naˇcin piˇse kao
v = u +u

;
gde je u ∈ U ortogonalna projekcija vektora v na potprostor U, a u

∈ U

je ortogonalna dopuna vektora v u odnosu
na potprostor U.
• u

je i ortogonalna projekcija vektora v na potprostor U

• Teorema 7.3 ne vaˇzi u proizvoljnom beskonaˇcno-dimenzionom prostoru!
7.3 Ortogonalni skupovi i baze
Skup vektora je ortogonalan ako je svaki par njegovih vektora ortogonalan. Ortonormiran skup vektora je ortogo-
nalan skup ˇciji su svi elementi jediniˇcni vektori.
• Normiranje ortogonalnog skupa ne-nula vektora je normiranje svakog u u njemu (zamena sa v =
1
∥u∥
u koji
je jediniˇcni). Normalizacijom ortogonalnog skupa dobijamo ortonormirani skup.
• Ortogonalna baza vektorskog prostora je baza koja je ortogonalan skup. Sliˇcno za ortonormiranu bazu.
Teorema 7.4. Svaki ortogonalan skup ne-nula vektora je linearno nezavisan.
Dokaz Problem 6.20
Teorema 7.5. (Pitagorina teorema) Ako je {u
1
, u
2
, ..., u
n
} ortogonalan skup vektora tada je:
∥u
1
+...u
n

2
= ∥u
1

2
+... +∥u
n

2
Dokaz Problem 6.21
7.4 Furijeovi koeficijenti
Koordinate vektora u odnosu na ortogonalnu bazu se raˇcunaju lakˇse nego u sluˇcaju proizvoljne baze. To pokazuje
i naredni primer.
Linearna Algebra i Analitiˇcka Geometrija – 71 –
Primer 7.5. Posmatrajmo vektore u
1
= (1, 2, 1) u
2
= (2, 1, −4) u
3
= (3, −2, 1). Proverimo da oni ˇcine ortogonalnu
bazu standardnog R
3
:
u
1
· u
2
= (1, 2, 1) · (2, 1, −4) = 1 · 2 + 2 · 1 + 1 · (−4) = 0
Sliˇcno u
3
· u
2
= u
1
· u
3
= 0. Znaˇci oni ˇcine ortogonalan skup. Prema teoremi 7.4 oni su linearno nezavisni pa ˇcine
bazu (dimenzija je 3). To je ortogonalna baza, ali nije ortonormirana:
∥u
1
∥ =

1
2
+ 2
2
+ 1
2
=

6 ∥u
2
∥ =

21 ∥u
3
∥ =

14
Izrazimo vektor v = (7, 3, −1) kao linearnu kombinaciju:
v = xu
1
+yu
2
+zu
3
Pomnoˇzimo skalarno sa u
1
:
u
1
· v = xu
1
· u
1
+y u
1
· u
2
+zu
1
· u
3
u
1
· v = xu
1
· u
1
+ 0 + 0
Odatle je x =
u
1
· v
u
1
· u
1
=
u
1
· v
∥u
1

2
=
(1, 2, 1) · (7, 3, −1)
6
= 2
Sliˇcno, mnoˇzenjem sa u
2
i u
3
dobijamo y = 1 i z = 1.
v = 2 u
1
+u
2
+u
3
Naredna definicija je motivisana situacijom u prostoru R
n
sa standardnim skalarnim proizvodom.
Definicija 7.3. Vektor proj(v, u) =
< v, u >
∥u∥
2
u je projekcija vektora v na vektor u unitarnog prostora.
• Motivacija za prethodnu definiciju je sledec1a ˇcinjenica:
c =
< v, u >
∥u∥
2
je jedinstven skalar koji zadovoljava: u ◦ (v −c u) = 0
- -

6
0 u
v
c u
v −c u
u ◦ (v −c u) = u ◦ v −c u ◦ u = u ◦ v −c ∥u∥
2
= 0 povlaˇci c =
v ◦ u
∥u∥
2
Teorema 7.6. Neka je {u
1
, ..., u
n
} ortogonalna baza vektorskog prostora V . Tada je za svaki v ∈ V :
v =
< v, u
1
>
∥u
1

2
u
1
+
< v, u
2
>
∥u
2

2
u
2
+... +
< v, u
n
>
∥u
n

2
u
n
Dokaz ....
• Furijeov koeficijent ili komponenta vektora v u odnosu na u je skalar:
c =
< v, u >
< u, u >
=
< u, v >
∥u∥
2
Prethodna formula postaje:
v = c
1
u
1
+c
2
u
2
+... +c
n
u
n
gde je c
i
komponenta vektora v u odnosu na u
i
.

< v, u
i
>
∥u
i

2
u
i
je projekcija vektora v na vektor u
i
, pa teoremu 7.6 moˇzemo izraziti i na slede´ci naˇcin:
Ako je {u
1
, ..., u
n
} ortogonalna baza vektorskog prostora V tada je svaki v ∈ V jednak zbiru svojih projekcija na
bazne vektore.
Linearna Algebra i Analitiˇcka Geometrija – 72 –
Teorema 7.7. Neka vektori {u
1
, ..., u
n
} ˇcine ortogonalan skup ne-nula vektora u vektorskom prostoru V i neka je
U potprostor generisan njima.
(1) Za svaki v ∈ V postoji jedinstven v

∈ U takav da je
v −v

⊥ U ( t.j. v −v

∈ U

)
(2) v

= c
1
u
1
+c
2
u
2
+... +c
n
u
n
gde su c
i
Furijeovi koeficijenti:
c
1
=
< v, u
1
>
∥u
1

2
c
2
=
< v, u
2
>
∥u
2

2
... c
n
=
< v, u
n
>
∥u
n

2
Dokaz ....
• v

je ortogonalna projekcija vektora v na potprostor U; oznaˇcavamo ga sa proj(v, U)
• Projekciju vektora v na potprostor generisan ortogonalnim skupom vektora {u
1
, ..., u
n
} raˇcunamo po formuli:
proj(v, U) =
< v, u
1
>
∥u
1

2
u
1
+
< v, u
2
>
∥u
2

2
u
2
+... +
< v, u
n
>
∥u
n

2
u
n
Projekcija na potprostor je zbir projekcija na vektore ortogonalne baze tog potprostora:
proj(v, U) = proj(v, u
1
) + proj(v, u
2
) +... + proj(v, u
n
)
• Prethodna teorema dokazuje V = U ⊕ U

ˇsto je specijalan sluˇcaj teoreme 7.3 (dodata je pretpostavka da
U ima ortogonalnu bazu). Da kompletiramo dokaz teoreme 7.3 preostaje da dokaˇzemo da svaki konaˇcno-dimenzioni
unitarni prostor ima ortogonalnu bazu.
• Prethodna teorema garantuje da svaki vektor ima ortogonalnu projekciju na konaˇcno-dimenzioni potprostor. To
nije taˇcno u opˇstem sluˇcaju beskonaˇcno dimenzionih potprostora.
7.5 Beselova nejednakost
Teorema 7.8. Neka vektori {w
1
, ..., w
n
} ˇcine ortogonalan skup ne-nula vektora u vektorskom prostoru V . Neka je
v ∈ V i neka su c
i
Furijeovi koeficijenti v u odnosu na w
i
. Tada za sve skalare a
1
, a
2
, ..., a
n
:
∥v −
n

i=1
c
i
w
i
∥ ≤ ∥v −
n

i=1
a
i
w
i

Dokaz Problem 6.31
Teorema 7.9. (Beselova nejednakost) Neka vektori {e
1
, ..., e
n
} ˇcine ortogonormiran skup vektora u vektorskom
prostoru V . Neka je v ∈ V i neka je c
i
Furijeov koeficijent vektora v u odnosu na e
i
. Tada :
n

i=1
c
2
i
≤ ∥v∥
2
Dokaz Problem 6.32
7.6 Gram-
ˇ
Smitov postupak ortogonalizacije
Neka je {v
1
, v
1
, ..., v
n
} baza unitarnog prostora V . Gram-
ˇ
Smitovim postupkom nalazimo ortogonalan skup
{w
1
, w
1
, ..., w
n
} takav da je:
w
1
= v
1
w
2
= a
21
v
1
+ v
2
Linearna Algebra i Analitiˇcka Geometrija – 73 –
......................
w
n
= a
n1
v
1
+... +a
n,n−1
v
n−1
+ v
n
Primetimo da je svaki ovakav skup baza prostora V (poˇsto se svaki v
i
moˇze izraziti kao linearna kombinacija w
i
-ova)
pa je {w
1
, w
1
, ..., w
n
} ortogonalna baza prostora V .
Postupak je zasnovan na teoremi 7.7:
w
1
= v
1
w
2
= v
2

< v
2
, w
1
>
∥w
1

2
w
1
w
3
= v
3

_
< v
3
, w
1
>
∥w
1

2
w
1
+
< v
3
, w
2
>
∥w
2

2
w
2
_
......................
w
n
= v
n

_
< v
n
, w
1
>
∥w
1

2
w
1
+... +
< v
n
, w
n−1
>
∥w
n−1

2
w
n−1
_
• Iz konstrukcije sledi:
w
k
= a
k1
v
1
+... +a
k,k−1
v
k−1
+ v
k
pa je {w
1
, w
1
, ..., w
n
} baza za V .
• Primetimo da je
w
k
= v
k
−proj(v
k
, span(w
1
, ..., w
k−1
))
pa je zbog teoreme 7.7:
w
k
⊥ span(w
1
, ..., w
k−1
)
Sledi da je {w
1
, w
1
, ..., w
n
} ortogonalan, pa, prema gornjem, je ortogonalna baza.
• Ukoliko normiramo svaki w
i
:
u
i
=
1
∥w
i

w
i
dobijemo ortonormiranu bazu {u
i
} (jediniˇcni vektori).
Teorema 7.10. Ako je {v
1
, v
2
, ..., v
n
} baza unitarnog prostora V tada postoji ortonormirana baza {u
1
, u
2
, ..., u
n
}
takva da je matrica promene baze sa {v
i
} na {u
i
} trougaona; t.j. za svaki k je:
u
k
= a
k1
v
1
+a
k2
v
2
+... +a
kk
v
k
Dokaz Problem 6.32
Teorema 7.11. Svaki ortogonalan skup ne-nula vektora konaˇcnodimrnzionog unitarnog prostora V {w
1
, w
2
, ..., w
k
}
moˇze biti proˇsiren do ortogonalne baze.
Dokaz Problem 6.33
• Iz prethodne teoreme sledi da svaki konaˇcno-dimenzioni unitarni prostor ima ortogonalnu bazu ˇsto u kombinaciji
sa teoremom 7.7 daje dokaz teoreme 7.3:
Teorema 7.3. Ako je U potprostor konaˇcno-dimenzionog prostora V tada je
V = U ⊕U

Dokaz Problem 6.35
• Alternativni naˇcin formulacije prethodne teoreme je:
Svaki vektor v konaˇcno-dimenzionog prostora V se na jedinstven naˇcin piˇse u obliku
v = proj(v, W) + proj(v, W

)
Linearna Algebra i Analitiˇcka Geometrija – 74 –
7.7 Ugao izmedju vektora i potprostora
Ugao izmedju vektora i potprostora definiˇsemo kao ugao izmedju vektora i njegove ortogonalne projekcije na taj
potprostor.
Primer 7.6. U standardnom vektorskom prostoru R
4
izraˇcuna´cemo ugao izmedju vektora v = (6, 3, 6, 3) i potpros-
tora U generisanog vektorima u
1
= (1, 1, 0, 1) i u
2
= (1, 2, 1, 3).
(1) Gram-
ˇ
Smitovim postupkom odredjujemo ortogonalnu bazu potprostora U:
w
1
= u
1
= (1, 1, 0, 1)
w
2
= u
2

< u
2
, w
1
>
∥w
1

2
w
1
=
= (1, 2, 1, 3) −
< (1, 2, 1, 3), (1, 1, 0, 1) >
∥(1, 1, 0, 1)∥
2
(1, 1, 0, 1) =
= (1, 2, 1, 3) −6/3 (1, 1, 0, 1) = (−1, 0, 1, 1)
(2) Raˇcunamo projekciju vektora v na potprostor U (koji je generisan ortogonalnim vektorima w
1
, w
2
):
proj(v, U) =
< v, w
1
>
∥w
1

2
w
1
+
< v, w
2
>
∥w
2

2
w
2
proj(v, U) =
< (6, 3, 6, 3), (1, 1, 0, 1) >
∥(1, 1, 0, 1)∥
2
(1, 1, 0, 1)+
+
< (6, 3, 6, 3), (−1, 0, 1, 1)) >
∥(−1, 0, 1, 1)∥
2
(−1, 0, 1, 1) =
proj(v, U) = 4(1, 1, 0, 1) + (−1, 0, 1, 1) = (3, 4, 1, 5)
(3) Raˇcunamo ugao θ izmedju v i v

= proj(v, U):
cos θ =
< (2, 1, 2, 1), (3, 4, 1, 5) >
∥(2, 1, 2, 1)∥ ∥(3, 4, 1, 5)∥
=
=
< (2, 1, 2, 1), (3, 4, 1, 5) >
∥(2, 1, 2, 1)∥ ∥(3, 4, 1, 5)∥
=
=
17

10

51
=
17

510
7.8 Matriˇcno predstavljanje skalarnog proizvoda
Neka je {v
1
, v
2
, ..., v
n
} baza unitarnog prostora V . Gramova matrica je:
G(v
1
, v
2
, ..., v
n
) =
_
_
_
_
v
1
◦ v
1
v
1
◦ v
2
... v
1
◦ v
n
v
2
◦ v
1
v
2
◦ v
2
... v
2
◦ v
n
. . ... .
v
n
◦ v
1
v
n
◦ v
2
... v
n
◦ v
n
_
_
_
_
• Gramovu matricu definiˇsemo na isti naˇcin i za bilo koji skup vektora {v
1
, v
2
, ..., v
n
} (koji nije obavezno baza).
• {v
1
, v
2
, ..., v
n
} je ortogonalna baza ako i samo ako
G(v
1
, v
2
, ..., v
n
) je dijagonalna matrica.
Linearna Algebra i Analitiˇcka Geometrija – 75 –
• {v
1
, v
2
, ..., v
n
} je ortonormirana baza ako i samo ako
G(v
1
, v
2
, ..., v
n
) = I
• Gramova matrica predstavlja ‘tablicu mnoˇzenja’ u odnosu na bazu:
<
n

i=1
a
i
v
i
,
n

j=1
b
j
v
j
>=
n

i=1
n

j=1
a
i
b
j
< v
i
, v
j
>=
(kao proizvod matrica)
= (a
1
a
2
... a
n
) G(v
1
, v
2
, ..., v
n
) (b
1
b
2
... b
n
)
T
Ovo je formalizovano u narednoj teoremi, uzimaju´ci vektore kolona:
Teorema 7.12. Ako je {v
1
, v
2
, ..., v
n
} baza unitarnog prostora i [u] [v] koordinatni vektori kolona u odnosu na tu
bazu tada je:
u ◦ v = [u]
T
G(v
1
, v
2
, ..., v
n
) [v]
Dokaz. Videti Problem 6.41
• Za kvadratnu matricu A reda n kaˇzemo da je pozitivno definitna ako za svaki ne-nula vektor kolonu v ∈ R
n
vaˇzi:
v
T
Av > 0
Teorema 7.13. G(v
1
, v
2
, ..., v
n
) je simetriˇcna i pozitivno definitna.
Dokaz. Videti Problem 6.42.
Vaˇzi i tvrdjenje obrnuto teoremi 7.12:
Teorema 7.14. Ako je matrica A simetriˇcna i pozitivno definitna tada je sa
uAv
T
definisan skalarni proizvod na R
n
.
Dokaz. Videti Problem 6.40.
7.9 Promena baze i Gramova matrica
Neka su S = {s
1
, s
2
, ..., s
n
} i S = {s

1
, s

2
, ..., s

n
} baze prostora V . Koordinatne vektore [v]
S
∈ R
n
posmatramo
kao vektor-kolone. Neka je
P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
matrica promene baze sa baze S na bazu S

, ili
s

1
= c
11
s
1
+c
12
s
2
+... +c
1n
s
n
s

2
= c
21
s
1
+c
22
s
2
+... +c
2n
s
n
....................................
s

n
= c
n1
s
1
+c
n2
s
2
+... +c
nn
s
n
Neka je P transponovana matrica ovog ‘sistema’:
• Podsetimo (videti teoremu 5.27 u knjizi): P je inverzibilna i za svaki vektor v ∈ V vaˇzi:
P [v]
S
′ = [v]
S
i P
−1
[v]
S
= [v]
S

Teorema 7.15. G(s

1
, s

2
, ..., s

n
) = P
T
G(s
1
, s
2
, ..., s
n
) P
Linearna Algebra i Analitiˇcka Geometrija – 76 –
Dokaz. Prema teoremi 7.12 imamo:
u ◦ v = [u]
T
S
G(s
1
, s
2
, ..., s
n
) [v]
S
u ◦ v = [u]
T
S
′ G(s

1
, s

2
, ..., s

n
) [v]
S

u ◦ v = [u]
T
S
G(s
1
, s
2
, ..., s
n
) [v]
S
=
= (P[u]
S
′ )
T
G(s
1
, s
2
, ..., s
n
) P[v]
S
′ =
= [u]
T
S
′ P
T
G(s
1
, s
2
, ..., s
n
) P[v]
S
′ =
= [u]
T
S

_
P
T
G(s
1
, s
2
, ..., s
n
) P
_
[v]
S
′ =
Sledi:
G(s

1
, s

2
, ..., s

n
) = P
T
G(v
1
, v
2
, ..., v
n
) P
7.10 Ortogonalne matrice i skalarni proizvod
Podsetimo da je kvadratna matrica A ortogonalna ako i samo ako je A
T
= A
−1
; dokazali smo i slede´cu teoremu:
• Neka je A kvadratna matrica reda n. Slede´ca tri tvrdjenja su ekvivalentna:
(1) A je ortogonalna matrica;
(2) Vektori vrsta matrice A ˇcine ortonormirani skup vektora;
(3) Vektori kolona matrice A ˇcine ortonormirani skup vektora.
Teorema 7.16. Ako je P matrica prelaska sa ortonormirane baze S = {e
1
, e
2
, ..., e
n
} na ortonormiranu bazu
S

= {e

1
, e

2
, ..., e

n
} tada je P ortogonalna matrica.
Dokaz. Videti Problem 6.48. Alternativni dokaz je: kako su S i S

ortonormirani imamo
G(s
1
, s
2
, ..., s
n
) = G(s

1
, s

2
, ..., s

n
) = I
Prema Teoremi 7.15 imamo:
G(s

1
, s

2
, ..., s

n
) = P
T
G(v
1
, v
2
, ..., v
n
) P
I = P
T
I P P
T
= P
−1
Vaˇzi i obrnuto tvrdjenje:
Teorema 7.17. Ako je P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
ortogonalna matrica i S = {e
1
, e
2
, ..., e
n
} ortonormirana
baza tada je i S

= {e

1
, e

2
, ..., e

n
} ortonormirana baza gde je:
s

1
= c
11
s
1
+c
12
s
2
+... +c
1n
s
n
s

2
= c
21
s
1
+c
22
s
2
+... +c
2n
s
n
....................................
s

n
= c
n1
s
1
+c
n2
s
2
+... +c
nn
s
n
Dokaz. Videti Problem 6.48 (ili napraviti dokaz sliˇcan prethodnom).
Linearna Algebra i Analitiˇcka Geometrija – 77 –
7.11 Gramova determinanta
• Za bilo koji skup vektora {v
1
, v
2
, ..., v
n
} unitarnog prostora Gramova determinanta je
det G(v
1
, v
2
, ..., v
n
)
Teorema 7.18. det G(v
1
, v
2
, ..., v
n
) = 0 ako i samo ako su {v
1
, v
2
, ..., v
n
} linearno zavisni.
Dokaz. Prvo, pretpostavimo da su linearno zavisni i dokaˇzimo da je determinanta jednaku nuli. Zbog linearne
zavisnosti jedan od v
i
-ova (npr. v
1
) je linearna kombinacija preostalih:
v
1
=
n

i=2
a
i
v
i
Ako u determinanti
det G(v
1
, v
2
, ..., v
n
) =
¸
¸
¸
¸
¸
¸
¸
¸
v
1
◦ v
1
v
1
◦ v
2
... v
1
◦ v
n
v
2
◦ v
1
v
2
◦ v
2
... v
2
◦ v
n
. . ... .
v
n
◦ v
1
v
n
◦ v
2
... v
n
◦ v
n
¸
¸
¸
¸
¸
¸
¸
¸
od prve vrstu oduzmemo baˇs tu linearnu kombinaciju preostalih vrsta i primenimo linearnost po prvoj promenljivi
dobijamo:
¸
¸
¸
¸
¸
¸
¸
¸
(v
1


n
i=2
a
i
v
i
) ◦ v
1
(v
1


n
i=2
a
i
v
i
) ◦ v
2
... (v
1


n
i=2
a
i
v
i
) ◦ v
n
v
2
◦ v
1
v
2
◦ v
2
... v
2
◦ v
n
. . ... .
v
n
◦ v
1
v
n
◦ v
2
... v
n
◦ v
n
¸
¸
¸
¸
¸
¸
¸
¸
U ovoj determinanti je prva vrsta nula-vrsta, pa je Gramova determinanta jednaka nuli.
Drugi smer se dokazuje sliˇcno ...
Teorema 7.19. Za linearno nezavisne vektore vaˇzi:
det G(v
1
, v
2
, ..., v
n
) > 0
U prostoru R
n
sa standardnim skalarnim proizvodom det G(v
1
, v
2
, ..., v
n
) je kvadrat zapremine generalisanog par-
alelepipeda odredjenog vektorima {v
1
, v
2
, ..., v
n
} .
Dokaz. Pretpostavimo da je S = {v
1
, v
2
, ..., v
n
} linearno nezavisan skup i neka je E = {e
1
, e
2
, ..., e
n
}
ortonormirana baza potprostora span(v
1
, v
2
, ..., v
n
). Neka je P matrica prelaska sa baze E na bazu S. Prema
teoremi 7.15 vaˇzi:
G(v
1
, v
2
, ..., v
n
) = P
T
G(e
1
, e
2
, ..., e
n
) P
Kako je E ortonormirana, imamo G(e
1
, e
2
, ..., e
n
) = I pa je:
G(v
1
, v
2
, ..., s
n
) = P
T
P
Primenimo Koˇsi-Binea i det(P
T
) = det(P):
det G(v
1
, v
2
, ..., v
n
) = det(P)
2
> 0
Da dokaˇzemo drugi deo (u R
n
) primetimo da je P
T
matrica u kojoj su vektori vrsta v
i
-ovi...
7.12 NORMIRANI PROSTORI
Definicija 7.4. Neka je V vektorski prostor i neka je svakom v ∈ V odredjen realan broj ∥v∥. Funkcija ∥ − ∥ je
norma ukoliko su zadovoljeni slede´ci uslovi:
(1) ∥v∥ ≥ 0 i ∥v∥ = 0 ako i samo ako v = 0.
(2) ∥k v∥ = |k| ∥v∥
(3) ∥v +u∥ ≤ ∥v∥ +∥u∥
U tom sluˇcaju V je normirani vektorski prostor.
Linearna Algebra i Analitiˇcka Geometrija – 78 –
Primer 7.7. Slede tri vaˇzna primera normi na R
n
:
(1) ∥(a
1
, a
2
, ..., a
n
)∥

= max (|a
1
|, |a
2
|, ..., |a
n
|)
(2) ∥(a
1
, a
2
, ..., a
n
)∥
1
= |a
1
| +|a
2
| +... +|a
n
|
(3) ∥(a
1
, a
2
, ..., a
n
)∥
2
=

|a
1
|
2
+|a
2
|
2
+... +|a
n
|
2
Rastojanje izmedju vektora u i v u normiranom prostoru je
d(u, v) = ∥u −v∥
Teorema 7.20. Rastojanje zadovoljava slede´ce uslove:
(1) d(u, v) ≥ 0 i d(u, v) = 0 ako i samo ako u = v.
(2) d(u, v) = d(v, u)
(3) d(u, v) ≤ d(u, w) +d(w, v)
Primer 7.8. Odredjujemo skup taˇcaka C prostora R
2
koje su na rastojanju 1 od koordinatnog poˇcetka u odnosu na
norme iz prethodnog primera:
(1) ∥(a
1
, a
2
)∥

= max (|a
1
|, |a
2
|)
C je kvadrat sa temenima u taˇckama (1, 1), (−1, 1), (1, −1), (−1, −1)
(2) ∥(a
1
, a
2
)∥
1
= |a
1
| +|a
2
|
C je kvadrat sa temenima u taˇckama (1, 0), (0, 1), (−1, 0), (0, −1)
(3) ∥(a
1
, a
2
)∥
2
=

|a
1
|
2
+|a
2
|
2
Ovo je ‘obiˇcno’ rastojanje i C je jediniˇcna kruˇznica.
8 DIJAGONALIZACIJA
Primer 8.1. Posmatrajmo linearno preslikavanje T : R
2
−→R
2
definisano sa:
T(x, y) = (5x −6y, 2x −2y)
U odnosu na standardnu bazu ono je predstavljeno sa
T (
_
x
y
_
) =
_
5 −6
2 −2
__
x
y
_
Neka je v
1
= (2, 1) i v
2
= (3, 2) . Tada je
T(v
1
) = (4, 2) = 2 v
1
T(v
2
) = v
2
pa je
T(a v
1
+b v
2
) = 2 a v
1
+b v
2
U odnosu na bazu v
1
, v
2
T je predstavljeno dijagonalnom matricom
_
2 0
0 1
_
• Podsetimo da skup svih kvadratnih matrica reda n sa elementima iz polja F, u oznaci M
n
(F), u odnosu na
sabiranje, mnoˇzenje i mnoˇzenje skalarima ˇcini algebru matrica:
Linearna Algebra i Analitiˇcka Geometrija – 79 –
1. Ako A, B ∈ M
n
(F) tada i A+B, AB ∈ M
n
(F);
2. Ako k ∈ F i A ∈ M
n
(F) tada k A ∈ M
n
(F).
• Ako je f(t) = a
n
t
n
+... +a
1
t +a
0
polinom sa koeficijentima iz F i A ∈ M
n
(F) tada f(A) oznaˇcava matricu
f(A) = a
n
A
n
+... +a
1
A+a
0
I
gde f(A) ∈ M
n
(F) .
• Matrica A je nula polinoma p(t) ako vaˇzi p(A) = 0; utom sluˇcaju kaˇzemo i da A poniˇstava polinom p(t).
Teorema 8.1. Ako su f i g polinomi i A kvadratna matrica, tada vaˇzi:
(1) (f +g)(A) = f(A) +g(A)
(2) (f g)(A) = f(A) g(A)
(3) (k f)(A) = k f(A)
(4) f(A) g(A) = g(A) f(A) .
Dokaz. Videti Problem 8.26
8.1 Karakteristiˇcni (sopstveni) polinom matrice
Definicija 8.1. Neka je A =
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
_
_
_
_
kvadratna matrica. Njena karakteristiˇcna matrica je:
t I
n
−A =
_
_
_
_
t −a
11
−a
12
... −a
1n
−a
21
t −a
22
... −a
2n
. . ... .
−a
n1
−a
n2
... t −a
nn
_
_
_
_
Karakteristiˇcni polinom (ili sopstveni polinom) matrice A, u oznaci ∆
A
(t), je determinanta njene karakteristiˇcne
matrice:

A
(t) = det(t I
n
−A)
Primer 8.2. Neka je A =
_
1 3
4 2
_
. Njena karakteristiˇcna matrica je:
t I −A =
_
t −1 −3
−4 t −2
_
Karakteristiˇcni polinom matrice A je

A
(t) =
¸
¸
¸
¸
t −1 −3
−4 t −2
¸
¸
¸
¸
= (t −1)(t −2) −12 = t
2
−3 t −10
• ∆
A
(t) je ‘obiˇcan’ polinom.
• ∆
A
(t) je moniˇcan (monic) t.j. koeficijent uz najve´ci stepen je 1 i vaˇzi:

A
(t) = t
n
−tr(A) t
n−1
+... + (−1)
n
det(A)
Linearna Algebra i Analitiˇcka Geometrija – 80 –
Teorema 8.2. Sliˇcne matrice imaju isti karakteristiˇcni polinom.
Dokaz. Pretpostavimo da su kvadratne matrice (istog reda) A i B sliˇcne:
A = P
−1
BP
Tada je:

A
(t) = det(t I −A) = det(t I −P
−1
BP)
= det(t P
−1
I P −P
−1
BP) = det(P
−1
(t I −B) P)
= det P
−1
det(t I −B) det P = ∆
B
(t)
(zbog det P
−1
det P = det(P
−1
P) = det I = 1)
Teorema 8.3. Ako je A gornje-trougaona blok matrica tada je njen karakteristiˇcni polinom jednak proizvodu
karakteristiˇcnih polinoma njenih dijagonalnih blokova.
Dokaz. Sledi iz ˇcinjenice da je determinanta dijagonalne blok matrice jednaka proizvodu determinanti dijago-
nalnih blokova.
8.2 Teorema Kejli-Hamiltona
Teorema 8.4. (Kejli-Hamilton) Svaka kvadratna matrica je nula svog karakteristiˇcnog polinoma.
Dokaz. Videti Problem 8.27
Primer 8.3. Neka je A =
_
1 3
4 2
_
iz prethodnog primera. Tada je

A
(t) = t
2
−3 t −10
pa Kejli-Hamilton tvrdi da je
A
2
−3 A−10 I = 0
Ovo moˇze i neposredno da se proveri:
_
1 3
4 2
_
2
−3
_
1 3
4 2
_
−10 I =
_
13 9
12 16
_

_
3 9
12 6
_

_
10 0
0 10
_
= 0
8.3 Sopstvene vrednosti i sopstveni vektori
Neka je A kvadratna matrica reda n. Skalar λ ∈ F je sopstvena vrednost matrice A (eigenvalue) ako postoji
ne-nula vektor kolona v ∈ R
n
takav da je:
Av = λv
Ovakav v ∈ R
n
je sopstveni vektor matrice A koji odgovara sopstvenoj vrednosti λ (eigenvector), kaˇze se i karakter-
istiˇcna vrednost, karakteristiˇcni vektor.
• Neka je λ sopstvena vrednost matrice A. Tada je skup svih sopstvenih vektora koji odgovaraju λ potprostor
od R
n
; nazivamo ga sopstveni potprostor za A i λ i oznaˇcavamo sa E
λ
.
Teorema 8.5. Za kvadratnu matricu A reda n slede´ci uslovi su ekvivalentni:
(1) Skalar λ je sopstvena vrednost matrice A;
(2) det(λI −A) = 0 (t.j. matrica M = λI −A je singularna);
(3) λ je koren karakteristiˇcnog polinoma matrice A (∆
A
(λ) = 0).
Linearna Algebra i Analitiˇcka Geometrija – 81 –
Dokaz. Videti problem 8.28
• (1) ⇔(2) daje recept za izraˇcunavanje sopstvenih vrednosti: to su reˇsenja jednaˇcine ∆
A
(t) = 0.
• (3) ⇒(1) znaˇci da svakoj sopstvenoj vrednosti odgovara bar jedan sopstveni (ne-nula) vektor.
8.4 Algebarska i geometrijska viˇsestrukost sopstvene vrednosti
• Ako se karakteristiˇcni polinom razlaˇze na proizvod razliˇcitih nerastavljivih faktora:

A
(t) = (t −λ
1
)
m
1
...(t −λ
k
)
m
k
q
1
(t)...q
s
(t)
tada je m
k
algebarska viˇsestrukost sopstvene vrednosti λ
k
.
Geometrijska viˇsestrukost sopstvene vrednosti je dimenzija njenog sopstvenog potprostora.
Teorema 8.6. Algebarska viˇsestrukost sopstvene vrednosti nije manja od njene geometrijske viˇsestrukosti.
Dokaz. Ostavljema za kasnije (videti Problem 11.12) .
• Drugim reˇcima ne moˇzemo imati viˇse od m
i
linearno nezavisnih sopstvenih vektora koji odgovaraju sopstvenoj
vrednosti λ
i
.
8.5 Dijagonalizabilnost
Kvadratna matrica A je dijagonalizabilna ako postoji inverzibilna matrica P takva da je P
−1
AP dijagonalna
matrica (t.j. van glavne dijagonale ima samo nule).
Naredna teorema daje osnovu za praktiˇcno reˇsavanje pitanja dijagonalizabilnosti date matrice.
Teorema 8.7. (1) Kvadratna matrica A reda n je dijagonalizabilna ako i samo ako A ima n linearno nezavisnih
sopstvenih vektora.
(2) U tom sluˇcaju dijagonalni elementi te dijagonalne matrice D odgovaraju sopstvenim vrednostima matrice A i
D = P
−1
AP
gde je P matrica sastavljena od sopstvenih vektora-kolona matrice A.
Dokaz. Videti Problem 8.29
• U matrici P iz prethodne teoreme redosled redjanja sopstvenih vektora (kolona) nije bitan!
Primer 8.4. Neka je A =
_
_
2 1 1
1 2 1
1 1 2
_
_
. Ispitujemo da li je A dijagonalizabilna.
Prvo izraˇcunamo ∆
A
(t):

A
(t) = det(t I −A) =
¸
¸
¸
¸
¸
¸
t −2 −1 −1
−1 t −2 −1
−1 −1 t −2
¸
¸
¸
¸
¸
¸
= (t −1)
2
(t −4)
Traˇzimo sopstvene vektore za λ = 4 i λ = 1:
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
x
y
z
_
_
= 4
_
_
x
y
z
_
_
Linearna Algebra i Analitiˇcka Geometrija – 82 –
Reˇsavanjem sistema dobijamo skup reˇsenja (sopstveni potprostor):
E
4
= {(a, a, a) | a ∈ R}
koji je generisan sopstvenim vektorom (1, 1, 1).
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
Reˇsavanjem sistema dobijamo skup reˇsenja (sopstveni potprostor):
E
1
= {(−a −b, b, a) | a, b ∈ R} = {a(−1, 0, 1) +b(−1, 1, 0) | a, b ∈ R}
koji je generisan sopstvenim vektorima (−1, 0, 1) i (−1, 1, 0).
(−1, 0, 1), (−1, 1, 0) i (1, 1, 1) su linearno nezavisni pa, prema Teoremi 8.7(1), matrica A je dijagonalizabilna.
Poredjamo ove vektore u kolone matrice P:
P =
_
_
−1 −1 1
0 1 1
1 0 1
_
_
Prema teoremi 8.7(2) matrica P
−1
AP je dijagonalna. Izraˇcunamo
P
−1
= −
1
3
_
_
1 1 −2
1 −2 1
−1 −1 −1
_
_
P
−1
AP = −
1
3
_
_
1 1 −2
1 −2 1
−1 −1 −1
_
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
−1 −1 1
0 1 1
1 0 1
_
_
=
= −
1
3
_
_
−3 0 0
0 −3 0
0 0 −12
_
_
=
_
_
1 0 0
0 1 0
0 0 4
_
_
Primer 8.5. Matrica A =
_
1 1
0 1
_
nije dijagonalizabilna:

A
(t) = det(t I −A) =
¸
¸
¸
¸
t −1 −1
0 t −1
¸
¸
¸
¸
= (t −1)
2
Jedina sopstvena vrednost je λ = 1. Traˇzimo sopstvene vektore:
_
1 1
0 1
_
·
_
x
y
_
=
_
x
y
_
se svodi na sistem
x +y = x y = y
ˇcije je reˇsenje (a, −a) | a ∈ R} pa ova matrica nema dva linearno nezavisna sopstvena vektora. Prema teoremi 8.7
ona nije dijagonalizabilna.
Na sliˇcan naˇcin se moˇze videti i da
ˇ
Zordanova matrica
_
_
_
_
_
_
_
_
a 1 0 ... 0 0
0 a 1 ... 0 0
0 0 a ... 0 0
. . . ... . .
0 0 0 ... a 1
0 0 0 ... 0 a
_
_
_
_
_
_
_
_
nije dijagonalizabilna ni za jedan a ∈ R
Linearna Algebra i Analitiˇcka Geometrija – 83 –
• Stepen dijagonalne matrice se lako raˇcuna:
_
_
_
_
a
1
0 ... 0
0 a
2
... 0
. . ... .
0 0 ... a
n
_
_
_
_
m
=
_
_
_
_
a
m
1
0 ... 0
0 a
m
2
... 0
. . ... .
0 0 ... a
m
n
_
_
_
_
Sliˇcno, ako je p(t) polinom tada je:
p(A) =
_
_
_
_
p(a
1
) 0 ... 0
0 p(a
2
) ... 0
. . ... .
0 0 ... p(a
n
)
_
_
_
_
• Za dijagonalizabilnu matricu A izraˇcunavanje A
m
se svodi na izraˇcunavanje stepena dijagonalne matrice. Neka
je D = P
−1
AP tada je A = P DP
−1
i vaˇzi:
A
m
= (P DP
−1
)
m
= P DP
−1
P DP
−1
...P DP
−1
= P D
m
P
−1
Za svaki polinom p(t) vaˇzi:
p(A) = P
−1
p(D) P
Teorema 8.8. Ako su v
1
, v
2
, ..., v
m
sopstveni vektori koji odgovaraju razliˇcitim sopstvenim vrednostima λ
1
, λ
2
, ..., λ
m
matrice A tada su oni linearno nezavisni.
Dokaz. Videti Problem 8.30
Teorema 8.9. Ako karakteristiˇcni polinom kvadratne matrice A reda n ima n razliˇcitih korena a
1
, a
2
, ..., a
n
u polju
skalara tada je

A
(t) = (t −a
1
)(t −a
2
)...(t −a
n
)
i A je sliˇcna dijagonalnoj matrici kojoj su dijagonalni elementi (u nekom rasporedu) a
1
, a
2
, ..., a
n
.
Dokaz. Videti Problem 8.31
8.6 Dijagonalizacija realnih simetriˇcnih matrica
Osnovna teorema algebre tvrdi da se svaki polinom sa kompleksnim koeficijentima moˇze napisati kao proizvod
linearnih polinoma sa kompleksnim koeficijentima. Sliˇcno vaˇzi za karakteristiˇcne polinome simetriˇcnih realnih matrica:
Teorema 8.10. Karakteristiˇcni polinom realne simetriˇcne matrice se moˇze rastaviti na proizvod realnih linearnih
polinoma.
Teorema 8.11. Sopstveni vektori koji odgovaraju razliˇcitim sopstvenim vrednostima realne simetriˇcne matrice su
medjusobno ortogonalni.
8.7 Minimalni polinom matrice
Neka je A kvadratna matrica reda n nad poljem F i neka je I(A) skup svih polinoma p(t) takvih da je p(A) = 0.
Kejli-Hamilton teorema garantuje da sadrˇzi karakteristiˇcan polinom matrice A. Minimalan polinom matrice A je
moniˇcan polinom najmanjeg stepena koji pripada I(A).
Narednu teorema opisuje vezu dijagonalizacije i minimalnog polinoma. Njen dokaz ostavljamo za naredno preda-
vanje
Linearna Algebra i Analitiˇcka Geometrija – 84 –
Teorema 8.12. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇse na proizvod
razliˇcitih linearnih faktora:
m
A
(t) = (t −λ
1
)(t −λ
2
)...(t −λ
n
)
gde su λ
i
-ovi razliˇciti.
Naredne teoreme opisuju vezu minimalnog i sopstvenog polinoma matrice.
Teorema 8.13. Neka je m(t) minimalan polinom matrice A, koja je reda n i ∆
A
(t) njen karakteristiˇcan polinom.
Tada m(t) deli svaki polinom iz I, pa i karakteristiˇcni polinom ∆
A
(t) (oznaka za ‘deli’ je | ; m
A
(t) | ∆
A
(t)).
Dokaz. Videti Problem 8.32.
Teorema 8.14. Neka je m(t) minimalan polinom matrice A, koja je reda n i ∆
A
(t) njen karakteristiˇcan polinom.
Tada :

A
(t) | (m(t))
n
m(t) i ∆
A
(t) imaju iste nerastavljive faktore.
Dokaz. Videti Problem 8.33
• Sopstvene vrednosti matrice A su koreni minimalnog polinoma.
8.8 Dijagonalizacija linearnog operatora
Neka je V n-dimenzioni vektorski prostor nad poljem F. Linearni operator T : V −→V je dijagonalizabilan ako
se moˇze predstaviti dijagonalnom matricom u odnosu na neku bazu: postoji baza v
1
, v
2
, ..., v
n
i skalari λ
i
tako da
je:
T(v
i
) = λv
i
za ı = 1, 2, ..., n
Slede´ci niz definicija i teorema je analogan odgovaraju´cim tvrdjenjima za matrice.
Skalar λ ∈ F je sopstvena vrednost operatora T ako postoji ne-nula vektor v ∈ V takav da je T(v) = λv . U tom
sluˇcaju v je sopstveni vektor preslikavanja T. Skup svih sopstvenih vektora koji odgovaraju sopstvenoj vrednosti λ je
sopstveni potprostor operatora T koji odgovara sopstvenoj vrednosti λ, u oznaci E
λ
.
E
λ
= Ker(λI −T)
Svake dve matrice koje predstavljaju operator u odnosu na neke baze su sliˇcne; prema teoremi 8.2 one imaju isti
karakteristiˇcan polinom. Taj polinom ne zavisi od izbora baze, ve´c zavisi samo od operatora i naziva se karakteristiˇcni
polinom operatora (ili sopstveni).
Teorema 8.15. T je dijagonalizabilan (moˇze biti predstavljen dijagonalnom matricom D) ako i samo ako V ima bazu
sastavljenu od sopstvenih vektora. U tom sluˇcaju dijagonalni elementi matrice D su odgovaraju´ce sopstvene vrednosti.
Teorema 8.16. Ako su v
1
, v
2
, ..., v
m
sopstveni (ne-nula) vektori koji odgovaraju razliˇcitim sopstvenim vrednostima
tada su oni linearno nezavisni.
Teorema 8.17. T je nula svog karakteristiˇcnog polinoma.
Teorema 8.18. λ ∈ F je sopstvena vrednost ako i samo ako je nula karakteristiˇcnog polinoma.
Linearna Algebra i Analitiˇcka Geometrija – 85 –
Teorema 8.19. Geometrijska viˇsestrukost sopstvene vrednosti nije ve´ca od algebarske viˇsestrukosti.
Dokaz. Videti Problem 11.12
Teorema 8.20. Ako je A matrica koja predstavlja T u odnosu na neku bazu tada je A dijagonalizabilna ako i samo
ako je T dijagonalizabilan.
• Minimalan polinom operatora T je moniˇcan polinom najmanjeg stepena m(t) takav de je m(T) nula-preslikavanje.
• Minimalan polinom operatora je i minimalan polinom bilo koje matrice koja ga predstavlja.
9 KANONSKE FORME OPERATORA
Polinom f(t) ∈ F[t] se rastavlja na proizvod linearnih ˇcinilaca ako postoje a
i
∈ F takvi da je
f(t) = (t −a
1
)(t −a
2
).....(t −a
k
)
(gde neki od a
i
-ova mogu biti jednaki).
Primer matrica (linearnog operatora) ˇciji se karakteristiˇcni polinom rastavlje na proizvod linearnih ˇcinilaca su
gornje-trougaone matrice; polinom matrice
_
_
_
_
a
11
a
12
... a
1n
0 a
22
... a
2n
. . ... .
0 0 ... a
nn
_
_
_
_
je ∆(t) = (t −a
11
(t −a
22
)...(t −a
nn
) .
U ovom delu ´cemo, izmedju ostaloga, dokazati i obrnuto tvrdjenje: ako se karakteristiˇcni polinom linearnog op-
eratora rastavlja na proizvod linearnih ˇcinilaca tada on mozhe biti predstavljen trougaonom matricom (u odnosu na
neku bazu).
Dokaza´cemo i jaˇce tvrdjenje:
ˇ
Zordanova kanonska forma Neka je V konaˇcno-dimenzioni vektorski prostor i T : V −→V linearni operator ˇciji
se karakteristiˇcni polinom rastavlja na proizvod linearnih ˇcinilaca. Tada postoji baza prostora V u odnosu na koju je
T predstavljen dijagonalnom blok matricom oblika
_
_
_
_
J
1
0 ... 0
0 J
2
... 0
. . ... .
0 0 ... J
m
_
_
_
_
gde su J
i
oblika
_
_
_
_
_
_
λ
i
1 0 ... 0 0
0 λ
i
1 ... 0 0
. . . ... . .
0 0 0 ... λ
i
1
0 0 0 ... 0 λ
i
_
_
_
_
_
_
(Matrice istog oblika kao J
i
se nazivaju Zhordanove matrice).
Ekvivalentne formulacije su:
• Svaka matrica ˇciji se karakteristiˇcni polinom faktoriˇse na proizvod linearnih ˇcinilaca je sliˇcna trougaonoj matrici.
• Svaka matrica ˇciji se karakteristiˇcni polinom faktoriˇse na proizvod linearnih ˇcinilaca je sliˇcna dijagonalnoj blok
matrici ˇciji su dijagonalni blokovi
ˇ
Zordanove matrice.
Linearna Algebra i Analitiˇcka Geometrija – 86 –
9.1 Invarijantni potprostori linearnog operatora
Neka je T : V −→V linearni operator na konaˇcno dimenzionom vektorskom prostoru V .
• Potprostor W ⊂ V je T-invarijantan (ili invarijantan u odnosu na T) ako T preslikava W u samog sebe (t.j
T(w) ∈ W za svaki w ∈ W). Ako je W invarijantan onda je restrikcija operatora T na W, u oznaci T W ili
ˆ
T,
linearni operator na W:
ˆ
T : W −→W definisan sa
ˆ
T(w) = T(w) za w ∈ W
Teorema 9.1. Ako je T : V −→V linearni operator i f(t) ma koji polinom tada je Ker(f(T)) invarijantan u odnosu
na T.
Dokaz. Videti Problem 11.3
Teorema 9.2. Ako je potprostor W invarijantan u odnosu na T : V −→ V tada se T mozhe predstaviti blok
matricom oblika
_
A B
0 C
_
gde je A matrica linearnog operatora
ˆ
T.
Dokaz. Videti Problem 11.5
• U prethodnoj teoremi baza prostora V u odnosu na koju je T predstavljen matricom gornjeg oblika biramo tako
da prvo izaberemo bazu za W a potom je produzhimo do baze za V . Pri tome mozhemo uzeti proizvoljnu bazu za
W.
Podsetimo: vektorski prostor V je direktna suma svojih potprostora W
1
, W
2
, ..., W
k
ako se svaki v ∈ V na jedinstven
naˇcin mozhe napisati u obliku:
v = w
1
+w
2
+... +w
k
w
i
∈ W
i
ı = 1, 2, ..., k
Oznaka: V = ⊕
k
i=1
W
i
Teorema 9.3. Neka su W
1
, W
2
, ..., W
k
potprostori vektorskog prostora V i neka je B
i
= w
i1
, w
i2
, ..., w
im
i
baza
prostora W
i
(za i = 1, 2, ..., k). Tada je V = ⊕
k
i=1
W
k
ako i samo ako je B = B
1
B
2
...B
k
baza za V :
B = w
11
, ..., w
1m
1
, w
21
, ..., w
2m
2
, ...., w
k1
, ..., w
km
k
Dokaz. Videti Problem 11.7
Teorema 9.4. Neka je T : V −→V linearni operator i neka su W
1
, W
2
, ..., W
k
invarijantni potprostori takvi da je
V = ⊕
k
i=1
W
i
. Ako je B
i
baza potprostora W
i
i matrica A
i
predstavlja T W
i
tada matrica
_
_
_
_
A
1
0 ... 0
0 A
2
... 0
0 0 ... 0
0 0 ... A
k
_
_
_
_
predstavlja T u odnosu na bazu B
1
B
2
...B
k
.
9.2 Osnovna dekompozicija linearnog operatora
Podsetimo da su polinomi g(t) i h(t) uzajamno prosti ako ne postoji nekonstantan polinom p(t) koji deli i g(t) i h(t).
Teorema 9.5. Neka je T : V −→ V linearni operator, f(T) = 0 i f(t) = g(t) h(t) gde su polinomi g(t) i h(t)
uzajamno prosti. Tada je V = U ⊕W gde je U = ker(g(T)) i W = Ker(h(t)) .
Linearna Algebra i Analitiˇcka Geometrija – 87 –
Dokaz. Videti Problem 11.9
Teorema 9.6. Ako je f(t) u prethodnoj teoremi minimalni polinom operatora T i ako su g(t) i h(t) moniˇcni tada je
g(t) minimalni polinom operatora T U, a h(t) minimalni polinom operatora T W
Dokaz. Videti Problem 11.10
Teorema 9.7. (Osnovna dekompozicija linearnog operatora) neka je T : V −→V linearni operator ˇciji je minimalan
polinom
m(t) = f
1
(t)
n
1
f
2
(t)
n
2
...f
k
(t)
n
k
gde su f
i
(t) razliˇciti moniˇcni nerastavljivi polinomi. Tada je V direktna suma invarijantnih potprostora W
i
=
Ker(f(T)
n
i
) . Shtaviˇse f
i
(t)
n
i
je minimalni polinom operatora T W
i
.
Dokaz. Videti Problem 11.11
Prva posledica ove teoreme je Teorema 8.13 ˇciji smo dokaz ostavili za kasnije:
Teorema 9.8. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇse na proizvod razliˇcitih
linearnih faktora:
m
A
(t) = (t −λ
1
)(t −λ
2
)...(t −λ
n
)
gde su λ
i
-ovi razliˇciti.
Dokaz. Videti Problem 11.12
• Ekvivalentna formulacija ove teoreme je: Linearni operator je dijagonalizabilan ako i samo ako je njegov
minimalan polinom proizvod linearnih ˇcinilaca.
9.3 Nilpotentni operatori
Linearni operator T : V V je nilpotentan ako je T
n
= 0 (t.j. nula-operator, koji sve preslika u 0) za neki
prirodan broj n. U tom sluˇcaju, najmanji takav n je indeks nilpotentnosti operatora T. Sliˇcno, kvadratna matrica A
je nilpotentna ako postoji prirodan broj n takav da je A
n
= 0, a najmanji takav broj je indeks nilpotentnosti matrice.
• Ako je T
n
= 0 tada je T
n+1
= 0, T
n+2
= 0,...
• Neka je T
n
= 0 i neka je m(t) je minimalan polinom operatora T. Znamo da m(t) deli t
n
(deli svaki polinom
koji poniˇstava operator T). Zakljuˇcak je: minimalni polinom nilpotentnog operatora indeksa n je m(t) = t
n
.
Primer 9.1. Kvadratna matrica reda n koja, na glavnoj dijagonali i ispod nje, ima sve nule je nilpotentna reda ≤ n.
Matrica (reda n):
N =
_
_
_
_
_
_
0 1 0 ... 0 0
0 0 1 ... 0 0
. . . ... . .
0 0 0 ... 0 1
0 0 0 ... 0 0
_
_
_
_
_
_
(ima jedinice odmah iznad glavne dijagonale i sve ostale nule) je nilpotentna reda n.
Teorema 9.9. Neka je T : V −→ V nilpotentan linearni operator linearni operator indeksa k. Tada T ima
dijagonalnu reprezentaciju:
_
_
_
_
A
1
0 ... 0
0 A
2
... 0
. .. ... .
0 0 ... A
m
_
_
_
_
gde su A
i
-ovi oblika
_
_
_
_
_
_
0 1 0 ... 0 0
0 0 1 ... 0 0
. . . ... . .
0 0 0 ... 0 1
0 0 0 ... 0 0
_
_
_
_
_
_
Pri tome sve matrice A
i
su reda ≤ k a bar jedna je reda = k.
Dokaz. Videti Problem 11.16
Linearna Algebra i Analitiˇcka Geometrija – 88 –
9.4
ˇ
Zordanova forma linearnog operatora
Teorema 9.10. Neka je T : V −→V linearni operator ˇciji su karakteristiˇcni i minimalni polinom redom:
∆(t) = (t −λ
1
)
n
1
(t −λ
2
)
n
2
...(t −λ
r
)
n
r
m(t) = (t −λ
1
)
m
1
(t −λ
2
)
m
2
...(t −λ
r
)
m
r

i
-ovi su razliˇciti). Tada postoji baza prostora V u odnosu na koju je T predstavljen dijagonalnom blok matricom J
ˇciji su dijagonalni blokovi oblika
J
ij
=
_
_
_
_
_
_
λ
i
1 0 ... 0 0
0 λ
i
1 ... 0 0
. . . ... . .
0 0 0 ... λ
i
1
0 0 0 ... 0 λ
i
_
_
_
_
_
_
Pri tome za svaki λ
i
, odgovaraju´ci dijagonalni blokovi zadovoljavaju:
(1) Za bar jedan j je J
ij
reda m
i
, ostali J
ij
-evi su reda ≤ m
i
;
(2) Za fiksno i suma redova svih J
ij
-ova je n
i
;
(3) Za fiksno i ima J
ij
-ova kolika je geometrijska viˇsestrukost sopstvene vrednosti λ
i
;
Ovo predstavljanje je jedinstveno do na permutaciju dijagonalnih blokova.
Dokaz. Videti Problem 11.18
• Matrica J je
ˇ
Zordanova kanonska matrica operatora T a matrice J − ij su
ˇ
Zordanovi blokovi koji odgovaraju
sopstvenoj vrednosti λ
i
.
• Primetimo da je J
ij
= λ
i
I +N gde je N nilpotentna matrica iz primera 9.1
Linearna Algebra i Analitiˇcka Geometrija – 89 –
10 ISPITNA PITANJA
1. Linearne jednaˇcine i sistemi (osnovni pojmovi)
2. Elementarne transformacije sistema jednaˇcina, Gausov postupak
3. Vektorski prostor R
n
: sabiranje, mnoˇzenje skalarom, baza, koordinate u odnosu na bazu
4. Linearne kombinacije, linearna zavisnost vektora u R
n
; veza sa sistemima linearnih jednaˇcina
5. Norma vektora i skalarni proizvod u R
n
6. Nejednakosti Koˇsi-
ˇ
Svarca i Minkovskog u R
n
7. Rastojanje, ugao izmedju vektora
8. Projekcija vektora, povrˇsina paralelograma u R
n
9. Vektorski proizvod, meˇsoviti proizvod
10. Prave i hiper-ravni
11. Rastojanje taˇcke od prave u R
n
, prava u R
2
12. Medjusobni poloˇzaj ravni
13. Medjusobni poloˇzaj pravih u R
3
14. Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni
15. Sabiranje i mnoˇzenje matrica skalarom, mnoˇzenje matrica
16. Matriˇcni zapis sistema linearnih jednaˇcina, veza izmedju skupa reˇsenja sistema i skupa reˇsenja pridruˇzenog
homogenog sistema
17. Blok matrice, determinanta trougaone blok matrice
18. Kvadratne matrice, trag kvadratne matrice
19. Transponovanje matrice, elementarne transformacije vrsta (kolona) matrice
20. Inverzna matrica, izrachunavanje inverzne matrice elementarnim transformacijama vrsta
21. Specijalni tipovi kvadratnih matrica
22. Vektorski prostori, definicija i osnovni primeri
23. Potprostori, linearne kombinacije vektora, lineal
24. Linearna zavisnost, baza, koordinate vektora, dimenzija
25. Jednakobrojnost baza konaˇcno dimenzionog prostora
26. Prostor vrsta matrice, odredjivanje baze i dimenzije potprostora od R
n
27. Rang matrice
28. Sistemi linearnih jednaˇcina i vektorski prostori, Kroneker-Kapelijeva teorema
29. Presek, suma i direktna suma potprostora
30. Grasmanova formula
31. Koordinate vektora u odnosu na bazu, promena baze
32. Linearni operatori, definicija i primeri
33. Izomorfizam vektorskih prostora
34. Slika i jezgro linearnog operatora
Linearna Algebra i Analitiˇcka Geometrija – 90 –
35. Operacije sa linearnim preslikavanjima, Hom(U, V )
36. Algebra A(V )
37. Matriˇcno predstavljanje linearnog operatora
38. Uticaj promene baze na matricu linearnog operatora, sliˇcnost matrica
39. Determinante, definicija i osnovna svojstva
40. Bine-Koˇsijeva teorema
41. Minori i kofaktori, izraˇcunavanje determinante
42. Adjungovana matrica, Laplasova teorema, izraˇcunavanje inverzne matrice
43. Kramerova teorema
44. Unitarni prostor, definicija i primeri
45. Koˇsi-
ˇ
Svarcova nejednakost, ugao izmedju vektora i potprostora
46. Ortogonalnost, ortogonalni komplement
47. Ortogonalni skupovi i baze, Pitagorina teorema
48. Fourijeovi koeficijenti
49. Beselova nejednakost
50. Gram-
ˇ
Smitov postupak ortogonalizacije
51. Ugao izmedju vektora i potprostora
52. Gramova matrica
53. Veza ortogonalnih matrica i baza unitarnih prostora
54. Pozitivnost Gramove determinante
55. Normirani prostori
56. Karakteristiˇcni polinom, sopstvene vrednosti i sopstveni vektori linearnog operatora (matrice)
57. Teorema Kejli-Hamiltona
58. Dijagonalizabilnost linearnog operatora (matrice)
59. Minimalni polinom, veza sa karakteristiˇcnim polinomom linearnog operatora (matrice)
60. Invarijantni potprostori linearnog operatora, direktna suma invarijantnih potprostora
61. Osnovna dekompozicija linearnog operatora
62. Nilpotentni operatori,
ˇ
Zordanova forma

Linearna Algebra i Analitiˇka Geometrija – 2 – c

4.11 Suma i direktna suma potprostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.12 Koordinate vektora u odnosu na bazu, promena baze . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 LINEARNI OPERATORI 5.1 Definicija i primeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Slika i jezgro linearnog operatora . . . . . . . . . . . . . . . . . . . . 5.3 Primena na sisteme linearnih jednaˇina . . . . . . . . . . . . . . . . c 5.4 Izomorfizam vektorskih prostora . . . . . . . . . . . . . . . . . . . . 5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U, V ) 5.6 Algebra A(V ) (ili Hom(V )) . . . . . . . . . . . . . . . . . . . . . . 5.7 Matriˇno predstavljanje linearnih operatora . . . . . . . . . . . . . . c 5.8 Algoritam za formiranje matrice operatora u odnosu na bazu . . . . 5.9 Mn (F ) i A(V ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.10 Promena baze i matrica operatora . . . . . . . . . . . . . . . . . . . 6 DETERMINANTE 6.1 Determinante reda 1, 2 i 3 . . . . . . . . . . . . 6.2 Permutacije . . . . . . . . . . . . . . . . . . . . 6.3 Definicija i osnovna svojstva determinanti . . . 6.4 Minori i kofaktori, izraˇunavanje determinante c 6.5 Adjungovana matrica . . . . . . . . . . . . . . . 6.6 Kramerova teorema . . . . . . . . . . . . . . . . 6.7 Determinante blok matrica . . . . . . . . . . . 6.8 Determinanta linearnog operatora . . . . . . . 7 UNITARNI PROSTORI 7.1 Koˇi-Svarcova nejednakost . . . . . . . . . . s ˇ 7.2 Ortogonalnost . . . . . . . . . . . . . . . . . 7.3 Ortogonalni skupovi i baze . . . . . . . . . 7.4 Furijeovi koeficijenti . . . . . . . . . . . . . 7.5 Beselova nejednakost . . . . . . . . . . . . . ˇ 7.6 Gram-Smitov postupak ortogonalizacije . . 7.7 Ugao izmedju vektora i potprostora . . . . 7.8 Matriˇno predstavljanje skalarnog proizvoda c 7.9 Promena baze i Gramova matrica . . . . . . 7.10 Ortogonalne matrice i skalarni proizvod . . 7.11 Gramova determinanta . . . . . . . . . . . . 7.12 NORMIRANI PROSTORI . . . . . . . . .

47 49 50 50 51 53 53 54 54 56 57 57 58 58 59 60 61 62 63 64 67 67 67 69 69 70 70 72 72 74 74 75 76 77 77 78 79 80 80 81 81 83 83 84 85 86 86 87 88 89

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

8 DIJAGONALIZACIJA 8.1 Karakteristiˇni (sopstveni) polinom matrice . . . . . . . . c 8.2 Teorema Kejli-Hamiltona . . . . . . . . . . . . . . . . . . 8.3 Sopstvene vrednosti i sopstveni vektori . . . . . . . . . . . 8.4 Algebarska i geometrijska viˇestrukost sopstvene vrednosti s 8.5 Dijagonalizabilnost . . . . . . . . . . . . . . . . . . . . . 8.6 Dijagonalizacija realnih simetriˇnih matrica . . . . . . . . c 8.7 Minimalni polinom matrice . . . . . . . . . . . . . . . . . 8.8 Dijagonalizacija linearnog operatora . . . . . . . . . . . . 9 KANONSKE FORME OPERATORA 9.1 Invarijantni potprostori linearnog operatora . 9.2 Osnovna dekompozicija linearnog operatora 9.3 Nilpotentni operatori . . . . . . . . . . . . . ˇ 9.4 Zordanova forma linearnog operatora . . . . . 10 ISPITNA PITANJA

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

Linearna Algebra i Analitiˇka Geometrija – 3 – c

1
1.1

ˇ LINEARNE JEDNACINE I SISTEMI
Osnovni pojmovi

Neka je K polje, ukoliko drugaˇije nije naglaˇeno podrazumevamo K = R. c s • Linearna jednaˇina nad poljem K po promenljivim x1 , x2 , ..., xn je jednaˇina koja se moˇe svesti na oblik c c z a1 x1 + a2 x2 + ... + an xn = b gde su koeficijenti a1 , a2 , ..., an i slobodni ˇlan b elementi polja K. c • Uredjena n-torka (k1 , k2 , ..., kn ) ∈ K n je reˇenje gornje jednaˇine ako vaˇi: s c z a1 k1 + a2 k2 + ... + an kn = b • Sva njena reˇenja ˇine skup reˇenja jednaˇine: s c s c {(k1 , k2 , ..., kn ) ∈ K n | a1 k1 + a2 k2 + ... + an kn = b } • Degenerisana linearna jednaˇina je oblika: c 0 x1 + 0 x2 + ... + 0 xn = b Ako je b = 0 skup njenih reˇhenja je K n ; ako je b ̸= 0 onda ona nema reˇenja (skup reˇenja je ∅). s s s • Sistem linearnih jednaˇina po promenljivim x1 , x2 , ..., xn je c a11 x1 a21 x1 . am1 x1 + + . + a12 x2 a22 x2 . am2 x2 + ... + ... ... . + ... a1n xn a2n xn . amn xn = = = b1 b2 bm

Uredjena n-torka (k1 , k2 , ..., kn ) ∈ K n je reˇenje sistema ako je reˇenje svake od jednaˇina sistema. Sva reˇenja ˇine s s c s c skup reˇenja sistema. s • Ako sa Si oznaˇimo skup reˇenja i-te jednaˇine gornjeg sistema a sa S skup reˇenja sistema tada vaˇi: c s c s z S = S1 ∩ S2 ∩ ... ∩ Sm • Reˇiti sistem jednaˇina znaˇi odrediti njegov skup reˇenja. s c c s Definicija 1.1. Dva sistema su ekvivalentna ako imaju isti skup reˇenja. s Definicija 1.2. Homogena linearna jednaˇina je oblika c a11 x1 + a12 x2 + ... + a1n xn = 0 .

′ ′ ′ Neka su r = (r1 , r2 , ..., rn ) i r′ = (r1 , r2 , ..., rn ) reˇenja gornje homogene jednaˇine i k ∈ R. Tada: s c

• (kr1 , kr2 , ..., krn ) je reˇenje: s a11 r1 k(a11 r1 a11 (k r1 ) + oznaˇavamo ga sa kr . c
′ ′ ′ • (r1 + r1 , r2 + r2 , ..., rn + rn ) je reˇenje: s

+ a12 r2 + a12 r2 a12 (k r2 )

+ ... + a1n rn

= 0 0 = 0 ;

+ ... + a1n rn ) = + ... + a1n (k rn )

a11 r1

+ a12 r2

+ ... a1n rn

=

0

+ kn r(n) s c reˇenje. x y + z + 3z t = = = 0 0 0 ima parametarsko reˇenje t = 0.. b. U sluˇaju c s s c s z c proizvoljnog homogenog sistema bazu skupa reˇenja dobijamo kada uzimamo da je vrednost jedne slobodne promenljive s 1 a ostalih 0. + kn r(n) s c reˇenje.. r2 .. a) a. 1. c s Zbir dva reˇenja nehomogene linearne jednaˇine s c a1 x1 + .. 3a. a1n xn + . k1 . .. z... x − 2y z + − t 3t  −1  −3     1  0  = 0 = 0 ima parametarsko reˇenje t = a. + an xn = b ... rn ) reˇenje jednaˇine s c a1 x1 + a2 x2 + . a2n xn . z = 3a.. 2) su reˇenja jednaˇine x + y = 2 a s s c mnoˇiti: k (1. r′ . 1) za a = 1 b = 0..1.. .. s Isto vaˇi i za sistem homogenih linearnih jednaˇina: z c a11 x1 a21 x1 .2.r(n) njena reˇenja i k0 . na taj naˇin dobijemo onoliko reˇenja koliko homogeni sistem ima slobodnih promenljivih... + am2 x2 + . s    x 2b − a  y   b     z  =  3a t a    2b −a   b   0 =      0  +  3a 0 a    2    =b  1 +a   0  0    −1  0     3  1 (2. x = −a ili (x. reˇenje (−1. y. + . y = −3a. 1) nije reˇenje jednaˇine za k ̸= 1. a1n rn = 0 = 0 . z = a. s    x −a  y   −3a       z = a =a t 0  Primer 1.. z.. b ∈ R. y = b.. .. . ′ a1n (rn + rn ) oznaˇavamo ga sa r + r′ . amn xn = 0 = 0 = 0 • Ako su r. s Primer 1.. + an xn = b (gde je b ̸= 0!) ne daje reˇenje: (1.Linearna Algebra i Analitiˇka Geometrija – 4 – c + ′ a11 r1 ′ + a12 r2 ′ + . a.. . ... 3. t) = (2b − a. y. . r′ . k1 . Ova dva reˇenja s s s ˇine bazu skupa reˇenja (ˇto znaˇi da se svako reˇenje sistema izraˇava kao njihova linearna kombinacija). . 3) nije. am1 x1 + a12 x2 + a22 x2 .. 1) i (0.. c • Ako su r.. 0.. kn skalari (obiˇni brojevi) tada je i k0 r + k1 r′ + . z s c (1. kn skalari (obiˇni brojevi) tada je i k0 r + k1 r′ + . −3a. tada je r + h takodje s c s c c reˇenje nehomogene jednaˇine: s c Neka je r = (r1 . t) = (−a. 0) je reˇenje sistema i dobija se za a = 0 b = 1... 0.. 0) a ∈ R.. . ... ′ a11 (r1 + r1 ) + ′ a12 (r2 + r2 ) + . Reˇenja ne smemo ni s • Ako je r reˇenje nehomogene jednaˇine a h reˇenje odgovaraju´e homogene jednaˇine. x = 2b − a ili (x.r(n) njena reˇenja i k0 .

. Zakljuˇujemo: svako reˇenje nehomogene jednaˇine r′ moˇemo napisati kao zbir c c s c z r′ = r + h′ reˇenja r i nekog reˇenja homogene jednaˇine.. amn xn = = = b1 b2 bm • Ako je r′ bilo koje reˇenje nehomogenog sistema tada je r′ − r = h′ reˇenje homogenog sistema. Svako reˇenje s s s nehomogenog sistema r′ moˇemo napisati kao zbir z r′ = r + h′ reˇenja r i nekog reˇenja homogene jednaˇine.. a. + a12 x2 a22 x2 . a1n xn a2n xn . + an xn = 0 • Ako je r′ bilo koje reˇenje nehomogene jednaˇine tada se lako proveri da je r′ − r = h′ reˇenje homogene s c s jednaˇine. z = a.. s    x −a + 2  y   −3a + 1     z = a t 3    −1 2   −3   1 =a     1 + 0 0 3      ... s c Isto vaˇi i za sisteme: posmatrajmo sistem z a11 x1 a21 x1 . + .... s s c • Ako sa W oznaˇimo skup svih reˇenja homogene jednaˇine i ako je r bilo koje reˇenje odgovaraju´e nehomogene c s c s c jednaˇine. 0) a ∈ R. h2 ... + + . . am1 x1 + a12 x2 + a22 x2 .. + an rn an hn = b = 0 + a2 x2 + .. t) = (−a + 2. a1n xn + .. a2n xn .. −3a + 1... . x y + z + 3z t = = = 2 1 3 ima parametarsko reˇenje t = 3. + . am1 x1 i njemu odgovaraju´i homogeni sistem: c a11 x1 a21 x1 . tada je c r + W = {r + h | h ∈ W } skup svih reˇenja nehomogene jednaˇine. + am2 x2 + .. y = −3a + 1. s s c • Ako sa W oznaˇimo skup svih reˇenja homogenog sistema i ako je r bilo koje reˇenje odgovaraju´eg nehomogenog c s s c sistema tada je r + W = {r + h | h ∈ W } skup svih reˇenja nehomogenog sistema. am2 x2 + .. s Primer 1. amn xn = 0 = 0 = 0 + + .. + ... + an (rn + hn ) = b + a2 r2 + a2 h2 + . z. hn ) reˇenje odgovaraju´e homogene jednaˇine s c c a1 x1 Tada je a1 r1 a1 h1 Sabiranjem dobijamo: a1 (r1 + h1 ) + a2 (r2 + h2 ) + .. x = −a + 2 ili (x.. . .. ..Linearna Algebra i Analitiˇka Geometrija – 5 – c i neka je h = (h1 .3.. . y.

y. z. un su njegove komponente ili koordinate.. un = vn . Gausov postupak c Oznaˇimo sa (S) slede´i sistem jednaˇina: c c c a11 x1 a21 x1 . 1. amn xn = = . un ) i v = (v1 .   u1  u  s • Vektor u = (u1 .2 Elementarne transformacije sistema jednaˇina. Videti Problem 1. 0) . .. 0. . c x . . . s (2. vn ) su jednaka ako i samo ako je u1 = v1 . a2n xn . bm L1 L2 .1.. u = (u1 .46 • Trougaona i stepenasta forma sistema. un ) piˇemo i kao vektor-kolonu  2   . 1. 0. x = 2b − a + 1 ili (x.. u2 . 0... s   2  1     0 +a 0   −1 1  0   0  +  3   2 1 0     1. x − 2y z + −  t 3t = 1 = 2 ima parametarsko reˇenje t = a. 0) i (−1. s   x  y     z =b t (1. 0. u2 .. 2. svodjenje sistema na stepenastu formu 2 • • • VEKTORI U Rn Rn je n-prostor .  un • Ponekad vektor x oznaˇavamo i sa ⃗ . y = b. 2... u2 = v2 . • Gausov postupak.Linearna Algebra i Analitiˇka Geometrija – 6 – c Primer 1. i ̸= j): c ′ k Li → Li Li + a Lj → Li Teorema 1.. c a ∈ R je skalar . 3a + 2. 1) su reˇenja homogenog sistema .. a) a... + a12 x2 a22 x2 .. s Skup svih reˇenja homogenog sistema je s W = {b (2. .. 0. • Dva vektora u = (u1 . un ) ∈ Rn je vektor (ili taˇka) prostora. u1 . .... 0. + . b ∈ R. z = 3a + 2... = b1 b2 . . 0) + a (−1. am1 x1 + + . Ako se sistem (S) mozhe dobiti iz sistema (S) primenom konachnog niza elementarnih transformacija tada su ta dva sistema ekvivalentna. am2 x2 + . skup reˇenja nehomogenog sistema je W + (1. Dokaz. b ∈ R} . t) = (2b − a + 1. 1) | a. 3.. . b.. . Lm Elementarne transformacije sistema su: (E1 ) Zamena mesta i-te i j-te jednaˇine: Li ↔ Lj c (E2 ) Na mesto i-te jednaˇine staviti nju pomnoˇenu skalarom k ̸= 0: c z (E2 ) i-tu jednaˇinu zameniti sa Li + a Lj (a ∈ K. 0) je reˇenje nehomogenog sistema....4.. 3. a1n xn + ..

. z • Sabiranje vektora je ’sabiranje vektora poloˇaja po pravilu paralelograma’...4 • Prethodna teorema opisuje Rn kao vektorski prostor u odnosu na sabiranje vektora i mnoˇenje skalarom (videti z Definiciju 4. • Nula-vektor je 0 = (0. w ∈ Rn i skalare k. v2 . Definiˇemo: u + v = (u1 + v1 .. 1. vn ) vektori prostora Rn . 7. ... 3. 3 mnoˇenje vektora poloˇaja skalarom k je ’izduˇivanje’ (ili ’skra´ivanje’) po istom pravcu sa z z z c koeficijentom k. 4. v. v ∈ Rn i k ̸= 0 skalar takvi da je u = k v onda kaˇemo da u i v imaju isti pravac (u is a z multiple of v). un + vn ) (∈ Rn ) Definicija 2.Linearna Algebra i Analitiˇka Geometrija – 7 – c 2. Videti Problem 2. ....1) • Ako su vektori u. ako je k < 0 onda imamo i promenu smera. k un ) (∈ Rn ) • Ako je n = 2... . u i v imaju suprotan smer ako je k < 0. 6. Za sve vektore u. 5. Teorema 2. 0. • −u je (−1) u. .1. u2 ... 2. k u2 . 8. u2 + v2 . .1 Sabiranje vektora i mnoˇenje skalarom z s Neka su u = (u1 ... k ′ ∈ R vaˇi: z (u + v) + w = u + (v + w) u+0=u u + (−u) = 0 u+v =v+u k (u + v) = k u + k v (k + k ′ ) u = k u + k ′ u (k k ′ ) u = k (k ′ u) 1u = u Dokaz. . • • u i v imaju isti smer ako je k > 0. 0). un ) i v = (v1 . (a) sabiranje vektora: (b) mnoˇenje vektora skalarom (brojem) k ∈ R: z k u = (k u1 .1.

. un ∈ Rn su linearno zavisni ako postoje skalari k1 .2 Linearne kombinacije. + . ...  . + xn  .. k2 . am1 x1 je isto ˇto i ’vektorska jednaˇina’ s c  + + .. .  .xn . + a12 x2 a22 x2 ... • v je linearna kombinacija vektora u1 . k2 ..2. u2 i u3 (u1 .. linearna zavisnost vektora u Rn .. bm   a11  a21     .. k2 .. u2 ...Linearna Algebra i Analitiˇka Geometrija – 8 – c 2... k1 . Vektori u1 .....3. .1.. ... am1 Definicija 2. am2 x2 + ... .. . un ako postoje skalari k1 . a1n xn a2n xn . Isti je odgovor i za bilo koji vektor v′ na mestu v. u2 i u3 ? Ekvivalentno: da li postoje x... b1   b2 =   .  + x2  .... kn takvi da vaˇi z v = k1 u1 + k2 u2 + . . un ako i samo ako slede´a ’vektorska jednaˇina’ ima reˇenje: c c s v = x1 u1 + x2 u2 + ..... u2 .. . Sta viˇe: svaki vektor se na jedinstven naˇin s c izraˇava kao linearna kombinacija vektora u1 ... . Primer 2. + xn un ... Dati su vektori        2 1 1 1 v =  3  u1 =  1  u2 =  1  i u3 =  0  −4 1 0 0  Da li je v linearna kombinacija vektora u1 ... U suprotnom (ako ne postoje takvi ki -ovi) oni su linearno nezavisni. Vektor v je linearna kombinacija vektora u1 . .. am1 am2 amn   b1  b2   ˇto oznaˇava da je vektor  s c  . z ∈ R takvi da:         2 1 1 1 x  1 +y  1 +z  0 = 3  −4 0 0 1 Ekvivalentno.  linearna kombinacija vektora kolona bm koeficijentima x1 . kn koji nisu svi nule takvi da vaˇi z k1 u1 + k2 u2 + ..  amn     a11 a12 a1n  a21   a22   a2n     x1   . veza sa sistemima linearnih jednaˇina c Definicija 2.. + .. da li sistem x + y x + y x + z = 2 = 3 = −4 ima reˇenje? s ˇ Odgovor je: da. + kn un . u2 . u2 ..  am2  a1n a2n   sa . amn xn = = =  b1 b2 bm         a12  a22       .. y. + kn un = 0.... kn su koeficijenti ove linearne kombinacije.. u3 je baza vektorskog prostora R3 ) z • Sistem linearnih jednaˇina: c a11 x1 a21 x1 .. .  + ..

• (1. Definiˇemo normu vektora u (njegov intenzitet ili duˇinu): s z ∥u∥ = √ u2 + u2 + . 1. . ∥k u∥ = |k| ∥u∥ (|k| je apsolutna vrednost broja k). 1.  • Vektori  . 1). . 1) su linearno zavisni. + .5.. u2 . .2. ∥u∥ Definicija 2. 0. (1... 0). Definicija 2. un ) vektor u Rn . 0) i (3. u2 . (1. s + a12 x2 + a22 x2 .. 1) i (1. . u ∈ Rn je jediniˇni vektor ako i samo ako je ∥u∥ = 1 . un ∈ Rn su linearno zavisni ako i samo ako je jedan od njih linearna kombinacija preostalih. vn ) vektori u Rn .. amn xn = 0 = 0 = 0  2.. 4. u2 . .. 1. v2 . 0) su linearno nezavisni. • (1.   . 0) i (2.. 0. 2.. inner product or scalar product): u · v = u1 v1 + u2 v2 + .. u2 . un ) i v = (v1 .. .3. am1 x1 ima netrivijalno reˇenje.. + un vn (∈ R) Naredna teorema opisuje osnovna algebarska svojstva skalarnog proizvoda: z Teorema 2.. 1). c ∈ Rn vaˇi: 1. 0) i (1.. ... 0) su linearno nezavisni. + u2 n 2 1 (∈ R+ ).2. Neka su u = (u1 . 1). (1. am1 am2 jednaˇina: c    a1n     ... + am2 x2 + . Za sve vektore a. b.. un ∈ Rn su linearno zavisni ako je jedan od njih nula -vektor. 3. To je c c 1 u ∥u∥ (ili u ). • • • • ∥u∥ = 0 ako i samo ako u = 0. Definiˇemo skalarni proizvod vektora u i v s (dot product.  amn a11 x1 a21 x1 .. • (1.. 3. (1. (a) Vektori u1 .. • (1.. . a1n xn + . a2n xn . .. 1) su linearno zavisni..... c Za svaki u ̸= 0 postoji taˇno jedan jediniˇni vektor koji ima isti smer kao i u..3 Norma vektora i skalarni proizvod Neka je u = (u1 .. .. (b) Vektori u1 .Linearna Algebra i Analitiˇka Geometrija – 9 – c Teorema 2. Primer 2.  a2n  su linearno nezavisni ako i samo ako homogeni sistem linearnih   . 1.4. a·b=b·a (−a) · b = −(a · b) (k a) · b = k (a · b) a · a = ∥a∥2 .   a11 a12  a21   a22  .....

. (a + b) · c = a · c + b · c i a · (b + c) = a · b + a · c Dokaz.. Dokaz: Za svaki realni broj t imamo 0 ≤ (tu + v) · (tu + v) = t2 (u · u) + 2t(u · v) + (v · v) = ∥u∥2 t2 + 2(u · v)t + ∥v∥2 Neka je a = ∥u∥2 . . b2 ≤ 4ac. z 2. + (un − vn )2 . u2 . vn ) je: √ d(u. ili ekvivalentno tome. Ovo znaˇi da kvadratni polinom ne moˇe da ima dva realna c z ˇ korena.4 Nejednakosti Cauchy-Shwartza i Minkowskog z Teorema 2. .6. jedino za a · a umesto a2 piˇemo ∥a∥2 : c s (2 a + b) · (3 a − b + 2 c) = 6 a · a − 2 a · b + 4 a · c + 3 b · a − b · b + 2 b · c = = 6 ∥a∥2 + a · b + 4 a · c − ∥b∥2 + 2 b · c ili (a + b) · (a − b) = a · a − a · b + b · a − b · b = ∥a∥2 − ∥b∥2 2.. (Minkowski) Za vektore u. v ∈ Rn vaˇi z ∥u + v∥ ≤ ∥u∥ + ∥v∥ . u) Ako je n = 2. c = ∥v∥2 Tada. projekcija c Definicija 2.. • Na osnovu prethodne teoreme moˇemo skalarno mnoˇiti dve linearne kombinacije vektora kao da se radi o z z ’obiˇnim brojevima’. v) je definisano uobiˇajeno rastojanje (duˇina duˇi uv). Tako 4 (u · v)2 ≤ 4 ∥u∥2 ∥v∥2 Deljenjem sa 4 dobijamo naˇ rezultat. • • • d(u. v) = d(v. v2 .4..5 Rastojanje.Shwartz) Za vektore u. v) = (u1 − v1 )2 + (u2 − v2 )2 + . ∥u + v∥2 = (u + v) · (u + v) = (u · u) + 2(u · v) + (v · v) ≤ ∥u∥2 + 2∥u∥ ∥v∥ + ∥v∥2 = (∥u∥ + ∥v∥)2 Kada korenujemo obe strane dobijamo ˇeljenu nejednakost.. c) ˇto je nejednakost trougla za △abc: duˇina stranice ac je manja od zbira duˇina stranica ab i bc s z z . imamo at2 + bt + c ≥ 0. b = 2(u · v).Linearna Algebra i Analitiˇka Geometrija – 10 – c 5.Shwartz-ovoj nejednakosti i drugim svojstvima proizvoda. c) ≤ d(a. (Cauchy. b) + d(b. v ∈ Rn vaˇi |u · v| ≤ ∥u∥ ∥v∥ . . Dokaz: Po Cauchy. s Teorema 2.. ugao izmedju vektora..5. un ) i v = (v1 . Rastojanje (distance) izmedju taˇaka (vektora) u = (u1 ... 3 sa d(u. za svaku vrednost t. c z z Nejednakost Minkowskog za u = a − b i v = b − c daje: d(a. Sto dalje implicira da diskriminanta D = b2 − 4ac ≤ 0.

Definicija 2. v2 .. u2 . y 6 v = (v1 .. π) takav da je cos θ = Kako je cos π 2 x u·v ∥u∥ ∥v∥ u·v ≤1 ∥u∥ ∥v∥ u·v .. un ) i v = (v1 . .. v ∈ Rn su ortogonalni (ili normalni) ako je u · v = 0 ... u2 .. un ) : s proj(v. 3) normalni ako i samo ako je njihov skalarni proizvod 0. u) = u·v u (= cu) ∥u∥2 6 v cu v − cu u O c= u·v ∥u∥2 je jedinstven skalar takav da je (v − c u) · u = 0 : (v − c u) · u = v · u − c u · u = v · u − c ∥u∥2 = 0 Odavde sledi c = u·v . .Linearna Algebra i Analitiˇka Geometrija – 11 – c Teorema 2.. vn ) na pravac vektora u = (u1 ..6. Definicija 2.9. .. ∥u∥2 . Definiˇemo projekciju vektora v = (v1 . v2 ) ∥v∥ u = (u1 . ∥u∥ ∥v∥ = 0 imamo da su vektori u Rn (n = 2. u3 ) i v = (v1 . (a) Ako su u = (u1 .. . vn ) θ definiˇemo sa: s cos θ = Primetimo da Cauchy-Shwartzova nejednakost povlaˇi: c −1 ≤ pa postoji ugao θ ∈ [0.7.. v3 ) taˇke u (obiˇnom prostoru) R3 i θ ugao izmedju njih (∠u0v) onda je u1 v1 + u2 v2 + u3 v3 u·v √ = cos θ = √ 2 2 + u2 2 + v2 + v2 ∥u∥ ∥v∥ u1 + u2 v1 3 2 3 Dokaz. v2 ) taˇke u (ravni) R2 i θ ugao izmedju njih (∠u0v) onda je c u1 v1 + u2 v2 u·v √ cos θ = √ 2 = 2 2 ∥u∥ ∥v∥ u1 + u2 v1 + v2 2 c c (b) Ako su u = (u1 .8. u2 . u2 ) i v = (v1 . u2 ) θ ∥u∥ 0 Primenimo kosinusnu teoremu na trougao 0uv .. v2 ..... Vektori u. Definicija 2. v2 . Ugao izmedju ne-nula vektora u = (u1 .

0) je jediniˇni vektor u smeru y-ose. −a1 b3 + a3 b1 . • j = (0.7 Vektori u R3 . j. 1) je jediniˇni vektor u smeru z-ose. 0) je jediniˇni vektor u smeru x-ose. c • k = (0. Vektorski proizvod (cross product) vektora a = (a1 . b2 . b3 ) je vektor a × b = (a2 b3 − a3 b2 . vektorski i meˇoviti proizvod s c • i = (1.10. c • i. b. k je ortonormirana baza (to su jediniˇni vektori koji su medjusobno normalni: c i·i=j·j=k·k=1 Svaki vektor u = (a. a3 ) i b = (b1 . 1. a1 b2 − a2 b1 ) . 0. c) se na jedinstven naˇin piˇe u obliku c s u = a i + b j + ck . a × b = (a2 b3 − a3 b2 )i − (a1 b3 − a3 b1 )j + (a1 b2 − a2 b1 )k = = a2 b2 a3 b3 i− a1 b1 i a1 b1 a3 b3 j a2 b2 j+ k a3 b3 a1 b1 a2 b2 k i·j=j·k=k·i=0 a×b= . Definicija 2.6 Povrˇina paralelograma s c s • Raˇunamo povrˇinu P paralelograma (u Rn !) odredjenog vektorima a i b: 6 b ca a·b a ∥a∥2 h = b − ca a 0 Vektor visine je h = b − c a = b − ∥h∥2 = (b − c a) · (b − c a) = ∥b∥2 − 2 c a · b + c2 ∥a∥2 = ( )2 a·b a·b 2 ∥a∥2 = (a · b) + = ∥b∥ − 2 ∥a∥2 ∥a∥2 = ∥b∥2 − 2 (a · b)2 (a · b)2 + = 2 ∥a∥ ∥a∥2 (a · b)2 ∥a∥2 a·a b·a a·b b·b = ∥b∥2 − Kako je P 2 = ∥a∥2 ∥h∥2 dobijamo: P 2 = ∥a∥2 ∥b∥2 − (a · b)2 = 2. 0.Linearna Algebra i Analitiˇka Geometrija – 12 – c 2. a2 .

a. b. b i c. c].11. . b = (b1 . a × b) je direktno orijentisana baza ukoliko su a i b nekolinearni. b2 . a. c] je po apsolutnoj vrednosti jednak zapremini paralelepipeda odredjenog vektorima a. b. a × (k b) = (k a) × b = k (a × b) 4.) generisanom sa a i b. b = (b1 . b. Takodje. b. c. . c = (c1 . b. c (4) Ako je m = α1 a + α2 b + α3 c. 2. a × b = −b × a 3. (a × b) × c pripada potprostoru (ravni.. c] = [αa.. c = (c1 . 5. (α1 a + β1 b) × (α2 a + β2 b) = α1 α2 β1 β2 (a × b). a × (b + c) = a × b + a × c. c] + [α′ a′ . 7. c] = a1 b1 c1 a2 b2 c2 a3 b3 c3 . c3 ). c) direktno (ili pozitivno) z orijentisana baza ako vaˇi: z a1 a2 a3 b1 b2 b3 >0 c1 c2 c3 Teorema 2. n = β1 a + β2 b + β3 c i p = γ1 a + γ2 b + γ3 c tada je: [m.. b. b] = −[c. c3 ). b] (2) [a.. Meˇoviti proizvod vektora a. Dokaz.. b i c se definiˇe na slede´i naˇin: [a..Linearna Algebra i Analitiˇka Geometrija – 13 – c • Neka je a = (a1 . 6. a] = −[b. Teorema 2. s s c c Definicija 2. Osobine meˇovitog proizvoda s (1) [a. c. Dokaz. Neka je a = (a1 . a3 ). c2 . c] • Dvostruki vektorski proizvod je (a × b) × c. b. c]. a2 . Raˇuna se po formuli: c (a × b) × c = (a · c) b − (a · b) c (i pripada potprostoru generisanom sa b i c). a3 ). b. (a + b) × c = a × c + b × c. (3) [αa + α′ a′ . sliˇno za b i c. 2. b. b3 ). pravi. c2 . a] = [c. n. . c] = [b. b. a × b = 0 ako i samo ako su a i b kolinearni. c] = (a × b) · c. Osobine vektorskog proizvoda 1. a × b je jedinstven vektor koji zadovoljava slede´a tri uslova: c 1.8. 3. b. c] = −[a. a2 . Kaˇemo da je trojka (a.. b3 ). b. p] = α1 β1 γ1 α2 β2 γ2 α3 β3 γ3 [a. Tada [a. b2 .7. [a. Ortogonalan je i na a i na b ∥a × b∥ je jednak povrˇini paralelograma odredjenog sa a i b s (a.

Hiper-ravan je skup svih taˇaka prostora Rn koje zadovoljavaju nedegenerisanu linearnu jednaˇinu c c k1 x1 + k2 x2 + . c c s c npr. c Iz jednaˇine odmah vidimo jedan vektor normale nα = (2. 3... an ) i ima pravac (paralelna je) vektora v = (k1 . . Prava u Rn koja sadrˇi taˇku A(a1 . n = (k1 . x2 . x2 − a2 xn − an x1 − a1 = = .. c Odredi´emo jednaˇinu ravni α koja sadrˇi taˇku A(x0 . . kn ) je skup svih z c taˇaka X(x1 . k2 .. an ) i ima pravac vektora v = (k1 .3. . bn − an ) Definicija 2. x2 = a2 + k2 t. 3 vp .. y0 . k2 . z) pripada ravni α ako i samo ako je c −→ − AX · n = 0 :X α (x − x0 . . xn = an + kn t gde t ∈ R. k2 ..13. na primer 2 vp . k2 . xn ) koje zadovoljavaju: c x1 = a1 + k1 t. an ) i B(b1 . y... −5 vp . k3 ) = 0 Jednaˇina ravni koja sadrˇi taˇku A(x0 . b2 − a2 .. bn ) taˇke (vektori) u Rn . xn = an + kn t . z0 ) i normalna je na vektor n = (k1 . kn ) (̸= c z c 0). a taˇka ravni je bilo koje reˇenje ove jednaˇine.. . 1. Slede´i primer daje geometrijsku motivaciju za prethodnu definiciju..... . .12. k2 . a2 . y − y0 ..8 Prave i hiper-ravni u Rn − − → • Neka su A(a1 . kn ) je njen vektor normale. .... x1 = a1 + k1 t. ali svaka dva su kolinearna. Neka je ravan α data jednaˇinom 2 x + 3 y − 2 z = 5.. . k3 ) je: c z c k1 (x − x0 ) + k2 (y − y0 ) + k3 (z − z0 ) = 0 Ako oznaˇimo c b = k1 x − 0 + k2 y − 0 + k3 z0 imamo jednaˇinu ravni α: c k1 x + k2 y + k3 z = b Primer 2. x2 = a2 + k2 t. z) pripada ravni ako i samo ako AX · n = 0 . z − z0 ) · (k1 . . t ∈ R je parametarska jednaˇina prave koja sadrˇi taˇku A(a1 ... Ravan (u R3 ) je odredjena jednom svojom taˇkom i vektorom normale.. k3 ) ̸= 0... • v je vektor pravca prave . z0 ) i normalna je na vektor n = (k1 . • Vektor normale nije jedinstven.. = (= t) k1 k2 kn • Vektor pravca prave nije jedinstveno odredjen pravom: ako je vp vektor pravca prave p onda je to i bilo koji vektor kolinearan sa njim. Jednaˇina ravni se transformiˇe u: c s 2 (x − 2) + 3 (y − 1) − 2 (z − 1) = 0 −→ − ˇto oznaˇava da taˇka X(x.. −2).. Zapisujemo je i u obliku.Linearna Algebra i Analitiˇka Geometrija – 14 – c 2. + kn xn = b . k2 . y. 1). AB identifikujemo sa vektorom c B − A = (b1 − a1 . A(2.4.. a2 .. a2 . c c z c 6 n A Taˇka X(x. Geometrijska motivacija za prethodnu definiciju dolazi iz R3 .... y0 .. .... s c c Definicija 2. c . b2 . Primer 2..

−1) c c c • Dve prave su paralelne ako i samo ako su im vektori pravaca kolinearni. z 2.6. Neka je data prava p : x − x0 y − y0 z − z0 = = k1 k2 k3 x−3 y−1 z+1 = = 2 3 −3 (= t) z = z0 + k3 t koju zapisujemo i (= t) Iz ove jednaˇine odmah proˇitamo njen vektor pravca vp = (2. Rastojanje taˇke M od prave p c c c c z c c s c odredjene taˇkom A ∈ p i vektorom pravca vp moˇemo izraˇunati koriste´i vektorski proizvod (povrˇinu): Oznaˇimo c −→ − AM sa m: M 6 m A Mp p vp m − c vp p . z0 ) i ima pravac vektora vp = (k1 . 1. Odredimo jednaˇinu prave p koja sadrˇi taˇku A(x0 . gde je c = pa: ∥vp ∥2 −− −→ (vp · m)2 ∥M Mp ∥2 = ∥(m − c vp )∥2 = ∥m∥2 − ∥vp ∥2 • U R2 i R3 postoji alternativni naˇin raˇunanja rastojanja taˇke od prave. k3 ) vp Odavde dobijamo parametarsku jednaˇinu prave. y0 .7 kada c c c −→ − smo raˇunali visinu paralelograma: Oznaˇimo AM sa m: c c M 6 m A c vp Mp vp −− −→ m · vp M Mp = m − c vp . x = x0 + k0 t y = y0 + k1 t c p : Primer 2. y − y0 . • Ugao izmedju dve prave je ugao izmedju njihovih vektora pravaca (definisan je iako se prave moˇda i ne seku). z) pripada pravi p c −→ − ako i samo ako postoji t ∈ R takav da je AX = t vp (x − x0 .Linearna Algebra i Analitiˇka Geometrija – 15 – c Primer 2. z − z0 ) = t (k1 . k2 . k3 ) c z c AY 1X p O Taˇka X(x. −3) i jednu njenu taˇku A(3. y. raˇunamo kao u delu 2.9 Rastojanje taˇke od prave u Rn c Rastojanje taˇke M od prave p (u Rn ) odredjene taˇkom A ∈ p i vektorom pravca vp . k2 . 3.5.

a3 ). c2 . −8.8. Taˇka B(7. C moˇemo na´i na slede´i naˇin: kako ravan odredjuju c z c z c c c − − → − → taˇka i vektor normale. Dalje. c Primer 2. Taˇka A(1. pravu u Rn (odredjenu taˇkom i vektorom pravca). z) pripada ravni akko AX · n = 0 akko: n 0 c c x − a1 b1 − a1 c1 − a1 y − a2 b2 − a2 c2 − a2 z − a3 b3 − a3 c3 − a3 = 0. −8. 3) = i 2 2 j 2 1 k −1 3 = (7. c Primer 2. Neka je p : 2 x + 3 y = 5 Iz jednaˇine odmah imamo vektor normale prave p: np = (2. taˇka X(x. • Dve ravni α i β su paralelne ako i samo ako su im vektori normala kolinearni. −2) Jednaˇina ravni koja sadrˇi taˇku A(1. pa je brojno jednaka povrˇini paralelograma z s podeljenoj duˇinom njegove stranice vp : z −− −→ ∥m × vp ∥ ∥M Mp ∥ = ∥vp ∥ 2. 5). 0. B. Vektor pravca je normalan na svaki od vektora normala c c ravni. −2) je: c z c 7 (x − 1) − 8 y − 2 (z − 2) = 0 • Na´i ´emo jednaˇinu ravni koja sadrˇi (nekolinearne) taˇke A(a1 . 3). Vektor pravca prave q je baˇ np pa je jednaˇina s c q: x−2 y−7 = 3 −2 ili q 3 x + 2 y = 20. 1. B(b1 . Ekvivalentno: povrˇina paralelos grama odredjenog sa ta dva vektora je 0 (ili nα × nβ = 0).9. c c Vektor pravca prave p moˇemo odrediti na dva naˇina: z c 1.7. b3 ) i C(c1 . 2. vp = (−3. Moˇemo je posmatrati kao: c z 1. 1.11 Poloˇaj ravni u R3 z • Jednaˇine ravni koja sadrˇi 3 date nekolinearne taˇke A. a2 . Odrediti jednaˇinu prave q koja sadrˇi taˇku M (2. pa moˇemo uzeti z vp = nα × nβ .10 Prava u ravni Imamo dve vrste jednaˇina prave u R2 . 0. Nadjemo vektor normale: c z c − − → − → n = AB × AC = (2. −1) × (2. 2). 2. Jednaˇina ravni koja sadrˇi taˇke A(1. c 2. −2). • Iz prethodnog sledi da se dve ravni α i β seku akko nα × nβ ̸= 0. hiper-ravan u R2 (odredjenu taˇkom i vektorom normale). B(3. 2) i normalna je na vektor n = (7. 7) i normalna je na pravu p : 3 x − 2 y = 4 c z c Imamo vektor normale prave p: np = (3. 1) i C(2. 2) − − → 2. 1) pripada pravi p.Linearna Algebra i Analitiˇka Geometrija – 16 – c −− −→ ∥M Mp ∥ je duˇina visine paralelograma odredjenog vektorima m i vp . −→ − Primeti da je ⃗ ̸= ⃗ kako su taˇke nekolinearne. vp je ma koji vektor normalan na np . b2 . treba na´i samo vektor normale. −5). Da odredimo jednaˇinu preseˇne prave te dve c c ravni treba na´ jednu taˇku preseka i vektor pravca prave. y. c3 ). c c Primer 2. npr − − → − → n = AB × AC = ⃗ i b1 − a1 c1 − a1 ⃗ j b2 − a2 c2 − a2 ⃗ k b3 − a3 c3 − a3 . npr. Prvo c c c z c nadjemo vektor normale na ravan. −3) pripada pravi p pa je njen vektor pravca i AB = (10. 2. a to je AB × AC.

vq ] |vp × vq | 2. ekvivalentno vp × vq = 0. • Kada su p i q mimoilazne? Neka je p data taˇkom A i vektorom pravca vp a q taˇkom B i vektorom pravca vq . vp = nα × nβ = = (7. vp . q) = − − → [AB. Rastojanje taˇke M od ravni α je duˇina duˇi AM1 . vp . α) = |AM1 | = |proj (AM .Linearna Algebra i Analitiˇka Geometrija – 17 – c Primer 2. Primetimo da je povrˇina osnove paralelepipeda paralelogram odredjen sa vp i vq pa imamo: s d(p. vq ] ̸= 0 − − → • Sliˇno: prave su u istoj ravni (paralelne su. 1). ugao izmedju prave i ravni z Neka je prava p zadata taˇkom A i vektorom pravca vp .10.12 Medjusobni poloˇaj pravih u R3 z • Prave p i q su paralelne akko su im vektori pravaca kolinearni. Jednaˇina preseˇne prave ravni c c α : 2x + 2y − z = 1 i j 2 2 2 1 k −1 3 i β : 2x + y + 3z = 5. i neka je ravan α zadata taˇkom B i vektorom normale nα . vq ] = 0 c • Rastojanje izmedju mimoilaznih pravih p i q (sa gornje slike) je jednako visini paralelepipeda. vp . c c q vq : B  - A vp p − − → Primetimo da su prave mimoilazne ako i samo ako je paralelepiped odredjen sa AB. −2) npr. Preseˇna taˇka je bilo koje reˇenje sistema 2x + 2y − z = 1 c c s p : 2x + y + 3z = 5 (= t) x−1 y z−1 = = 7 −8 −2 • Neka je ravan α data taˇkom A i vektorom normale n. vq nedegenerisan (zapremina − − → mu nije nula): [AB. 0. ili se seku) ako i samo ako [AB. rastojanje raˇunamo po formuli: c α −− −→ −→ − |(M − A) · n| d(M. −8. c c . A(1. vp . n)| = ∥n∥2 2.13 Medjusobni poloˇaj prave i ravni. c c z z −− −→ −→ − Primetimo AM1 = proj (AM . n) 6 M M 1  n A Prema tome.

• Matrice (aij )m. a3n . imamo: 3 MATRICE Definicija 3.. 1 ≤ j ≤ n)) . zbog ϕ + θ = 900 .n i (bij )m′ . (aij )m. am2 a13 a23 a33 .1......  amj . rows) i n kolona (vertikalnih redova. shape) nad poljem K je pravougaona tablica koja se sastoji od m vrsta (horizontalnih redova.n   a1j  a  • Vektor j-te kolone je uj =  2j . a2n . Matrica tipa m × n.  v1  v  = 2   . . amn    . c z • Koristi se i oznaka [aij ] .. c p 6 n ϕ θ Ako je ϕ ugao izmedju vektora vp i n tada je: cos ϕ = sin θ =  vp p′ α vp · n ∥n∥2 vp · n ∥n∥2 pa.n′ su jednake akko imaju isti tip (m = m′ i n = n′ ) i svi parovi odgovaraju´ih c elemenata su jednaki (aij = bij za 1 ≤ i ≤ m . . columns) ˇija su polja popunjena c elementima skupa K:       a11 a21 a31 .   Ovu matricu skra´eno obeleˇavamo sa (aij )m... ai2 .. am1 a12 a22 a32 . (aij )m. ain ) .  vm  • Vektor i-te vrste je vi = (ai1 .. un )  . .. a1n .n = (u1 u2 .. am3 ...n ili samo sa (aij ) .. (size. ili formata m × n.Linearna Algebra i Analitiˇka Geometrija – 18 – c − − → • p pripada ravni α akko A ∈ α (ekvivalentno AB ⊥ nα ) i vp ⊥ nα : − − → AB · nα = 0 i vp × n α = 0 • p je paralelna ravni (ali joj ne pripada) α akko A ∈ α i vp ⊥ nα : / − − → AB · nα ̸= 0 i vp × n α = 0 • Iz prethodna dva sledi da p seˇe ravan α akko vp × nα ̸= 0 c • Ugao izmedju prave p i ravni α je (po definiciji) ugao θ izmedju p i njene ortogonalne projekcije na ravan α (oznaˇimo projekciju sa p′ )....

8. .n + (bij )m. 7.n (K) i skalare k1 .1)..Linearna Algebra i Analitiˇka Geometrija – 19 – c 3. 5.n .1..  . 4. B. z • Matrice mnoˇimo skalarom k po pravilu: k (aij )m. (A + B) + C = A + (B + C) A+0=A A + (−A) = 0 A+B =B+A k1 (A + B) = k1 A + k1 B (k1 + k2 ) A = k1 A + k2 A (k1 k2 ) A = k1 (k2 A) 1A = A Dokaz..n (K).. + an bn Ovo je skalarni proizvod vektora vrste (ili 1 × n matrice) i vektora kolone (ili n × 1 matrice). • Nula-matrica tipa m × n ima sve elemente 0. C ∈ Mm. 6.2 Mnoˇenje matrica z  b1  b  B =  2 . z • Skup svih m × n matrica nad poljem K se oznaˇava sa Mm.n = (aij + bij )m. c Teorema 3.n (K) vektorski prostor nad poljem K (videti Definiciju 4. Za sve matrice A. oznaˇavamo je sa 0m. na primer: c 2 (3 A − 4B) + 3(B + 2 A) = 6 A − 8 B + 3 B + 6 A = 12 A − 5 B 3..  bn  Neka je A = (a1 a2 .1 Sabiranje i mnoˇenje matrica skalarom.. 3.n ( ili samo sa 0). • Ove osobine znaˇhe da je Mm... k2 ∈ K vaˇi: z 1. U rezultatu dobijamo skalar (ili 1 × 1 matricu). c • Sabiramo samo matrice istog formata (aij )m. 2. c • Aksiome vektorskog prostora dozvoljavaju uobiˇajeno linearno kombinovanje.n = (k aij )m. an ) Definiˇemo: s A · B = a1 b1 + a2 b2 + . .n .

1. ..Linearna Algebra i Analitiˇka Geometrija – 20 – c Definicija 3..  6 3  1 7 = 0 1 ] [ 2·3+1·7+6·1 13 = 3·3+5·7+4·1 23 6 4 ]  Primer 3. 2. A (B + C) = A B + A C (B + C) A = B A + C A k (A B) = (k A) B = A (k B) . Am · B1 Am · B2 . A2 · Bn AB =   . + a2k bk   ... 5) Teorema 3. gde je k skalar. 2) + 5(−2. −1) = (14... 2) + 8(−2. 3.. C takvi da su izrazi definisani: c z c 1. . + a1k bk  b2   a21 a22 . (A B) C = A (B C) (asocijativnost). =    . B Am Definiˇemo proizvod A · B (koji je matrica tipa m × n) na slede´i naˇin: s c c  A1 · B1 A1 · B2 . Neka je A matrica tipa m × k i B matrica tipa k × n (vektori vrsta matrice A i vektori kolona matrice B imaju istu duˇinu k). . A1 · Bn  A2 · B1 A2 · B2 ..  B = B B .  am1 am2 . Slede´a tvrdjenja vaˇe pretpostavljaju´i da su formati matrica A... + amk bk bk Primer 3.. + aik bkj ais bsj .. . Am · Bn • A B = (cij )m. 2) 7(3. [ 2 1 3 5 [ 2·6+1·1+6·0 3·6+5·1+4·0 19 48 ] .. −1) 4(3. . 0) + 9(1. amk am1 b1 + am2 b2 + . (desna distributivnost). (leva distributivnost).. 2) + 2(−2... a1k a11 b1 + a12 b2 + ..2.n ili: cij = ∑k s=1     gde je cij = ai1 b1j + ai2 b3j + . −1) = (8.. a2k     a21 b1 + a22 b2 + .     1 2 3 b1 b1  4 5 6   b2  =  4b1 7 8 9 b3 7b1   1 2 3 3  4 5 6   −2 7 8 9 1 + + + 2b2 5b2 8b2  + 3b3 + 6b3  + 9b3     Konkretno:    2 2 −1 0 = 8 2  −1 14 5 1(3.. B....2... 0) + 6(1... .  ..  . • Ukoliko matricu B predstavimo preko vektora vrsta      b1 a11 a12 . 0) + 3(1.. −1) = (2.. 4.2.. z   A1  A2  ( 1 2 ) n  A=  .

veza izmedju skupa reˇenja sistema i c c s skupa reˇenja pridruˇenog homogenog sistema s z Sistem linearnih jednaˇina c a11 x1 a21 x1 . Sistem 2x + 3y −x + 2y moˇemo zapisati u matriˇnoj formi A X = B: z c ( 2 3 5 −1 2 4 )   ( ) x −1  y = 5 z + 5z + 4z = −1 = 5 . am1 x1 + + ... amn xn  b1 b2   . . Jediniˇna matrica reda n..... u oznaci In . 0 3. 0   . Primer 3. 0 .0  . a1n  x2    . ... ... c  ( 2 3  −1 2  4 0  ( ) 2 1 0  −1 4 3 4  1 4 0 3 )  14 9 = 7 6  4 0 !!!  .... amn xn = = = b1 b2 bm moˇemo zapisati u matriˇnoj formi A X = B: z c  a11  a21   .Linearna Algebra i Analitiˇka Geometrija – 21 – c • Mnoˇenje matrica nije komutativno: z ( ( 2 3 −1 2 1 0 4 3 )( 1 4 0 3 ) = ) = ( ( 14 9 7 6 2 5 3 18 ) ) )( 2 3 −1 2 ili:  3 2  nije definisan 0  1  0  c Definicija 3.. a2n xn .. am2     x1 .3. ....  bm Matrica A je matrica sistema (coefficient matrx).3... am1 a12 a22 . je n × n matrica:  .   . + a12 x2 a22 x2 . a2n    .... 1  0 1 .  .. + ..3 Matriˇni zapis sistema linearnih jednaˇina. am2 x2 + . a1n xn + . 0 • Ako je A matrica tipa m × n onda je: Im A = A In = A • Ako je red jediniˇne matrice jasan iz konteksta pishemo samo I.. =   .

a  a51 a52 . . Otuda: A(k1 u1 + k2 u2 + . a55 a56  . 53   . .. a61 a62 .. a46  43 45   .  a  . . a .    .. s s c Predpostavimo da u i v razliˇita reˇenja AX = B. Onda....    ..6 moˇemo je deliti na blok matrice na viˇe naˇina: z s c   . . . predpostavimo da je W linija koja prolazi c kroz poˇetak O.. ul reˇenja homogenog sistema A X = 0 (ui je vektor-kolona) . i kako imamo beskonaˇno mnogo k-ova.. c s Dokaz: Dovoljno je pokazati da ako AX = B ima viˇe od jednog reˇenja.. . + kn Aun = k1 0 + k2 0 + . onda je i Au = B i Av = b.  ..Linearna Algebra i Analitiˇka Geometrija – 22 – c Primer 3..3. . a36   11  33 35 A21 A22 A23  A= = .   . za bilo koje k ∈ K.4.4 Blok matrice Blok matrice dobijamo deljenjem matrice horizontalnim i vertikalnim linijama na matrice manjeg formata (podmatrice). Kako su za razliˇite k-ove ova reˇenja c s c s medjusobno razliˇita (videti Problem 3. Prime´ujemo da teorema ima geometrijsku interpretaciju u R3 . .. da ih onda ima beskonaˇno mnogo. a63 a64 . + kn 0 = 0 Teorema 3.. a13 a14 .5. . .. Tada je c u0 + W = {u0 + w | w ∈ W } skup svih reˇenja nehomogenog sistema. . .   . . za bilo koje k ∈ K. a23 a24 . .. + kn un ) = k1 Au1 + k2 Au2 + . . ako je A = (aij )6. a44 . a34 .. . zakljuˇujemo da AX = B ima c c c beskonaˇan broj reˇenja. . .. s Dokaz: Kako je U = u0 + W dobijeno dodavanjem u0 svakom elementu W . za bilo koje W c U narednoj teoremi bitno je da je polje K beskonaˇno: c Teorema 3. . a a31 a32 .. . Au2 = 0. a15 a16  ..   .  21 a22 . . a A31 A32 A33  a41 a42 . Na primer. c s A [u + k(u − v)] = Au + k(Au − Av) = B + k(B − B) = B Drugim reˇima. Svaki sistem linearnih jednaˇina A X = B ili nema reˇenja.21). a65 a66 . a25 a26     ... ili ima taˇno jedno reˇenje. s Dokaz: Dato nam je: Au1 = 0. . c s 3. Aun = 0. .. ili ima c s c s beskonaˇno mnogo reˇenja .. ..       ... . Pretpostavimo da je u0 jedno reˇenje sistema A X = B i neka je W skup svih reˇenja (vektor kolona) s s odgovaraju´eg homogenog sistema A X = 0. ... Sliˇno... .. a . Pretpostavimo da su u1 . .. Onda je.. A A12 A13   .......  . Posebno. + kl ul takodje reˇenje sistema..... . kao ˇto se vidi sa slike... U = u0 + W linija koja je paralelna W dobijena dodavanjem v0 c s svakom elementu W . a54 .. Tada je svaka linearna kombinacija k1 u1 + k2 u2 + . u2 . Sistem 2x −x moˇemo zapisati u matriˇnoj formi A X = 0: z c ( 2 −1 + 3y + 2y ) + 5z + 4z  = 0 = 0 3 5 2 4  ( ) x 0  y = 0 z s Teorema 3. .. . a11 a12 .4.. u + k(u − v) je reˇenje za AX = B..

. . . • Dijagonalna blok matrica je blok matrica oblika  A11 0  0 A22   .  . ... . Bmn .. 0 A12 A22 . . . a51 a61 a12 a22 a32 a42 . Primetimo da blokovi 0 ne moraju biti . a13 a23 a33 a43 . D je 4 × 3.. A2n   ..  . Ann   .... ... . A1n .. B2n   . . .. . ... . . . . . . .. A2n   i B=  .Linearna Algebra i Analitiˇka Geometrija – 23 – c Matrice Ai..  . Ann formata).. .. Amn Bm1 B12 B22 . ... .. a41 a51 a61 a12 a22 a32 . . . .  = A′  21   a46   a56   a66 A′ 12 A′ 22 A′ 13 A′ 23 ) D G E H ) C je tipa 4 × 2... .. Bm2  .. . . 0 gde su svi blokovi Aii kvadratne matrice. 0 0  . .... a44 a54 a64 . . . . A1n B11  B21 .. a54 a64 a15 a25 a35 a45 .. a43 a53 a63 a14 a24 a34 .. . . .. . .. . . . . . a42 a52 a62 ... .  0   0   .   4 gde su svi blokovi Aii kvadratne matrice (mogu´e razliˇitih c c kvadratni i mogu biti razliˇitih tipova. . . .j su tipa 3 × 2          A=        a11 a21 a31 a41 .. .. .. . .. . B1n . ..    a26    a36  (  C  a46  = F    .. ...  a15 a25 a35 . a55 a65 . . . . a13 a23 a33 .. . . G je 2 × 3 i H je tipa 2 × 1 . 0 .. . . Am1  A12 A22 . . . .. . . .. 0   .. . . . .... a45 a55 a65 a16   a26    a36  (  A′  11 . Na primer: c  2 ( )   A11 0  = 1 0 A22  . . ...... a53 a63 a14 a24 a34 a44 .. . .. ..  . . . . • Ako su blok-matrice A11  A21 A=  . .j su tipa 2 × 2          A=        Matrice A′ i.   a56   a66 a16 a11 a21 a31 .. . F je 2 × 2. . 0  . . . .. E je 4 × 1. Am2 3 5 .  0 • Trougaona blok matrica je blok matrica oblika  A11  0   . .. . . . . . . a52 a62 . . .. ..

. .. Aq1 takve da je svaki (matriˇni) zbir c Cij = Ai1 B1j + Ai2 B2j + .. A1p . Bp1  B12 B22 ... .. . u oznaci AT ... • Ako je A vektor vrsta (1 × n matrica) tada je AT vektor kolona (n × 1 matrica).  . C1r ... B2r   . . .. A2n + B2n    .. a2n     =  a13 a23 . k A1n .. Aqp B11  B21 B=  .... Cqr )  A12 A22 ... A2n   k A21 = ..m .. Aij i Bij su istog tipa za sve i.. Bp2  ... Cq1 ( ) .Linearna Algebra i Analitiˇka Geometrija – 24 – c istog ‘tipa’ (t.. Amn + Bmn •  ..  .. . Bpr Primer 3.. Am1 + Bm1 A11  A21 k  . Neka je  0  0   2 1 0 0 3 4 2 1 0 0 A=  3 2 3 4  1 4  0  0 0 0 0 0 2 3 1 4 2 1 2 1  3 ( )( ) 4  0 A A A = 3  A 0 0 A 4  0 0 ( )  0 0 0A + A0 0A + AA = =  7 18 AA + 0 AA + 0A 6 19 7 18 6 19 7 6 7 6  18 19   18  19 3. tada je C11  C21 AB =   .... ..   .. .   . vaˇi i obrnuto. k A2n    . dobijamo tako ˇto vrste matrice s   T a11 a21 ... .. • Ako je A = (aij )m. Am2   . a11 a12 a13 . z .  .. C2r   .n matrica tipa m × n tada je AT matrica tipa n × m i AT = (aji )n... Amn k Am1 k A12 k A22 ...... Am2 + Bm2  . Cq2  . Tada je A A = (  C12 C22 ...j... j) tada je A11 + B11  A21 + B21 A+B =  . ... k Am2  A12 + B12 A22 + B22 . B1r .. A2p   .. A1n k A11 .. . Aq2  .. am1 am2 am3 ....  amn Transponovanu matricu matrice A.  ... a1n  a12 a22 .  a21 a22 a23 .5... A1n + B1n ...... Am1  A12 A22 .5 Transponovanje matrice A piˇemo kao kolone matrice AT : s  am1 am2   am3   . amn a1n a2n ..  . . .. k Amn • Ako su blok-matrice A11  A21 A=  . . + Ain Bnj definisan..

B reda n komutiraju ako vaˇi A B = B A . za matrice tipa n × n kaˇemo i da su matrice reda n .. 2. 3. 4.2 za sve A.Linearna Algebra i Analitiˇka Geometrija – 25 – c Teorema 3. . • Vaˇe osobine iz Teoreme 3. B ∈ Mn (K) tada i A + B. 3.. (A + B)T = AT + B T (AT )T = A (k A)T = k AT (A B)T = B T AT .. A2 = A A. 1. z • Matrice A. Ako k ∈ K i A ∈ Mn (K) tada k A ∈ Mn (K). Ako A. mnoˇenje i mnoˇenje skalarima: z z 1.. 2. A B + A C + A2 = A(A + B + C) (izvlaˇenje ‘levog’ A) c B A + C A + A2 = (B + C + A)A (izvlaˇenje ‘desnog’ A) c (A + B)(C + D) = A C + A D + B C + B D (A + B)2 = (A + B)(A + B) = A2 + A B + B A + B 2 A B + C A ̸= A(B + C) (mnoˇenje nije komutativno) . + a1 A + a0 I . B..1 i 3.j. Mn (K) (umesto Mn. mnoˇenje i mnoˇenje z z z skalarima. z • Za skup A ⊆ Mn (R) kaˇemo da je algebra matrica ukoliko je zatvoren za sabiranje. C ∈ Mn (K) i k ∈ K vaˇi: z 1. primetimo da tada on ima sve osobine pobrojane u teoremama 3.. (A B) C = A (B C) A (B + C) = A B + A C (B + C) A = B A + C A k (A B) = (k A) B = A (k B) gde je k skalar. 2. z c • Prema Teoremi 3. 5. Pretpostavljaju´i da su matrice takvih formata da su izrazi definisani vaˇi: c z 1. • Skup Mn (K) je zatvoren za sabiranje. 3. An+1 = An A • Opˇtije. + a1 t + a0 definiˇemo matriˇni polinom: s s c p(A) = an An + an−1 An−1 .6 Kvadratne matrice Kvadratne matrice su one koje imaju isti broj vrsta i kolona (t. 2.n (K)) oznaˇava skup svih kvadratnih matrica reda n nad poljem z c K. z • Induktivno definiˇemo stepen kvadratne matrice: s A0 = I.6.2 Primer 3. za svaki polinom p(t) = an tn + an−1 tn−1 . Vektorski prostor u kome je definisana i operacija mnoˇenja vektora koja zadovoljava ove uslove naziva se algebra. 3. A1 = A. 4.. tip im je oblika n × n).1 za Mn (K) (ˇini vektorski prostor nad poljem K). A B ∈ Mn (K). 4.6.

. Videti Problem 4...8. vi → k vi z (E3 ) Dodavanje i-toj vrsti k puta j-ta vrsta (i ̸= j!). Kanonske matrice su stepenaste matrice sa jedinicama na prvom ne-nula mestu u svakoj vrsti.7 Elementarne transformacije vrsta matrice. ona sadrˇi elemente z a11 a22 . 2.11 • Glavna dijagonala kvadratne matrice (main diagonal) ide iz gornjeg levog u donji desni ugao. • ∼v je relacija ekvivalencije (na skupu matrica fiksiranog tipa): (1) A ∼v A (2) A ∼v B povlaˇi B ∼v A c (3) A ∼v B i B ∼v C povlaˇi A ∼v C c Teorema 3. Kasnije ´emo dokazati jaˇe tvrdjenje od prethodnog : s c c Teorema 3. (2) vi → 1 k vi je inverzna za vi → k vi . Dokaz. . 2. Ako je k skalar i A. B ∈ Mn (R) tada vaˇi: z tr(A + B) = tr(A) + tr(B) tr(k A) = k tr(A) tr(A B) = tr(B A) Dokaz.. ili trag kvadratne matrice (trace) A = (aij )n. Videti Problem 4. + ann Teorema 3. Svaka matrica je ekvivalentna stepenastoj matrici istog formata. ann • tr(A).10.. a u koloni svake takve jedinice moraju se nalaziti joˇ samo nule. 1. Dokaz. vi → vi + k vj • Svaka od ovih operacija ima inverznu operaciju istog tipa: (1) vi ↔ vj je inverzna sama sebi . ako B moˇe biti dobijena iz A z primenom niza elementarnih transformacija vrsta. 3.7. elementarne matrice Elementarne transformacije vrsta matrice su: (E1 ) Zamena mesta dve vrste .10 3. • Matrice istog formata A i B su ekvivalentne (po vrstama). Svaka matrica je ekvivalentna jedinstvenoj kanonskoj matrici istog formata. Ako su f (t) i g(t) polinomi tada je: 1.9. (f + g)(A) = f (A) + g(A) (f g)(A) = f (A) g(A) f (A) g(A) = g(A) f (A).n je skalar definisan kao suma elemenata glavne dijagonale: tr(A) = a11 + a22 + .. 1 k (3) vi → vi − vj je inverzna za vi → vi + k vj . vi ↔ vj (E2 ) Mnoˇenje jedne vrste skalarom k ̸= 0 . u zapisu A ∼v B. 3. .Linearna Algebra i Analitiˇka Geometrija – 26 – c Teorema 3.

. c 1. Takve matrice su elementarne matrice koje odgovaraju el. • Ako su A i B inverzibilne tada je i A B inverzibilna i vaˇi: z (A B)−1 = B −1 A−1 Opˇtije: s (A1 A2 .. z c Primer 3. (E2 ).transformacijama c vrsta. Primenom operacije e na matricu A (koja ima m vrsta) dobijamo matricu e(I) A . Neka je e elementarna transformacija vrsta i neka je e(Im ) njena odgovaraju´a elementarna matrica. • Svaka elementarna operacija na vrstama matrice je mnoˇenje odgovaraju´om elementarnom matricom s’ leva.An )−1 = A−1 . .4.Linearna Algebra i Analitiˇka Geometrija – 27 – c Neka e oznaˇava elementarnu transformaciju matrice (neku od (E1 )..7.A−1 A−1 n 2 1 • Ako A ima nula-vrstu onda nije inverzibilna. A ∼v B ako i samo ako postoji matrica P koja je proizvod elementarnih matrica takva da je A = P B Dokaz. zovemo je inverzna matrica matrice c A (ili inverz od A) i obeleˇavamo sa A−1 : z A A−1 = A−1 A = I • Ako je B inverz za A onda je A inverz za B ((A−1 )−1 = A). Kvadratna matrica A je inverzibilna (invertible or nonsingular) ako postoji matrica B istog tipa takva da je AB = B A = I • Ako je A inverzibilna tada postoji taˇno jedna matrica koja zadovoljava gornji uslov..11. Prethodno tvrdjenje na primeru 3 × 3 matrica:  1 (1) e je ‘zameni mesta druge i tre´e vrste’ : e(I) =  0 c 0   1 0 0 a1 a2 a3  0 0 1   b1 b2 b3 0 1 0 c1 c2 c3  1 0 0 (2) e je ‘pomnoˇi drugu vrstu sa k’ : e(I) =  0 k 0 z 0 0 1  1  0 0 0 k 0  0 a1 0   b1 1 c1 a2 b2 c2  0 1 : 0  a1  =  c1 b1  0 0 1   :  a3 kb3  c3 a2 c2 b2  a3 c3  b3   a3 a1 b3  =  kb1 c3 c1  a2 kb2 c2 (3) e je ‘dodati drugoj vrsti k  1 0  0 1 0 0 0 k 1  1 0 0 puta tre´a’: e(I) =  0 1 k : c 0 0 1    a1 a2 a3 a1 a2   b1 b2 b3  =  b1 + kc1 b2 + kc2 c1 c2 c3 c1 c2  a3 b3 + kc3  c3 Teorema 3. 3.8 Inverzna matrica Definicija 3. 2. (E3 )) i neka je e(I) matrica dobijena pric menom operacije e na jediniˇnu matricu I.

. Prema tome. (2) A ∼v I ili: primenom niza elementarnih transformacija vrsta matricu A moˇemo svesti na jediniˇnu. Neka je A ∼v B . B ∼v A ako i samo ako postoji inverzibilna matrica P takva da je B = P A . onda A = E1 E2 . z c B = A−1 (3) A je proizvod elementarnih matrica (koje odgovaraju el... Ako (3) vaˇi. B je takodje inverzibilna. zbog njihovog proizvoda i A z je inverzibilna... Ako je A B = I tada je i B A = I (prema tome A−1 = B) Dokaz Teorema 3.... E2 . E2 . En . En z −1 −1 −1 takve da E1 . Dokaz: Predpostavimo da je A inverzibilna i predpostavimo da je A ekvivalentna matrici B koja je u kanonskoj formi. . . Ali ako B ̸= I. . Znaˇi: ako (kvadratnu) matricu A moˇemo elementarnim transformacijama vrsta svesti na matricu sa nula-vrstom c z tada A nije inverzibilna! • Vide´emo kasnije i drugi naˇin ispitivanja postojanja i izraˇunavanja inverzne matrice: dokaza´emo da je A c c c c 1 −1 inverzibilna ako i samo ako je det(A) ̸= 0 i u tom sluˇaju je A = c adj(A).. Dokaz: Predpostavimo B ∼v A.. trans. tj. a odatle sledi da (3) implicira (1).. En A = I.(e1 (A)). takve da E1 . Neka je A kvadratna matrica reda n. ... s c Posledica 3. .. Ako je A ∼v B i B ima nula-vrstu onda A nije inverzibilna.. Kako su A i svaka c elementarna matrica inverzibilne.12. Prema Teoremi 3. onda B ima nula-vrstu..8.. det(A) . Em takvih da je Em Em−1 ... pa se B moze dobiti iz A elementarnim transformacijama vrsta ˇto znaˇi B ∼v A.. • Proizvod elementarnih matrica je inverzibilna matrica. E1 )−1 = E1 .. Ali Ei je isto elementarna matrica. Tada su slede´a tvrdjenja ekvivalentna: c (1) A je inverzibilna. Dokaz.. E1 A = B Teorema 3.. teorema je dokazana.. onda postoje elementarne matrice E1 .E1 A = P A gde je P = En . odakle sledi da B nije inverzibilna.. B = en (. E2 .14. E2 .En .12.En . ali B = P A nije inverzibilna.E1 inverzibilna matrica. Znaˇi: c 5 3 2 5 1 3 • Ako je A inverzibilna i B takva da vaˇi B A = I (ili A B = I) tada je B = A−1 : z B A = I pomnoˇimo s’ desna sa A−1 : z B A A−1 = I A−1 B I = A−1 • Elementarne matrice su inverzibilne.1. Tada postoji inverzibilna P takva da je B = P A.. Ei je inverzibilna matrica. Teorema 3. . Prema tome A nije inverzibilna. Kako je A = (En ... Ako (2) vaˇi. vrsta)... P je proizvod elementarnih matrica.. Odavde sledi da (2) implicira (3). To znaˇi da postoje elementarne matrice E1 .13.Linearna Algebra i Analitiˇka Geometrija – 28 – c )( ) ( )( 2 5 3 −5 3 −5 2 = 1 3 −1 2 −1 2 1 ( )−1 ( ) ( )−1 ( 2 5 3 −5 3 −5 = i = 1 3 −1 2 −1 2 ( ) = I ) Primer 3.. Ako je A inverzibilna onda je i P A inverzibilna. Tako da B = I pa (1) implicira (2).) = Es . • A ∼v B ako i samo ako postoji niz elementarnih matrica E1 .. En A = B.

Neka je A z z c inverzibilna reda n. . Tada postoji niz elementarnih matrica takvih da je Em .  ∼v .9 Izraˇunavanje inverzne matrice elementarnim transformacijama vrsta c Teorema 3.  .1: ako A ∼v B i B ima nula-vrstu tada A nije inverzibilna! s ( Primer 3.. 1 .. ako stepenasta forma ima nula-vrstu u A-bloku STOP (A nije inverzibilna). −5 2 .9. ...  ∼v . Elementarnim transformacijama vrsta svesti matricu M na stepenastu formu (i tada je A-blok gornjetrougaon. −1 . 3 . −3 1 . .. .j. Objaˇnjenje STOP u koraku 2 je zbog Posledice 3. .Linearna Algebra i Analitiˇka Geometrija – 29 – c 3. 5 . 0 1 . Korak 3. .. E2 E1 = A−1 Strategija izraˇunavanja A−1 : (I) Formiramo blok matricu c ( A I ) (II) Svodimo je na kanonsku formu (t. na I) elemetarnim transformacijama vrsta (mnoˇenjem s’leva elementarnim z matricama E1 . .   1 0  .E1 A ( = I Em .12 (1) ⇔ (2) kaˇe: A je inverzibilna ako i samo ako se moˇe svesti na jediniˇnu matricu. Formirati n × 2n blok matricu M = (A I) . t... Em ) ( ) A I ( ) E1 A E1 I ( ) E2 E1 A E2 E1 ( . z A−1 = B. Korak 4. Neka je A =   1 3  ∼v ( Prema tome A−1 = −5 2 3 −1  1 0 ) 2 1 1 2 3 5 )  .. E2 .  0  ∼v −1 . ima nule ispod glavne dijagonale)... E2 E1 AA−1 = IA−1 Em .   1 0 0 1  . E2 E1 A = I Pomnoˇimo s’ desna sa A−1 : z Em .. 3 −1 .E1 ) A−1 ) = Algoritam za izraˇunavanje A−1 c Korak 1... 1 0 2 .j.. 1 0 2 . . Korak 2. . Elementarnim transformacijama produˇiti svodjenje do kanonske forme: ona je oblika (I B). Em .

 .10 Elementarne transformacije kolona  a11  a21   .   .. 1 0 0 0 2 . 1 0 0 . . 1 0 0 .   1 0 0   0 1 0  −11 Prema tome A−1 =  −4 6  2 1 0 1  −1 −1   0 0   1 0   0 −1  0 0 2 0 0 0 −1  .. .. ... Neka je A =  2 −1 3  4 1 9   1   2  4 0 2 −1 3 1 9 . am2 . ... .Linearna Algebra i Analitiˇka Geometrija – 30 – c  1 0 2 Primer 3. .  . . am1 a12 a22 . −6 1 1 . 2  . −2 1 0  ∼v  −1 . 6  1   1   −1 −1  1 0 2 Primer 3. . 0 1 0 . .11... b3n . −11 . .   1   0  0     ∼v    1   0  0 0 2 0 −1 1  . . .. 0 0 1 . . bkn       Posmatrajmo proizvod . a2k    . −6 1 1 . bk1 b12 b22 b32 . 1 . 1 0 0 . .. . b2n .   . 1 0 0 . Dobili smo nula-vrstu: STOP! A nije inverzibilna.. . −2 1 0   −1 −1 .  . . 0 . . 0 0 1 . .. 1 0 0 . ..     ∼v    1   0  0 0 −1 1  . −1 −1 . . . 0 0 .. −4 0 1 1 .   1   0  0 nema nula-vrste u A-bloku pa   1 0   0 −1  0 0 produˇavamo: z 2 −1 −1  .  . . bk2 . b1n . 4 0 −1  ∼v  .   . .10.  . .. 2   . 0 1 0 . −2 1 0  ∼v  −1 . −2 1 0  . 3. . .. −11 2 1 . . −4 0 1 . .  .  . . −6 1 1 . a1k  . . . 1 0 0 . Neka je A =  2 −1 3  4 1 8   1   2  4 0 2 −1 3 1 8 . amk   b11 b21 b31 . −2 1 0  ∼v  . .. . −6 1 1 0 −1 .  . .  . −4 .

b1n  b21 b22 .. ki ↔ kj (F2 ) Mnoˇenje jedne kolone skalarom k ̸= 0 . Ak  b31 b32 ..   b11 b12 .. b2n   ( 1 ) A A2 ...transformacijama c kolona. (2) ki → 1 k ki je inverzna za ki → k ki . . + bkn Ak  Elementarne transformacije kolona matrice su: (F1 ) Zamena mesta dve kolone ... Neka f oznaˇava elementarnu transformaciju kolona matrice (neku od F1 . + bk1  2k  = b11 A1 + b21 A2 + . ........ Takve matrice su elementarne matrice koje odgovaraju el. b1n A1 + b2n A2 + ...  am1 am2 amk ( 1 ) 2 k A ..... Svaka elementarna operacija je mnoˇenje odgovaraju´om elementarnom matricom s’ desna z c Primer 3.   . ki → k ki z (F3 ) Dodavanje i-toj koloni k puta j-ta kolona (i ̸= j!). A predstavljena preko vektora kolona gde je A = A • Ukoliko matricu A predstavimo preko vektora kolona tada je mnoˇenje matricom B (s’ desna) delovanje njenih z kolona na kolone matrice A.. ... F2 . F3 ) i neka je f (I) matrica dobijena pric menom operacije f na jediniˇnu matricu I. Elementarne matrice koje odgovaraju operacijama na kolonama 3 × 3 matrica   1 0 0 (1) Zamena mesta druge i tre´e kolone: f (I) =  0 0 1 : c 0 1 0      a1 a2 a3 1 0 0 a1 a3 a2  b1 b2 b3   0 0 1  =  b1 b3 b2  c1 c2 c3 0 1 0 c1 c3 c2 1 0 (2) Mnoˇenje druge kolone sa k: f (I) =  0 k z 0 0  a1  b1 c1 a2 b2 c2   0 0  : 1   0 a1 0  =  b1 1 c1 ka2 kb2 kc2  a3 b3  c3  a3 1 0 b3   0 k c3 0 0 . ki → ki + k kj • Svaka od ovih operacija ima inverznu operaciju istog tipa: (1) ki ↔ kj je inverzna sama sebi .12.. + bk1 Ak .. + bk1 Ak  . + amn bn1       a11 a12 a1k  a   a   a  b11  21  + b21  22  + .. + a2n bn1   =   .   . + a1n bn1  a21 b11 + a22 b21 + ..  bk1 bk2 .. b3n  =    .... am1 b11 + am2 b21 + .. (3) ki → ki − k kj je inverzna za ki → ki + k kj .. bkn ( ) = b11 A1 + b21 A2 + .....Linearna Algebra i Analitiˇka Geometrija – 31 – c Prva kolona u proizvodu je  a11 b11 + a12 b21 + ..

Neka je f elementarna transformacija kolona i F njena odgovaraju´a matrica. ( Teorema 3. koriste´i osbine transponovanja.17. • Podsetimo: B je ekvivalentna po vrstama sa A (moˇe se dobiti transformacijama vrsta) ako i samo ako postoji z inverzibilna matrica P takva da je B = P A .Linearna Algebra i Analitiˇka Geometrija – 32 – c  1 0 0 e(I) =  0 1 0 : 0 k 1    1 0 0 a1   0 1 0  =  b1 0 k 1 c1  (3) Dodati drugoj koloni k puta tre´a: c  a1  b1 c1 a2 b2 c2 a3 b3 c3 a2 + ka3 b2 + kb3 c2 + kc3  a3 b3  c3 Teorema 3.15. transformacija vrsta i kolona moˇe svesti na B. imamo: c AF = (EAT )T Za A = I imamo: F = E T AF = (AT )T E T AF = AE T • Matrica B je ekvivalentna (po kolonama) (column equivalent) matrici A ako B moˇemo dobiti uzastopnom z primenom elementarnih transformacija kolona. z • Ekvivalentnost je relacija ekvivalencije. B je ekvivalentna (po kolonama) sa A ako i samo ako postoji inverzibilna matrica Q takva da je B = AQ . Svaka m × n matrica je ekvivalentna taˇno jednoj blok matrici oblika c r × r matrica. Vaˇi: c z f moˇemo primeniti na bilo koju matricu A na slede´i naˇin: z c c T (1) prebacimo kolone u vrste: A → A (2) izvrˇimo e: AT → e(AT ) s (3) vratimo vrste u kolone: e(AT ) → (e(AT ))T f (A) = (e(AT ))T Kako je f (A) = A F i e(AT ) = E AT .16. 3. kolona i e odgovaraju´a transformacija vrsta. (r je rang matrice A) Ir 0 0 0 ) gde je Ir jediniˇna c . Tada je f (A) = A F . c • Matrica operacije f : dodati drugoj koloni k puta tre´a c  1 0 F = 0 1 0 k Matrica operacije e: dodati drugoj vrsti k puta tre´a c   0 0  1  0 k  1 F = ET 1 E= 0 0 0 1 0 • Neka je f bilo koja el. trans. • B je ekvivalentna sa A ako i samo ako postoje inverzibilne matrice P i Q takve da je B = P A Q.11 Ekvivalentnost matrica Matrice A i B su ekvivalentne ako se A primenom el. Teorema 3.

Linearna Algebra i Analitiˇka Geometrija – 33 – c

Dokaz: Dokaz se sastoji iz sledeceg algoritma: Korak 1. Korak 2. Matricu A svedemo na kanonsku formu, sa vode´im ne nula ˇlanovima a1j1 , a2j2 , ..., amjm . c c Zamenimo C1 i C1j1 , zamenimo C2 i C2j2 ,..., i zamenimo Cm i Cjn . Ovo daje matricu u formi ( ) ,

Ir 0

B 0

sa vode´im ne nula ˇlnom a1 1 , a2 2 , ..., am m . c c c Korak 3. Iskoristiti operacije nad kolonama, sa aii kao pivotima, da bi zamenili ˇlan u B sa nulom, npr. za i = 1, 2, ..., r i j = r + 1, r + 2, ..., n, primeniti operacije −bij Ci + Cj → Cj . Konacna matrica treba da izgleda ( ) Ir 0 . 0 0

3.12

Smena promenljivih (promena koodinatnog sistema), sliˇne matrice c

Neka je xi = pi1 y1 + pi2 y2 + ... + pin yn i = 1, 2, ..., n linearna smena promenljivih. Ona je inverzibilna ako je matrica P = (pij )n,n inverzibilna. X = P Y ako i samo ako Y = P −1 X (X je vektor kolona (x1 x2 ... xn )T a Y = (y1 y2 ... yn )T ) Geometrijsko tumaˇenje linearne inverzibilne smene: promena koordinatnog sistema. c ( ) 2 3 i j-koordinatni sistem u R2 i neka je P = . Definiˇemo s 1 2 ( gde je X = sistemu): ) ( p : R2 −→ R2 sa p(X) = P X vektor kolona . Neka je p(X) = Y (Y su koordinate taˇke p(X) u standardnom koordinatnom c Posmatrajmo standardan

x1 x2

)( ) ( ) ( ( )) 2 3 x1 y1 2x1 + 3x2 = = 1 2 x2 y2 x1 + 2x2 ( )( ( ) ( )) 2 3 1 0 x1 + x2 = 1 2 0 1 ( )( ) ( )( ) 2 3 1 2 3 0 = x1 + x2 1 2 0 1 2 1 ( ) ( ) 2 3 p(X) = x1 + x2 = x1 r + x2 s 1 2 ( ) ( ) 2 3 gde su r = = p(i) i s = = p(j) vektori koji odredjuju ‘novi koordinatni sistem’ u ravni (slika ...) (r s1 2 koordinatni sistem): svaki (vektor) taˇka se moˇe na jedinstven naˇin napisati kao linearna kombinacija a1 r + a2 s; c z c u tom sluˇaju kaˇemo da su (a1 , a2 ) koordinate te taˇke u r, s-koordinatnom sistemu. c z c p(X) = • Svaku kvadratnu matricu P moˇemo posmatrati i kao uvodjenje novog koordinatnog sistema. z • Gornji raˇun pokazuje da taˇka X u standardnom ima iste koordinate kao taˇka Y = p(X) u novom koordinatnom c c c sistemu. Znaˇi: ako imamo koordinate taˇke u novom sistemu taˇke X, njene koordinate u starom sistemu raˇunamo c c c c po formuli Y = P X. • Svaka taˇka ravni ima koordinate (y1 , y2 ) u odnosu na standardni koordinatni sistem i (x1 , x2 ) u odnosu na c ‘novi’. Kako izraˇunati (y1 , y2 ) preko (x1 , x2 ): c ( ) ( )( ) y1 2 3 x1 = ili Y = P X y2 1 2 x2 • Kako izraˇunati (x1 , x2 ) preko (y1 , y2 ) : c ( ) ( )−1 ( ) x1 2 3 y1 = x2 1 2 y2

Linearna Algebra i Analitiˇka Geometrija – 34 – c ( ) = ( )( ) ili

x1 x2

2 −1

−3 2

y1 y2

Y = P −1 X

• Sliˇno vaˇi i u Rn ! c z Neka je P inverzibilna matrica kojom uvodimo novi koordinatni sistem: p : Rn −→ Rn p(X) = P X gde je matrica A

• Neka je preslikavanje (zvano linearni operator) f : Rn −→ Rn dato sa f (X) = A X inverzibilna (naravno da je ovo sve u starim koordinatama kako raˇunamo f (X)). c

• Kako izraˇunati f (Z) preko Z u novim koordinatama (ili za date nove koordinate taˇke Z, kojom formulom c c izraˇunavamo f (Z) u novim koordinatama): c (1) izraˇunamo stare koordinate taˇke Z (to je P Z) c c (2) pomnoˇimo stare koordinate s’leva matricom A, dobili smo stare koordinate taˇke f (Z) (rezultat je A P Z) z c (3) Pomnoˇimo s’leva matricom P −1 da dobijemo nove koordinate taˇke f (Z). Rezultat je: z c f (Z) = (P −1 AP )Z

Definicija 3.5. Matrice A i B su sliˇne ako i samo ako postoji matrica P takva da je B = P −1 A P . c

3.13

Specijalni tipovi kvadratnih matrica

1. Dijagonalne matrice Kvadratna matrica je dijagonalna ako su joj svi elementi van glavne dijagonale jednaki nuli. Dijagonalnu matricu (aij ) reda n oznaˇavamo sa diag(a11 , a22 , ..., ann ). c   ( ) 3 0 0 2 0 = diag(2, 3)  0 0 0  = diag(3, 0, −9) 0 3 0 0 −9 Skup svih dijagonalnih matrica reda n ˇini algebru matrica (zatvoren je za sabiranje, mnoˇenje i mnoˇenje c z z skalarom); svake dijagonalne matrice istog reda komutiraju pa je to komutativna algebra matrica. 2. Trougaone matrice Kvadratna matrica je gornje trougaona ili samo trougaona (upper triangular or triangular) ako su joj svi elementi ispod glavne dijagonale nule; na primer:     2 1 2 5 ( ) 3 0 3   a11 a12  i  0 0 6 0  ,  0 6 34  0 0 0 7  0 a22 0 0 4 0 0 0 6 • Skup svih gornje trougaonih matrica reda n ˇini algebru matrica (zatvoren je za sabiranje, mnoˇenje i mnoˇenje c z z skalarom) .

Teorema 3.18. Neka su A = (aij ) i B = (bij ) gornje trougaone matrice reda n. 1. 2. 3. A + B je trougaona sa dijagonalom (a11 + b11 , ..., ann + bnn ) ; k A je trougaona sa dijagonalom (ka11 , ka22 , ..., kann ) ; A B je trougaona sa dijagonalom (a11 b11 , a22 b22 , ..., ann bnn ) ;

Linearna Algebra i Analitiˇka Geometrija – 35 – c

4. 5.

Za svaki polinom f (x) matrica f (A) je trougaona sa dijagonalom (f (a11 ), f (a22 ), ..., f (ann )) ; A je inverzibilna ako i samo ako je svaki dijagonalni element aii razliˇit od nule . c

Dokaz ... • Donje trougaona (lower triangular) matrica je kvadratna matrica koja ima sve elemente iznad glavne dijagonale jednake nuli. Za njih vaˇi analog Teoreme 3.18. z 3. Simetriˇne matrice Kvadratna matrica A c glavnu dijagonalu: aij = aji .    ... 3 1 ( ) 0 4 −1  3 ... 7 1 0 ,  4 3 2 ,   1 7 ... 0 −3 −1 2 0 0 5 9 = (aij ) je simetriˇna ako je AT = A; simetrija je u odnosu na c  0 5   (... je bilo ˇta). s 9  ...

• Skup svih simetriˇnih matrica reda n je zatvoren za sabiranje i mnoˇenje skalarom ali nije za mnoˇenje: c z z ( 1 2 2 3 )( 4 5 5 6 ) = ( 14 17 23 28 )

Matrica A = (aij ) je koso-simetriˇna ako vaˇi AT = −A; ekvivalentno aij = −aji . c z dijagonali moraju biti nule zbog aii = −aii . Teorema 3.19. Neka je A (bilo koja) kvadratna matrica reda n. Tada: 1. 2. 3. A + AT je simetriˇna; c A − AT je koso simetriˇna; c

Elementi na glavnoj

A se moˇe napisati u obliku A = B + C gde je B simetriˇna a C koso simetriˇna matrica. z c c

4. Ortogonalne matrice

Kvadratna matrica A reda n je ortogonalna ako vaˇi z A AT = AT A = I

• Ortogonalna matrica A je inverzibilna i vaˇi A−1 = AT . z  Primer 3.13.  A= 
1 9 4 9 8 9 8 9 −4 9 1 9

−4 9
4 9

 − 7  je ortogonalna: 9 

a1 Matrica  b1 c1

a2 b2 c2

 a3 b3  je ortogonalna c3  a1 a2  b1 b2 c1 c2

ako i samo ako:  a3 a1 b3   a2 c3 a3 b1 b2 b3   c1 1 0 c2  =  0 1 c3 0 0  0 0  1

ˇto je ekvivalentno sa : s a2 + a2 + a2 = 1 1 2 3 b1 a1 + b2 a2 + b3 a3 = 0 c1 a1 + c2 a2 + c3 a3 = 0 a1 b1 + a2 b2 + a3 b3 = 0 b2 + b2 + b2 = 1 1 2 3 c1 b1 + c2 b2 + c3 b3 = 0 a1 c1 + a2 c2 + a3 c3 = 0 b1 c1 + b2 c2 + b3 c3 = 0 c2 + c2 + c2 = 1 1 2 3

Linearna Algebra i Analitiˇka Geometrija – 36 – c

Oznaˇimo vektore vrsta a = (a1 , a2 , a3 ) b = (b1 , b2 , b3 ) a = (c1 , c2 , c3 ) c a·a=1 b·a=0 c·a=0 a·b=0 b·b=1 c·b=0 a·c=0 b·c=0 c·c=1

Ovo znaˇi da je {a, b, c} ortonormirani skup vektora (t.j. da je to skup jediniˇnih vektora koji su medjusobno c c normalni). c Teorema 3.20. Neka je A kvadratna matrica reda n. Slede´a tvrdjenja su ekvivalentna: (1) A je ortogonalna matrica; (2) Vektori vrsta matrice A ˇine ortonormirani skup vektora; c (3) Vektori kolona matrice A ˇine ortonormirani skup vektora. c ( Teorema 3.21. Ortogonalna 2 × 2 matrica ima oblik cos θ − sin θ sin θ cos θ )

5. Normalne matrice A AT = AT A .

Kvadratna matrica A je normalna ako komutira sa svojom transponovanom matricom:

• Dijagonalne, simetriˇne, koso simetriˇne i ortogonalne matrice su normalne. Postoje normalne matrice koje c c nisu ni u jednoj od ovih klasa, na primer ( )( ) ( )( ) ( ) 6 −3 6 3 45 0 6 3 6 −3 = = 3 6 −3 6 0 45 −3 6 3 6 Teorema 3.22. Svaka normalna 2 × 2 matrica je ili skalarna matrica ili je zbir skalarne i koso simetriˇne matrice. c

4

VEKTORSKI PROSTORI

Definicija 4.1. Neka je K polje (obiˇno je K = R) i V neprazan skup na kome su definisane operacije sabiranja i c mnoˇenja skalarom. V je vektorski prostor nad poljem K ukoliko su zadovoljene slede´e aksiome: z c (A1 ) Za sve u, v, w ∈ V vaˇi z (u + v) + w = u + (v + w) (A2 ) Postoji 0 ∈ V tako da za sve u ∈ V vaˇi: z u+0=u (A3 ) Za svaki u ∈ V postoji -u ∈ V takav da u + (-u) = 0 (A4 ) Za sve u, v ∈ V u+v =v+u (M1 ) Za sve u, v ∈ V i sve k ∈ K k (u + v) = k u + k v (M2 ) Za sve u ∈ V i sve k, k ′ ∈ K (M3 ) Za sve u ∈ V i sve k, k ′ ∈ K (M4 ) Za sve u ∈ V 1u = u (k + k ′ ) u = k u + k ′ u (k k ′ ) u = k (k ′ u)

Linearna Algebra i Analitiˇka Geometrija – 37 – c

• •

(A1 ) − (A4 ) se odnose iskljuˇivo na sabiranje (addition): (V, +) je komutativna grupa. c Elemente skupa V nazivamo vektorima, vektor v ∈ V oznaˇavamo i sa ⃗ ; elementi polja su skalari ili brojevi, c v obiˇno je K = R. c Sve ukupno, ovo su ‘aksiome za linearno kombinovanje’. Za sve vektore u, v, w ∈ Rn i skalare k, k ′ ∈ R vaˇi: z k0 = 0 . 0u = 0 .

Teorema 4.1. 1. 2. 3. 4.

Za sve k ∈ K : Za sve u ∈ V :

Ako je k u = 0 tada je u = 0 ili k = 0. Za sve k ∈ K i u ∈ V : (−k) u = k (-u) = -(ku)

Dokaz: 1. Prema aksiomi (A2 ), sa u = 0, imamo 0 + 0 = 0. Otuda iz aksiome (M1 ), k 0 = k (0 + 0) = k 0 + k 0 Dodavanjem −(k 0) na obe strane dobijamo trazeni rezultat. 2. U polju vaˇi: 0 + 0 = 0; otuda po aksiomi (M2 ), z 0 u = (0 + 0) u = 0 u + 0 u Dodavanjem −(0u) na obe strane dobijamo ˇeljeni rezultat. z 3. Predpostavimo da je k u = 0 i k ̸= 0. Onda postoji skalari k −1 takav da je k −1 k = 1; otuda u = 1 u = (k −1 k) u = k −1 (k u) = k −1 0 = 0 4. Koriste´i deo 1. ove teoreme i (A3) u + (−u) = 0 i imamo c 0 = k 0 = k (u + (−u)) = k u + k (−u) Dodavanjem −(k u) na obe strane dobijamo −(k u) = k (−u). Dalje, koriste´i k + (−k) = 0 i 2., imamo c

0 = 0 u = (k + (−k)) u = k u + (−k) u Dodavanjem −(k u) na obe strane dolazimo do −(k u) = (−k) u. Odatle (−k) u = k (−u) = −(k u)

4.1

Primeri vektorskih prostora

1. Prostor Rn Rn je skup svih n-torki realnih brojeva (vektora) koje se sabiraju po pravilu u + v = (u1 + v1 , u2 + v2 , ..., un + vn ) (∈ Rn ) i mnoˇe skalarom po pravilu: mnoˇenje vektora skalarom (brojem) k ∈ R: z z k u = (k u1 , k u2 , ..., k un ) (∈ Rn ) 0 vektor je (0, 0, ..., 0) dok je -(u1 , ..., un ) = (−u1 , ..., −un ). 2. Prostor matrica Mm,n

W je potprostor prostora V ako i samo ako vaˇe slede´i uslovi: z c 1. 3. W je potprostor prostora V ako i samo ako 1. 0 i V su potprostori prostora V . Neka je V vektorski prostor i W ⊂ V . 5. Videti Problem 5. P(t) je vektorski prostor u odnosu na uobiˇajeno sabiranje c c polinoma i mnoˇenje polinoma skalarom (brojem).2 Potprostori Neka je V vektorski prostor i W ⊂ V ..1... 3. b i vektore u. Dokaz.n (R) je vektorski prostor nad R u odnosu na uobiˇajeno sabiranje matrica i mnoˇenje matrice skalarom. c z 3. Prava ili ravan koja sadrˇi koordinatni poˇetak je potprostor prostora R3 . 0∈W i au + bv ∈ W Za sve skalare a. Prostor funkcija F(X) Neka je X proizvoljan skup i neka je F(X) skup svih funkcija f : X −→ R .1.. 4. 2..4 Posledica 4. Videti Problem 5. 1. Mm.. W = {(x. z Teorema 4. v ∈ W vaˇi z Dokaz. Definiˇemo zbir f-ja (+) i mnoˇenje s z f-je skalarom na ‘prirodan’ naˇin: c (f+g)(x) = f(x) + g(x) (k f)(x) = k f(x) 0-funkcija je definisana 0(x) = 0 za sve x ∈ X dok je (-f)(x) = −f(x) 4.. z c . y. ..n (isto i za donje trougaone. − an tn 4. y ∈ R} je potprostor prostora R3 Skup svih (gornje) trougaonih matrica reda n je potprostor od Mn.. Primeri potprostora 1.2.) Skup svih polinoma stepena ≤ n je potprostor prostora P(t). 0 vektor je konstantni polinom 0 i z -(a0 + a1 t + . 0∈W W je zatvoren za sabiranje vektora: ako u. 2. simetriˇne. .. W je zatvoren za mnoˇenje vektora skalarom: z ako v ∈ W tada k v ∈ W za svaki skalar k.. Prostor polinoma P(t) Neka je P(t) skup svih polinoma a0 + a1 t + . + an tn n = 0. v ∈ W tada i u + v ∈ W . 0 je nula-matrica a -A je −A.n (R) je skup svih m × n matrica (elementi su realni brojevi).5 Primer 4. gde su koeficijenti iz nekog polja K (obiˇno K = R). 0) | x.Linearna Algebra i Analitiˇka Geometrija – 38 – c Mm. W je potprostor prostora V ako i samo ako je W vektorski prostor u odnosu na sabiranje i mnoˇenje skalarom. + an tn ) je − a0 − a1 t − . 2. c dijagonalne.

• Dva vektora u. t. Skup svih takvih linearnih kombinacija je linearni omotaˇ ili lineal c skupa v1 ..2. vn (linear span) i oznaˇava se sa c span(v1 . . Teorema 4..3 Linearne kombinacije Neka je V vektorski prostor i v1 . t3 . ....4 Linearna zavisnost Definicija 4. v2 ... c • Ako su dva od vektora v1 . v2 .. j generiˇu R2 . vn ∈ V . Vektori v1 . v su linearno zavisna ako i samo ako je jedan od njih jednak drugom pomnoˇen nekim skalarom: z u = k v ili v = k u . • Skup reˇenja nehomogenog sistema A X = B gde je B ̸= 0 nije potprostor od Rn poˇto ne sadrˇi 0. . + an vn = 0 . Presek (viˇe) potprostora je potprostor... v2 . vn generiˇu prostor V (generate or span) ako je s V = span(v1 .5. 3..... v2 . (1) span(S) je potprostor prostora V . • Svaki podskup linearno nezavisnog skupa je linearno nezavisan.3. 1.Linearna Algebra i Analitiˇka Geometrija – 39 – c Teorema 4. . 2... + an vn je linearna kombinacija vektora v1 . vn su linearno zavisni (linearly dependent) ukoliko postoje skalari a1 .. v2 . v2 . Neka je V vektorski prostor.. vn jednaka onda su linearno zavisni.... vn generiˇu V ako i samo ako je svaki u ∈ V linearna kombinacija vektora v1 .. + an vn Primer 4.2. k generiˇu R3 .. . vn ) Drugim reˇima v1 .. v2 .4. s Dokaz . v2 . oni su linearno nezavisni (linearly independent).. j.. v2 . .. U suprotnom.. svaki nadskup linearno zavisnog skupa je linearno zavisan.. .. a2 .. vn su linearno zavisni ako je 0 medju njima. vn : c s u = a1 v1 + a2 v2 + ...) 4... .. s P(t) = span(1. s Dokaz . vn ... .. (2) span(S) je najmanji potprostor prostora V koji sadrˇi S: z ako je W potprostor prostora V i S ⊆ W tada je span(S) ⊆ W .. Vektori v1 .. Neka je S ⊂ V . . an koji nisu svi jednaki nuli tako da a1 v1 + a2 v2 + . v2 . s s z 4.. s Vektori i... v2 .. . . Vektori i. Vektor koji se moˇe napisati u obliku z a1 v1 + a2 v2 + . • v1 .. . • Jedan ne-nula vektor ˇini linearno nezavisan skup. Skup reˇenja homogenog sistema A X = 0 po n promenljivih je potprostor od Rn .. t2 .. vn ) Teorema 4.

. v1 .. z (b) Tri vektora su linearno zavisna ako i samo ako pripadaju istoj ravni koja sadrˇi i 0. 0.. 0. 5.. Svi ne-nula vektori vrsta matrice u stepenastoj formi ˇine linearno nezavisan skup.2 (R) zato ˇto se svaka matrica na jedinstven c s 0 0 0 0 1 0 0 1 naˇin predstavlja kao linearna kombinacija: c ( ) ( ) ( ) ( ) ( ) a b 1 0 0 1 0 0 0 0 =a +b +c +d c d 0 0 0 0 1 0 0 1 .. v2 ...5 Baza i dimenzija Definicija 4..1. 2.. 0. −3. vn linearno zavisni. 2(1. vn je baza (basis) prostora V ako vaˇi: z (1) v1 .. −1.. v2 . 7.Linearna Algebra i Analitiˇka Geometrija – 40 – c Primer 4.. Videti Problem 5.4. an ) su koordinate vektora v u odnosu na bazu v1 . (0.. . −1. 0. 4). 1). 2. 2. 1. 2. Primer 4. a2 . (1) Rn ... s • Iz prethodna dva primera zakljuˇujemo da se ispitivanje linearne zavisnosti konkretnog skupa vektora u Rn c svodi na ispitivanje postojanja netrivijalnog reˇenja homogenog sistema linearnih jednaˇina. 1) − (4.3. . v1 . + an vn 1 (a1 . 3. Pretpostavimo da su ne-nula vektori v1 .4 svaki vektor v se na jedinstven naˇin piˇe u obliku: c s v = a1 v1 + a2 v2 + ..36 • U prostoru R3 : (a) Dva vektora su linearno zavisna ako i samo ako pripadaju istoj pravi koja sadrˇi i 0.. ( (2) Neka je ei ∈ Rn vektor kome je i-ta koordinata 1 a ostale su nule. 5. s c Lema 4. Vektori (2. 1) − 2(1. z Teorema 4.. . 7. 1) = (0. y. v2 .37 4. . ..... 1) i (4. 0. 1) i (0.. + ak−1 vk−1 = vk . Definicija 4. 0) Primer 4... Videti Problem 5. c Dokaz.. vn . . 1. v2 . −2) = (0.. v2 . 1) + z (0. Tada je e1 . v2 .. Dokaz.30) • Prema Definiciji 4.. Ispitujemo da li su vektori (6. vn ) = V. . 3. • Prethodne dve definicije su ekvivalentne (za dokaz videti Problem 5. e2 . ak−1 takvi da a1 v1 + a2 v2 + . ..5.6.3. en baza za ) ( ) ( ) ( ) 1 0 0 1 0 0 0 0 i ˇine bazu M2. −3. Tada je jedan od njih linearna kombinacija prethodnih: postoji k ≤ n i a1 . z koji nisu svi jednaki nuli takvi da je: x (6. −2) linearno zavisni: da li postoje x. vn .. 0) 6x 2x + 5y 3x − 3y 4x + y = = + 7z = − 2z = 0 0 0 0 Reˇavanjem dobijamo x = y = z = 0 pa su vektori linearno nezavisni.4. i (2) span(v1 . ... v2 . .. 1) su linearno zavisni: 3 (2. vn je baza ako i samo ako se svaki vektor prostora V na jedinstven naˇin predstavlja c kao linearna kombinacija vektora v1 . 4) + y (0. vn je linearno nezavisan.

v2 .8(3). z (2) Svaki linearno nezavisan skup od n vektora je baza za V . vi2 .. .. Neka je W potprostor prostora R3 : (1) dim(W ) = 0 ako i samo ako je W = {0) (2) dim(W ) = 1 ako i samo ako je W prava koja sadrˇi koordinatni poˇetak. w2 . Vektori (1. v2 .39 Teorema 4. Neka je V konaˇno dimenzioni vektorski prostor i neka je S njegov linearno nezavisan podskup.span(v1 . vn ) = V tada je v1 . c Dokaz..9. Teorema 4.6. wm . dobi´emo bazu za V .11. Dokaz.Linearna Algebra i Analitiˇka Geometrija – 41 – c • V je konaˇno dimenzioni ili n-dimenzioni vektorski prostor ako ima bazu od n elemenata. Oznaka: c dim(V ) = n U suprotnom V je beskonaˇno dimenzioni prostor. 1. (0. (0. (1) Svaki skup koji sadrˇi bar n + 1 vektor je linearno zavisan. c • Naredna teorema utvrdjuje da su svake dve baze konaˇno dimenzionog prostora jednakobrojne.. Potprostor vektorskog prostora je za sebe vektorski prostor. Dokaz. Prema Teoremi 4. z c (3) dim(W ) = 2 ako i samo ako je W ravan koja sadrˇi koordinatni poˇetak. v2 . v2 . 1). Videti Problem 5. .. 0.. vn baza... c Lema 4. Teorema 4.42 Teorema 4.. (3) Ako je span(v1 .2. z c (4) dim(W ) = 3 ako i samo ako je W = R3 ... Videti Problem 5. Neka je span(S) = V gde je S = {v1 . . pa su i baza za R4 prema Teoremi 4. .vektori w1 . Tada: (1) Vaˇi m ≤ n i moˇemo izabrati taˇno n − m vi -ova: vi1 .. 1. 1. 0.41 Teorema 4. taj broj je c dimenzija vektorskog prostora.. • Videti Problem 5. c Dokaz.6 oni su c linearno nezavisni.8. vn }... Tada je dim(W ) ≤ dim(V ) i: ako je dim(W ) = n onda je W = V . Primer 4. . (0. (2) Ako iz S izbacimo svaki vektor koji je linearna kombinacija prethodnih. pa je baza i dimenzija dobro definisana. . w2 .. 1. 0.. 1). Svake dve baze konaˇno dimenzionog vektorskog prostora imaju isti broj elemenata. Videti Problem 5.. wm ∈ V su linearno nezavisni. z z Dokaz.43 dim(Rn ) = n Primer 4. 1) ˇine stepenastu matricu.10. .. vin−m tako da je: z z c span(w1 . vin−m ) = V (2) Svakih n + 1 vektora su linearno zavisni.. 1. vi2 . . ..7. vi1 . 1).. Neka je W potprostor n-dimenzionog prostora V ... Dokaz.7. Neka je dim(V ) = n.... Pretpostavimo: . vn ) = V i . (1) Svaki maksimalan linearno nezavisan podskup od S je baza.. Tada c S moˇemo produˇiti do baze. Naredna lema je kljuˇna .

Svaka matrica je ekvivalentna (po vrstama) jedinstvenoj kanonskoj matrici. am1 a12 a22 . 6). 3). −3.51 Slede´u teoremu smo ve´ koristili iako je tek sada dokazujemo c c Teorema 4.8.. Dokaz. Teorema 4. 2. (7.. am2 .. a1n ) v2 = (a11 .. 3) i (0.  .. Oni ˇine bazu prostora vrsta (poˇto svaki linearno c s nezavisan skup predstavlja bazu potprostora generisanog njima).. 8.52 Primer 4.. amn ) posmatrani kao vektori u Rn generiˇu potprostor prostora Rn . amn Vektori vrsta matrice v1 = (a11 . 5. . .13. 4. −6). a1n . v2 ... • Vektori vrsta stepenaste matrice su linearno nezavisni.14. . .7 Odredjivanje baze i dimenzije potprostora u Rn Podsetimo se: • Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta.12.... a2n   . Kanonske matrice imaju isti prostor vrsta ako i samo ako su jednake.. Videti Problem 5. Neka je V potprostor od R3 generisan vektorima (1.. vm = (am1 . a12 .. 3) i (0... Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta. am2  . Dokaz. (3) V je potprostor generisan vektorima (1. vm ) • Rang vrsta matrice A je dimenzija prostora njenih vrsta. 2).. a1n ) .. (2) V je potprostor generisan vektorima (1.... a12 . ... 9)  1  4 7     1 2 1 2 3 2 3 5 6  ∼v  0 −3 −6  ∼v  0 1 0 −6 −12 8 9 0 1     1 2 3 1 0 −1 ∼v  0 1 2  ∼v  0 1 2  0 0 0 0 0 0  3 2  ∼v 2 Zakljuˇci: c (1) V je potprostor generisan vektorima (1. 2. 0. Teorema 4. 1. . 2.6 Prostor vrsta matrice  a11  a21   . 2). −1) i (0. to je prostor vrsta matrice A (rowspace of A): s rowsp(A) = span(v1 . Videti Problem 5. 1.. Dokaz .Linearna Algebra i Analitiˇka Geometrija – 42 – c 4. (4..

1). 0). 3. 1).j. Ako je dimenzija jednaka broju vektora (t... 1). ... Svesti matricu na stepenastu formu. b2 2 . −1. 1. 1. . b1 n ). . 1) je baza za V i dim(V ) = 3. 1. . Vektori ne-nula vrsta stepenaste matrice ˇine bazu. (0. .) Korak 1. . . • Algoritam koristimo i da odredimo da li je dati skup vektora linearno nezavisan: odredimo bazu i dimenziju potprostora generisanog tim vektorima. Sr = (br 1 .. kao vektora vrsta. . .8 Rang matrice Rang vrsta matrice je dimenzija njenog prostora vrsta ( t. 0. koliko ih je tolika je dimenzija. . Ako A svedemo na stepenastu formu tada je broj ne-nula vrsta te stepenaste matrice jednak rangu vrsta matrice (ovo smo dokazali u Teoremi 4. 2. 1. .. 1. . Rang vrsta matrice jednak je rangu njenih kolona. . a1 2 . 1. Od datih vektora. am n ) Predpostavimo da je rang vrsta r i da slede´i vektori ˇine bazu prostora vrsta: c c S1 = (b1 1 .. . ili skup c s svih vektora kolona koji se mogu izraziti kao linearna kombinacija vektora kolona matrice A. 5. b2 n ). oni su linearno nezavisni. 0)         1 1 0 2 3 1 1 1 0 2 0 1 1 5 2 3 −1 2 1 1 1 4 2 0 1 1 1 4 2 0      ∼v            1 −1 0 −1 −1 −2  1  0   0 ∼v   0   0 0 1 0 0 0 0 0 1 1 1 3 0 1 1 1 0 0 0 0 1 1 0 0 1 1 2 2 −1 −1 −1 −1 1 1 1 0 0 0 1 0 1 0 0 0 1 0 1 0 0 0      ∼v                    1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 0 1 1 2 2 −1 −1 −1 −1 1 0 1 2 −1 −1         (1.. Rm oznaˇavaju vektore vrsta: c R1 = (a1 1 . . 1. 0. (0. 1). br 2 .. a1 n ).. . . am1 Neka R1 ... .. . am2 . Dokaz: Neka je A proizvoljna m × n matrica:  a11  a21 A=  . 1. 4. . 4). 2. . . ako u stepenastoj matrici nema nula vrsta). 1. 1. 0. (1. Korak 3. (0. Neka je V potprostor prostora R5 generisan vektorima (1.j. . Sliˇno prostoru vrsta definiˇemo i prostor kolona matrice A: to je potprostor generisan vektorima kolona.15. . . formirati matricu. . . 2). c Primer 4. Korak 2. am 2 . 4. 2. . . (3. 2. . Rm = (am 1 . R2 . S2 = (b2 1 . 1.6.  amn a12 a22 . 1. . . Teorema 4. 0. b1 2 . 1. 0. . .Linearna Algebra i Analitiˇka Geometrija – 43 – c Algoritam za odredjivanje baze i dimenzije potprostora generisanog datim vektorima (strana 154. maksimalan broj linearno nezavisnih vektora vrsta). rang kolona matrice je dimenzija njenog prostora kolona. . br n )  a1n a2n   . (2.. 1.9. (1. .

Linearna Algebra i Analitiˇka Geometrija – 44 – c Svaka vektor vrste matrice A je linearna kombinacija baznih vrsta: R1 = k11 S1 + k12 S2 + · · · + k1r Sr R2 = k21 S1 + k22 S2 + · · · + k2r Sr ··························· Rm = km1 S1 + km2 S2 + · · · + kmr Sr gde su kij skalari.. pa je i rang kolona matrice A jednak r. je rang njenih vrsta (ili kolona).  km1 km2 kmr Kako ovi vektori ne zavise od izbora i ≤ n zakljuˇujemo da je svaki vektor kolone matrice A linearna kombinacija c ovih r vektora.9 Drugi algoritam za odredjivanje baze i dimenzije Elementarne transformacije vrsta matrice ne utiˇu na linearnu zavisnost kolona matrice: c ... .. i-ta kolona matrice A je linearna kombinacija slede´ih r vektora c c       k11 k12 k1r  k21   k22   k2r         . Fiksirajmo i ≤ n i u svakoj od ovih jednakosti izjednaˇimo i-te koordinate vektora s leve i desne c strane.. rang kolona matrice B je jednak broju ‘pivota’ t. Zakljuˇujemo da je rang prostora kolona matrice B jednak r.j. odnosno rang kolona s c s s matrice A je ≤ r. a prema Teoremi 4.  kmr Drugim reˇima.6 vektori ne-nula vrste matrice B su linearno nezavisni pa chine bazu prostora vrsta.16 u knjizi) smo dokazali da je svaka m × n matrica ekvivalentna (moˇe se svesti z ( ) Ir 0 elementarnim transformacijama vrsta i kolona) taˇno jednoj blok matrici oblika c gde je Ir jediniˇna r × r c 0 0 matrica. broju ne-nula vrsta matrice B. prema Lemi 4. km2  k1r k2r   . Bi2 . Primetimo da je r = rang(A).... .. dobijamo slede´e jednakosti: c a1i = k11 b1i + k12 b2i + · · · + k1r bri a2i = k21 b1i + k22 b2i + · · · + k2r bri ··························· ami = km1 b1i + km2 b2i + · · · + kmr bri ˇto zapisujemo na drugi naˇin kao: s c    a1i  a2i       . Predstavimo sada matrice preko vektora kolona: A = (A1 A2 . onda Bi1 ... Ako primenimo ovo na matricu AT c dobi´emo obrnutu nejednakost. Ovim smo dokazali da je rang kolona matrice A nije ve´i od ranga vrsta. ˇto znaˇi da oni generiˇu ceo prostor kolona pa je njegova dimenzija najviˇe r. Zakljuˇujemo da matrice A i B imaju isti rang kolona (iako mogu imati razliˇite prostore c c kolona)! S druge strane.. .. Znachi rang vrsta matrice A je r.12 A i B imaju isti prostor vrsta. . c c • Alternativni dokaz prethodne teoreme je zasnovan na kasnije dokazanim lemama 4..4: Neka je A ∼v B gde je B stepenasta matrica koja ima r ne-nula vrsta. km1   k12  k22   + · · · + bri    . 4. Air ˇine bazu prostora kolona matrice A. Rang matrice A.. . Ai2 . Bn ) Iz Leme 4.17 (Teorema 4.4. .. U Teoremi 3. Prema Teoremi 4. c Definicija 4.5..··· .. Bir ˇine bazu c c prostora kolona matrice B. u oznaci rang(A). An ) B = (B1 B2 .3 i 4. .... ..3 sledi da ako Ai1 .  = b1i  ami   k11  k21   + b2i    . pa zakljuˇujemo da su ova dva ranga jednaka.

.. 1.  1 2 1 5  0 0 2 4 Primer 4.10. Dokaz..4. + αn An = 0 ako i samo ako α1 B1 + α2 B2 + .. 1.11. 1).. −1) v3 = (1. 1. αn z vaˇi: z α1 A1 + α2 A2 + . Koristimo ga da iz datog skupa vektora izdvojimo maksimalan c linearno nezavisan podskup. Preostali vektori ˇine maksimalan linearno nezavisan podskup. 0) Pronadjimo bazu za V koja je podskup skupa {v1 . Izbrisati iz S sve vi -ove takve da se u i-toj koloni stepenaste matrice ne nalazi pivot. An vektori kolona matrice A i neka su B1 .. Neka je V potprostor prostora R6 generisan vektorima v1 = (1. 2). Pretpostavimo A ∼v B (B se moˇe dobiti iz A elementarnim transformacijama vrsta). 1. 4... Posebno. + αn Bn = 0 Dokaz. Bn vektori kolona matrice B... Neka su A1 .. 0.j. v2 ..Linearna Algebra i Analitiˇka Geometrija – 45 – c Lema 4. 2. 2. Dovoljno je proveriti tvrdjenje za sluˇaj kada se B dobija iz A primenom samo jedne elementarne c transformacije vrsta. v4 = (1. B2 . svaka kolona c z bez pivota je linearna kombinacija kolona sa pivotima. ˇto nije teˇko. A2 . v2 = (1. s s Lema 4. Elementarnim transformacijama vrsta svesti matricu na stepenastu formu. 2. v2 ...3. 3. Korak 2. . formirati matricu.. . 1. Korak 3. 3.   0 0 0 0 0 0 0 0 da su kolone koje sadrˇe pivote linearno nezavisne i da je svaka kolona bez pivota z 0 1 1 0  3 −1 5 4   1 −2  0 0       5 1 1  4   0   2   =3  +2    0   0   0  0 0 0         3 1 1 0  5   0   2   1           1 =  0 +2  0 + 1  0 0 0 0       −1 1 1 0  0   2   1 4   = −4   + 3   − 2   0   0   1 −2  0 0 0 0         Na prethodne dve leme zasnovan je slede´i algoritam. . 0. Neposredno se proveri njihova linearna kombinacija. 0. da iz datog skupa vektora izdvojimo bazu potprostora generisanog datim skupom. Neka je dat skup (spisak) vektora S = {v1 . Korak 4.. 5. kao vektora kolona. v4 }    1 1 1 1 1 1 1 1  1 0 2 1   0 −1 1 0     0 0 1 1     ∼v  0 0 1 1  2 1 5 4   0 −1 3 2     3 2 3 2   0 −1 0 −1 1 −1 2 0 0 −2 1 −1      ∼v                    1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 2 −1 −1 1 0 1 2 −1 −1 .. c Primer 4. 2. Tada za skalare α1 . t. Od datih vektora. Bazu prostora kolona stepenaste matrice ˇine vektori kolona koji sadrˇe pivote. vn } Korak 1. v3 . .

. • (a)⇔(v) u gornjoj teoremi je Kroneker-Kapelijeva teorema. s • Podsetimo: skup svih reˇenja homogenog sistema A X = 0 sa n promenljivih je potprostor prostora Rn . s Dokaz . c s (b) B je linearna kombinacija vektora kolona matrice A (vektor kolona B pripada prostoru kolona matrice A)...17.. a2n b2   je proˇirena matrica sistema (augmented matrix).. u stepenastoj formi). c c s Teorema 4.. B) =   . Broj jednaˇina tog nezavisnog sistema je jednak rangu matrice proˇirenog sistema. . Sistem u stepenastoj formi s je nezavisan. xn  b1    b2 =   . .. am1 Matrica A je matrica  a11  a21 (A.. + .  bm sistema (coefficient matrx)... Dimenzija prostora reˇenja homogenog sistema A X = 0 je n − r gde je n broj nepoznatih a r rang s matrice sistema. nezavisni sistem moˇe imati manje z jednaˇina od polaznog.10 Linearne jednaˇine i vektorski prostori c Sistem linearnih jednaˇina c a11 x1 a21 x1 . a2n    . moˇemo definisati pojam linearne zavisnosti: c z sistem je linearno nezavisan ukoliko su vektori vrsta proˇirene matrice linearno nezavisni.. . v3 baza za V i dim(V ) = 3. s Teorema 4. Slede´a tvrdjenja su ekvivalentna: c (a) Sistem linearnih jednaˇina AX = B ima reˇenje. am1 a12 a22 . a1n b1 a22 .. c 4. . a1n  . (v) Rang matrice sistema jednak je rangu proˇirene matrice.. amn x1 x2 . amn xn  = = = b1 b2 bm     moˇemo zapisati u matriˇnoj formi A X = B: z c a11  a21   . am2 .. am2 x2 + ... + a12 x2 a22 x2 . am2 ... ..16.   a1n xn a2n xn ...Linearna Algebra i Analitiˇka Geometrija – 46 – c     ∼v             1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 0 0 0 1 0 1 0 0 0 Jedino u ˇetvrtoj koloni nema pivota pa je v1 ..  a12 . amn bm • Ako linearne jednaˇine posmatramo kao vektore vrsta. .. am1 x1  + + ..   . v2 .. • Dva sistema linearnih jednaˇina su ekvivalentna (imaju isti skup reˇenja) ako i samo ako su im proˇirene matrice c s s ekvivalentne po vrstama.. + . • (a)⇔(b) u gornjoj teoremi opisuje prostor kolona matrice A: v pripada prostoru kolona matrice A ako i samo ako A X = v ima reˇenje.. .. s  . • Svaki sistem je ekvivalentan nezavisnom sistemu (npr.

Zamenom u (3) dobija se b1 w1 + b2 w2 + · · · + bs ws = 0 Ipak. . B je linearno nezavisan. kao ˇto s je i reˇeno. Njihova suma U + W sa sastoji od svih zbirova u + w gde u ∈ U i w ∈ W : U + W = {u + w | u ∈ U w ∈ W } Teorema 4.. • Ukoliko je sistem u stepenastoj formi broj slobodnih promenljivih je n − r.. .4. Ako su U i W potprostori prostora V tada je i U + W potprostor od V . Pretpostavimo da v ∈ K n i Av = u. Av2 = u2 . svaki Awi = 0. koriste´i (1) i (2) sledi: c A(v′ ) = A(v − k1 u1 − k2 u2 − · · · − kr ur ) = Av − k1 Av1 − k2 Av2 − · · · − kr Avr = Av − k1 u1 − k2 u2 − · · · − kr ur = Av − Av = 0 Tako v′ pripada reˇenju W i odatle sledi da je v′ linearna kombinacija wi -ova: s v′ = c1 w1 + c2 w2 + · · · + cs ws Onda v = v′ + r ∑ i=1 r ∑ i=1 r ∑ i=1 (1) (2) ki vi = ki vi + cj wj Tako v je linearna kombinacija elemenata iz B. .. kao i alternativni dokaz.18. .. . Onda. v2 . . vr .. Po Teoremi 4. Kako B ima r + s elemenata. Dokaz da je B linearno nezavisan. . imamo r + s = n. 4.11 Suma i direktna suma potprostora Neka su U i W potprostori prostora V .. dim(W ) = s = n − r.. svaki ai = 0. dim(W ) = s i neka je w1 . Koriste´i ˇinjenicu i ove formule.. w2 . w2 . ur ˇine bazu prostora kolona matrice A (postoji taˇno r takvih c c vektora poˇto je rang(A)=r).Linearna Algebra i Analitiˇka Geometrija – 47 – c Dokaz.. videti Teoremu 5. w1 . . tako da je svako bi = 0. Neka je s B = {v1 . ws su linearno nezavisni. i odatle sledi da span(B) = K n . u2 .. . Kako u pripada prostoru kolona matrice A moˇe z se izraziti kao linearna kombinacija vektora ui : Av = k1 u1 + k2 u2 + · · · + kr ur Neka je v′ = v − k1 u1 − k2 u2 − · · · − kr ur . svaki sistem AX = ui ima reˇenje vi : s s Av1 = u1 .16 (b)⇒(a). u2 . ws } Tvrdimo da je B baza prostora K n a potrebno je dokazati da je B linearno nezavisan i da je span(B) = K n .. w2 .. c • Za ekvivalentnu formulaciju prethodne teoreme. Pretpostavimo da a1 v1 + a2 v2 + · · · + ar vr + b1 w1 + · · · + bs ws = 0 (3) Kako wi pripada W . ur linearno nezavisni .. Odatle sledi. Avr = ur Neka je W prostor reˇenja. B je baza za K n . . Predpostavimo da vektori u1 .. .. . ws baza za W . . dobijamo c c   r s r s r s ∑ ∑ ∑ ∑ ∑ ∑ 0 = A(0) = A  ai vi + b j wj  = ai Avi + bj Awj = ai ui + bj 0 = a1 u1 + a2 u2 + · · · + ar ur i=1 j=0 i=1 j=1 i=1 j=1 Kako su u1 . Prema tome. w1 . . Kao posledica. Dokaz za span(B) = K n .

+ bm−r um−r + c1 w1 + . . Vektorski prostor V je direktna suma potprostora U i W . Prema tome.. wn−r } .. .6.... bj . + cn−r wn−r = 0 gde su ai . u oznaci V =U ⊕W ako se svaki vektor v ∈ V na jedinstven naˇin moˇe napisati u obliku v = u + w gde u ∈ U i w ∈ W . ..Linearna Algebra i Analitiˇka Geometrija – 48 – c Dokaz: Lema 4. um−r } baza za U zakljuˇujemo. . . w1 . um−r } baze za U i W respektivno i neka je B = BU ∪ BW : B = {v1 . Neka su BU = {v1 .10 svaku bazu za U ∩ W moˇemo raˇiriti do baze za W (kao i z s do baze za U ). . ... . + ar vr + b1 u1 + .. Neka je v = a1 v1 + · · · + ar vr + b1 u1 + · · · + bm−r um−r Po (1) takodje imamo v = −c1 w1 − · · · − cn−r wn−r (3) Kako je vi .70 • Ako je V = U ⊕ W tada Grasmanova formula postaje: dim(V ) = dim(U ) + dim(W ) V =U +W i (ii) U ∩ W = {0} (2) (1) i BW = {v1 .... dr takvi da je: v = d1 v1 + d2 v2 + · · · + dr vr Ubacimo ovo u (3) i dobijamo: d1 v1 + · · · + dr vr + c1 w1 + · · · + cn−r wn−r = 0 Ali poˇto je BW = {v1 ...19.5 je: span(BU ) + span(BW ) = span(BU ∪ BW ) = span(B) ili U + W = span(B). Teorema 4. ..... Definicija 4. Ako je U1 = span(S1 ) i U2 = span(S2 ) tada je U1 + U2 = span(S1 ∪ S2 ). Kako je c z span(BU ) = U i span(BW ) = W . . wn−r } baza za W njeni vektori su linearno nezavisni pa zakljuˇujemo: s c c1 = 0 c2 = 0 . . . bm−r = 0 Dokazali smo da iz (1) sledi da su ai . ..20. vr . vr ....... U i W . .. . v ∈ U ∩ W . . w1 . .. Teorema je dokazana ako pokaˇemo da je B baza U + W ... prema Lemi 4. w1 . u1 . i ck svi 0 pa je B linearno nezavisan skup.. vr . u1 . (Grassmanova formula) Ako su U i W potprostori konaˇno dimenzionog prostora V tada je: c dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W ) Dokaz: Uoˇimo da je U ∩ W potprostor oba. vr . s c a1 = 0 ..... cn−r = 0 Zamenom u (1) dobijamo a1 v1 + · · · + ar vr + b1 u1 + · · · + bm−r um−r = 0 Poˇto je BU = {v1 . Dokaz.. Preostaje da pokaˇemo da je B nezavisan. Predpostavimo z a1 v1 + .. uj ∈ U iz (2) dobijamo v ∈ U . wn−r } Primetimo da B ima taˇno m + n − r elemenata.. Kako je {v1 . vr . ck skalari. u1 . .. Predpostavimo da je c dim(U ) = m dim(W ) = n dim(U ∩ W ) = r i neka je {v1 . c z Teorema 4.. vr } baza za U ∩ W . V je direktna suma potprostora U i W ako i samo ako vaˇi: z (i) Dokaz. Videti Problem 5. .5... bj .. . Prema Teoremi 4. vr } baza za U ∩ W postoje skalari d1 . .. . ar = 0 b1 = 0.. . . ... a kako je wk ∈ W iz (3) dobijamo v ∈ W . . um−r ..

.. + c2n un .22. cn1 . ... Teorema 4..... cn2   .. Koordinatne  a1  a2 [w]S =   . = Neka je S = {u1 .... v2 ...3..... u2 .. . .. + cnn un Neka je P transponovana matrica ovog ‘sistema’: c11  c12 P =  ....Linearna Algebra i Analitiˇka Geometrija – 49 – c 4. a2 .... an su koordinate vektora u u odnosu na bazu S. vn } baza prostora V ako i samo ako se svaki vektor u ∈ V na jedinstven naˇin c predstavlja kao linearna kombinacija vektora u = a1 v1 + a2 v2 + ..  c21 c22 . vn = cn1 u1 + cn2 u2 + . Tada: c (1) [u]S + [v]S = [u+v]S (2) [k u]S = k [u]S • Prethodna teorema.... Tada je P inverzibilna i za svaki vektor w ∈ V vaˇi: z P [w]S ′ = [w]S i P −1 [w]S = [w]S ′ Dokaz ... . . Kako izraˇunati koordinate vektora w u odnosu c na novu bazu S ′ ? v1 = c11 u1 + c12 u2 + ... v2 .... a2 ... + an vn a1 ..... un } baza prostora V .. ..21.. Neka je V konaˇno dimenzioni vektorski prostor nad K...... c1n P je matrica promene baze sa baze S na bazu S ′ .. c2n  . Koordinatni vektor vektora u u odnosu na bazu S je [u]S = (a1 .. an vektore [w]S ∈ K n posmatramo kao vektor-kolone:     Neka je S ′ = {v1 .  . + c1n un v2 = c21 u1 + c22 u2 + . Neka je P matrica promene baze sa baze S na bazu S ′ ..... cnn .12 Koordinate vektora u odnosu na bazu.. vn } druga (‘nova’) baza prostora V .. Teorema 4. promena baze Podsetimo da je S = {v1 .... u smislu definicije 5....... an ) ∈ K n Primetimo da koordinatni vektor vektora v ∈ V pripada prostoru K n (a ne V )... znaˇi da je svaki n-dimenzioni vektorski prostor V nad poljem K c izomorfan sa K n (u oznaci V ∼ K n ).

a2 ∈ F .. + an un ) = a1 F (u1 ) + . Definiˇemo F : Rn −→ Rm (X je vektor-kolona). vn } baza za V i neka su {u1 . Tada je i F −1 linearno preslikavanje. .. V vektorski prostori i F : V −→ U definisano sa F (x) = 0U . v2 . (7) ‘Izvod’ polinoma (derivacija) je linearno preslikavanje D : P(t) −→ P(t) definisano sa D(a0 + a1 t + . V vektorski prostori i F : V −→ U linearno preslikavanje koje je bijekcija (1-1 i ‘na’). Tada postoji jedinstveno linearno preslikavanje F : V −→ U takvo da je u1 .... a1 ) F je linearno preslikavanje.. y.. F (vn ) = un . un ∈ U i a1 . linearna transformacija ili homomorfizam vektorskih prostora) ako vaˇi: z (1) (2) F (u1 +U u2 ) = F (u1 ) +V F (u2 ) F (k u) = k F (u) za sve u1 . sa F (X) = A X (4) Neka su U.1. F je linearno preslikavanje.. (b) Za sve u1 .Linearna Algebra i Analitiˇka Geometrija – 50 – c 5 5. Preslikavanje F : U −→ V je linearno preslikavanje. y + 2)...1.. (2) Neka je F : R3 −→ R3 ‘projekcija na ravan Oxy’: (3) Neka je F : R2 −→ R2 translacija za vektor (1. F je linearno preslikavanje. + nan−1 tn−1 (8) Neka su U.. F je linearno preslikavanje. y.. u2 ∈ U . + an F (un ) • F : U −→ V je linearni operator ako i samo ako: F (a1 u1 + a2 u2 ) = a1 F (u1 ) + a2 F (u2 ) vaˇi za sve u1 . F (v2 ) = u2 ... Neka je U vektorski prostor u odnosu na sabiranje +U i V vektorski prostor u odnosu na +V vektorski prostori nad poljem F ... (5) F : P(t) −→ R definisano sa F (a0 + a1 t + . y) = (x + 1. + an tn ) = (a0 . 0).. 2): F (x. z s Primer 5. ....1 LINEARNI OPERATORI Definicija i primeri Definicija 5.1. u2 ... . i za sve u ∈ U i k ∈ F . z) = (x. a2 ∈ F : F (a1 u1 + a2 u2 ) = a1 F (u1 ) + a2 F (u2 ) (v) Za sve u1 . un } F (v1 ) = proizvoljni vektori iz U . . F nije linearno preslikavanje.. an ∈ F F (a1 u1 + . + an tn ) = a1 + 2a2 t + .. (1) Neka je A matrica tipa m × n. + an tn ) = a0 F je linearno preslikavanje.. neka je {v1 . . u2 ∈ U i a1 . u2 ∈ U i a1 . (6) F : P(t) −→ R2 definisano sa F (a0 + a1 t + . (linearni operator. Teorema 5. • Ako je F : U −→ V linearni operator onda: (a) F (0U ) = F (0V ). F (x.. Neka su U i V vektorski prostori.

e3 standardna baza (vektor-kolona) za R3 . y.2. (b) dim(Im(A)) je jednaka rangu matrica A. s • Isto vaˇi i za m × n matrice. Tada je c dim(V ) = dim(Ker(F )) + dim(Im(F )) Dokaz . Neka je F : R3 −→ R3 ‘projekcija na ravan Oxy’: F (x.2. Neka je e1 .2. Tada je Im(F ) potprostor od U i Ker(F ) je potprostor od V .. y. Njegova slika (image of F ) je: Im(F ) = {u ∈ U | F (v) = u za neki v ∈ V } Jezgro (kernel) preslikavanja F je Ker(F ) = {v ∈ V | F (v) = 0} Teorema 5.2 Slika i jezgro linearnog operatora Definicija 5. Neka su U i V vektorski prostori i F : V −→ U linearno preslikavanje. 0).3.. 0) | a. oznaka ρ(F ) • dim(Ker(F )) je defekt operatora F (nullity)..         a1 a2 a3 a1 a2 a3 a1 1  b  b1 b2 b3    b2 b3      0  =  b1  A(e1 ) = A e1 =  1  c1 c2 c3  e1 =  c1 c2 c3   c1  0 d1 d2 d3 d1 d2 d3 d1 Sliˇno: c  a2  b  A e2 =  2   c2  d2   a3  b  A e3 =  3   c3  d3   i Kako je A(x1 e1 + x2 e2 + x3 e3 ) = x1 A(e1 ) + x2 A(e2 ) + x3 A(e3 ) zakljuˇujemo: c (a) Im(A) skup svih linearnih kombinacija kolona matrice A (prostor kolona matrice A. b ∈ R} i Ker(F ) = {(0.. za vektor-kolone x). (Teorema o rangu i defektu linearnog operatora) Neka je V konaˇno dimenzioni vektorski prostor i F : V −→ U linearno preslikavanje. oznaka δ(F ) • dim(V ) = ρ(F ) + δ(F ) • Ako m × n matricu A posmatramo kao linearni operator A : Rn −→ Rm tada je dim(Im(A)) = rang(A) . ili colsp(A)). 0. z) = (x. Neka je A =  1  c1 c2 c3  koju posmatramo kao linearno preslikavanje A : R −→ R (definisano d1 d2 d3 sa A(x) = A x.  a1 a2 a3  b b2 b3  3 4  Primer 5. • dim(Im(F )) je rang operatora F . (v) Ker(A) je potprostor svih reˇenja homogenog sistema A X = 0 . Tada je Im(F ) = {(a. Primer 5. e2 .Linearna Algebra i Analitiˇka Geometrija – 51 – c 5.3. b. Dokaz . z Teorema 5. c) | c ∈ R} ili: Im(F ) je ravan Oxy a Ker(F ) je z-osa. Neka je F : V −→ U linearno preslikavanje.

y. 2). (−3. Drugi naˇin: Na´i ´emo ne bilo koju bazu nego maksimalan linearno nezavisan podskup skupa c c c (1. c 2 . 2. (1. 0) Dobijamo sistem linearnih jednaˇina: c x − 3y x − y −x − 3y Svedemo ga na stepenasti: x − − 3y 2y 6y + z − z + 3z + 2t = 0 = 0 = 0 x − 3y 2y + − z z + 2t = = 0 0 + z + 2t + 2t − 2t = 0 = 0 = 0 + 2z Njegov skup reˇenja je {( a − 2b. a. −1. 1) baza za Ker(f ). (−2. −1). f (e4 ): f (e1 ) = f (1. 1. 1 .4. −6) baza za Im(f ). f (e3 ). 0. 0). 1. 0)} f (x. Im(f ) je potprostor generisan vektorima f (e1 ). −x − 3y + 2z − 2t) i neka je e1 . 1. 0. s 2 2 ( a − 2b. t) = (x − 3y + z + 2t. −1. −1). −3). −x − 3y + 2z − 2t) = (0. b) | a. f (e2 ). b ∈ R} (= Ker(f )). 2) Bazu moˇemo odrediti na dva naˇina z c f (e2 ) = (−3. Neka je f : R4 −→ R3 definisano sa: f (x. 1. 1. 2. c (v) Odredjujemo bazu za Ker(f ). −3) f (e4 ) = (2. 0. t) = (x − 3y + z + 2t. a .Linearna Algebra i Analitiˇka Geometrija – 52 – c Primer 5. −1) f (e3 ) = (1. Ker(f ) = {v ∈ R4 | f (v) = (0. 0. e2 . 1 . −1. 1. 0. z. (b) Raˇunamo defekt δ(f ) = dim(R4 ) − ρ(f ) = 4 − 2 = 2 . x − y + 2t. 0. −3) baza za Im(f ). 0) + b(−2. x − y + 2t. −2) Prvi naˇin: koriste´i Prvi algoritam c c  1 1  −3 −1   1 0 2 2     −1 1 1 −1 1 −3   0 2 −6   0 ∼ ∼ 2   0 −1 3   0 −2 0 0 0 0 1 2 0 0  −1 −6   0  0 Zakljuˇujemo da je (1. (a) Odredjujemo bazu za Im(f ). 0. (0. 0. izbriˇemo ih iz polazne matrice i zakljuˇujemo da je c c s c (1. −1) (−3. (1. 0. e3 . 0. e4 standardna baza za R4 . Takodje c ρ(f ) = dim(Im(f )) = 2 . 1) 2 2 2 2 1 Zakljuˇujemo da je ( 2 . a. y. −1) Koristimo Drugi algoritam:  1  1 −1     1 −3 1 1 −3 1 2 2 2  ∼  0 2 −1 0  ∼  0 2 −1 0 0 0 0 −6 3 0 −2  −1 2  0 −3 1 −1 0 −3 2 Kako u tre´oj i ˇetvrtoj koloni nema pivota. z. 1. b) = a( 1 . 0) = (1. a .

.6. c = • Teorema 4. Prema Teoremi 4. amn xn = = = b1 b2 bm i njegov matriˇni zapis A X = B gde je A = (aij )m. s (2) Im(A) se sastoji od svih vektora B za koje sistem A X = B ima reˇenje. Tada je F izomorfizam ako i samo ako je nesingularno preslikavanje. U tom sluˇaju F je izomorfizam. Primetimo: (1) Ker(A) je prostor reˇenja homogenog sistema A X = 0. . . Vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→ U .4 Izomorfizam vektorskih prostora Definicija 5.. Pretpostavimo da je dim(U ) = dim(V ) = n i da je F : U −→ V linearno preslikavanje.. Podsetimo: vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→ U . 3...5.3. Tada je F : Pn (t) −→ Rn+1 definisano sa: F (an tn + . am1 x1 + + ... d) Direktno se proveri da je F izomorfizam. Izomorfizam je bijektivno linearno preslikavanje.. M2.4.n matrica sistema a X = (xi ) ∈ Rm i B = (bi ) ∈ Rn c vektor-kolone.5. Dokaz. Ako je linearno preslikavanje nesingularno tada je slika svakog linearno nezavisnog skupa linearno nezavisan skup.2 (R) −→ R s 2...2 (R) ∼ R4 = ( Definiˇemo F : M2. Posmatrajmo A kao linearni operator A : Rn −→ Rm .3 Primena na sisteme linearnih jednaˇina c Posmatrajmo sistem linearnih jednaˇina: c a11 x1 a21 x1 . . + . simetriˇna i tranzitivna). a1n xn a2n xn ... a1 . c. + a12 x2 a22 x2 . Teorema 5. Kako je dim(Ker(A)) = dim(Rn ) − dim(Im(A)) zakljuˇujemo: c dim(Ker(A)) = n − rang(A) Ovim je dat alternativni dokaz Teoreme 4. am2 x2 + .17 Teorema 5. b. c = • ∼ je relacija ekvivalencije (refleksivna. U suprotnom je nesingularno (kada je Ker(F ) = {0}). Neka je Pn (t) prostor svih polinoma stepena ≤ n nad poljem K.. + . a0 ) izomorfizam. .. 1. s 5.n (R) ∼ Rm n . Dimenzija skupa reˇenja homogenog sistema A X = 0 je n − r gde je r rang matrice A. Sliˇno: c Mm. Primer 5. • Ako su U i V izomorfni to oznaˇavamo sa U ∼ V . c Teorema 5.21 glasi: svaki n-dimenzioni vektorski prostor nad poljem K je izomorfan sa vektorskim prostorom K n.Linearna Algebra i Analitiˇka Geometrija – 53 – c 5.16 Im(A) je prostor s kolona matrice A. . Linearno preslikavanje F : U −→ V je singularno ako postoji u ∈ U takav da je F (u) = 0 (ekvivalentno: Ker(F ) ̸= {0}).. = 4 sa F ( a c b d ) ) = (a. dimenzija ovog prostora je rang(A). + a1 t + a0 ) = (an .

V ) Neka su F : U −→ V i G : U −→ V linearni operatori.. Dokaz. Posmatramo linearne operatore F : V −→ V .. Neka su F. Ako dim(U ) = m. Neka su U. Kompozicija (ili slaganje) linearnih operatora G ◦ F : U −→ W je definisana sa: (G ◦ F )(u) = G(F (u)) Teorema 5. ili linearne transformacije prostora V . Definiˇemo sabiranje operatora i mnoˇenje operatora skalarom: s z (1) F +G : U −→ V (F +G)(u) = F (u) + G(u) (2) • (k F ) : U −→ V (k F )(u) = k F (u) F +G i k F su linearni operatori. V ) oznaˇava skup svih linearnih c operatora F : U −→ V . V. • Algebra nad poljem F je vektorski prostor A nad F u kome postoji binarna operacija ‘mnoˇenje’ takva da i za z sve F..6 Algebra A(V ) (ili Hom(V )) Neka je V vektorski prostor nad poljem F . G : V −→ W linearni operatori. z Dokaz. Tada: (1) (2) (3) G ◦ (F + F ′ ) = G ◦ F + G ◦ F ′ (G + G′ ) ◦ F = G ◦ F + G′ ◦ F k (G ◦ F ) = (kG) ◦ F = G ◦ (kF ).4. vektorski prostor Hom(U. Hom(U. V ) je vektorski prostor u odnosu na sabiranje i mnoˇenje skalarom. F ′ : U −→ V i G.. Dokaz. Definicija 5.9..7. W vektorski prostori nad istim poljem skalara i F : U −→ V . F (GH) = (F G)H Ukoliko vaˇi i asocijativni zakon za ‘mnoˇenje’ z z onda kaˇemo da je algebra A asocijativna. z . Teorema 5. Sa A(V ) (ili Hom(V )) oznaˇavamo skup svih linearnih c operatora na V . 5. H ∈ A vaˇi: z (1) (2) (3) (4) F (G + H) = F G + F H (G + H) F = GF + HF k(GF ) = (kG)F = G(kF ). dim(V ) = n onda dim(Hom(U. zovemo ih: linearni operatori na V . V )) = mn. Ako su U i V vektorski prostori nad istim poljem tada Hom(U. Teorema 5.5 Operacije sa linearnim preslikavanjima. G′ : V −→ W linearni operatori. G.Linearna Algebra i Analitiˇka Geometrija – 54 – c 5..8.

Teorema 5.. 1 − 1 i ‘na’ (t.n matrica sistema a X = (xi ) ∈ Rn i B = (bi ) ∈ Rn vektor-kolone.. F je 1 − 1....j Ker(F ) = {0}). a2n xn .12. Tada su slede´a ˇetiri uslova c c c ekvivalentna: (1) (2) (3) (4) F je nesingularan (t. .. Dokaz. an1 x1 + a12 x2 + a22 x2 .11. s (b) Ako homogeni sistem ima netrivijalno reˇenje tada: s . + ...... c Posmatrajmo A kao linearni operator A : Rn −→ Rn . s .Postoje vrednosti b1 . kao funkcija. (a) Ako homogeni sistem AX = 0 ima jedinstveno reˇenje (trivijalno). . Neka je F linearni operator na konaˇno dimenzionom prostoru V .Ako sistem AX = B ima reˇenje onda ono nije jedinstveno. • Definiˇemo stepen operatora F : V −→ V : s F 0 = I....Linearna Algebra i Analitiˇka Geometrija – 55 – c Teorema 5. bn takve da sistem AX = B nema reˇenje. Ako je V n-dimenzioni vektorski prostor tada je A(V ) asocijativna algebra u odnosu na operaciju slaganja operatora. + an xn polinom sa koeficijentima iz polja skalara vektorskog prostora V i F ∈ A(V ) onda: p(F ) = a0 I + a1 F + . . ‘1-1’ i ‘na’)... + an2 x2 + .. tada i AX = B ima s jedinstveno reˇenje.. Tada: Teorema 5.j. F je inverzibilan (t. Ako je dim(V ) = n onda je dim(A(V )) = n2 Dokaz.10. F je ‘na’.. s Dokaz. ann xn = = b1 b2 = bn i njegov matriˇni zapis A X = B gde je A = (aij )n. . F n+1 = F ◦ F n • Ako je p(x) = a0 + a1 x + .. + an F n ∈ A(V ) Linearni operator F : V −→ V je inverzibilan ako postoji F −1 ∈ A(V ) takav da je F ◦ F −1 = F −1 ◦ F = I • Linearni operator je inverzibilan ako i samo ako je.. a1n xn + . Posmatrajmo sistem linearnih jednaˇina: c a11 x1 a21 x1 .j bijekcija). .

. neka je S = {v1 ...... .. ..... u odnosu na razliˇite baze moˇemo dobiti razliˇite matrice operatora.. je transponovana c matrica koeficijenata.. .... v2 ... z Preciznije: Teorema 5.. an ) ∈ Rn je koordinatni vektor vektora u u odnosu na bazu S. ..... v2 . ... + ann vn Matriˇna reprezentacija operatora T u odnosu na bazu S..... a2 . + a2n vn . an1  a12 a22 ... ili matrica operatora T u odnosu na S... ... .. c z c • Transponovana matrica koeficijenata (a ne matrica koeficijenata) se uzima zato ˇto raˇunaju´i u koordinatama s c c u odnosu na bazu S: T je ‘mnoˇenje s leva matricom [T ]S ’.  a1n a2n ... + a1n vn T (v2 ) = a21 v1 + a22 v2 + .. .... vn } baza vektorskog prostora V . + an vn a1 ... T (vn ) = an1 v1 + an2 v2 + ... ono je i izomorfizam vektorskih prostora V i F n ... . v2 ..7 Matriˇno predstavljanje linearnih operatora c Neka je S = {v1 . Ovu matricu oznaˇavamo sa mS (T ) ili [T ]S .. Tada se svaki vektor u ∈ V na jedinstven naˇin c predstavlja kao linearna kombinacija u = a1 v1 + a2 v2 + ... an su koordinate vektora u u odnosu na bazu S a [u]S = (a1 . ...... vn } baza. T (v2 ). Vaˇi: z [a u+b v]S = a [u]S + b [v]S • Preslikavanje f : V −→ F n definisano sa f (v) = [v]S je linearno. ann Ukoliko vektore T (v1 )... T : V −→ V ). Za svaki u ∈ V : [T (u)]S = [T ]S [u]S (Koordinatni vektori [u]S i [T (u)]S su vektori-kolona. T (v2 ).. T (vn ) predstavimo kao vektore kolona onda: [T ]S = (T (v1 ). vn } baza vektorskog prostora V i neka je: T (v1 ) = a11 v1 + a12 v2 + . Neka je T : V −→ V linearni operator na vektorskom prostoru V i neka je S = {v1 .13. a2 ... Neka je T linearni operator na vektorskom prostoru V (t.Linearna Algebra i Analitiˇka Geometrija – 56 – c 5. .. T (vn )) • Ove matrice zavise od baze.j...... an2   [T ]S =   ..) Dokaz... Praktiˇno: c c   a11 a21 ....

1) = (−2.. Neka je S = {v1 . m(G ◦ F ) = m(G) m(F ) . v2 ...14. v2 . v2 = (2..9 Mn (F ) i A(V ) • Podsetimo da Mn (F ) oznaˇava skup svih kvadratnih matrica reda n nad poljem F . Neka je F : R2 −→ R2 definisano sa F (x. Teorema 5. 1)} Korak 1. 1)} matrica je [T ]S2 = ([T (e2 )]S2 [T (e1 ))]S2 = ( 1 1 0 −1 ) 5. 1)} Korak 1..15. 1) = (1. 0).6. Matricu operatora T u odnosu na bazu S formiramo na slade´i naˇin: c c Korak 1 Za i = 1. mnoˇenje skalarom i mnoˇenje. Primer 5. e2 = (0. . T (v1 ) = T (2. Mn (F ) je algebra matrica u c odnosu na sabiranje matrica.8 Algoritam za formiranje matrice operatora u odnosu na bazu Neka je S = {v1 ..Linearna Algebra i Analitiˇka Geometrija – 57 – c 5. y) = (3x − 5y. 0) = v1 − v2 T (v2 ) = T (1.. x − 2y) (1) Odredjujemo matricu preslikavanja u odnosu na standardnu bazu S = {e1 = (1. T (e1 ) = (3.. v2 = (1. vn } baza prostora V i T : V −→ V linearni operator. . n izraˇunamo T (vi ) u obliku: c T (vi ) = ai1 v1 + ai2 v2 + . 2. [T ]S1 (3) Bitan je i redosled elemenata baze! U odnosu na S2 = {v2 = (1. vn } baza vektorskog prostora V nad poljem K i neka je m : A(V ) −→ Mn (K) preslikavanje definisano sa m(T ) = [T ]S .. −2) = −5e1 − 2e2 ( ) 3 −5 [T ]S = (T (e1 ) T (e2 )) = 1 −2 S1 = {v1 = (2..... Tada je m izomorfizam vektorskih prostora: (1) (2) (3) m(F + G) = m(F ) + m(G) (ili [F + G]S = [F ]S + [G]S ) m(k F ) = k m(F ) (ili [k F ]S = k [F ]S ) m je bijekcija (1-1 i ‘na’). 1) = 3e1 + e2 T (e2 ) = (−5. −1) = −v1 ( ) 1 1 = ([T (e1 )]S1 [T (e2 ))]S1 = −1 0 Korak 2. + ain vn Korak 2 Formiramo matricu od vektora T (vi ) kao vektora kolona. z z Teorema 5.. 1).. . Dokaz. Dokaz. (2) Odredjujemo matricu preslikavanja u odnosu na Korak 2. 1).

. Podsetimo da su matrice A i B sliˇne ako postoji inverzibilna matrica P takva da je c B = P −1 AP • Ako su A i B matrice istog linearnog operatora u odnosu na neke baze tada su A i B sliˇne. vn } druga (‘nova’) baza prostora V ... Vrednost determinante je skalar! a11 a21 ..19.. Videti Problem 10.... .. ....... cnn Teorema 5. ‘sistema’:  c11  c12 P =  .. + c2n un .. .... + cnn un Neka je P matrica promene baze sa baze S na bazu S ′ .. to je transponovana matrica koeficijenata gornjeg  c21 ... un } baza prostora V i neka je S ′ = {v1 . v1 = c11 u1 + c12 u2 + .. Svaka inverzibilna matrica je matrica promene baze sa S na neku drugu bazu Teorema 5. ann det(aij )n×n obiˇno oznaˇavamo i sa: c c Determinante se javljaju prirodno kod reˇavanja sistema linearnih jednaˇina. cn1 c22 ....... oznaka det(A) ili |A|.. 6 DETERMINANTE Za svaku kvadratnu matricu A = (aij )n×n sa elementima iz polja F (obiˇno je F = R) definisa´emo njenu determic c nantu....17.. c S′.. u2 . an2 ... . + c1n un v2 = c21 u1 + c22 u2 + ... an1 a12 a22 . Neka je P matrica promene baze sa baze S na bazu S ′ vektorskog prostora V i neka je T linearni operator na V .. Kvadratne matrice A i B su sliˇne ako i samo ako postoji linearni operator koga one reprezentuju ...... Tada je [T ]S ′ = P −1 [T ]S P Dokaz. a2n . a1n ........ c Dokaz. v2 .Linearna Algebra i Analitiˇka Geometrija – 58 – c 5. s c .... .  c2n . vn = cn1 u1 + cn2 u2 + .......16.. cn2   . c1n P je inverzibilna i za svaki vektor w ∈ V vaˇi: z P [w]S ′ = [w]S i P −1 [w]S = [w]S ′ podsetimo. .. • Fiksirajmo bazu S prostora V .10 Promena baze i matrica operatora Neka je S = {u1 ..

2 i 3 |a| = a .1. Metodom determinanti reˇavamo sistem: s x= y= ∆y ∆ 3x + 2y = 11 2x − y = 5 ∆= 3 2 2 −1 = −7 ∆x = 11 2 5 −1 = −21 ∆y = 3 11 2 5 = −7 kako je ∆ ̸= 0 sistem ima jedinstveno reˇenje: s x= ∆x ∆y =3 y= =1 ∆ ∆ • Reˇavaju´i 3 × 3 sistem dolazi se do slede´e definicije: s c c a11 a12 a13 a22 a23 a21 a22 a23 = a11 − a12 a32 a33 a31 a32 a33 a21 a31 a23 a33 + a13 a21 a31 a22 a32 = = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12 ˇ • Cesto se izraˇunava koriˇ´enjem Sarusovog pravila: c sc . + a b c d = ad − bc = − ↘ a b c d ↗ • Posmatrajmo sistem: a11 x + a12 y = b1 a21 x + a22 y = b2 Mnoˇe´i prvu sa a22 pa oduzimaju´i drugu pomnoˇenu sa −a12 : z c c z (a11 a22 − a21 a12 )x = (b1 a22 − b2 a12 ) Sliˇno c (a11 a22 − a21 a12 )y = (a11 b2 − b1 a21 ) • Ako je (a11 a22 − a21 a12 ) ̸= 0 imamo jedinstveno reˇenje sistema: s b1 a12 b2 a22 a11 a12 a21 a22 a11 b1 a21 b2 a11 a12 a21 a22 x= y= Ovaj • je jednostavnije zapisati uz slede´e oznake: c ∆= ∆x = ∆y = a11 a21 b1 b2 a11 a21 a12 a22 a12 a22 b1 b2 je determinanta sistema je determinanta po x je determinanta po y • Ako je ∆ ̸= 0 tada sistem ima jedinstveno reˇenje koje raˇunamo po formulama: s c ∆x ∆ Primer 6.1 Determinante reda 1.Linearna Algebra i Analitiˇka Geometrija – 59 – c 6.

2. . 3). ∆z ) dobija zamenom kolone koeficijaenata uz x (y. π(n) Zapisujemo je i kao ‘preraspodelu’ elemenata skupa {1...Linearna Algebra i Analitiˇka Geometrija – 60 – c + a11 a21 a31 a12 a22 a32 a13 a23 a33 + ↘ ↘ a11 a21 a31 a12 a22 a32 + ↘ a13 a23 a33 ↗ − a11 a21 a31 a12 a22 a32 = − a11 a21 a31 a12 a22 a32 a13 a23 a33 ↗ ↗ − • Ako je ∆ = ̸= 0 sistem a11 x + a12 y + a13 z = b1 a21 x + a22 y + a23 z = b2 a31 x + a32 y + a33 z = b3 ima jedinstveno reˇenje: s ∆x ∆y ∆z y= z= ∆ ∆ ∆ gde se ∆x (∆y .. n} je bijekcija tog skupa u samog sebe..... Reˇavamo sistem 2x + y + z = 5 −x − 3y + 5z = 4 3x − y + z = 4 ∆= 2 −1 3 1 1 −3 5 −1 1 = −30 ∆x = 5 4 4 1 1 −3 5 −1 1 5 4 4 = −30 ∆y = 2 5 1 −1 4 5 3 4 1 −30 =1 −30 = 0 ∆z = 2 1 −1 −3 3 −1 = −30 kako je δ ̸= 0 sistem ima jedinstveno reˇenje: s x= y= 0 =0 −30 z= −30 =1 −30 • Ovo su specijalni sluˇajevi Kramerove teoreme (n = 2. .2 Permutacije Permutacija skupa {1. . π(2). 2.. 2. . permutaciju π : {1..... n} zapisujemo u obliku: ( ) 1 2 . π(n) . 2. n} i oznaˇavamo je kao: c π(1). Vaˇi i uopˇtenje ali se za n ≥ 4 determinante teˇe c z s z ˇ raˇunaju jer NEMA PRAVILA SLICNOG SARUSOVOM ZA n ≥ 4 !!! c 6.. . n π= π(1) π(2) .2... z) kolonom b-ova: x= ∆x = b1 b2 b3 a12 a22 a32 a13 a23 a33 ∆y = a11 a21 a31 b1 b2 b3 a13 a23 a33 ∆z = a11 a21 a31 a12 a22 a32 b1 b2 b3 s Primer 6.. n} −→ {1....

4} −→ {1.4.. s • Za n = 2. u suprotnom ona je neparna ili sgn(π) = −1.... (3. (2) Ako A ima dve jednake vrste (kolone) tada je |A| = 0. U permutaciji 32541 ima ukupno 6 inverzija: 2 je na prvom mestu u (2... (3) Ako je A trougaona (gornje ili donje) tada je |A| jednaka proizvodu elemenata na glavnoj dijagonali.. 3. Za svaku kvadratnu matricu vaˇi det(A) = det(AT ) . • 32541 i 3412 su parne permutacije dok su 32451 i 2413 neparne..2).. z • Sabirke a1π(1) a2π(2) . π(2).. 4} takvu da je π(1) = 3.1) 3 je na prvom mestu u (3. ..1.1) • Permutacija π je parna ako ima paran broj inverzija. Teorema 6. Determinanta matrice A = (aij )n×n oznaka |A| ili det(A) je ∑ |A| = sgn(π) a1π(1) a2π(2) .. π(3) = 4. anπ(n) π gde se sumiranje vrˇi po svim permutacijama skupa {1. Dokaz ...3. Teorema 6.2.3. • Ima ukupno n! = 1 · 2 · . oznaka sgn(π) = 1.1 oznaˇava permutaciju π : {1. n}. 3. 2.. 3 definicija se slaˇe sa prethodnom. Neka je A kvadratna matrica.. (1) Ako A ima nula-vrstu (ili kolonu) tada je |A| = 0 .1) 5 je na prvom mestu u (5. 2.2.1) 4 je na prvom mestu u (4.Linearna Algebra i Analitiˇka Geometrija – 61 – c Na primer 3. π(4) = c 1. Pretpostavimo da je kvadratna matrica B dobijena iz A primenom elementarne transformacije vrsta (ili kolona). z Dokaz . . π(n) je (svaki) par (π(i). 2. n}. Primer 6.. π(2) = 2. (5..4).3 Definicija i osnovna svojstva determinanti Definicija 6. π(j) takav da je i > j. anπ(n) moˇemo opisati kao proizvode aij -ova takve da je iz svake vrste i svake kolone z uzet taˇno po jedan! c Teorema 6. (1) Ako su dve vrste (kolone) zamenile mesta u A tada je |B| = −|A| (2) Ako je neka vrsta (kolona) matrice A pomnoˇena sa k tada je z |B| = k |A| (3) Ako je neka vrsta (kolona) pomnoˇena nekim skalarom dodata nekoj drugoj vrsti (koloni) tada je z |B| = |A| .1. 2. • Inverzija u permutaciji π(1). . · n permutacija skupa {1. 6..

3(2)). j) (ili elementa aij ) matrice A je (skalar) |Mij | • Kofaktor polja (i.5. A33 = = −24. A21 = − = −1. A13 = 6 3 5 −2 5 7 3 4 = −27. = −1. A32 = − 5 7 −2 −3 2 7 6 4 = 1. • Minor polja (i.28 6.Linearna Algebra i Analitiˇka Geometrija – 62 – c Dokaz . A12 = − = −41. . 1 1 5 1 1 1 1 5 Prvo saberemo sve vrste u prvu (determinanta se ne menja prema teoremi 6.4.4.. onda Gaus: 5 1 1 1 1 5 1 1 1 1 5 1 1 1 1 5 8 1 1 1 8 5 1 1 8 1 5 1 8 1 1 5 1 1 1 1 1 1 1 5 1 1 1 5 1 1 1 5 1 0 0 0 1 4 0 0 1 0 4 0 1 0 0 4 = =8 =8 = 8 · 43 • Ako je E matrica neke elementarne transformacije vrsta (ili kolona) tada je |E A| = |E| |A| • Neka se matrica B dobija iz A primenom elementarnih transformacije vrsta i kolona. izraˇunavanje determinante c Neka je A = (aij ) kvadratna matrica reda n i neka Mij oznaˇava matricu koja se dobija iz A brisanjem i-te vrste i c j-te kolone. Izraˇuna´emo c c ..27 |A B| = |A| |B| . Prethodne dve teoreme daju jednu od strategija za izraˇunavanje determinanti: koriste´i elementarne transformacije c c svedemo determinantu na trougaoni oblik pa primenimo teoremu 6. A23 = − A22 = 2 7 5 −3 = 29. pa izvuˇemo 8 iz prve vrste c (teorema 6. Kvadratna matrica A je inverzibilna ako i samo ako je det(A) ̸= 0.3(3)).5. (Binet-Cauchy) Dokaz Videti Problem 7.2(3). Teorema 6. 5 1 1 1 1 5 1 1 Primer 6. −3 6 4 5 −3 2 5 5 −2 = 38. Dokaz Videti Problem 7. j) matrice A je: Aij = (−1)i+j |Mij | 2 5 Primer 6.4 Minori i kofaktori. Tada je |A| = 0 ako i samo ako |B| = 0 Teorema 6. Neka je A =  6 3 5 −2 A11 = 3 −2 4 −3   7 4 . 2 5 6 3 A31 = = 34.

 . .7.   2 5 7 1 .. Neka je A = (aij ) kvadratna matrica reda n. An1 .6. (2) Ako jednu vrstu (ili kolonu) pomnoˇimo sa k ̸= 0 determinanta se uve´a k puta. A2n  .. Adjungovana matrica matrice A (adjunct of A) je: A11  A12 adj(A) =   . Tada je: −3 = −1 A12 = − 6 4 5 −3 = 38 A13 = 6 3 5 −2 = −27 2 5 Primer 6.... pa c ponavljamo postupak dok .6. An2   . Dobijamo matricu za red kra´u. c Korak 3 Primenom Teoreme 6. Zgodan je a23 = 1 u drugoj vrsti: Primer 6....3): (1) Ako zamenimo mesta dvema vrstama (kolonama) determinanta menja znak.. z c (3) Ako jednoj vrsti dodamo k puta neku drugu vrstu determinanta se ne menja! Korak 1 Prona´i ‘zgodnu vrstu i pivota’ u njoj (ili kolonu). A =  3 1 5 −2 −3 2 5 3 1 5 −2 7 1 −3 −19 0 14 −2 7 0 1 1 −3 = (−1)2+3 · 1 · −19 14 −2 1 = = Sad moˇe i da se izraˇuna 2 × 2 determinanta: z c = −1((−19)1 − 14(−2)) = 1 6.. Neka je A =  6 3 5 −2 A11 = Razvoj po prvoj vrsti: 3 4 −2 −3 |A| = a11 A11 + a12 A12 + a13 A1n = = 2 · (−1) + 5 · 38 + 7 · (−27) = −1 Za praktiˇno izraˇunavanje determinante Koristimo razvoj po vrstama (kolonama) i pravila za elementarne transc c formacije (Teorema 6.Linearna Algebra i Analitiˇka Geometrija – 63 – c Teorema 6.. c Korak 2 Koriste´i pivota elementarnim transformacijama napraviti sve ostale nule u toj vrsti (koloni). Ann ..6 razviti determinantu po toj vrsti (koloni). (1) Vaˇi formula za razvoj po i-toj vrsti: z |A| = ai1 Ai1 + ai2 Ai2 + . + ain Ain (2) Vaˇi formula za razvoj po i-toj koloni: z |A| = a1j A1j + a2j A2j + .5 Adjungovana matrica Neka je A = (aij ) kvadratna matrica reda n. A1n  A21 A22 ... + anj Anj   7 4 .

xn bn   . Neka je A kvadratna matrica.8.. Uzmimo matricu iz primera 6.6 Kramerova teorema Posmatrajmo sistem linearnih jednaˇina A X = B : c  a11 a12 .5: A =  6 3 c 5 −2 −3 A11 = −1 A12 = 38 A13 = −27 A21 = 1 A22 == −41 A23 = 29 A31 = −1 A32 = 34 A33 = −24  −1 1 −1 Prema tome adjA =  38 −41 34  −27 29 −24 Laplasova teorema (u primeru 6. an1 an2 . a1n  a21 a22 .. .. 1 adj(A). det(A)   2 5 7 4 .6 smo izraˇunali |A| = −1 a u Primer 6. ann     x1 b1   x2   b2 · =   .5: A =  6 3 c 5 −2 −3 primeru 6. (a) A je inverzibilna ako i samo ako det(A) ̸= 0..8.Linearna Algebra i Analitiˇka Geometrija – 64 – c Teorema 6.8   −1 1 −1 adjA =  38 −41 34  −27 29 −24 (b) Ako je A inverzibilna tada je A−1 = Prema teoremi 6. . Izraˇunali smo: Primer 6.   .33  Teorema 6. (Laplas) Za svaku kvadratnu matricu A vaˇi: z A · adj(A) = adj(A) · A = det(A) I  2 5 7 4 ..  .9..8(2) A−1 −1 = −  38 −27  1 −41 29  −1 34  −24 • Kvadratna matrica A je inverzibilna ako i samo ako je adj(A) inverzibilna... Uzmimo matricu iz primera 6.6 imamo |A| = −1):       2 5 7 −1 1 −1 −1 0 0  6 3 4  ·  38 −41 34  =  0 −1 0  = |A| I 5 −2 −3 −27 29 −24 0 0 −1  Dokaz Videti Problem 7. U primeru 6. .7. a2n   . U sluˇaju inverzibilnosti vaˇi: c z |adj(A)| = |A|n−1 6.

.. .. ∆ · xn ∆xn Zakljuˇujemo da je prethodna jednakost ekvivalentna sa AX = B.. ann ∆x1 = . an2 ...9.  ∆xn   ∆x1   ∆x2  =    .... c (2) Neka je ∆ = 0 i za bar jedno i je ∆xi ̸= 0. + An2 bn   ∆·  . u tom sluˇaju je s c x1 = ∆x2 ∆ xn ∆x1 . . + An1 bn  x2   A12 b1 + A22 b2 + ..   . Homogeni kvadratni sistem  a11  a21   . = ∆xn = 0 Kramer ne kaˇe niˇta... an2   ... s Dokaz .  .. = . .10... a2n   x2 · .. bn .. .. . s c s Teorema 6. x2 = .. xn A1n b1 + A2n b2 + . a2n . an1 je X reˇenje AX = B mnoˇenjem sleva sa adj(A) dobijemo s z    ∆x1   ∆x2  =    .. ann xn   0   0  =    ..  =  . Iz A X = B sledi adj(A) · A · X = adj(A) · B Vaˇi i obrnuto: mnoˇenjem sleva sa adj(A)−1 dobijamo AX = B z z Primenom Laplasove teoreme (det(A) · I) · X = adj(A) · B    x1 A11 b1 + A21 b2 + . ∆ · xn ˇto nije mogu´e... Ako  ∆ · x1  ∆ · x2   .... reˇi´emo sistem: c sc .. an1 b1 b2 ... Primer 6. + Ann bn     ∆ · x1 ∆x1  ∆ · x 2   ∆x2       . xn = .. Kramerova teorema (1) Sistem ima jedinstveno reˇenje ako i samo ako je ∆ ̸= 0. a1n .Linearna Algebra i Analitiˇka Geometrija – 65 – c Neka je ∆ = det(A) i neka je ∆xi dobijena zamenom i-te kolone u ∆ sa B: b1 b2 ..... a z s c s s nekad da ih nema..  0  ima netrivijalno reˇenje ako i samo ako je det(aij ) = 0..  ∆xn  a12 a22 ... a1n x1 . bn a12 a22 . U ovom sluˇaju sistem reˇavamo nekom drugom metodom i nekad dobijamo da ima reˇenja.... s • Primetimo da o sluˇaju c ∆ = ∆x1 = ∆x2 = . ... ∆ x2 = .. . a1n . ∆ ∆ ∆ (2) Ako je ∆ = 0 i za bar jedno i je ∆xi ̸= 0 onda sistem nema reˇenja. Koriste´i Kramerovo pravilo. .... ann a11 a21 . Dokaz Kramerove teoreme (1) Pretpostavimo da je ∆ ̸= 0 (tada je i adj(A) inverzibilna). a2n . . Nema reˇenja....

gde je m realan parametar.Linearna Algebra i Analitiˇka Geometrija – 66 – c x+y+z =0 x + 2y + z = 1 2x + y + az = 1. gde je a realan parametar.11. pa Kramer ne pomaˇe. prema Krameru. ∆ = (m + 1)(m − 1)2 ∆x = (m − 1)2 ∆y = (m − 1)(m2 + 2m − 1) ∆z = −m(m2 − 1) (1) m ̸= ±1 Tada je ∆ ̸= 0 pa Kramer kaˇe da sistem ima jedinstveno reˇenje: z s x= (2) m = 1 1 m2 + 2m − 1 −m . ali sistem postaje: z s c Tada je ∆ ̸= 0 pa. i reˇenja su: x = 1 − a − b y = b z = a (a. s s Primer 6. b ∈ R) s (3) m = −2 tada je ∆ = 0. i oˇito nema reˇenja. y= . 1 (2) m = 1 ∆x = ∆y = ∆z = (m − 1)2 1 . c s (3) m = −1 U ovom sluˇaju ∆ = 0. reˇi´emo sistem: c sc mx + y + z = 1 x + my + z = 1 x + y + mz = 1. ∆ = (m + 2)(m − 1)2 (1) m ̸= −2. prema Krameru. c s . prema Krameru. z= 2 m+1 (m − 1) m−1 U ovom sluˇaju ∆ = ∆x = ∆y = ∆z = 0. sistem nema reˇenja. Kramer ne kaˇe niˇta u ovom sluˇaju. ali sistem je zapravo: c z x+y+z =1 x+y+z =2 x + y + z = 1. m+2 Tada je ∆ = ∆x = ∆y = ∆z = 0. Imamo dva sluˇaja: s c (1) a ̸= 2 U ovom sluˇaju je ∆ ̸= 0 pa. ali ∆x = 1 ̸= 0. ali ∆x ̸= 0 pa prema Krameru naˇ sistem nema reˇenja. sistem ima jedinstveno reˇenje: c s x= ∆x −a = ∆ a−2 y= a−2 =1 a−2 z= 2 a−2 (2) a=2 U ovom sluˇaju je ∆ = 0 a ∆x = −2 ̸= 0. ∆= 1 1 1 2 2 1 1 0 1 1 2 1 1 1 a 1 1 a =a−2 ∆x = 0 1 1 1 1 2 1 2 1 1 2 1 1 1 a 0 1 1 = −a ∆y = =a−2 ∆z = =2 Reˇenja sistema zavise od vrednosti parametra a (da li je ∆ = 0 ili ∆ ̸= 0). sistem ima jedinstveno reˇenje: x = y = z = s x+y+z =1 x+y+z =1 x + y + z = 1. c s Primer 6. Koriste´i Kramerovo pravilo. prema Krameru sistem nema reˇenja. Reˇavamo sistem: s mx + y + z = 1 x + my + z = m + 1 x + my + mz = 1.12.

A2 . ... . 2 ...13. Pozitivna definitnost: .10... v >=< v. Lema 6. v > +b < u2 . Tada je det(M ) = det(A1 ) det(A2 ) .. det(T1 ) = det(T2 ) .1. . .. ... .. 82 . 0 . . ... . 5 2 . Neka je M trougaona (gornje ili donje) blok matrica sa dijagonalnim blokovima A1 . 0 .. . . Neka su S1 i S2 baze za V i neka su T1 i T2 matrice operatora u odnosu na njih. 0 2 5 23 −8 . . v >= a < u1 .. ....7 Determinante blok matrica Teorema 6. 3 1 . 67 7 65 .. Definicija 7. .. u > = 0 ako i samo ako u = 0.. .. 0 0 ..1. An . .. . 3 4 0 0 0 90 2 67 5 23 0 5 0 3 0 0 7 −8 2 1 0 90 65 82 31 2 Primer 6.Linearna Algebra i Analitiˇka Geometrija – 67 – c 6. . = 3 2 4 5 5 2 3 1 2 = 7(−1)2 = −14 6. u > ≥ 0 i < u. . Primenimo Koˇi-Binea: s det(T2 ) = det(P ) det(T1 ) det(P −1 ) = det(P ) det(T1 ) det(P )−1 = det(T1 ) ˇto je i trebalo pokazati. . s • Determinanta linearnog operatora je determinanta njene matrice u odnosu na neku bazu. v >∈ R i koja zadovoljava slede´e uslove: c (1) Linearnost (po prvom argumentu): < au1 + bu2 . Neka je P matrica prelaska sa baze S1 na bazu S2 .. u > < u. 0 . .. . det(An ) Dokaz . .. . . .. (Realni) skalarni proizvod ((real) inner product) na V je funkcija koja svakom paru vektora u. ... 7 UNITARNI PROSTORI Neka je V vektorski prostor nad R (realni vektorski prostor).. . v ∈ V dodeljuje broj < u. Determinantu razloˇimo na blokove: z 3 4 .8 Determinanta linearnog operatora Neka je T : V −→ V linearni operator na n-dimenzionom vektorskom prostoru V ... . . Tada je T2 = P T1 P −1 . 31 . .. v > (2) (3) Komutativnost: < u. Dokaz. .. 0 0 .

Primer 7.2.. 0 > = 0 • Iz linearnosti po prvoj promenljivoj i komutativnosti sledi linearnost i po drugoj promenljivoj: u ◦ (cv1 + dv2 ) = c u ◦ v1 + d u ◦ v2 • Linearnost nam omogu´uje da linearne kombinacije vektora mnoˇimo kao linearne kombinacije brojeva po c z principu ‘svaki sa svakim’ pri ˇemu skalare izdvajamo ispred: c (u1 + u2 ) ◦ (v1 + v2 ) = u1 ◦ v1 + u1 ◦ v2 + u2 ◦ v1 + u2 ◦ v2 (a u1 + b u2 ) ◦ (c v1 + d v2 ) = ac(u1 ◦ v1 ) + ad(u1 ◦ v2 ) + bc(u2 ◦ v1 ) + bd(u2 ◦ v2 ) • Opˇtije: s ( ili < n ∑ i=1 n ∑ i=1 m n m ∑ ∑∑ ai ui ) ◦ ( b j vj ) = ai bj (ui ◦ vj ) j=1 m ∑ j=1 i=1 j=1 n m ∑∑ i=1 j=1 ai ui . Norma vektora u = (u1 .. . un ) i v = (v1 . u > u2 je direktna asocira na apsolutnu vrednost broja.. + un vn (∈ R) .. v2 . v > = a < u.1. vj > ˇ • Cesto se v ◦ v oznaˇava i sa v2 . un ) je: ∥u∥ = • ∥u∥ = √ √ < u..Linearna Algebra i Analitiˇka Geometrija – 68 – c (Realni) unitarni prostor je vektorski prostor snabdeven skalarnim proizvodom.. vn ) u Rn smo definisali sa: u · v = u1 v1 + u2 v2 + .. v + 6 v2 Paˇnja: z un nema smisla za n ≥ 3!!! Definicija 7. Standardni skalarni proizvod vektora u = (u1 . • Aksioma (1) je ekvivalentna sa: < u1 + u2 . Pri ovakvom zapisu linearnost (prema prethodnoj primedbi) se c razlaˇe na distributivnost + u odnosu na skalarno mnoˇenje z z (u1 + u2 ) ◦ v = u1 ◦ v + u2 ◦ v i na izvlaˇenje skalara ispred skalarnog proizvoda: c (a u) ◦ v = a (u ◦ v) • Linearnost izraˇena preko ◦ je: z (a u1 + bu2 ) ◦ v = au1 ◦ v + bu2 ◦ v • < 0. Na primer: c (u + 2 v) ◦ (u + 3 v) = u2 + 5 u◦. .. v >=< u1 . bj vj > = ai bj < ui . u2 . .. u > = < v... u2 . v > i < a u. v > + < u2 . v > • Skalarni proizvod oznaˇavamo i sa u ◦ v .

y. (1) (2) (3) Za vektore u. g >= a b f (t)g(t)dt skalarni proizvod. z) koji je normalan na vektore (2. 1. B >= tr(B T A) skalarni proizvod.Linearna Algebra i Analitiˇka Geometrija – 69 – c Primer 7. na primer (−1.11 • Ako je ∥u∥ = 1 onda je u jediniˇni vektor (unit vector) ili normiran (normalized).10 Teorema 7.2 Ortogonalnost Vektori u i v unitarnog prostora su ortogonalni ili normalni ako vaˇi z < u. c • Ugao izmedju vektora u i v unitarnog prostora je: cos θ = < u. v > ∥u∥ ∥v∥ 7. v) = ∥u − v∥ je rastojanje izmedju taˇaka u i v unitarnog prostora. 1) standardnog R3 : z 2x + y − z = 0 Svako reˇenje ovog sistema odgovara. tr(C).1 Koˇi-Svarcova nejednakost s ˇ Teorema 7. c • Normiranje ne-nula vektora u je v = 1 u (∥v∥ = 1) ∥u∥ • d(u.2. Dokaz Problem 6. −1). (Cauchy-Shwartz) |u ◦ v| ≤ ∥u∥ ∥v∥ .3. Traˇimo vektor u = (x. Neka je V prostor neprekidnih realnih funkcija na intervalu [a. Tada je: < A. ili trag kvadratne matrice C. s y+z =0 . 1. Tada je: ∫ < f. v ∈ Rn vaˇi z ∥v∥ = 0 ako i samo ako v = 0 ∥v∥ ≥ 0. b]. 7.1. 1. Primer 7.2. ∥k v∥ = |k| ∥v∥ ∥u + v∥ ≤ ∥u∥ + ∥v∥ Dokaz Problem 6.4. −1) i (0. v > = 0 Primer 7. je zbir elemenata glavne dijagonale. Neka je V prostor m × n realnih matrica.

s > = 0 za svaki s ∈ S’ piˇemo kra´e i s c u ⊥ S: S ⊥ = {u ∈ V | u ⊥ S} • S ⊥ je potprostor prostora V . • u⊥ je i ortogonalna projekcija vektora v na potprostor U ⊥ • Teorema 7. u2 .3 ne vaˇi u proizvoljnom beskonaˇno-dimenzionom prostoru! z c 7. c • Ortogonalna baza vektorskog prostora je baza koja je ortogonalan skup. s c z Teorema 7..4. Normalizacijom ortogonalnog skupa dobijamo ortonormirani skup. Ako je U potprostor konaˇno-dimenzionog prostora V tada je c V = U ⊕ U⊥ • Ekvivalentno: svaki vektor v se na jedinstven naˇin piˇe kao c s v = u + u⊥ ..3 Ortogonalni skupovi i baze Skup vektora je ortogonalan ako je svaki par njegovih vektora ortogonalan.. Svi vektori koji su normalni na svaki vektor iz S ˇine c ortogonalni komplement skupa S: S ⊥ = {u ∈ V | < u. • Naˇ cilj u narednom delu je dokaz slede´e vaˇne teoreme. c Teorema 7. un } ortogonalan skup vektora tada je: ∥u1 + . (Pitagorina teorema) Ako je {u1 . . To pokazuje c s c i naredni primer. + ∥un ∥2 Dokaz Problem 6.21 7..5. a u⊥ ∈ U ⊥ je ortogonalna dopuna vektora v u odnosu na potprostor U . Ortonormiran skup vektora je ortogonalan skup ˇiji su svi elementi jediniˇni vektori. Sliˇno za ortonormiranu bazu. koji zahteva nekoliko prethodnih tvrdjenja. gde je u ∈ U ortogonalna projekcija vektora v na potprostor U .. s > = 0 za svaki s ∈ S} • ‘< u.20 Teorema 7.. Svaki ortogonalan skup ne-nula vektora je linearno nezavisan.. Dokaz Problem 6.un ∥2 = ∥u1 ∥2 + .Linearna Algebra i Analitiˇka Geometrija – 70 – c Neka je S bilo koji skup vektora unitarnog prostora.4 Furijeovi koeficijenti Koordinate vektora u odnosu na ortogonalnu bazu se raˇunaju lakˇe nego u sluˇaju proizvoljne baze. c c • Normiranje ortogonalnog skupa ne-nula vektora je normiranje svakog u u njemu (zamena sa v = 1 u koji ∥u∥ je jediniˇni).3. .

3.6.. . . −1) = = =2 u1 · u1 ∥u1 ∥2 6 v = 2 u1 + u2 + u3 Naredna definicija je motivisana situacijom u prostoru Rn sa standardnim skalarnim proizvodom. . un } ortogonalna baza vektorskog prostora V ... 1) u2 = (2.6 moˇemo izraziti i na slede´i naˇin: z c c ∥ui ∥2 < u. u > c= je jedinstven skalar koji zadovoljava: ∥u∥2 6 v v − cu u Sliˇno. c z u ◦ (v − c u) = 0 cu v◦u u ◦ (v − c u) = u ◦ v − c u ◦ u = u ◦ v − c ∥u∥2 = 0 povlaˇi c = c ∥u∥2 Teorema 7. Neka je {u1 . 1). < v. 1) · (2. u1 > < v. + cn un gde je ci komponenta vektora v u odnosu na ui .5. 1. 1) · (7. 2. ui > ui je projekcija vektora v na vektor ui . u2 > < v.. 2. u > Definicija 7. • < v. −2. ali nije ortonormirana: √ √ √ √ ∥u1 ∥ = 12 + 22 + 12 = 6 ∥u2 ∥ = 21 ∥u3 ∥ = 14 Izrazimo vektor v = (7. To je ortogonalna baza.4 oni su linearno nezavisni pa ˇine c c c c bazu (dimenzija je 3). 1. mnoˇenjem sa u2 i u3 dobijamo y = 1 i z = 1. Vektor proj(v... Proverimo da oni ˇine ortogonalnu c bazu standardnog R3 : u1 · u2 = (1. −1) kao linearnu kombinaciju: v = xu1 + yu2 + zu3 Pomnoˇimo skalarno sa u1 : z u1 · v = x u1 · u1 + y u1 · u2 + zu1 · u3 u1 · v = xu1 · u1 + 0 + 0 Odatle je x = u1 · v u1 · v (1. pa teoremu 7. v > < v. • Furijeov koeficijent ili komponenta vektora v u odnosu na u je skalar: c= Prethodna formula postaje: v = c1 u1 + c2 u2 + . 2. Tada je za svaki v ∈ V : v= Dokaz . u > ∥u∥2 < v. un > u1 + u2 + . −4) u3 = (3..3. u) = u je projekcija vektora v na vektor u unitarnog prostora.. un } ortogonalna baza vektorskog prostora V tada je svaki v ∈ V jednak zbiru svojih projekcija na bazne vektore. Znaˇi oni ˇine ortogonalan skup.Linearna Algebra i Analitiˇka Geometrija – 71 – c Primer 7. Posmatrajmo vektore u1 = (1. 3.. −4) = 1 · 2 + 2 · 1 + 1 · (−4) = 0 Sliˇno u3 · u2 = u1 · u3 = 0. u > = < u.. ∥u∥2 • Motivacija za prethodnu definiciju je sledec1a ˇinjenica: c < v... Prema teoremi 7. + un ∥u1 ∥2 ∥u2 ∥2 ∥un ∥2 0 Ako je {u1 ..

.31 Teorema 7. . un > ∥un ∥2 Dokaz . . v1 . . v − v′ ∈ U ⊥ ) v′ = c1 u1 + c2 u2 + ... a2 ..5 Beselova nejednakost Teorema 7.. u1 > ∥u1 ∥2 c2 = < v.. u2 > ∥u2 ∥2 .3 preostaje da dokaˇemo da svaki konaˇno-dimenzioni z c unitarni prostor ima ortogonalnu bazu.. un } ˇine ortogonalan skup ne-nula vektora u vektorskom prostoru V i neka je c U potprostor generisan njima. {w1 .. .Linearna Algebra i Analitiˇka Geometrija – 72 – c Teorema 7. en } ˇine ortogonormiran skup vektora u vektorskom c prostoru V .. un > u1 + u2 + . un } raˇunamo po formuli: c proj(v.. u1 > < v. • v′ je ortogonalna projekcija vektora v na potprostor U .... c s c c 7.. u2 > < v. vn } baza unitarnog prostora V . Neka je c v ∈ V i neka su ci Furijeovi koeficijenti v u odnosu na wi . wn } takav da je: w1 = v 1 w2 = a21 v1 + v2 ˇ Gram-Smitovim postupkom nalazimo ortogonalan skup . (Beselova nejednakost) Neka vektori {e1 .32 7. (1) Za svaki v ∈ V postoji jedinstven v′ ∈ U takav da je v − v′ ⊥ U (2) ( t... cn = < v... Da kompletiramo dokaz teoreme 7.. • Prethodna teorema garantuje da svaki vektor ima ortogonalnu projekciju na konaˇno-dimenzioni potprostor.... U ) = < v.9.. an : ∥v − Dokaz Problem 6.3 (dodata je pretpostavka da s c U ima ortogonalnu bazu). u1 ) + proj(v.7. Neka vektori {u1 ... U ) c • Projekciju vektora v na potprostor generisan ortogonalnim skupom vektora {u1 .. Tada : n ∑ i=1 n ∑ i=1 ci wi ∥ ≤ ∥v − n ∑ i=1 ai wi ∥ c2 ≤ ∥v∥2 i Dokaz Problem 6. Tada za sve skalare a1 .. Neka je v ∈ V i neka je ci Furijeov koeficijent vektora v u odnosu na ei . .8.. Neka vektori {w1 . oznaˇavamo ga sa proj(v. + proj(v.6 ˇ Gram-Smitov postupak ortogonalizacije Neka je {v1 . u2 ) + ..j. U ) = proj(v. + cn un gde su ci Furijeovi koeficijenti: c1 = < v. + un 2 2 ∥u1 ∥ ∥u2 ∥ ∥un ∥2 Projekcija na potprostor je zbir projekcija na vektore ortogonalne baze tog potprostora: proj(v. wn } ˇine ortogonalan skup ne-nula vektora u vektorskom prostoru V ..... un ) • Prethodna teorema dokazuje V = U ⊕ U ⊥ ˇto je specijalan sluˇaj teoreme 7. To c nije taˇno u opˇtem sluˇaju beskonaˇno dimenzionih potprostora. w1 . .

...... t. wn } ortogonalan..7: wk ⊥ span(w1 . wk−1 )) ... ..... . un } takva da je matrica promene baze sa {vi } na {ui } trougaona. Svaki ortogonalan skup ne-nula vektora konaˇnodimrnzionog unitarnog prostora V {w1 . Ako je U potprostor konaˇno-dimenzionog prostora V tada je c V = U ⊕ U⊥ Dokaz Problem 6.....10. wk } c moˇe biti proˇiren do ortogonalne baze. + an...3: Teorema 7.7: w1 = v 1 < v2 .... Postupak je zasnovan na teoremi 7.... w1 > w1 ∥w1 ∥2 ) ( < v 3 .......k−1 vk−1 + vk pa je {w1 . + akk vk Dokaz Problem 6... w1 > w1 + w2 w3 = v 3 − ∥w1 ∥2 ∥w2 ∥2 w2 = v 2 − ( wn = v n − • Iz konstrukcije sledi: wk = ak1 v1 + . w1 . w2 > < v3 .. < v n .. wn = an1 v1 + . z s Dokaz Problem 6.. wn } baza za V .... . + wn−1 2 ∥w1 ∥ ∥wn−1 ∥2 ) .... wn−1 > w1 + . + ak... . vn } baza unitarnog prostora V tada postoji ortonormirana baza {u1 .7 daje dokaz teoreme 7..3. W ⊥ ) 1 wi ∥wi ∥ wk = vk − proj(vk .. wn } ortogonalna baza prostora V ... Ako je {v1 .33 • Iz prethodne teoreme sledi da svaki konaˇno-dimenzioni unitarni prostor ima ortogonalnu bazu ˇto u kombinaciji c s sa teoremom 7..11.. w1 > < vn .. . W ) + proj(v.....Linearna Algebra i Analitiˇka Geometrija – 73 – c . prema gornjem.. • Primetimo da je pa je zbog teoreme 7. span(w1 ..n−1 vn−1 + vn Primetimo da je svaki ovakav skup baza prostora V (poˇto se svaki vi moˇe izraziti kao linearna kombinacija wi -ova) s z pa je {w1 .. u2 ... w1 .. je ortogonalna baza. ..... .j..35 • Alternativni naˇin formulacije prethodne teoreme je: c Svaki vektor v konaˇno-dimenzionog prostora V se na jedinstven naˇin piˇe u obliku c c s v = proj(v.. w1 . wk−1 ) Sledi da je {w1 ... c Teorema 7.. w2 ... . pa... za svaki k je: uk = ak1 v1 + ak2 v2 + .32 Teorema 7. v2 . • Ukoliko normiramo svaki wi : ui = dobijemo ortonormiranu bazu {ui } (jediniˇni vektori).

2. . 1. 1) + (−1. 1) = (3. 3. 1.. 2. U ) = 4(1.8 Matriˇno predstavljanje skalarnog proizvoda c Neka je {v1 . 6.. 1) = ∥(−1. 1. 0. vn ) =   . U ): c cos θ = < (2. 0. (3. w2 > w1 + w2 ∥w1 ∥2 ∥w2 ∥2 < (6. 2. s c • {v1 . 0. vn } (koji nije obavezno baza). 0. 1)∥ ∥(3.. 2. vn ◦ v1 vn ◦ v2 . 1. 0. .. 5)∥ = < (2. 1)∥2 < (6. v2 . 3). 3). . v2 . 4. 0. vn ◦ vn • Gramovu matricu definiˇemo na isti naˇin i za bilo koji skup vektora {v1 . 1. 1. je:  v1 ◦ vn v2 ◦ vn    .. 2. 1. w2 ): c proj(v. vn } je ortogonalna baza ako i samo ako G(v1 . 1)∥2 = (1. 1. 1. 1. 3). 1.. 5)∥ =√ 17 17 √ =√ 10 51 510 7.. 5) > = ∥(2. 6. Primer 7. 5) > = ∥(2..Linearna Algebra i Analitiˇka Geometrija – 74 – c 7.. 1)∥ ∥(3. 3. 4. 1.. v2 . (1. 2. 0.. 4.  v2 ◦ v1 v2 ◦ v2 . 0. v2 . (−1. 0.. 2... 1) = (−1. 1. U ) = + < v. (1. 3) i potprosc c tora U generisanog vektorima u1 = (1. 3.. ˇ (1) Gram-Smitovim postupkom odredjujemo ortogonalnu bazu potprostora U : w1 = u1 = (1.. 1. Gramova matrica  v1 ◦ v1 v1 ◦ v2 . 3). 1) > = (1. (3. 1... . 0. 1. . 1. 1) i u2 = (1.. 1) (2) Raˇunamo projekciju vektora v na potprostor U (koji je generisan ortogonalnim vektorima w1 . 1. G(v1 . v2 . 1) = ∥(1. 0. . 1). 1. vn } baza unitarnog prostora V . 2. w1 > < v. 1. 1. 1) > (1. 1. 3) − (1..6. 4. 0. w1 > w2 = u2 − w1 = ∥w1 ∥2 < (1. 1. 1)∥2 proj(v. 1. vn ) je dijagonalna matrica.. 0. 1) < u 2 . U ) = proj(v. 1. . 1. 4. 1)+ ∥(1. 1. 6. 0. 1. 1)) > (−1. 5) (3) Raˇunamo ugao θ izmedju v i v′ = proj(v. 3) − 6/3 (1.. U standardnom vektorskom prostoru R4 izraˇuna´emo ugao izmedju vektora v = (6. 1). 0. ..7 Ugao izmedju vektora i potprostora Ugao izmedju vektora i potprostora definiˇemo kao ugao izmedju vektora i njegove ortogonalne projekcije na taj s potprostor.

12. vn ) (b1 b2 ....40.. n ∑ j=1 b j vj > = n n ∑∑ i=1 j=1 ai bj < vi . vn } baza unitarnog prostora i [u] [v] koordinatni vektori kolona u odnosu na tu bazu tada je: u ◦ v = [u]T G(v1 .. vn ) je simetriˇna i pozitivno definitna...... v2 . ili s′ = c11 s1 + c12 s2 + .... cnn matrica promene baze sa baze S na bazu S ′ .. Neka je  c11 c21 . .. Dokaz..15.... ... .. G(v1 . cn1  c12 c22 . ..41 n ∑ i=1 ai vi . v2 .. s2 . sn ) P n 1 2 ... Videti Problem 6. + c2n sn 2 . s′ } baze prostora V .. .. vn ) [v] Dokaz. bn )T Ovo je formalizovano u narednoj teoremi. s′ ) = P T G(s1 . + cnn sn n Neka je P transponovana matrica ovog ‘sistema’: • Podsetimo (videti teoremu 5... i P −1 [v]S = [v]S ′ G(s′ . sn } i S = {s′ ..14......... ...... 7... Ako je matrica A simetriˇna i pozitivno definitna tada je sa c u A vT definisan skalarni proizvod na Rn ....27 u knjizi): P je inverzibilna i za svaki vektor v ∈ V vaˇi: z P [v]S ′ = [v]S Teorema 7....... cn2 P =  . s′ .. . Vaˇi i tvrdjenje obrnuto teoremi 7. s2 .Linearna Algebra i Analitiˇka Geometrija – 75 – c • {v1 .. v2 . ... Videti Problem 6. uzimaju´i vektore kolona: c Teorema 7..... .9 Promena baze i Gramova matrica Koordinatne vektore [v]S ∈ Rn posmatramo     Neka su S = {s1 . c Dokaz....13. v2 . an ) G(v1 .... v2 .... + c1n sn 1 s′ = c21 s1 + c22 s2 + . v2 .. vj >= • Za kvadratnu matricu A reda n kaˇemo da je pozitivno definitna ako za svaki ne-nula vektor kolonu v ∈ Rn z vaˇi: z vT A v > 0 Teorema 7.... s′ = cn1 s1 + cn2 s2 + . vn } je ortonormirana baza ako i samo ako G(v1 .....12: z Teorema 7. . Videti Problem 6. ... c1n c2n .. vn ) = I • Gramova matrica predstavlja ‘tablicu mnoˇenja’ u odnosu na bazu: z < (kao proizvod matrica) = (a1 a2 . . . s′ .42. n 1 2 kao vektor-kolone. Ako je {v1 .

.... e′ } ortonormirana baza gde je: n 1 2 s′ = c11 s1 + c12 s2 + .. s′ ) = P T G(v1 . c Teorema 7.. s2 . ..16.. . .... c (3) Vektori kolona matrice A ˇine ortonormirani skup vektora. s2 ..  c1n c2n .... s′ ) = P T G(v1 . ......17.. ... Videti Problem 6...... s2 .. cnn baza tada je i S ′ = {e′ .. .. + c1n sn 1 s′ = c21 s1 + c22 s2 + . sn ) P [v]S ′ = S ( ) T = [u]S ′ P T G(s1 ..... .... cn2   ortogonalna matrica i S = {e1 . s′ n = cn1 s1 + cn2 s2 + .. . Prema teoremi 7. Alternativni dokaz je: kako su S i S ′ ortonormirani imamo G(s1 .... Videti Problem 6. dokazali smo i slede´u teoremu: c • Neka je A kvadratna matrica reda n..... en } ortonormirana Teorema 7. s′ ... e′ } tada je P ortogonalna matrica.. s′ ) = I n 1 2 Prema Teoremi 7...12 imamo: u ◦ v = [u]T G(s1 . Ako je P matrica prelaska sa ortonormirane baze S = {e1 . .. ... n 1 2 Dokaz.. sn ) P [v]S ′ = = [u]T ′ P T G(s1 .. cn1  c c22 .. (2) Vektori vrsta matrice A ˇine ortonormirani skup vektora. ... .. en } na ortonormiranu bazu S ′ = {e′ ..... . ...... e′ ....15 imamo: G(s′ .. s′ ) [v]S ′ S 1 2 n u ◦ v = [u]T G(s1 . vn ) P 1 2 n I = PT I P Vaˇi i obrnuto tvrdjenje: z P T = P −1  c11 c21 . e2 . sn ) = G(s′ ... .. e2 .. ... + c2n sn 2 . s′ .. sn ) [v]S = S = (P [u]S ′ )T G(s1 . sn ) P [v]S ′ = Sledi: G(s′ .. c . s2 ... vn ) P 1 2 n 7...48 (ili napraviti dokaz sliˇan prethodnom). s2 . .... s′ ..10 Ortogonalne matrice i skalarni proizvod Podsetimo da je kvadratna matrica A ortogonalna ako i samo ako je AT = A−1 . Slede´a tri tvrdjenja su ekvivalentna: c (1) A je ortogonalna matrica. s′ .Linearna Algebra i Analitiˇka Geometrija – 76 – c Dokaz.. v2 . sn ) [v]S S u ◦ v = [u]T ′ G(s′ . e′ .... .. s2 .. v2 . . Ako je P =  12  . + cnn sn  Dokaz...48.

. pa je Gramova determinanta jednaka nuli.. c Teorema 7. .. vn ◦ v1 od prve vrstu oduzmemo baˇ tu linearnu kombinaciju preostalih vrsta i primenimo linearnost po prvoj promenljivi s dobijamo: ∑n ∑n ∑n (v1 − i=2 ai vi ) ◦ v1 (v1 − i=2 ai vi ) ◦ v2 ..12 NORMIRANI PROSTORI Definicija 7..11 Gramova determinanta • Za bilo koji skup vektora {v1 . . . sn ) = P T P Primenimo Koˇi-Binea i det(P T ) = det(P ): s det G(v1 .. en } ortonormirana baza potprostora span(v1 . v2 .. Za linearno nezavisne vektore vaˇi: z det G(v1 ...... vn ◦ vn v1 ◦ v1 v2 ◦ v1 ... v2 .. v2 ◦ vn . v2 ... vn ) = det(P )2 > 0 Da dokaˇemo drugi deo (u Rn ) primetimo da je P T matrica u kojoj su vektori vrsta vi -ovi.. z 7.. Neka je P matrica prelaska sa baze E na bazu S. v2 .. v2 . vn ) Teorema 7.. c ... vn } unitarnog prostora Gramova determinanta je det G(v1 .. ∥k v∥ = |k| ∥v∥ ∥v + u∥ ≤ ∥v∥ + ∥u∥ U tom sluˇaju V je normirani vektorski prostor.. v2 .. v1 ◦ vn ... Dokaz. .. v1 ) je linearna kombinacija preostalih: v1 = Ako u determinanti det G(v1 . vn } .. . vn ) > 0 U prostoru Rn sa standardnim skalarnim proizvodom det G(v1 . Dokaz. v2 . imamo G(e1 ... . . vn ) = 0 ako i samo ako su {v1 ..19. .. . v2 ◦ vn .. vn ) je kvadrat zapremine generalisanog paralelepipeda odredjenog vektorima {v1 . .. . .. vn ◦ v2 .... Zbog linearne z zavisnosti jedan od vi -ova (npr.... v2 . Drugi smer se dokazuje sliˇno ... vn ◦ vn U ovoj determinanti je prva vrsta nula-vrsta...Linearna Algebra i Analitiˇka Geometrija – 77 – c 7. pretpostavimo da su linearno zavisni i dokaˇimo da je determinanta jednaku nuli. en ) = I pa je: G(v1 ... . v2 . ... .. v2 . e2 ..15 vaˇi: z G(v1 . . Prvo. (v1 − i=2 ai vi ) ◦ vn v2 ◦ v1 v2 ◦ v2 . vn ) = n ∑ i=2 ai vi v1 ◦ v2 v2 ◦ v2 . v2 .. Pretpostavimo da je S = {v1 . .... vn ) = P T G(e1 ..... e2 . . v2 . . . Prema teoremi 7... e2 . Funkcija ∥ − ∥ je c norma ukoliko su zadovoljeni slede´i uslovi: (1) (2) (3) ∥v∥ ≥ 0 i ∥v∥ = 0 ako i samo ako v = 0. vn ). vn ◦ v1 vn ◦ v2 . vn } linearno nezavisan skup i neka je E = {e1 . ...18. en ) P Kako je E ortonormirana. det G(v1 .... v2 . vn } linearno zavisni. Neka je V vektorski prostor i neka je svakom v ∈ V odredjen realan broj ∥v∥.4.

a2 )∥2 = |a1 |2 + |a2 |2 Ovo je ‘obiˇno’ rastojanje i C je jediniˇna kruˇnica. 1).. v) Primer 7.8... 2x − 2y) U odnosu na standardnu bazu ono je predstavljeno sa ( ) ( x 5 T( )= y 2 Neka je v1 = (2. v) ≥ 0 i d(u.. v) = 0 ako i samo ako u = v. v) = ∥u − v∥ Teorema 7. Posmatrajmo linearno preslikavanje T : R2 −→ R2 definisano sa: T (x. . (−1. a2 .20. + |an | √ ∥(a1 .. . 0). c c z 8 DIJAGONALIZACIJA Primer 8.1. |a2 |. mnoˇenje i mnoˇenje skalarima ˇini algebru matrica: z z c T (v2 ) = v2 )( ) −6 −2 x y . −1) c (2) ∥(a1 .. v) ≤ d(u... + |an |2 Rastojanje izmedju vektora u i v u normiranom prostoru je d(u. Odredjujemo skup taˇaka C prostora R2 koje su na rastojanju 1 od koordinatnog poˇetka u odnosu na c c norme iz prethodnog primera: (1) ∥(a1 .. a2 . Tada je T (v1 ) = (4. (0. 1). 1). v) = d(v. 2) = 2 v1 pa je T (a v1 + b v2 ) = 2 a v1 + b v2 U odnosu na bazu v1 . u) d(u. (−1. y) = (5x − 6y. u odnosu na sabiranje. . 0).Linearna Algebra i Analitiˇka Geometrija – 78 – c Primer 7. Slede tri vaˇna primera normi na Rn : z (1) (2) (3) ∥(a1 . Rastojanje zadovoljava slede´e uslove: c (1) (2) (3) d(u.. d(u. an )∥1 = |a1 | + |a2 | + . −1).. v2 T je predstavljeno dijagonalnom matricom ( ) 2 0 0 1 • Podsetimo da skup svih kvadratnih matrica reda n sa elementima iz polja F .. . 2) . 1) i v2 = (3. an )∥2 = |a1 |2 + |a2 |2 + . (0. a2 )∥1 = |a1 | + |a2 | C je kvadrat sa temenima u taˇkama (1. |a2 |) C je kvadrat sa temenima u taˇkama (1. (1. w) + d(w.. (−1. −1) c √ (3) ∥(a1 .7.. a2 )∥∞ = max (|a1 |. a2 . |an |) ∥(a1 . u oznaci Mn (F ). an )∥∞ = max (|a1 |...

..Linearna Algebra i Analitiˇka Geometrija – 79 – c 1.. + (−1)n det(A) t−1 −4 −3 t−2 = (t − 1)(t − 2) − 12 = t2 − 3 t − 10 t−1 −4 −3 t−2 ) 1 3 4 2 . + a1 t + a0 polinom sa koeficijentima iz F i A ∈ Mn (F ) tada f (A) oznaˇava matricu c f (A) = an An + .....1. Videti Problem 8. Njena karakteristiˇna matrica je: c . B ∈ Mn (F ) tada i A + B. je determinanta njene karakteristiˇne c matrice: ∆A (t) = det(t In − A) ( Primer 8. + a1 A + a0 I gde f (A) ∈ Mn (F ) . . an1   ..1. . • Ako je f (t) = an tn + . a1n .... z c z s Teorema 8.. ann   t − a11 −a12 .. Njena karakteristiˇna matrica je: c ( tI − A = Karakteristiˇni polinom matrice A je c ∆A (t) = • ∆A (t) je ‘obiˇan’ polinom. Ako A.1 Karakteristiˇni (sopstveni) polinom matrice c a11  a21 Definicija 8. . tada vaˇi: z (1) (2) (3) (4) (f + g)(A) = f (A) + g(A) (f g)(A) = f (A) g(A) (k f )(A) = k f (A) f (A) g(A) = g(A) f (A) . Ako su f i g polinomi i A kvadratna matrica. c • ∆A (t) je moniˇan (monic) t..j. u oznaci ∆A (t). a2n   kvadratna matrica... . Ako k ∈ F i A ∈ Mn (F ) tada k A ∈ Mn (F ).. 2.. Dokaz. utom sluˇaju kaˇemo i da A poniˇtava polinom p(t). −a2n   t In − A =    .26 8. −a1n  −a21 t − a22 .  .. Neka je A =   . • Matrica A je nula polinoma p(t) ako vaˇi p(A) = 0. Neka je A = ) .2.. koeficijent uz najve´i stepen je 1 i vaˇi: c c z ∆A (t) = tn − tr(A) tn−1 + . −an1 −an2 .. A B ∈ Mn (F ).. an2 c Karakteristiˇni polinom (ili sopstveni polinom) matrice A. t − ann a12 a22 .

3. karakteristiˇni vektor. Teorema 8. Za kvadratnu matricu A reda n slede´i uslovi su ekvivalentni: c (1) Skalar λ je sopstvena vrednost matrice A. Sledi iz ˇinjenice da je determinanta dijagonalne blok matrice jednaka proizvodu determinanti dijagoc nalnih blokova. Ako je A gornje-trougaona blok matrica tada je njen karakteristiˇni polinom jednak proizvodu c karakteristiˇnih polinoma njenih dijagonalnih blokova.4. Sliˇne matrice imaju isti karakteristiˇni polinom.3. (2) det(λ I − A) = 0 (t. c . c Dokaz.5.2. c Dokaz. c c Dokaz. c c • Neka je λ sopstvena vrednost matrice A. matrica M = λ I − A je singularna).27 ( Primer 8. Pretpostavimo da su kvadratne matrice (istog reda) A i B sliˇne: c A = P −1 B P Tada je: ∆A (t) = det(t I − A) = det(t I − P −1 B P ) = det(t P −1 I P − P −1 B P ) = det(P −1 (t I − B) P ) = det P −1 det(t I − B) det P = ∆B (t) (zbog det P −1 det P = det(P −1 P ) = det I = 1) Teorema 8.3 Sopstvene vrednosti i sopstveni vektori Neka je A kvadratna matrica reda n. Tada je skup svih sopstvenih vektora koji odgovaraju λ potprostor c od Rn . kaˇe se i karakterz istiˇna vrednost.2 Teorema Kejli-Hamiltona Teorema 8. ne-nula vektor kolona v ∈ Rn takav da je: Skalar λ ∈ F je sopstvena vrednost matrice A (eigenvalue) ako postoji Av = λv Ovakav v ∈ Rn je sopstveni vektor matrice A koji odgovara sopstvenoj vrednosti λ (eigenvector). nazivamo ga sopstveni potprostor za A i λ i oznaˇavamo sa Eλ . Videti Problem 8.j. (Kejli-Hamilton) Svaka kvadratna matrica je nula svog karakteristiˇnog polinoma. 8. (3) λ je koren karakteristiˇnog polinoma matrice A (∆A (λ) = 0).Linearna Algebra i Analitiˇka Geometrija – 80 – c Teorema 8. Neka je A = 1 3 4 2 ) iz prethodnog primera. Tada je ∆A (t) = t2 − 3 t − 10 pa Kejli-Hamilton tvrdi da je A2 − 3 A − 10 I = 0 Ovo moˇe i neposredno da se proveri: z )2 ( ) 1 3 1 3 −3 − 10 I = 4 2 4 2 ( ) ( ) ( ) 13 9 3 9 10 0 − − =0 12 16 12 6 0 10 ( 8.

Ostavljema za kasnije (videti Problem 11.12) . (1) Kvadratna matrica A reda n je dijagonalizabilna ako i samo ako A ima n linearno nezavisnih sopstvenih vektora.7. c s c • (3) ⇒ (1) znaˇi da svakoj sopstvenoj vrednosti odgovara bar jedan sopstveni (ne-nula) vektor.Linearna Algebra i Analitiˇka Geometrija – 81 – c Dokaz. c s Teorema 8.5 Dijagonalizabilnost Kvadratna matrica A je dijagonalizabilna ako postoji inverzibilna matrica P takva da je P −1 A P dijagonalna matrica (t. Dokaz.29 • U matrici P iz prethodne teoreme redosled redjanja sopstvenih vektora (kolona) nije bitan!  2 1 1 Primer 8. Algebarska viˇestrukost sopstvene vrednosti nije manja od njene geometrijske viˇestrukosti. Naredna teorema daje osnovu za praktiˇno reˇavanje pitanja dijagonalizabilnosti date matrice.6. 1 1 2 Prvo izraˇunamo ∆A (t): c ∆A (t) = det(t I − A) = Traˇimo sopstvene vektore za λ = 4 i λ = 1: z  t − 2 −1 −1 −1 t − 2 −1 −1 −1 t − 2 = (t − 1)2 (t − 4)  2 1  1 2 1 1     1 x x 1  y  = 4 y  2 z z .(t − λk )mk q1 (t). Videti problem 8. Ispitujemo da li je A dijagonalizabilna. c 8.. s s Dokaz.qs (t) tada je mk algebarska viˇestrukost sopstvene vrednosti λk . s Teorema 8.4 Algebarska i geometrijska viˇestrukost sopstvene vrednosti s • Ako se karakteristiˇni polinom razlaˇe na proizvod razliˇitih nerastavljivih faktora: c z c ∆A (t) = (t − λ1 )m1 . Neka je A =  1 2 1 . van glavne dijagonale ima samo nule). (2) U tom sluˇaju dijagonalni elementi te dijagonalne matrice D odgovaraju sopstvenim vrednostima matrice A i c D = P −1 A P gde je P matrica sastavljena od sopstvenih vektora-kolona matrice A...28 • (1) ⇔ (2) daje recept za izraˇunavanje sopstvenih vrednosti: to su reˇenja jednaˇine ∆A (t) = 0.4..j. s Geometrijska viˇestrukost sopstvene vrednosti je dimenzija njenog sopstvenog potprostora. 8. Videti Problem 8. • Drugim reˇima ne moˇemo imati viˇe od mi linearno nezavisnih sopstvenih vektora koji odgovaraju sopstvenoj c z s vrednosti λi .

  0 0 0 0 0 0 nije dijagonalizabilna ni za jedan a ∈ R         . .Linearna Algebra i Analitiˇka Geometrija – 82 – c Reˇavanjem sistema dobijamo skup reˇenja (sopstveni potprostor): s s E4 = {(a. (−1. Matrica A = ) nije dijagonalizabilna: t − 1 −1 0 t−1 = (t − 1)2  −1 −1 1 0 1 1 = 1 0 1  0 0  4 1 1 0 1 ∆A (t) = det(t I − A) = Jedina sopstvena vrednost je λ = 1. −a) | a ∈ R} pa ova matrica nema dva linearno nezavisna sopstvena vektora. . 1. 0) | a. (−1. b ∈ R} koji je generisan sopstvenim vektorima (−1. b ∈ R} = {a(−1. 1). 0 0 . a 1 . b... 0... Poredjamo ove vektore u kolone matrice P :   −1 −1 1 1 1  P = 0 1 0 1 Prema teoremi 8. ˇ Na sliˇan naˇin se moˇe videti i da Zordanova matrica c c z  a 1 0  0 a 1   0 0 a   .. 0 a .      2 1 1 x x  1 2 1  y  =  y  1 1 2 z z Reˇavanjem sistema dobijamo skup reˇenja (sopstveni potprostor): s s E1 = {(−a − b. 1) su linearno nezavisni pa. a) | a ∈ R} koji je generisan sopstvenim vektorom (1.. Traˇimo sopstvene vektore: z ( ) ( ) ( ) 1 1 x x · = 0 1 y y se svodi na sistem x+y =x y=y ˇije je reˇenje (a.7(1). a) | a.. prema Teoremi 8. 1). 0). a.. 0. 1. 0.7(2) matrica P −1 A P je dijagonalna. .. 1) + b(−1. Izraˇunamo c   1 1 −2 1 1 −2 1  P −1 = − 3 −1 −1 −1    1 1 −2 2 1 1 1 1 −2 1   1 2 1   P −1 A P = − 3 −1 −1 −1 1 1 2    −3 0 0 1 0 1 0 = 0 1 = −  0 −3 3 0 0 −12 0 0 ( Primer 8. 1..5.. matrica A je dijagonalizabilna. 1. . 0 0 . 0 0 . 0) i (1. 1. 1) i (−1. .7 c s ona nije dijagonalizabilna.. Prema teoremi 8.

. an Sliˇno..31 8.. Ako karakteristiˇni polinom kvadratne matrice A reda n ima n razliˇitih korena a1 . Sliˇno vaˇi za karakteristiˇne polinome simetriˇnih realnih matrica: c z c c c c z Teorema 8.... .. Karakteristiˇni polinom realne simetriˇne matrice se moˇe rastaviti na proizvod realnih linearnih polinoma.10. Neka c c je D = P −1 A P tada je A = P D P −1 i vaˇi: z Am = (P D P −1 )m = P D P −1 P D P −1 .(t − an ) i A je sliˇna dijagonalnoj matrici kojoj su dijagonalni elementi (u nekom rasporedu) a1 . ... Minimalan polinom matrice A je z c moniˇan polinom najmanjeg stepena koji pripada I(A). an . ... 0   . Videti Problem 8. 0   ... Dokaz.8.... 0  0 a2 .  .7 Minimalni polinom matrice Neka je A kvadratna matrica reda n nad poljem F i neka je I(A) skup svih polinoma p(t) takvih da je p(A) = 0.. 8.30 Teorema 8.. . .. 0 0  .... am n p(a1 ) 0  0 p(a2 ) p(A) =   .... Sopstveni vektori koji odgovaraju razliˇitim sopstvenim vrednostima realne simetriˇne matrice su c c medjusobno ortogonalni. ako je p(t) polinom tada je: c  m    am 1  0  = .... Videti Problem 8. p(an ) • Za dijagonalizabilnu matricu A izraˇunavanje Am se svodi na izraˇunavanje stepena dijagonalne matrice. c Dokaz.. 0 . λ2 .. 0  .P D P −1 = P Dm P −1 Za svaki polinom p(t) vaˇi: z p(A) = P −1 p(D) P c Teorema 8.. 0  0 am 2 . vm sopstveni vektori koji odgovaraju razliˇitim sopstvenim vrednostima λ1 . an u polju c c skalara tada je ∆A (t) = (t − a1 )(t − a2 ). c Narednu teorema opisuje vezu dijagonalizacije i minimalnog polinoma... Njen dokaz ostavljamo za naredno predavanje . Kejli-Hamilton teorema garantuje da sadrˇi karakteristiˇan polinom matrice A.. .6 Dijagonalizacija realnih simetriˇnih matrica c Osnovna teorema algebre tvrdi da se svaki polinom sa kompleksnim koeficijentima moˇe napisati kao proizvod z linearnih polinoma sa kompleksnim koeficijentima. a2 .9... a2 . .. .11. v2 .. λm matrice A tada su oni linearno nezavisni.Linearna Algebra i Analitiˇka Geometrija – 83 – c • Stepen dijagonalne matrice se lako raˇuna: c  a1 0 .. 0 0 . 0 .. Ako su v1 .. . 0    . Teorema 8. .

18.. Teorema 8.16. Eλ = Ker(λ I − T ) Svake dve matrice koje predstavljaju operator u odnosu na neke baze su sliˇne. T je nula svog karakteristiˇnog polinoma. . Teorema 8. c c Skalar λ ∈ F je sopstvena vrednost operatora T ako postoji ne-nula vektor v ∈ V takav da je T (v) = λ v . ve´ zavisi samo od operatora i naziva se karakteristiˇni c c c polinom operatora (ili sopstveni). c c Teorema 8. U tom sluˇaju dijagonalni elementi matrice D su odgovaraju´e sopstvene vrednosti. U tom sluˇaju v je sopstveni vektor preslikavanja T .. vm sopstveni (ne-nula) vektori koji odgovaraju razliˇitim sopstvenim vrednostima tada su oni linearno nezavisni.33 • Sopstvene vrednosti matrice A su koreni minimalnog polinoma.2 one imaju isti c karakteristiˇan polinom.. n Slede´i niz definicija i teorema je analogan odgovaraju´im tvrdjenjima za matrice. Dokaz.17. c Tada : ∆A (t) | (m(t))n m(t) i ∆A (t) imaju iste nerastavljive faktore.14. Skup svih sopstvenih vektora koji odgovaraju sopstvenoj vrednosti λ je c sopstveni potprostor operatora T koji odgovara sopstvenoj vrednosti λ.Linearna Algebra i Analitiˇka Geometrija – 84 – c Teorema 8. c c c Teorema 8. koja je reda n i ∆A (t) njen karakteristiˇan polinom.. pa i karakteristiˇni polinom ∆A (t) (oznaka za ‘deli’ je | . Videti Problem 8. Linearni operator T : V −→ V je dijagonalizabilan ako se moˇe predstaviti dijagonalnom matricom u odnosu na neku bazu: postoji baza v1 . 2.. . Ako su v1 . 8..32. v2 .. c Dokaz. c Tada m(t) deli svaki polinom iz I. prema teoremi 8. T je dijagonalizabilan (moˇe biti predstavljen dijagonalnom matricom D) ako i samo ako V ima bazu z sastavljenu od sopstvenih vektora. u oznaci Eλ .(t − λn ) gde su λi -ovi razliˇiti.. Teorema 8. Teorema 8. .8 Dijagonalizacija linearnog operatora Neka je V n-dimenzioni vektorski prostor nad poljem F . Neka je m(t) minimalan polinom matrice A...12. . c Naredne teoreme opisuju vezu minimalnog i sopstvenog polinoma matrice. v2 .13. mA (t) | ∆A (t)). Neka je m(t) minimalan polinom matrice A.15.. Taj polinom ne zavisi od izbora baze. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇe na proizvod s razliˇitih linearnih faktora: c mA (t) = (t − λ1 )(t − λ2 ). koja je reda n i ∆A (t) njen karakteristiˇan polinom. vn i skalari λi tako da z je: T (vi ) = λ vi za ı = 1. Videti Problem 8. λ ∈ F je sopstvena vrednost ako i samo ako je nula karakteristiˇnog polinoma.

0  0 λi 1 .. Videti Problem 11..Linearna Algebra i Analitiˇka Geometrija – 85 – c Teorema 8.     .  0 0 . dokazati i obrnuto tvrdjenje: ako se karakteristiˇni polinom linearnog opc c eratora rastavlja na proizvod linearnih ˇinilaca tada on mozhe biti predstavljen trougaonom matricom (u odnosu na c neku bazu). Geometrijska viˇestrukost sopstvene vrednosti nije ve´a od algebarske viˇestrukosti.. 9 KANONSKE FORME OPERATORA Polinom f (t) ∈ F [t] se rastavlja na proizvod linearnih ˇinilaca ako postoje ai ∈ F takvi da je c f (t) = (t − a1 )(t − a2 ). ... Dokaza´emo i jaˇe tvrdjenje: c c ˇ Zordanova kanonska forma Neka je V konaˇno-dimenzioni vektorski prostor i T : V −→ V linearni operator ˇiji c c se karakteristiˇni polinom rastavlja na proizvod linearnih ˇinilaca.(t − ann ) .... 0 λi (Matrice istog oblika kao Ji se nazivaju Zhordanove matrice)..20.. Primer matrica (linearnog operatora) ˇiji se karakteristiˇni polinom rastavlje na proizvod linearnih ˇinilaca su c c c gornje-trougaone matrice.... .. Ako je A matrica koja predstavlja T u odnosu na neku bazu tada je A dijagonalizabilna ako i samo ako je T dijagonalizabilan.19. . . .  0 0 0 .12 Teorema 8. Tada postoji baza prostora V u odnosu na koju je c c T predstavljen dijagonalnom blok matricom oblika     λi 1 0 . λi 1  0 0 .. c c s c c • Svaka matrica ˇiji se karakteristiˇni polinom faktoriˇe na proizvod linearnih ˇinilaca je sliˇna dijagonalnoj blok c c s c c ˇ matrici ˇiji su dijagonalni blokovi Zordanove matrice.....(t − ak ) (gde neki od ai -ova mogu biti jednaki)....  . c .. s c s Dokaz. a2n     . 0 0     0 J2 .. . polinom matrice   a11 a12 . . . 0    gde su Ji oblika  . U ovom delu ´emo. ann je ∆(t) = (t − a11 (t − a22 ). . Jm 0 0 0 ... Ekvivalentne formulacije su: • Svaka matrica ˇiji se karakteristiˇni polinom faktoriˇe na proizvod linearnih ˇinilaca je sliˇna trougaonoj matrici. a1n  0 a22 .... .. 0 0 J1 0 . izmedju ostaloga. • Minimalan polinom operatora T je moniˇan polinom najmanjeg stepena m(t) takav de je m(T ) nula-preslikavanje... c • Minimalan polinom operatora je i minimalan polinom bilo koje matrice koja ga predstavlja.

w2m2 ...3. wkmk Dokaz... . Neka su W1 .. Dokaz. .1 Invarijantni potprostori linearnog operatora Neka je T : V −→ V linearni operator na konaˇno dimenzionom vektorskom prostoru V ... Ako je Bi baza potprostora Wi i matrica Ai predstavlja T Wi tada matrica i=1   A1 0 . 2..5. . Neka je T : V −→ V linearni operator.7 Teorema 9. Videti Problem 11. .. Teorema 9..... c • Potprostor W ⊂ V je T -invarijantan (ili invarijantan u odnosu na T ) ako T preslikava W u samog sebe (t. .. . Ak predstavlja T u odnosu na bazu B1 B2 . wi2 .5 • U prethodnoj teoremi baza prostora V u odnosu na koju je T predstavljen matricom gornjeg oblika biramo tako da prvo izaberemo bazu za W a potom je produzhimo do baze za V .... 2... 0     0 0 .2 Osnovna dekompozicija linearnog operatora Podsetimo da su polinomi g(t) i h(t) uzajamno prosti ako ne postoji nekonstantan polinom p(t) koji deli i g(t) i h(t). . Videti Problem 11.1. Wk invarijantni potprostori takvi da je V = ⊕k Wi . W2 .... u oznaci T W ili T .. Ako je T : V −→ V linearni operator i f (t) ma koji polinom tada je Ker(f (T )) invarijantan u odnosu na T .j ˆ T (w) ∈ W za svaki w ∈ W ).... Podsetimo: vektorski prostor V je direktna suma svojih potprostora W1 . wi ∈ Wi ı = 1. . wimi baza prostora Wi (za i = 1.. W2 . k).. Wk potprostori vektorskog prostora V i neka je Bi = wi1 . w1m1 ... linearni operator na W : ˆ ˆ T : W −→ W definisan sa T (w) = T (w) za w ∈ W Teorema 9..2.. W2 .3 Teorema 9.. Tada je V = U ⊕ W gde je U = ker(g(T )) i W = Ker(h(t)) . Videti Problem 11. w21 .. 0  0 A2 .... ... Tada je V = ⊕k Wk ako i samo ako je B = B1 B2 . .... Wk ako se svaki v ∈ V na jedinstven naˇin mozhe napisati u obliku: c v = w1 + w2 + . wk1 . Ako je W invarijantan onda je restrikcija operatora T na W . 0  0 0 . Ako je potprostor W invarijantan u odnosu na T : V −→ V matricom oblika ( ) A B 0 C ˆ gde je A matrica linearnog operatora T . + wk Oznaka: V = ⊕k Wi i=1 Teorema 9.. Neka je T : V −→ V linearni operator i neka su W1 .4. k tada se T mozhe predstaviti blok 9.. . f (T ) = 0 i f (t) = g(t) h(t) gde su polinomi g(t) i h(t) uzajamno prosti.. Pri tome mozhemo uzeti proizvoljnu bazu za W.Bk .Bk baza za V : i=1 B = w11 .Linearna Algebra i Analitiˇka Geometrija – 86 – c 9. Dokaz.

Zakljuˇak je: minimalni polinom nilpotentnog operatora indeksa n je m(t) = tn . 0 nilpotentan linearni operator linearni operator indeksa k.16 . 0 0 0 . . .. 0 1 . .. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇe na proizvod razliˇitih s c linearnih faktora: mA (t) = (t − λ1 )(t − λ2 ). (Osnovna dekompozicija linearnog operatora) neka je T : V −→ V linearni operator ˇiji je minimalan c polinom m(t) = f1 (t)n1 f2 (t)n2 . c 9..... Videti Problem 11. 0 0 0 .....   0 0 0 0 dijagonali i ispod nje.. Dokaz.9.6.j... 0   .. nula-operator.13 ˇiji smo dokaz ostavili za kasnije: c Teorema 9.. ima sve nule je nilpotentna reda ≤ n...fk (t)nk gde su fi (t) razliˇiti moniˇni nerastavljivi polinomi. 0 0 1 . 0 0 . Teorema 9. U tom sluˇaju. a h(t) minimalni polinom operatora T W Dokaz. Shtaviˇe fi (t)ni je minimalni polinom operatora T Wi ...... 0 0 . Neka je T : V −→ V dijagonalnu reprezentaciju:  A1  0   . 0 0 0 0 . Am Pri tome sve matrice Ai su reda ≤ k a bar jedna je reda = k. .. . . 1 0       .8.. . Tada je V direktna suma invarijantnih potprostora Wi = c c Ker(f (T )ni ) . Tada T ima     gde su Ai -ovi oblika    0 1 0 . 0 0 A2 .  . . Ako je f (t) u prethodnoj teoremi minimalni polinom operatora T i ako su g(t) i h(t) moniˇni tada je c g(t) minimalni polinom operatora T U . na glavnoj Matrica (reda n):  0 1  0 0  N = .. Kvadratna matrica reda n koja... 1 0       (ima jedinice odmah iznad glavne dijagonale i sve ostale nule) je nilpotentna reda n.Linearna Algebra i Analitiˇka Geometrija – 87 – c Dokaz. Znamo da m(t) deli tn (deli svaki polinom koji poniˇtava operator T ).3 Nilpotentni operatori Linearni operator T : V V je nilpotentan ako je T n = 0 (t. kvadratna matrica A c c je nilpotentna ako postoji prirodan broj n takav da je An = 0..12 • Ekvivalentna formulacija ove teoreme je: Linearni operator je dijagonalizabilan ako i samo ako je njegov minimalan polinom proizvod linearnih ˇinilaca. 0 . s c Primer 9. .. a najmanji takav broj je indeks nilpotentnosti matrice.... koji sve preslika u 0) za neki prirodan broj n. 0 0 . Videti Problem 11.10 Teorema 9.11 Prva posledica ove teoreme je Teorema 8. Videti Problem 11.. • Neka je T n = 0 i neka je m(t) je minimalan polinom operatora T . Videti Problem 11.9 Teorema 9.7.(t − λn ) gde su λi -ovi razliˇiti. Sliˇno.. . najmanji takav n je indeks nilpotentnosti operatora T . c Dokaz.1... T n+2 = 0. s Dokaz. Videti Problem 11. • Ako je T n = 0 tada je T n+1 = 0. 0 0 0 0 .

(t − λr )nr m(t) = (t − λ1 )m1 (t − λ2 )m2 ...4 ˇ Zordanova forma linearnog operatora Teorema 9. Videti Problem 11. (2) Za fiksno i suma redova svih Jij -ova je ni ... odgovaraju´i dijagonalni blokovi zadovoljavaju: c (1) Za bar jedan j je Jij reda mi .Linearna Algebra i Analitiˇka Geometrija – 88 – c 9. • Primetimo da je Jij = λi I + N gde je N nilpotentna matrica iz primera 9. s Ovo predstavljanje je jedinstveno do na permutaciju dijagonalnih blokova.10.1 ... 0 0  0 λi 1 .  Jij =  . .. (3) Za fiksno i ima Jij -ova kolika je geometrijska viˇestrukost sopstvene vrednosti λi .. 0 λi Pri tome za svaki λi ... λi 1  0 0 0 ..(t − λr )mr (λi -ovi su razliˇiti). Dokaz.    0 0 0 . . .... ostali Jij -evi su reda ≤ mi . Tada postoji baza prostora V u odnosu na koju je T predstavljen dijagonalnom blok matricom J c ˇiji su dijagonalni blokovi oblika c   λi 1 0 .18 ˇ ˇ • Matrica J je Zordanova kanonska matrica operatora T a matrice J − ij su Zordanovi blokovi koji odgovaraju sopstvenoj vrednosti λi . Neka je T : V −→ V linearni operator ˇiji su karakteristiˇni i minimalni polinom redom: c c ∆(t) = (t − λ1 )n1 (t − λ2 )n2 . . 0 0    .

Sistemi linearnih jednaˇina i vektorski prostori. baza.Linearna Algebra i Analitiˇka Geometrija – 89 – c 10 ISPITNA PITANJA 1. Medjusobni poloˇaj prave i ravni. linearne kombinacije vektora. Izomorfizam vektorskih prostora 34. elementarne transformacije vrsta (kolona) matrice 20. Grasmanova formula 31. Rastojanje. linearna zavisnost vektora u Rn . baza. povrˇina paralelograma u Rn 9. Nejednakosti Koˇi-Svarca i Minkovskog u Rn 7. Potprostori. promena baze 32. ugao izmedju vektora s 8. meˇoviti proizvod s 10. Norma vektora i skalarni proizvod u Rn s ˇ 6. Slika i jezgro linearnog operatora . Kvadratne matrice. prava u R2 c 12. veza izmedju skupa reˇenja sistema i skupa reˇenja pridruˇenog c c s s z homogenog sistema 17. mnoˇenje skalarom. Linearna zavisnost. Gausov postupak c 3. Sabiranje i mnoˇenje matrica skalarom. lineal 24. mnoˇenje matrica z z 16. suma i direktna suma potprostora 30. Linearni operatori. Medjusobni poloˇaj pravih u R3 z 14. ugao izmedju prave i ravni z 15. Presek. Projekcija vektora. Vektorski proizvod. Koordinate vektora u odnosu na bazu. Linearne jednaˇine i sistemi (osnovni pojmovi) c 2. Prostor vrsta matrice. Kroneker-Kapelijeva teorema 29. dimenzija 25. Jednakobrojnost baza konaˇno dimenzionog prostora c 26. Rang matrice c 28. definicija i osnovni primeri 23. Vektorski prostori. Elementarne transformacije sistema jednaˇina. determinanta trougaone blok matrice 18. trag kvadratne matrice 19. Specijalni tipovi kvadratnih matrica 22. odredjivanje baze i dimenzije potprostora od Rn 27. Matriˇni zapis sistema linearnih jednaˇina. Medjusobni poloˇaj ravni z 13. Rastojanje taˇke od prave u Rn . koordinate vektora. definicija i primeri 33. Transponovanje matrice. izrachunavanje inverzne matrice elementarnim transformacijama vrsta 21. Prave i hiper-ravni 11. Inverzna matrica. veza sa sistemima linearnih jednaˇina c 5. Blok matrice. Linearne kombinacije. Vektorski prostor Rn : sabiranje. koordinate u odnosu na bazu z 4.

Karakteristiˇni polinom. Laplasova teorema. Invarijantni potprostori linearnog operatora. Uticaj promene baze na matricu linearnog operatora. Zordanova forma . sopstvene vrednosti i sopstveni vektori linearnog operatora (matrice) c 57. Unitarni prostor. Gramova matrica 53. sliˇnost matrica c 39. V ) 36. Fourijeovi koeficijenti 49. ortogonalni komplement 47. Minimalni polinom. Normirani prostori 56. definicija i osnovna svojstva 40. Ugao izmedju vektora i potprostora 52. Determinante. Bine-Koˇijeva teorema s 41. ugao izmedju vektora i potprostora s ˇ 46. definicija i primeri 45. Ortogonalni skupovi i baze. Algebra A(V ) 37. direktna suma invarijantnih potprostora 61. Dijagonalizabilnost linearnog operatora (matrice) 59. Veza ortogonalnih matrica i baza unitarnih prostora 54. Teorema Kejli-Hamiltona 58. izraˇunavanje inverzne matrice c 43. Adjungovana matrica. Operacije sa linearnim preslikavanjima. Hom(U. Nilpotentni operatori. Koˇi-Svarcova nejednakost.Linearna Algebra i Analitiˇka Geometrija – 90 – c 35. Matriˇno predstavljanje linearnog operatora c 38. Beselova nejednakost ˇ 50. Ortogonalnost. izraˇunavanje determinante c 42. Osnovna dekompozicija linearnog operatora ˇ 62. Pitagorina teorema 48. Gram-Smitov postupak ortogonalizacije 51. Kramerova teorema 44. Pozitivnost Gramove determinante 55. veza sa karakteristiˇnim polinomom linearnog operatora (matrice) c 60. Minori i kofaktori.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->