Professional Documents
Culture Documents
Vektori
Vektori
Sadraj
1 Uvod
2 Operacije s vektorima
2.1 Zbrajanje vektora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Mnoenje vektora sa skalarom . . . . . . . . . . . . . . . . . . . . . . . . .
2
2
3
5 Skalarni produkt
6 Norma vektora
12
6.1 Udaljenost dviju toaka . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
7 Drugi nain prikaza vektora iz R3
14
8 Vektorski prostor Rn
15
Uvod
rP = OP .
Oigledno postoji bijekcija (obostrano jednoznano preslikavanje) izmeu skupova M i
X0 . Matematiku strukturu (X0 , +, ) zovemo vektorski prostor pridruen toki O.
2
Primjer 1. Nulvektor 0 je radijvektor koji ima istu poetnu i zavrnu toku.
Jedinini vektor zvat emo svaki vektor e za koga je e = 1.
Suprotni vektor vektora a je vektor koji ima suprotnu orijentaciju od orijentacije vektora
a i oznaavamo ga s (a).
Slino se denira i skup svih radijvektora u prostoru X0 (E) i skup svih radijvektora
na pravcu X0 (p). Navedimo jo nekoliko esto koritenih pojmova.
kaemo da su dva ili vie vektora kolinearni ako njihovi reprezentanti lee na istom
ili na paralelnim pravcima;
kaemo da su tri ili vie vektora komplanarni ako njihovi reprezentanti lee u istoj
ili u paralelnim ravninama.
Operacije s vektorima
2.1
Zbrajanje vektora
3
(iii) za svaki vektor a X0 (M ) postoji inverzni element suprotni vektor (a), takav da
vrijedi:
a + (a) = 0;
(iv) vrijedi zakon komutacije, tj. za svaka dva vektora a, b X0 (M ) vrijedi: a + b = b + a;
Skup svih vektora u prostoru snabdjeven raunskom operacijom zbrajanja i prethodno navedenim svojstvima nazivamo komutativna ili Abelova grupa1 i oznaavamo s
(X0 (M ), +). U daljnjem tekstu esto emo govoriti o vektoru, a crtat emo neki njegov
reprezentant.
Primjer 2. Odaberimo reprezentante vektora a, b, c tako da oni lee na stranicama trokuta
i da bude c = a+ b (vidi Sliku 2.a). Kako je u svakom trokutu duljina jedne njegove stranice
manja od zbroja duljina preostale dvije, vrijedi tzv. nejednakost trokuta
c = a+b a + b .
Pri tome jednakost vrijedi u sluaju ako su vektori a, b kolinearni.
Slika 2
Primjedba 1. Oduzimanje vektora moemo denirati preko zbrajanja, koristei inverzni
element (suprotni vektor vidi Sliku 2.b):
a b = a + (b).
Primjedba 2. Mnoenje vektora prirodnim brojem moemo denirati induktivno:
n a = (n 1) a + a,
2.2
1 a = a.
5
Analogno se deniraju i vektorski prostor (X0 (E), +, ) u prostoru i vektorski prostor
(X0 (p), +, ) na pravcu. Kako je X0 (M ) X0 (E), rei emo da je vektorski prostor
(X0 (M ), +, ) vektorski potprostor u (X0 (E), +, ). Nadalje emo ove vektorske prostore oznaavati samo s X0 (E), X0 (M ), X0 (p).
Primjedba 3. Za bilo koja dva vektora a, b iz vektorskog prostora X0 i bilo koja dva skalara
, R je
a + b X0 .
Primjedba 4. Ako su a, b dva kolinearna vektora, tada postoji pravac p i toke O, A, B p
gdje je
6
U protivnom kaemo da je skup vektora linearno zavisan, tj. postoji barem jedna njihova
linearna kombinacija koja iezava na netrivijalan nain, tj.
1 a1 + + n an = 0 pri emu
i = 0.
2
n
a2 + +
an
1
1
c=a+b
Oduzimanjem jednakosti (3.1), (3.2) dobivamo
( )a + ( )b = 0.
Kako su vektori a, b linearno nezavisni, slijedi: =
& =.
Teorem 3. Ako su a, b, c X0 (E) tri linearno nezavisna vektora u prostoru, tada se svaki
vektor d X0 (E) na jedinstven nain moe prikazati (rastaviti) kao linearna kombinacija
vektora a, b, c.
Zadatak 2. Neka je O E ksna toka i neka toka C E dijeli duinu AB u omjeru
OA i OB
linearno zavisni.
[zbrajanje]
Rene Descartes (15961650), francuski lozof i matematiar. Njegovo latinizirano ime je Cartesius.
Skalarni produkt
Motivacija za uvoenje pojma skalarnog produkta vektora je zikalna denicija rada sile
F na putu s. Ako rad obavlja sila F koja djeluje u smjeru puta s, onda je rad zadan s
W = F s = F s,
a ako sila F ne djeluje u smjeru puta s, onda rad obavlja samo komponenta Fs sile u
smjeru puta s, tj.
F = Fs + Fn ,
W = Fs s = (F cos ) s = F s cos
0 .
10
= a c + bc .
ab cos , a, b = 0, 0
0, a = 0 ili b = 0
a, b = b, a
2.
a, a = a2 0
3.
a + b, c = a, c + b, c
4.
a, b = a, b
3
4
a, a = 0 a = 0
(slijedi iz Zadatka 5 a)
11
Primjer 7. Lako se na osnovi Denicije 5 vidi da vrijedi
1.
(a + b)2 = a + b, a + b = a2 + 2 a, b + b2 ,
2.
(a b)2 = a b, a b = a2 2 a, b + b2 ,
3.
(a, b = 0)
cos (a, b) =
4.
(a, b = 0)
a, b = 0 a b.
a,b
ab
a, b = 0
i
j
k
i
1
0
0
j
0
1
0
k
0
0
1
Zadaci
Zadatak 6. Ako je vektor a + 3b okomit na vektor 7a 5b i vektor a 4b okomit na
vektor 7a 2b, odredite kut izmedju vektora a i b.
Rjeenje: 1 = , 1 = 2 .
3
3
Zadatak 7. Odredite kut izmeu jedininih vektora a i b ako se zna da su vektori a + 2b
i 5a 4b meusobno okomiti.
Rjeenje: = .
3
Zadatak 8. Pokaite da su vektori a b, c b a, c i c meusobno okomiti.
Direktnom provjerom uz koritenje tablice mnoenja iz Primjera 8 dobivamo
Teorem 4. Za vektore
a = ax i + ay j + az k
b = bx i + by j + bz k
vrijedi formula5
a, b = ax bx + ay by + cx cy .
(5.1)
a, b
=
ab
a, a =
a2 + a2 + a2 ,
x
y
z
ax b x + ay b y + az b z
a2 + a2 + a2 b 2 + b 2 + b 2
x
y
z
x
y
z
(5.2)
,
a, b = 0.
(5.3)
5
U programskom sustavu Mathematica skalarni produkt vektora a, b dobivamo naredbom a . b, gdje
su a, b liste
12
Primjer 9. Pokaimo da su dijagonale etverokuta ABCD s vrhovima A(1, 2, 2), B(1, 4, 0), C(4, 1, 1)
D(5, 5, 3) meusobno okomite.
Koko je BA = rA rB = 3i + 4k i BC = rC rB = 7i + k, dobivamo
25
BA, BC
= = .
cos =
= = 2
4
50 25
BA BC
Norma vektora
R.
(iii) a + b a + b
Duljina (norma, intenzitet) vektora moe se i openito denirati:
Denicija 6. Neka je X0 vektorski prostor. Funkciju : X0 [0, ), koja svakom
vektoru a X0 pridruuje nenegativni realni broj (koji emo oznaiti s a ili jednostavno
s a) zovemo norma vektora a ako vrijedi
13
(i) a = 0 a = 0 [pozitivna denitnost],
(ii) a =| | a za svaki R i za svaki a X0 [homogenost],
(iii) a + b a + b za svaki a, b X0 [nejednakost trokuta].
Vektorski prostor X0 na kome je denirana norma naziva se normirani vektorski
prostor. Najee koritene vektorske norme su 6
a
=| ax | + | ay | + | az |,
(l1 norma)
a2 + a2 + a2 ,
x
y
z
= max{| ax |, | ay |, | az |},
6.1
(x2 x1 )2 + (y2 y1 )2 .
(6.1)
rB = x2 i + y2 j,
gdje je
(6.2)
6
U programskom sustavu Mathematica lp -normu vektora a dobivamo naredbom Norm[a,p], gdje je a
lista, a p parametar norme.
14
Na slian nain moe se denirati i udaljenost dviju toaka preko l1 ili l norme
sljedeim formulama:
d1 (A, B) = rB rA
d (A, B) = rB rA
(6.3)
1
Zadatak 15. Dokaite da vektor a = 2 OA + OB s poetkom u toki O ima vrh u
polovitu duine AB.
ax
a = ay = (ax , ay , az )T .
az
Za dva vektora x = (x1 , x2 , x3 )T , y = (y1 , y2 , y3 )T R3 racunske operacije zapisujemo na
sljedei nain:
15
zabrajanje:
x1 + y1
x + y = x2 + y2 = (x1 + y1 , x2 + y2 , x3 + y3 )T ;
x3 + y3
mnoenje sa skalarom R:
x1
x = x2 = (x1 , x2 , x3 )T ;
x3
skalarni produkt:
x, y = x1 y1 + x2 y2 + x3 y3 .
Specijalno, budui da je x, x = x2 + x2 + x2 , onda euklidsku normu vektora x R3
1
2
3
moemo pisati
x 2 = x, x = x2 + x2 + x2 .
1
2
3
Vektorski prostor Rn
x1 + y1
.
= (x1 + y1 , . . . , xn + yn )T ;
.
x+y =
.
xn + yn
mnoenje sa skalarom R:
x1
.
x = . = (x1 , . . . , x3 )T ;
.
xn
skalarni produkt:
x, y = x1 y1 + + xn yn .
Specijalno, budui da je x, x = x2 + +x2 , onda euklidsku normu vektora x Rn
1
n
moemo pisati
x, x = x2 + + x2 .
x 2=
1
n
16
Denicija 7. Funkciju : Rn [0, ), koja svakom vektoru x Rn pridruuje
nenegativni realni broj (koji emo oznaiti s x ) zovemo norma vektora x Rn ako
vrijedi
(i) x = 0 x = 0 = (0, . . . , 0) [pozitivna denitnost],
(ii) x = || x za svaki R i za svaki x Rn [homogenost],
(iii) x + y x + y za svaki x, y Rn [nejednakost trokuta].
Najee koritene vektorske norme su
n
|xi |,
(l1 norma)
i=1
1/2
x
x
x, x =
i=1
x2
i
= max |xi |,
i=1,...n
d(x, y) = 0
x=y
(pozitivna denitnost);
x, y Rn
(nejednakost trokuta),
zovemo metrika na Rn
(8.1)
d1 (x, y) = x y
=
i=1
1/2
d2 (x, y) = x y
(xi yi )
(Euklidska udaljenost)
i=1
d (x, y) = x y
17
Primjer 11. U nekom tekst prisutnost neke rijei kodira se s 1, a odsutnost te rijei
iz teksta s 0. Postavlja se pitanje o slinosti/razliitosti dva teksta obzirom na prisutnost/odsutnost promatranih rijei. Tekst u kome je prisutno/odsutno n 1 izabranih
rijei prikazat emo vektorom iz Rn s komponentama 0 ili 1. Primjerice, sljedeim vektorima prikazani su tekstovi u kojima su prisutne/odsutne rijei A,B,C:
a1 = (1, 1, 0): tekst u kome se pojavljuju rijei A,B, a ne pojavljuje rije C
a2 = (1, 0, 0):
a3 = (1, 0, 1):
a4 = (0, 0, 1):
U svrhu ispitivanja slinosti/razliitosti tekstova obzirom na prisutnost/odsutnost nekih rijei moemo pokuati iskoristiti ranije spomenute metrike funkcije d1 , d2 , d . U
znanstvenoj literaturi (vidi primjerice [1, 16]) u tu svrhu koriste se neke tzv. kvazimetrike funkcije, kao to su
dLS (x, y) = x y 2 Least Squares (LS) kvazimetrika funkcija
x, y
kosinus kvazimetrika funkcija
dc (x, y) = 1
x y
Od kvazimerikih funkcija zahtijeva se samo svojstvo pozitivne denitnosti, dok ostala
svojstva metrikih funkcija ne moraju biti ispunjena. Ipak prethodno spomenute dvije
kvazimerike funkcije, pored svojstva pozitivne denitnosti, zadovoljavaju i svojstvo simetrinosti, ali ne zadovoljavaju nejednakost trokuta. Za prethodno spomenuti primjer
dobivamo
dLS (a1 , a2 ) = 1,
dLS (a1 , a3 ) = 2,
dLS (a1 , a4 ) = 3
1 2
1 3
d1 (a , a ) = 1,
d1 (a , a ) = 2,
d1 (a1 , a4 ) = 3,
1
dc (a1 , a2 ) = 1 22 = 0.29,
dc (a1 , a3 ) = 2 ,
dc (a1 , a4 ) = 1
Prema LS-kvazimetrikoj funkciji (a takoer i prema l1 -metrikoj funkciji) tekstovi a1 i a2
su najsliniji (najblii), a tekstovi a1 i a4 najrazliitiji (najudaljeniji) obzirom na pojavu
rijei A,B,C.
I prema kosinus-metrikoj funkciji dc tekstovi a1 i a2 su najsliniji (najblii), a tekstovi
a1 i a4 potpuno razliiti (maksimalno udaljeni) obzirom na pojavu rijei A,B,C.
Primjer 12. Promatramo tekstove u kojima se mogu pojaviti rijei: A,B,C,D,E. Neka je
primjerice:
a1 = (1, 0, 0, 0, 1): tekst u kome se pojavljuju rijei A, E, a ne pojavljuju rijei B,C,D
a2 = (0, 1, 1, 0, 0):
a3 = (1, 0, 0, 0, 0):
dLS (ai , aj ) a1 a2 a3
a1
0 4 1
2
a
4 0 3
a3
1 3 0
d1 (ai , aj ) a1 a2 a3
a1
0 4 1
2
a
4 0 3
a3
1 3 0
dc (ai , aj ) a1 a2 a3
a1
0
1 0.29
2
a
1
0
1
a3
0.29 1
0
18
Iz ovog primjera vidi se da kosinus-kvazimetrika funkcija puno bolje identicira slinosti/razliitosti tekstova obzirom na prisutnost/odsutnost rijei A,B,C,D,E (objasnite to
na osnovi brojeva iz tablica !).
Literatura
[1] M. W. Berry, J. Kogan, Text Mining. Applications and Theory, Wiley, 2010.
[2] D. Blanua, Via matematika I-1, I-2, Tehnika knjiga, Zagreb, 1965.
[3] T. S. Blyth, E. F, Robertson, Basic Linear Algebra, Springer-Verlag, London,
2002.
[4] L. aklovi, Zbirka zadataka iz linearne algebre, kolska knjiga, Zagreb, 1992.
[5] N. Elezovi, A. Agli, Linearna algebra zbirka zadataka, Element, Zagreb, 2003.
[6] S. H. Friedberg, A. J. Insel, L. E. Spence, Linear algebra, Prentice Hall, New
Jersey, 1997.
[7] K. Janich, Linear Algebra, Springer-Verlag, Berlin, 1994.
[8] D. Juki, R. Scitovski, Matematika I, Odjel za matematiku, Sveuilite u Osijeku,
Osijek, 2000.
[9] S. Kurepa, Uvod u linearnu algebru, kolska knjiga, Zagreb, 1985.
[10] S. Lipschutz, Beginning Linear Algebra, McGraw Hill, New York, 1997.
[11] S. Lipschutz, 3000 Solved Problems in Linear Algebra, McGraw-Hill, New York,
1989.
[12] E. D. Nering, Linear algebra and matrix theory, John Wiley & Sons, New York,
1963.
[13] H. Neunzert, W. G. Eschmann, A. Blickensdrfer-Ehlers, Analysis 2. Mit
einer Einfhrung in die Vektor- und Matrizenrechnung, Springer-Verlag, Berlin, 1991.
[14] I. V. Proskurkov, Problems in linear algebra, Mir, Moskva, 1978.
[15] G. Strang, Introduction to Linear Algebra, Wellesley-Cambridge Press, Wellesley,
1998, 2003.
[16] H. Zhang, Statistical Clustering Analysis: An Introduction, in S. Butenko,
W. A. Chaovalitwongse, and P. M. Pardalos (eds.), Clustering Challenges in Biological Networks, World Scientic, 2009, pp 101126