Professional Documents
Culture Documents
Linearna Algebra PDF
Linearna Algebra PDF
1. VEKTORSKI PROSTORI
Drugim recima, vektorski prostor V mozemo odrediti ured-enim parom (, F) tako da vazi:
() neprazan skup (njegove elemente zovemo vektorima).
() F je polje (njegove elemente zovemo skalarima).
() U skupu je denisana binarna operacija + : 2 , koju nazivamo sabiranje vektora, takva da
vazi aksioma (1 ).
() Denisana je spoljna operacija : , koju zovemo mnozenje vektora skalarom (tj. elementom)
polja za koju vaze aksiome (2 ) (5 ).
Napomena 1.2.2. Neka je V vektorski prostor nad poljem skalara F. Ukoliko je F = R, tada vektorski
prostor nazivamo realnim vektorskim prostorom, dok za F = C nazivamo kompleksnim vektorskim prostorom.
1
1.3. Primeri vektorskih prostora
Primer 1.3.1. Vektorski prostor ured-enih -torki: F = ( , +, ) . . .
Primer 1.3.4. Opsti funkcijski prostor1 W = ( , +, ) i specijalni funckijski vektorski prostori neprekidnih
funkcija [, ], diferencijabilnih funkcija [, ] . . .
Teorema 1.4.2. Ako je V = (, +, ) vektorski prostor nad poljem skalara F, tada za svaki vektor
vazi:
4o. = (1) .
Dokaz. . . . .
Teorema 1.5.1. Neprazan podskup odred-uje vektorski potprostor W vektorskog prostora V nad
poljem skalara F akko vazi
(, )(, ) + .
Dokaz. . . . .
1
gde je V dati vektorski prostor i dati skup
2
1.6. Linearna zavisnost
Denicija 1.6.1. Neka je V vektorski prostor nad poljem skalara F. Za 1 , . . . , i 1 , . . . ,
vektor
1 1 + . . . +
predstavlja linearnu kombinaciju vektora 1 , 2 , . . . , .
Denicija 1.6.2. Skup svih linearnih kombinacija vektora 1 , . . . , vektorskog prostora V nad poljem
skalara F odred-juje skup
({1 , . . . , }) = {1 1 + . . . + 1 , . . . , }
Teorema 1.6.1. Neka je V vektorski prostor nad poljem skalara F i neka su 1 , . . . , ksirani vektori.
Tada lineal ({1 , . . . , }) odred-uje vektorski potprostor vektorskog prostora V.
Dokaz. . . .
Denicija 1.6.3. Neka je V vektorski prostor nad poljem skalara F. Za vektore 1 , . . . , kazemo da
su linearno zavisni ako postoje skalari 1 , . . . , takvi da je bar jedan razlicit od nule i pri tom vazi:
1 1 + . . . + = 0.
i odatle zakljucujemo2 :
Teorema 1.6.2. Neka je V vektorski prostor nad poljem skalara F. Vektori 1 , . . . , su linearno
zavisni akko je bar jedan od njih linearna kombinacija preostalih vektora.
Primer 1.6.1. . . .
Primer 1.6.2. . . .
3
Denicija 1.7.2. Neka je V vektorski prostor nad poljem skalara F. Skup vektora = {1 , . . . , }
jeste bazni skup (baza) za vektorski prostor V ako vazi:
1o. Skup {1 , . . . , } jeste generatortski, tj. ({1 , . . . , }) = .
2o. Skup {1 , . . . , } jeste linearno nezavisan skup vektora u .
Primer 1.7.1. . . .
Primer 1.7.2. . . .
Denicija 1.7.3. Ako vektorski prostor ima bar jednu bazu koja sadrzi konacno mnogo elemenata, tada se
prostor naziva konacno-dimenzionalni vektorski prostor.
Teorema 1.7.1. Ako je V konacno-dimenzionalni vektorski prostor nad poljem skalara F, tada sve baze
imaju isti broj elemenata.
Denicija 1.7.4. Ako vektorski prostor V, takav da = {0}, nad poljem skalara F ima bazu sa
elemenata, tada se prirodan broj naziva dimenzija konacno-dimenzionalnog vektorskog prostora. Koristimo
oznaku = dim( ).
Napomena 1.7.1. U slucaju trivijalnog vektorskog prostora V, kada je = {0}, smatramo da je nulte
dimenzije, tj. dim( ) = 0.
Primer 1.7.3. . . .
Napomena 1.7.2. Ako vektorski prostor nema konacnu bazu, tada za takve vektorske prostore pojam baze
takod-e moze uvesti na odgovarajuci nacin. Takvi prostori se nazivaju beskonacno-dimenzionalni vektorski
prostori.
Primer 1.7.4. . . .
Teorema 1.7.2. Neka je V konacno-dimenzionalni vektorski prostor nad poljem skalara F sa baznim skupom
= {1 , . . . , }. Svaki vektor moze se na tacno jedan nacin izraziti kao linearna kombinacija u odnosu
na poredak baznih vektora 1 , . . . , .
Dokaz. . . .
Napomena 1.7.3. Neka je V konacno-dimenzionalni vektorski prostor nad poljem skalara F sa baznim
skupom = {1 , . . . , }. Za vektor predstavljanje = 1 1 + . . . + , u odnosu na poredak
baznih vektora 1 , . . . , , odred-uje koordinate 1 , . . . , vektora u bazi .
Teorema 1.8.2. Svaki -dimenzionalni vektorski prostor V nad poljem skalara F izomorfan je vektorskom
prostoru ured-enih -torki F .
4
2. UNITARNI PROSTORI I
ANALITICKA GEOMETRIJA U 3
5
Denicija 2.2.1. Vektorski prostor V nad poljem skalara F naziva se normiran vektorski prostor ako za
normu . : vaze aksiome:
(1 ) 0 za svako ,
(2 ) = 0 = 0 za svako ,
(3 ) = za svako , ,
(4 ) + + za svako , .
Primer 2.2.1. . . .
Primer 2.2.2. . . .
Denicija 2.3.1. Neka je V realni unitarni vektorski prostor, tada ugao ized-u dva ne-nula vektora i
odred-ujemo kao realan broj = (, ) [0, ] takav da vazi:
(, )
cos = (, = 0).
Denicija 2.3.2. Za ne-nula vektore i kazemo da su ortogonalni vektori u unitarnom prostoru V ako je
(, ) = 0, navedeno oznacavamo .
Napomena 2.3.1. Dodatno smatracemo da je nula vektor ortogonalan na svaki vektor iz unitarnog pros-
tora V.
Denicija 2.3.3. Za dva vektora i kazemo da su paralelni (kolinearni) vektori u unitarnom prostoru V
ako su linearno zavisni, navedeno oznacavamo .
Teorema 2.3.2. Neka su i med-usobno ortogonalni vektori unitarnog prostora V, tada vazi:
2 + 2 = + 2 .
Dokaz. . . .
Denicija 2.3.4. Skup vektora {1 , . . . , } unitarnog prostora V je ortogonalan skup vektora ako za svaka
dva razlicita indeksa , {1, 2, . . . , } vazi ( , ) = 0. Ukoliko, pored prethodnog, vazi i = 1 za svaki
indeks {1, 2, . . . , } tada taj skup vektora je ortonormiran skup vektora.
6
Teorema 2.3.3. U unitarnom prostoru svaki ortogonalni skup ne-nula vektora jeste linearno nezavisan.
Dokaz. . . .
2.4. Vektori u 3
Za realni vektorski prostor R3 ured-eni par (, ) odred-uje usmerenu duz za , 3 . U ovom delu
denisemo pojam vektora u 3 polazeci od skupa svih usmerenih duzi nad kojima razmatramo jednakost
usmerenih duzi na nacin koji sleduje. Usmerene duzi i su jednake, u oznaci = , ako su
ispunjeni sledeci geometrijski uslovi: () prave p(, ) i p(, ) su paralelne; () poluprave p[, ) i p[, )
su isto usmerene i () duzi i su podudarne. Relacija jednakosti usmerenih duzi jeste jedna relacija
ekvivalencije skupa svih usmerenih duzi. Vektor u 3 denisemo kao klasu ekvivalencije:
= { = }
gde je ksiran predstavnik klase ekvivalencije. Nula vektor 0 je klasa ekvivalencije za koju se prva i
druga koordinata usmerene duzi podudaraju. Uobicajeno je da oznaku predstavnika klase poistovecujemo sa
oznakom klase.
Teorema 4.1.1. Za vektor u 3 postoji tacno jedna tacka 3 takva da je = , gde je = (0, 0, 0)
(koordinatni pocetak).
Teorema 2.4.2. Skup vektora V u odnosu na sabiranje vektora + : V 2 V i mnozenje realnog skalara i
vektora : V V odred-uje jedan realan vektorski prostor = (V, +, ).
Teorema 2.5.1. Realni vektorski prostor vektora u R3 odred-uje unitaran prostor u odnosu na skalarni
proizvod (, ) = za , V. Tada, norma indukovana skalarnim proizvodom je = za V.
7
Na osnovu geometrije unitarnih prostora za dva ne-nula vektora , V vazi:
= cos ,
Denicija 2.5.2. Neka je unitarni prostor vektora u 3 i neka je V {0} ksiran ne-nula vektor.
Algebarska vrednost ortogonalne projekcije vektora V na vektor jeste broj pr () = cos (, ).
Ortogonalna projekcija vektora V na vektor jeste vektor = pr ()
.
: ako su i istog smera,
Napomena 2.5.1. Vazi: pr () =
: inace.
tj.
= (1 2 2 1 , 2 1 1 2 , 1 2 2 1 ).
4
druga mogucnost je da je ksiran trijedar leve orjentacije
8
Teorema 2.6.1 Za dva ne-nula vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ) V, koji nisu paralelnih pravaca,
vektorski proizvod = ima sledece osobine:
10 . Pravac vektora je normalan na ravan koju odred-uju vektori i .
6
2 . Smer vektora je odred-en tako da ured-ena trojka (, , ) bude desni trijedar.
0
Napomena 2.6.1. Smer vektora je takav da rotacija vektora ka vektoru , u smeru suprotnom od
kretanja kazaljke sata, ima najkraci put gledano sa zavrsne tacke vektora .
() = ( ) ,
() ( ) = ( ) ,
() ( + ) = ( ) + ( ) .
Dokaz. . . .
Posledica 2.7.1. Vazi:
[ , , ] = [ , , ] = [ , , ] = [ , , ].
9
2.8. Tacka, prava i ravan u 3
Tacka = (, , ) 3 sa koordinatama:
2 + 1 2 + 1 2 + 1
= , = , = (, > 0)
+ + +
deli duz 1 2 u razmeri 1 : 2 = : .
() r = r0 +p ( ).
Prethodna formula kojom se odred-uje skup tacaka u 3 , u zavisnosti od , moze se uzeti za deniciju
prave p. Na osnovu vektorskog oblika jednacine prave izvode se razni oblici jednacine prave koje navodimo.
= 0 + , = 0 + , = 0 + ( ).
(r r0 ) p
(, p) = .
p
(r2 r1 ) (p q)
(p, q) = ( = 0)).
p q
5
r = r0 + p ( )
10
() Ravan u 3 . Za tacku 0 = 0 (0 , 0 , 0 ) 3 i ne-nula vektor n = (, , ) V postoji tacno
jedna ravan u 3 koja sadrzi tacku 0 i ima vektor normale n. Neka je r = (, , ) vektor polozaja
proizvoljne tacke = (, , ) (r = ), tada vektorski oblik jednacine ravni je dat sa:
() (rr0 )n = 0.
Prethodna formula kojom se odred-uje skup tacaka u 3 moze se uzeti za deniciju ravni . Odatle se izvode
razni oblici jednacine ravni koje navodimo.
( 0 ) + ( 0 ) + ( 0 ) = 0.
+ + + = 0 ( = 0 0 0 ).
+ + +
(, ) = .
2 + 2 + 2
pri cemu (1 , 1 , 1 ) (2 , 2 , 2 ) = 0.
11
3. SISTEMI LINEARNIH JEDNACINA
10 . Sistem( linearnih jednacina, nad poljem F,) za -torku nepoznatih (1 , . . . , ) nad poljem i konstante
, {1, 2, . . . , } i {1, 2, . . . , } , jeste konjukcija jednacina:
11 1 + 12 2 + . . . + 1 = 1
21 1 + 22 2 + . . . + 2 = 2
() ..
.
.
1 1 + 2 2 + . . . + =
Ako je 1 = 2 = . . . = = 0, tada sistem linearnih jednacina () se naziva homogeni sistem. U suprotom
ako postoji = 0, sistem linearnih jednacina () se naziva nehomogeni sistem. Skalare 1 , 2 , . . . ,
nazivamo slobodnim clanovima sistema.
20 . U cilju diskusije saglasnosti nesaglasnosti sistema linearnih jednacina () razmatra se pojam ranga.
Denicija 3.1. Neka je data matrica formata nad poljem F, tj. . Rang matrice jeste
broj , u oznaci rang() = , takav da u matrici postoji kvadratna regularna submatrica reda tako
da su sve kvadratne submatrice veceg reda od singularne. Matricu nazivamo glavnom submatricom.
Napomena 3.1. Ako matrica = [ 0 ] jeste nula matrica ( = 0), tada = 0. U suprotnom, ako
matrica = [ ] nije nula matrica, tada 1 min{, }. Sveukupno za matricu vazi:
0 rang() min{, }.
Primer 3.1. . . .
12
Denicija 3.2. Za matricu elementarne transformacije matrice su sledece transformacije:
() Dodavanje elemenata jedne vrste (kolone), prethodno pomnozenih nekim skalarom odgovarajucim
elementima druge vrste (ili kolone).
Teorema 3.2. Neka je data matrica i neka je matrica nastala zamenom -te i -te
vrste (kolone). Tada vazi:
rang( ) = rang().
Teorema 3.3. Neka je data matrica i neka je {0} proizvoljan ne-nula skalar. Tada:
rang() = rang().
Posledica 3.1. Vazi rang() = dim( ), gde = ({1 , . . . , }) odred-uje vektorski prostor vrsta V .
Posledica 3.1. Vazi rang() = dim( ), gde = ({1 , . . . , }) odred-uje vektorski prostor kolona V .
Teorema 3.5. Neka je data matrica i neka je matrica dobijena od matrice tako sto
su elementima jedne vrste (kolone) matrice dodati elementi neke druge vrste (kolone) pomnozeni skalarom
. Tada vazi:
rang() = rang().
30 . Neka je dat sistem linearnih jednacina (). Elementarne transformacije sistema () su odred-ene kao
sledece transformacije:
() Dodavanje jedne jednacine, prethodno pomnozene nekim skalarom odgovarajucoj drugoj jednacini.
Napomena 3.2. Za elementarnu transformaciju sistema linearnih jednacina () mozemo uzeti i zamenu dva
sabiraka u jednoj jednacini samo ako se odgovarajuce zamene izvrse u svim jednacinama sistema tako da se
iste nepoznate pisu jedne ispod drugih. Ovom transformacijom se vrsi zamena redosleda u nizu nepoznatih!
13
Za sistem linearnih jednacina () = matrice:
11 12 . . . 1 11 12 . . . 1 1
21 22 ... 2 21 22 . . . 2 2
= i = (+1)
. .. .. . .. .. ..
.. . . .. . . .
1 2 . . . 1 2 . . .
nazivaju se matrica sistema i prosirena matrica sistema respektivno. Tada vazi sledece tvrd-enje:
Teorema 8. (Kronecker Capelli) Sistem linearnih jednacina () = jeste saglasan akko vazi:
rang() = rang().
Dokaz. . . .
Teorema 3.9. Homogeni sistem ( 0 ) od linearnih jednacina sa nepoznatih ima jedinstveno trivijalno
resenje akko je rang() = (tada je ). Inace, homogeni sistem ( 0 ) ima i netrivijalna resenja akko je
rang() = < , pri cemu je moguce nepoznatih izabrati proizvoljno.
Posledica 3.2. () Svaki homogeni sistem kod koga je < ima i netrivijalna resenja.
() Svaki homogeni sistem kod koga je6 = ima netrivijalna resenja akko je = 0 (tada je rang() < ).
() Svaki homogeni sistem kod koga je > ekvivalentan je, primenom Gaussovog algoritma, sa ho-
mogenim sistemom sa tacno jednacina ( = rang()). Dakle, ovaj slucaj se svodi na jedan od prethodna
dva slucaja.
Teorema 3.10. Skup svih resenja homogenog sistema ( 0 ) ima strukturu vektorskog prostora.
14
dovesti do ekvivaletnog trougaonog sistema:
11 1 + 12 2 + . . . + 1 = 1 1(+1) +1 . . . 1
22 2 + . . . + 2 = 2 2(+1) +1 . . . 2
( ) ..
.
= (+1) +1 . . .
0 =
15
4. KARAKTERISTICNI KORENI I VEKTORI
10 . Neka je data kvadratna matrica = [ ] . Glavni predmet proucavanja ovog dela su skalari
i ne-nula matrice kolone = [ 1 . . . ] 1 koji ispunjavaju uslov = , tj. za koje vazi:
(11 )1 + 12 2 + ... + 1 = 0
21 1 + (22 )2 + . . . + 2 = 0
() ( ) = 0 .. .. .. ..
.
. . . .
1 1 + 2 2 + . . . + ( ) = 0
Denicija 4.1. Za kvadratnu matricu = [ ] homogeni sistem () se naziva karakteristican
(sopstveni) sistem matrice . Skalar se naziva karakteristicna (sopstvena) vrednost matrice ako
za taj skalar karakteristican sistem ima netrivijalno resenje = [ 1 . . . ] 1 karakteristicni
(sopstveni) vektor matrice koji odgovara karakteristicnoj vrednosti .
Primetimo da potreban i dovoljan uslov da karakteristican sistem () ima netrivijalno resenje je dat sa:
= 0.
16
Proveriti rezultate koji su dobijeni pomocu Maple-a:
> restart;
> with(linalg):
> A:=matrix([[3,2,0],[2,4,-2],[0,-2,5]]); 3
2 0
A := 2 4 2
0 2 5
> charpoly(A,); # karakteristicni polinom
3 + 122 39 + 28
> e:=eigenvalues(A); # karakteristicne vrednosti
e := 1, 4, 7
> v:=eigenvectors(A); # karakteristicni vektori
()
3 1 1
= 1 3 1
0 0 2
17
> v1:=v[1]; # za dvostruki koren 1,2 = 2 karkteristican potprostor je generisan sa [1, 1, 0]T i [1, 0, 1]T
Primetimo da je dimenzija dim(1,2 ) = 2, u ovom primeru, jednaka redu = 2 visestrukosti karakteristicnog korena 1,2 .
()
2 10 6
= 1 15 1
16 15 3
> v1:=v[1]; # za dvostruki koren 1,2 = 10 karkteristican potprostor je generisan sa [1, 3/2, 1/2]T
18
20 . Neka je data kvadratna matrica = [ ] i skalari 0 , 1 , . . . , ( = 0). Tada izraz:
() = + 1 1 + . . . + 1 + 0
tada vazi:
= (1) , 1 = (1)1 Tr() i 0 =
gde je Tr() = trag matrice .
=1
Denicija 4.4. Kvadratne matrice , su slicne matrice, sto oznacavamo , ako postoji regularna
matrica takva da vazi = 1 .
Dokaz. . . .
Dokaz. . . .
Denicija 4.5. Neka je data kvadratna matrica = [ ] , tada polinom () takav da ispunjava uslove:
() () = 0,
Teorema 4.4. Svaka kvadratna matrica = [ ] ima jedinstven minimalan polinom () i on je delilac
karakteristicnog polinoma () = .
Dokaz. . . .
Teorema 4.5. Neka je data kvadratna matrica = [ ] . Svaka nula karakteristicnog polinoma () je i
nula minimalnog polinoma ().
Napomena 4.2. Nule minimalnog i karakteristicnog polinoma se podudaraju i mogu se razlikovati samo svojim
redom!
19
Algoritam za odred-ivanje minimalnog polinoma matrice = [ ] :
3o . Formirajmo sve moguce delitelje karakteristcnog polinoma tako da sadrze sve korene karakteristicnog
polinoma i da su jedinicnog vodeceg koecijenta.
4o . Med-u prethodno odred-enim deliteljima izdvajamo one polinome koji se anuliraju u matrici .
5o . Minimalni polinom je polinom najnizeg stepena med-u polinomima odred-enim u prethodnom koraku.
1o . 3 () = = 3 + 32 .
2o . 3 () = ( 3).
5o . Minimalni polinom je () = () = 2 3.
Literatura:
D. Cvetkovic, I. Lackovic, M. Merkle, Z. Radosavljevic, S. Simic, P. Vasic: Matematika I Algebra
20