Dr Branko Malesevic

ETF - Matematika 2, 2008., 2009.

1. VEKTORSKI PROSTORI

1.1. Polja skalara

Polazni pojam u denisanju pojma vektorskog prostora je pojam polja F = (, +, ) kao algebarske strukture
sa od ranije poznatom aksiomatikom. Napomenimo da neutralni element za sabiranje oznacavamo sa 0 i
neutralni element za mnozenje oznacavamo sa 1 . Elemente polja F nazivamo skalarima.

Primer 1.1.1. Primeri polja: Z ( -prost broj), Q, R, C.

1.2. Denicija vektorskog prostora

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

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 1.2.1. Uobicajeno je da skalare oznacavamo malim slovima grckog alfabeta: , , , . . . i da

vektore oznacavamo malim slovima abecede: , , , . . . . Dalje, + oznacavacemo sa + , odnosno
oznacavacemo sa . U daljem razmatranju nulu polja 0 i jedinicu polja 1 oznacavacemo sa 0 i 1
respektivno.

Napomena 1.2.2. Neka je V vektorski prostor nad poljem skalara F. Ukoliko je F = R, tada vektorski
prostor nazivamo realnim vektorskim prostorom, dok za F = C nazivamo kompleksnim vektorskim prostorom.

1
1.3. Primeri vektorskih prostora
Primer 1.3.1. Vektorski prostor ured-enih -torki: F = ( , +, ) . . .

Primer 1.3.2. Vektorski prostor polinoma stepena ne veceg od : F [] = ( [], +, ) . . .

Primer 1.3.3. Vektorski prostor funkcija: V = ( , +, ) . . .

Primer 1.3.4. Opsti funkcijski prostor1 W = ( , +, ) i specijalni funckijski vektorski prostori neprekidnih
funkcija [, ], diferencijabilnih funkcija [, ] . . .

1.4. Osnovne osobine vektorskih prostora

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

Teorema 1.4.2. Ako je V = (, +, ) vektorski prostor nad poljem skalara F, tada za svaki vektor
vazi:
4o. = (1) .
Dokaz. . . . .

1.5. Vektorski potprostori

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

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 , . . . , }

koji nazivamo lineal vektora 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.

Za vektore 1 , . . . , kazemo da su linearno nezavisni ukoliko nisu linearno zavisni.

Napomena 1.6.1. Vazi:

1 , . . . , linearno zavisni akko (1 , . . . , ) 1 1 + . . . + = 0 (1 = . . . = = 0)

i odatle zakljucujemo2 :

1 , . . . , linearno nezavisni akko (1 , . . . , ) 1 1 + . . . + = 0 = 1 = . . . = = 0.

Teorema 1.6.2. Neka je V vektorski prostor nad poljem skalara F. Vektori 1 , . . . , su linearno
zavisni akko je bar jedan od njih linearna kombinacija preostalih vektora.

Primer 1.6.1. . . .

Primer 1.6.2. . . .

1.7. Baza i dimenzija

Denicija 1.7.1. Neka je V vektorski prostor nad poljem skalara F. Skup vektora {1 , . . . , } jeste
generatorski skup za vektorski prostor V ako vazi ({1 , . . . , }) = .
2
linearna zavisnost je ekvivaletna sa formulom oblika (1 , . . . , ) (1 , . . . , ) (1 , . . . , );
linearna nezavisnost je ekvivaletna
( sa formulom oblika (1 , . .). , )( (1 , . . . , ) (1 , . . . , ), )
pri cemu vazi tautologija: = (1 , . . . , ) (1 , . . . , ) (1 , . . . , ) = (1 , . . . , )

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 .

1.8. Izomorzmi vektorskih prostora

Denicija 1.8.1. Dva vektorska prostora V1 = (1 , +1 , 1 ) i V2 = (2 , +2 , 2 ) nad istim poljem skalara F
su homomorfni prostori ako postoji preslikavanje : 1 2 takvo da vazi:
(, 1 )(, ) (1 +1 1 ) = 2 () +2 2 ().
Preslikavanje nazivamo linearni operator ili homomorzam vektorskog prostora V1 u vektorski prostor V2 .
Posebno, ako je homomorzam bijekcija tada ga nazivamo izomorzam vektorskog prostora V1 u vektorski
prostor V2 . Same vektorske prostore V1 i V2 smatramo izomorfnim prostorima, sto oznacavamo V1 = V2 .

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

2.1. Unitarni prostori

Denicija 2.1.1. Vektorski prostor V nad poljem F realnih ili kompleksnih skalara (F = R ili F = C)
naziva se unitarni ili pred-Hilbertov prostor ako za skalarni ili unutrasnji proizvod (. , . ) : 2 vaze
aksiome:
(1 ) ( + , ) = (, ) + (, ) za svako , , ,
(2 ) ( , ) = (, ) za svako i , ,
(3 ) (, ) = (, ) za svako , ,
(4 ) (, ) 0 za svako ,
(5 ) (, ) = 0 = 0 za svako .
Na osnovu (3 ), primetimo da i u slucaju kompleksnog unitarnog prostora vrednosti (, ), za , jesu
realni brojevi i dotano na osnovu (4 ) jesu nenegativni realni brojevi.

Denicija 2.1.2. Norma (intezitet) vektora iz unitarnog prostora V je nenegativan broj = (, ).
Za tako odred-enu normu kazemo da je norma indukovana skalarnim proizvodom.
Primer 2.1.1. Uvod-enje skalarnog proizvoda i norme u vektorski prostor . . .
Primer 2.1.2. Uvod-enje skalarnog proizvoda i norme u vektorski prostor . . .
Primer 2.1.3. Uvod-enje skalarnog proizvoda i norme u vektorski prostor C[, ] . . .

2.2. Osnovne osobine norme

Teorema 2.2.1. (Cauchy, , Schwarz) Neka je V unitaran prostor nad poljem skalara F
i sa skalarnim proizvodom (. , . ) : 2 . Tada za normu indukovanu skalarnim proizvodom vazi:
(, ) (, )
sa jednakoscu akko su i linearno zavisni vektori.
Teorema 2.2.2. Neka je V unitaran prostor nad poljem skalara F i sa skalarnim proizvodom (. , . ) : 2 .
Tada za normu indukovanu skalarnim proizvodom vazi:
1o. 0 ( ),
2o. = 0 = 0 ( ),
3o. = ( , ),
4o. + + (nejednakost 3 trougla za , ).
Dokaz. . . .
3
jednakost vazi akko je = 0 ili = za 0

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 2.2.2. Neka je vektorski prostor V normiran sa normom . , tada funkcija:

= (, ) = : 2
se naziva metrika na .

2.3. Geometrija unitarnih prostora

U ovom delu razmatramo slucaj realnog unitarnog prostora V i geometriju takvih prostora zasnovanu na
nejednakosti CauchySchwarz-a:

(, ) (, )

1 1 1 (, = 0).

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. . . .

Teorema 2.3.1. Neka su i vektori unitarnog prostora V, tada vazi:

+ 2 + 2 = 22 + 22 .

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).

Napomena 4.1.1. Tacka = (, , ) 3 odred-uje koordinate vektora , sto zapisujemo = (, , ).

Skup vektora u 3 jeste skup:

V = { vektor u 3 },
koji predstavlja kolicnicki skup polaznog skupa usmerenih duzi po relaciji ekvivalencije
jednakosti usmerenih
3 -
duzi. Za vektor = (, , ) V intezitet vektora u odreden je sa = + + 2 . Nad skupom
2 2

vektora V denisemo dve operacije:

:

:



1 . Sabiranje vektora , V odred-eno je vektorom = + , gde je = .
0
>



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

) Ako je = 0 i = 0 tada () pravac vektora je paralelan sa pravcem vektora ; () smer vektora

je isti sa smerom vektora ukoliko je > 0, inace je suprotnog smera ukoliko je < 0 i () = .

) Ako je = 0 ili = 0 tada = 0.

Teorema 2.4.2. Skup vektora V u odnosu na sabiranje vektora + : V 2 V i mnozenje realnog skalara i
vektora : V V odred-uje jedan realan vektorski prostor = (V, +, ).

2.5. Skalarni proizvod vektora u 3

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

= 1 2 + 1 2 + 1 2 .

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 ,

gde je = (, ) ugao izmed-u dva posmatrana vektora. Odatle sleduje:

= 0 = 0 = 0 (, V).

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

Ortogonalna projekcija vektora V na vektor jeste vektor = pr ()

.


: ako su i istog smera,
Napomena 2.5.1. Vazi: pr () =
: inace.

Teorema 2.5.2. Za ne-nula vektore , vazi: = pr () = pr ().

Dokaz. . . .

2.6. Vektorski proizvod vektora u 3

Neka je unitarni prostor vektora u 3 . Posmatrajmo pravaougli koordinatni sistem 6

, gde je = (1, 0, 0) sa [)-poluose, = (0, 1, 0) sa [)-poluose i = (0, 0, 1) sa
[)-poluose. Smatramo da ured-ena trojka vektora (, , ) odred-uje desni trijedar
ako je smer poluose [) tako odred-en da rotacija poluose [) ka poluosi [), u 6
q - -
smeru suprotnom od kretanja kazaljke sata, ima najkraci put gledano sa tacaka polu-
+
ose [). Dalja razmatranja odnosice se na prethodno odred-en koordinatni sistem,
+

sa ksiranim trijedrom desne orjentacije4 (, , ). Za tri vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V
smatramo da ured-ena trojka vektora (, , ) odred-uje u koordinatnom sistemu :

1 1 1


() desni trijedar ako: 2 2 2 > 0 ,

3 3 3

1 1 1


() levi trijedar ako: 2 2 2 < 0 ;

3 3 3
1 1 1


-
u suprotnom ne odreduju trijedar ako je ispunjeno: 2 2 2 = 0.

3 3 3

Denicija 2.6.2. Za dva vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ) V vektorski proizvod vektora i

odred-en je kao vektor:









=
1 1 1 1 1 1
1
1 1 = (1, 0, 0) (0, 1, 0) + (0, 0, 1) ,
2 2 2 | {z } 2 2 | {z } 2 2 | {z }
2 2

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

30 . Intezitet vektora je odred-en velicinom povrsine paralelograma koji je formi-

3

ran nad vektorima i , tj. vazi = sin , za ugao = (, ).

0 0
Dokaz. 1 . . . . 2 . . . . "
q

-

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 .

Teorema 2.6.2. Za skalar i vektore , V vazi:

() = 0 = 0 = 0 ,

() = ( ) ,

() ( ) = ( ) ,

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

2.7. Mesoviti vektorski proizvod vektora u 3

Denicija 2.7.1. Za tri vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V mesoviti vektorski
proizvod vektora , i odred-en je kao realan broj:
[ , , ] = ( ).

Teorema 2.7.1. Mesoviti vektorski proizvod vektora = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V

moze se predstaviti kao determinanta:

1 1 1


[ , , ] = 2 2 2 .


3 3
3

Dokaz. . . .
Posledica 2.7.1. Vazi:
[ , , ] = [ , , ] = [ , , ] = [ , , ].

Teorema 2.7.2. Ako vektori = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V nisu koplanarni u 3 , tada

apsolutna vrednost njihovog mesovitog proizvoda jednaka je zapremini V paralelopipeda konstruisanog nad
ta tri vektora dovedena na zajednicki pocetak, tj. V = [ , , ] .
Dokaz. . . .
Napomena 2.7.1. Za vektore = (1 , 1 , 1 ), = (2 , 2 , 2 ), = (3 , 3 , 3 ) V vazi:
[ , , ] = 0 , , koplanarni u 3 , , linearno zavisni u 3 ,
odnosno:
[ , , ] = 0 , , nekoplanarni u 3 , , linearno nezavisni u 3 .

9
2.8. Tacka, prava i ravan u 3

() Tacka u 3 . Rastojanje izmed-u tacaka 1 = 1 (1 , 1 , 1 ), 2 = 2 (2 , 2 , 2 ) 3 dato je formulom:

1 2 = (2 1 )2 + (2 1 )2 + (2 1 )2 .

Tacka = (, , ) 3 sa koordinatama:
2 + 1 2 + 1 2 + 1
= , = , = (, > 0)
+ + +
deli duz 1 2 u razmeri 1 : 2 = : .

() Prava u 3 . Za tacku 0 = 0 (0 , 0 , 0 ) 3 i ne-nula vektor p = (, , ) V postoji tacno jedna

prava p u 3 koja sadrzi tacku 0 i ima vektor pravca p. Neka je r = (, , ) vektor polozaja proizvoljne

tacke = (, , ) p (r = ), tada vektorski oblik jednacine prave p je dat sa:

() 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.

Parametarske jednacine prave:

= 0 + , = 0 + , = 0 + ( ).

Kanonske jednacine prave:

0 0 0
= = = ( ).

Ako je = 0 = 0 = 0 u prethodnoj jednakosti clanovi koji dovode do deljenja sa nulom se izostavljaju.
Pri tom, dodatno, ako je = 0 pisemo = 0 , ako je = 0 pisemo = 0 , ako je = 0 pisemo = 0 .

Jednacina prave kroz dve tacke 1 = 1 (1 , 1 , 1 ), 2 = 2 (2 , 2 , 2 ) 3 je data u obliku kanonske

jednacine:
1 1 1
= = = ( ).
2 1 2 1 2 1
Prethodna formula kojom se odred-uje skup tacaka u 3 , u zavisnosti samo od [0, 1], moze se uzeti za
deniciju duzi 1 2 .
Formula za rastojanje proizvoljne tacke = ( , , ) 3 do prave p, koja je odred-ena5 sa tackom
0 = (0 , 0 , 0 ) p i vektorom p = (, , ) V, je data sa:

(r r0 ) p
(, p) = .
p

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

(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.

Jednacina ravni kroz datu tacku:

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

Opsti oblik jednacine ravni:

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

Segmetni oblik jednacine ravni:

(
)
+ + =1 = , = , = ,

odred-ujemo za = 0. Za tacke 1 = 1 (1 , 1 , 1 ), 2 = 2 (2 , 2 , 2 ), 3 = 3 (3 , 3 , 3 ) 3 jednacina

ravni kroz tri tacke odred-ena je iz [ 1 , 1 2 , 1 3 ] = 0, tj.

1 1 1

( )

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


3 1 3 1
3 1

Rastojanje tacke = ( , , ) 3 do ravni date u opstem obliku + + + = 0 je dato sa:

+ + +
(, ) = .
2 + 2 + 2

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

1 + 1 + 1 + 1 = 0

2 + 2 + 2 + 2 = 0

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

11
 3. SISTEMI LINEARNIH JEDNACINA

10 . Sistem( linearnih 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.

Sistem linearnih jednacina () se moze napisati u matricnom obliku:

11 12 ... 1 1 1



21 22 ... 2 2
2


() = =
. .. ..
.. .
.. . . . ..


1 2 . . .

pri cemu je = [ ] matrica koecijenata, = [ ] matrica kolona nepoznatih nad 1 i

= [ ] 1 matrica kolona slobodnih clanova. Sistem lineanih jednacina () naziva se saglasan sistem
(neprotivurecan, moguc) ako postoji matrica kolona = [ ] 1 takva da za 1 = 1 , . . . , =
konjukcija jednacina iz () jeste tacna. Matrica kolona se naziva resenje sistema linearnih jednacina ().
U suprotnom ako za sistem () ne postoji resenje, tada sistem linearnih jednacina () se naziva nesaglasan
sistem (protivurecan, nemoguc).

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. . . .

Teorema 3.1. Za matricu vazi rang(T ) = rang().

Dokaz. . . .

12
Denicija 3.2. Za matricu elementarne transformacije matrice su sledece transformacije:

() Zamena mesta dve vrste (ili kolone).

() Mnozenje jedne vrste (ili kolone) skalarom = 0.

() Dodavanje elemenata jedne vrste (kolone), prethodno pomnozenih nekim skalarom odgovarajucim
elementima druge vrste (ili kolone).

Denicija 3.3. Matrice , su ekvivaletne matrice, sto oznacavamo

= , ako se mogu dobiti
jedna iz druge pomocu konacnog broja elementarnih transformacija.

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().

Teorema 3.4. Neka je data matrica i neka su izdvojeni vektori vrste = [ 1 . . . ] 1

( = 1, . . . , ). Ako je rang() = , tada med-u vektor vrstama postoji tacno linearno nezavisnih vektora
tako da preostlih vektora su linearne kombinacije ovih vektora.

Posledica 3.1. Vazi rang() = dim( ), gde = ({1 , . . . , }) odred-uje vektorski prostor vrsta V .

Teorema 3.4. Neka je data matrica i neka su izdvojeni vektori kolone = [ 1 . . . ]T 1

( = 1, . . . , ). Ako je rang() = , tada med-u vektor kolonama postoji tacno linearno nezavisnih vektora
tako da preostlih vektora su linearne kombinacije ovih vektora.

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().

Teorema 3.6. Elementarne transformacije ne menjaju rang matrice.

30 . Neka je dat sistem linearnih jednacina (). Elementarne transformacije sistema () su odred-ene kao
sledece transformacije:

() Zamena mesta dve jednacine.

() Mnozenje jedne jednacine skalarom = 0.

() 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!

Teorema 3.7. Elementarnim transformacijama skup resenja sistema () se ne menja.

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. . . .

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

homogeni sistem:

11 12 . . . 1 1 0



21 22 . . . 2 2
0


( 0 ) = 0 = .
. .. ..
.. ..
.. . . .
.


1 2 . . . 0
Saglasno Kronecker Capellijevoj teoremi linearan sistem ( 0 ) je uvek saglasn i ima resenje. Jedno
takvo resenje je matrica kolona 0 = [ 0, . . . , 0 ]T 1 koju nazivamo trivijalno resenje. Sa sledecom
teoremom odred-ujemo kada homogeni sistem ima i druga, takozvana netrivijalna resenja.

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.

Teorema 3.11. Svaki sistem linearnih jednacina:

11 1 + 12 2 + . . . + 1 = 1







21 1 + 22 2 + . . . + 2
= 2


() ..
,

.










1 1 + 2 2 + . . . + =
za , ( = 1, . . . , = 1, . . . , ), moze se Gaussovim algoritmom, elementarnim transformacijama,
6
tzv. homogeni kvadratni sistem

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 =

za , ( = 1, . . . , = , . . . , ), i = rang() . Pri tome je 11 22 . . . = 0 i

(1 , . . . , ) predstavlja jednu permutaciju od (1 , . . . , ).

Napomena 3.3. Sistem () je saglasan akko je = 0. Ako je sistem () homogen tada je 1 = . . . = = = 0.

15
 4. KARAKTERISTICNI KORENI I VEKTORI

10 . Neka je data kvadratna matrica = [ ] . Glavni predmet 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.

Denicija 4.2. Za kvadratnu matricu = [ ] polinom:

(11 ) 12 ... 1




21 (22 ) . . . 2


() = =
.. .. ..
. . .



1 2 ... ( )
se naziva karakteristicni (sopstveni) polinom matrice . Koreni karakteristicnog polinoma se nazivaju kara-
kteristicni (sopstveni) koreni matrice i skup svih tih korena odred-uju spektar matrice .

Napomena 4.1. Za matricu = [ ] pojmovi karakteristicne vrednosti i karakteristicnog korena

se podudaraju. Zaista, na osnovu Posledice 3.2. (Teoreme 3.9.) skup skalara za koje razmatramo
karakteristican sistem () matrice , tako da ima netrivijalna resenja u 1 , je konacan i odred-en je
spektrom matrice . Napomenimo da za svaki skalar izvan spektra matrice, homogeni sistem () ima
samo trivijalno resenje = 0 u 1 .

Denicija 4.3. Za kvadratnu matricu = [ ] karakteristicni (sopstveni) potprostor matrice ,

koji odgovara karakteristicnoj vrednosti , jeste skup svih vektora u 1 koji su resenje karakteristicnog
sistema ukljucujuci i nula vektor = 0 u 1 .

Primer 4.1. Odrediti karakteristicne vrednosti, vektore i potprostore sledecih matrica:

()

3 2 0


= 2 4 2

0 2 5

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

v := [1, 1, {[2, 2, 1]}], [4, 1, {[2, 1, 2]}], [7, 1, {[1, 2, 2]}]

> v1:=v[1]; # za jednostruki koren 1 = 1 karkteristican potprostor je generisan sa [2, 2, 1]T

v1 := [1, 1, {[2, 2, 1]}]

> v2:=v[2]; # za jednostruki koren 2 = 4 karkteristican potprostor je generisan sa [2, 1, 2]T

v2 := [4, 1, {[2, 1, 2]}]

> v3:=v[3]; # za jednostruki koren 3 = 7 karkteristican potprostor je generisan sa [1, 2, 2]T

v3 := [7, 1, {[1, 2, 2]}]

Za karakteristicne vrednosti odgovarajuci karakteristicni potprostori i karakteristicni vektori su dati redom

sa: {[ ] } [ ]
2 2
1 = 1 : 1 = 2 i 1 = 2 ( {0}),
1
{[ ] } [ ]
2 2
2 = 4 : 2 = 1 i 2 = ( {0}),
2 2
{[ ] } [ ]
1
3 = 7 : 3 = 2 i 3 = 2 ( {0}).
2 2

()

3 1 1


= 1 3 1

0 0 2

Proveriti rezultate koji su dobijeni pomocu Maple-a:

> restart;
> with(linalg):
> B:=matrix([[3,1,1],[1,3,1],[0,0,2]]); 3
1 1
B := 1 3 1
0 0 2
> charpoly(B,); # karakteristicni polinom
3 + 82 20 + 16
> e:=eigenvalues(B); # karakteristicne vrednosti
e := 2, 2, 4
> v:=eigenvectors(B); # karakteristicni vektori

v := [2, 2, {[1, 1, 0], [1, 0, 1]}], [4, 1, {[1, 1, 0]}]

17
> v1:=v[1]; # za dvostruki koren 1,2 = 2 karkteristican potprostor je generisan sa [1, 1, 0]T i [1, 0, 1]T

v1 := [2, 2, {[1, 1, 0], [1, 0, 1]}]

> v3:=v[3]; # za jednostruki koren 3 = 4 karkteristican potprostor je generisan sa [1, 1, 0]T

v3 := [4, 1, {[1, 1, 0]}]

Za karakteristicne vrednosti odgovarajuci karakteristicni potprostori i karakteristicni vektori su dati redom

sa:
{[ ] [ ] } [ ]
1 1
1,2 = 2 : 1,2 = 1 + 0 , i 1,2 = (, ( = = 0)),
0 1
{[ ] } [ ]
1
3 = 4 : 3 = 1 i 3 = ( {0}).
0 0

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

Proveriti rezultate koji su dobijeni pomocu Maple-a:

> restart;
> with(linalg):
> C:=matrix([[2,-10,6],[8,-15,-1],[16,-15,3]]); 2 10
6
C := 8 15 1
16 15 3
> charpoly(C,); # karakteristicni polinom
3 102 + 100 + 1000

> e:=eigenvalues(C); # karakteristicne vrednosti

e := 10, 10, 10

> v:=eigenvectors(C); # karakteristicni vektori

v := [10, 2, {[1, 3/2, 1/2]]}], [10, 1, {[4, 1, 7]}]

> v1:=v[1]; # za dvostruki koren 1,2 = 10 karkteristican potprostor je generisan sa [1, 3/2, 1/2]T

v1 := [10, 2, {[1, 3/2, 1/2]]}]

> v3:=v[3]; # za jednostruki koren 3 = 10 karkteristican potprostor je generisan sa [4, 1, 7]T

v3 := [10, 1, {[4, 1, 7]}]

Za karakteristicne vrednosti odgovarajuci karakteristicni potprostori i karakteristicni vektori su dati redom

sa: {[ ] } [ ]
1
1,2 = 10 : 1,2 = 3/2 i 1,2 = 3/2 ( {0}),
1/2 1/2
{[ ] } [ ]
4 4
3 = 10 : 3 = 1 i 3 = ( {0}).
7 7

Primetimo da je dimenzija dim(1,2 ) = 1, u ovom primeru, manja od reda visestrukosti = 2 karakteristicnog

korena 1,2 !

18
20 . Neka je data kvadratna matrica = [ ] i skalari 0 , 1 , . . . , ( = 0). Tada izraz:

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

se naziva matricni polinom stepena .

Teorema 4.1. (CayleyHamilton) Neka je za kvadratnu matricu = [ ] odred-en karakteristicni

polinom:


() = = ,
=0
za koecijente 0 , 1 , . . . , 1 , ( = 0), tada vazi:


() = = 0.
=0

Napomena 4.1. Neka je za kvadratnu matricu = [ ] odred-en karakteristicni polinom:

() = = ,
=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 .

Teorema 4.2. Slicnost matrica jeste relacija ekvivalencije skupa matrica .

Dokaz. . . .

Teorema 4.3. Slicne matrice imaju isti spektar.

Dokaz. . . .

Denicija 4.5. Neka je data kvadratna matrica = [ ] , tada polinom () takav da ispunjava uslove:

() () = 0,

() koecijent uz najveci stepen polinoma () jednak je 1,

() () je polinom najmanjeg stepena za koje vaze prethodni uslovi () i ();

naziva se minimalni polinom matrice .

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 = [ ] :

1o . Prvo odredimo karakteristicni polinom () = .

2o . Izvrsimo faktorizaciju polinoma () na nerastavljive faktore.

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.

Primer 5.2. Odrediti minimalni polinom matrice:

1 1 1


= 1 1 1 33 .

1 1 1

Primenom prethodnog algoritma nalazimo:

1o . 3 () = = 3 + 32 .

2o . 3 () = ( 3).

3o . Delitelji () = ( 3) = 2 3 i () = 2 ( 3) = 3 32 karakteristicnog polinoma 3 () sadrze

sve korene karakteristicnog polinoma i jedinicnog su vodeceg koecijenta.

4o . Za oba polinoma () = 2 3 i () = 3 32 vazi () = 2 3 = 0 (proveriti) i () = 3 32 = 0.

5o . Minimalni polinom je () = () = 2 3.

Napomena: U prethodnom materijalu date su samo denicije, iskazi teorema i algoritama

(. . .) koji su rad-eni na casovima predavanja !

Literatura:
D. Cvetkovic, I. Lackovic, M. Merkle, Z. Radosavljevic, S. Simic, P. Vasic: Matematika I Algebra

20