Dr Branko Malesevic

ETF - Matematika 2, 2008., 2009.

1. VEKTORSKI PROSTORI

1.1. Polja skalara

Polazni pojam u definisanju 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. Definicija vektorskog prostora

Definicija 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 definisana binarna operacija + :

2 , koju nazivamo sabiranje vektora, takva da

vazi aksioma (1).

() Definisana 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.

1.3. 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:

. 0 = 0,

. 0 = 0,

3
o

. = 0 = = 0 = 0.

Dokaz. . . . .

Teorema 1.4.2. Ako je V = (, +, ) vektorski prostor nad poljem skalara F, tada za svaki vektor

vazi:

. = (1) .

Dokaz. . . . .

1.5. Vektorski potprostori

Definicija 1.5.1. Neka je V = (, +, ) vektorski prostor nad poljem skalara F. Tada podskup

odred-uje vektorski potprostor W vektorskog prostora V ako vazi:

. = .

. 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. . . . .

1gde je V dati vektorski prostor i dati skup

1.6. Linearna zavisnost

Definicija 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, . . . , .

Definicija 1.6.2. Skup svih linearnih kombinacija vektora 1, . . . , vektorskog prostora V nad
poljem

skalara F odredjuje

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, . . . , fiksirani
vektori.
Tada lineal ({1, . . . , }) odred-uje vektorski potprostor vektorskog prostora V.

Dokaz. . . .

Definicija 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

Definicija 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, . . . , )

Definicija 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:

. Skup {1, . . . , } jeste generatortski, tj. ({1, . . . , })=.

. Skup {1, . . . , } jeste linearno nezavisan skup vektora u .

Primer 1.7.1. . . .

Primer 1.7.2. . . .
Definicija 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.

Definicija 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. Izomorfizmi vektorskih prostora

Definicija 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 homomorfizam vektorskog prostora V1 u vektorski

prostor V2.

Posebno, ako je homomorfizam bijekcija tada ga nazivamo izomorfizam 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

2. UNITARNI PROSTORI I

ANALITICKA GEOMETRIJA U 3

2.1. Unitarni prostori

Definicija 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.

Definicija 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:

. 0 ( ),

. = 0 = 0 ( ),

. = ( , ),

. + + (nejednakost 3

trougla za , ).

Dokaz. . . .

jednakost vazi akko je = 0 ili = za 0

Definicija 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. . . .

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

= (, ) = :

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).

Definicija 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).

Definicija 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
prostora

V.

Definicija 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 = +

Dokaz. . . .

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

2 +

2 = 2

2 + 2

Definicija 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.

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 R

ured-eni par (, ) odred-uje usmerenu duz za , 3

. U ovom delu

definisemo 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 definisemo kao klasu ekvivalencije:

={

gde je fiksiran 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:

= { vektor u 3},

koji predstavlja kolicnicki skup polaznog skupa usmerenih duzi po relaciji ekvivalencije jednakosti
usmerenih

duzi. Za vektor = (, , ) V intezitet vektora u 3 odred-en je sa =

2 +

2+

. Nad skupom

vektora V definisemo dve operacije:

1
0

. Sabiranje vektora , V odred-eno je vektorom =

, gde je =

. 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

Definicija 2.5.1. Neka su dati vektori = (1, 1, 1),

= (2, 2, 2) V, tada skalarni proizvod vektora

u 3

, u oznaci

, jeste realan broj:

= 12 + 12 + 12.

Teorema 2.5.1. Realni vektorski prostor vektora u R

odred-uje unitaran prostor u odnosu na skalarni

proizvod (,) =

za , V. Tada, norma indukovana skalarnim proizvodom je

za V.

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).

Definicija 2.5.2. Neka je unitarni prostor vektora u 3

i neka je V{0} fiksiran ne-nula vektor.

Algebarska vrednost ortogonalne projekcije vektora V na vektor jeste broj pr(

cos (

,).

Ortogonalna projekcija vektora V na vektor jeste vektor

= pr(

Napomena 2.5.1. Vazi: pr(

) =

: ako su

istog smera,

: 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

, 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

smeru suprotnom od kretanja kazaljke sata, ima najkraci put gledano sa tacaka poluose

[). Dalja razmatranja odnosice se na prethodno odred-en koordinatni sistem,

q-

sa fiksiranim 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 :

() desni trijedar ako:

1 1 1

2 2 2

3 3 3

>0,

() levi trijedar ako:

1 1 1

2 2 2

3 3 3

<0;

u suprotnom ne odred-uju trijedar ako je ispunjeno:

1 1 1

2 2 2

3 3 3

= 0.

Definicija 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

2 2 2

1 1

2 2

(1, 0, 0)

| {z }

1 1

2 2

(0, 1, 0)

| {z }

1 1

2 2


(0, 0, 1)

| {z }

tj.

= (12 21, 21 12, 12 21).

4druga mogucnost je da je fiksiran trijedar leve orjentacije

Teorema 2.6.1 Za dva ne-nula vektora = (1, 1, 1),

= (2, 2, 2) V, koji nisu paralelnih pravaca,

vektorski proizvod = ima sledece osobine:

. Pravac vektora je normalan na ravan koju odred-uju vektori i

0
. Smer vektora je odred-en tako da ured-ena trojka (,,) bude desni trijedar.

. Intezitet vektora je odred-en velicinom povrsine paralelograma koji je formiran

nad vektorima i

, tj. vazi

sin , za ugao = (

,).

Dokaz. 10

....2

...."

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

Definicija 2.7.1. Za tri vektora = (1, 1, 1),

= (2, 2, 2),

= (3, 3, 3) V mesoviti vektorski

proizvod vektora ,

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

.

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:

12 =

(2 1)

2 + (2 1)

2 + (2 1)

Tacka = (, , ) 3

sa koordinatama:

2 + 1

,=

2 + 1

,=
2 + 1

(, > 0)

deli duz 12 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 definiciju

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

= ( ).

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:

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

definiciju duzi 12.

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:

(, p) = (r r0

) p

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

) je data sa:

(p, q) = (r2 r1

) (p q)

p q

( = 0)).

5r = 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 definiciju 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 ,

12 ,

13 ] = 0, tj.

1 1 1

2 1 2 1 2 1

3 1 3 1 3 1

=0(

= (, , )

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

0
. Sistem linearnih jednacina, nad poljem F, za -torku nepoznatih (1, . . . , ) nad poljem i
konstante

{1, 2, . . . , } i {1, 2, . . . , }

, jeste konjukcija jednacina:

()

111 + 122 + . . . + 1 = 1

211 + 222 + . . . + 2 = 2

11 + 22 + . . . + =

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

21 22 . . . 2

.
.

1 2 . . .

.
.

1
2

pri cemu je = [ ]

matrica koeficijenata, = [

] matrica kolona nepoznatih nad

= [

1 matrica kolona slobodnih clanova. Sistem lineanih jednacina () naziva se saglasan sistem
(neprotivurecan, moguc) ako postoji matrica kolona = [

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).

. U cilju diskusije saglasnosti nesaglasnosti sistema linearnih jednacina () razmatra se pojam ranga.

Definicija 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

Definicija 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).

Definicija 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, . . . , ). 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

. . . ]

( = 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.

. 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
21 22 . . . 2

1 2 . . .

i=


11 12 . . . 1 1

21 22 . . . 2 2

1 2 . . .


(+1)

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. . . .

. Za matricu koeficjenata = [ ]

i matricu kolonu nepoznatih = [

] nad

1 neka je dat
homogeni sistem:

(0) = 0

11 12 . . . 1

21 22 . . . 2

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
homogenim

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:

()

111 + 122 + . . . + 1 = 1

211 + 222 + . . . + 2 = 2

11 + 22 + . . . + =

za , ( = 1, . . . , = 1, . . . , ), moze se Gaussovim algoritmom, elementarnim

transformacijama,

tzv. homogeni kvadratni sistem

14

dovesti do ekvivaletnog trougaonog sistema:

( )

111 + 122 + . . . + 1 = 1 1(+1)+1 . . . 1

222 + . . . + 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

1
0

. 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:

() ( ) = 0

(11 )1 + 122 + . . . + 1 = 0

211 + (22 )2 + . . . + 2 = 0

.
.

11 + 22 + . . . + ( ) = 0

Definicija 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.

Definicija 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

karakteristicni

(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

, je konacan i odred-en je

spektrom matrice . Napomenimo da za svaki skalar izvan spektra matrice, homogeni sistem
() ima

samo trivijalno resenje =0 u

Definicija 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

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

()

320

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]]);

A :=

320

2 4 2

0 2 5

> charpoly(A,); # karakteristicni polinom



3 + 12

2 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:

1 = 1 : 1 =

{[

i 1 =

( {0}),

2 = 4 : 2 =

{[

i 2 =

]
( {0}),

3 = 7 : 3 =

{[

i 3 =

( {0}).

()

311

131

002

Proveriti rezultate koji su dobijeni pomocu Maple-a:

> restart;

> with(linalg):

> B:=matrix([[3,1,1],[1,3,1],[0,0,2]]);

B :=

311

131

002

> charpoly(B,); # karakteristicni polinom

3 + 8

2 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:

1,2 = 2 : 1,2 =

{[

]
 ,

i 1,2 =

(, ( = = 0)),

3 = 4 : 3 =

{[

i 3 =

]
( {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]]);

C :=

2 10 6

8 15 1

16 15 3

> charpoly(C,); # karakteristicni polinom

3 10

2 + 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:

1,2 = 10 : 1,2 =

{[

1
3/2

1/2

i 1,2 =

3/2

1/2

( {0}),

3 = 10 : 3 =

{[

i 3 =

( {0}).

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

karakteristicnog

korena 1,2!

18

. 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 koeficijente 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)1Tr() i 0 =

gde je Tr()


=1

trag matrice .

Definicija 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. . . .

Definicija 4.5. Neka je data kvadratna matrica = [ ]

, tada polinom () takav da ispunjava uslove:

() () = 0,

() koeficijent 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 odredivanje

minimalnog polinoma matrice = [ ]

o. Prvo odredimo karakteristicni polinom () = .

2

o. Izvrsimo faktorizaciju polinoma () na nerastavljive faktore.

o. Formirajmo sve moguce delitelje karakteristcnog polinoma tako da sadrze sve korene
karakteristicnog

polinoma i da su jedinicnog vodeceg koeficijenta.

o. Med-u prethodno odred-enim deliteljima izdvajamo one polinome koji se anuliraju u matrici .

o. Minimalni polinom je polinom najnizeg stepena med-u polinomima odred-enim u prethodnom

koraku.

Primer 5.2. Odrediti minimalni polinom matrice:

111

111

111

33

Primenom prethodnog algoritma nalazimo:

o. 3() = =

3 + 3

o. 3() = ( 3).

o. Delitelji () = ( 3) =

2 3 i () =

( 3) =

3 3

2 karakteristicnog polinoma 3() sadrze

sve korene karakteristicnog polinoma i jedinicnog su vodeceg koeficijenta.

o. Za oba polinoma ()=

2 3 i ()=
3 3

2 vazi ()=2 3=0 (proveriti) i ()=3 32 =0.

o. Minimalni polinom je () = () =

2 3.

Napomena: U prethodnom materijalu date su samo definicije, 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