Professional Documents
Culture Documents
1. VEKTORSKI PROSTORI
Polazni pojam u definisanju pojma vektorskog prostora je pojam polja F = (, +, ) kao algebarske
strukture
Definicija 1.2.1 Neka je neprazan skup cije elemente zovemo vektorima i neka je F = (, +, ) polje
V = (, +, )
naziva se vektorski prostor V nad poljem F ako za binarnu operaciju sabiranja vektora + :
2 i spoljnu
(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:
respektivno.
Napomena 1.2.2. Neka je V vektorski prostor nad poljem skalara F. Ukoliko je F = R, tada vektorski
= (
, +, ) . . .
[] = (
[], +, ) . . .
, +, ) . . .
Teorema 1.4.1. Ako je V = (, +, ) vektorski prostor nad poljem skalara F, tada za svaki skalar i
. 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. . . . .
Definicija 1.5.1. Neka je V = (, +, ) vektorski prostor nad poljem skalara F. Tada podskup
. = .
: 2 i =
: odred-uju vektorski
prostor W = (, +, ).
ne-nula vektori ( = {0}) ima bar dva tvz. trivijalna potprostora ({0}, +, ) i (, +, ), svi ostali potprostori
Teorema 1.5.1. Neprazan podskup odred-uje vektorski potprostor W vektorskog prostora V nad
(, )(, ) + .
Dokaz. . . . .
vektor
1 1 + . . . +
Definicija 1.6.2. Skup svih linearnih kombinacija vektora 1, . . . , vektorskog prostora V nad
poljem
skalara F odredjuje
skup
({1, . . . , }) = {1 1 + . . . + 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. . . .
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
Primer 1.6.1. . . .
Primer 1.6.2. . . .
Definicija 1.7.1. Neka je V vektorski prostor nad poljem skalara F. Skup vektora {1, . . . , }
jeste
2
linearna zavisnost je ekvivaletna sa formulom oblika (1, . . . , ) (1, . . . , ) (1, . . .
, );
(1, . . . , ) (1, . . . , )
(1, . . . , ) = (1, . . . , )
Definicija 1.7.2. Neka je V vektorski prostor nad poljem skalara F. Skup vektora = {1, . . . , }
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
Teorema 1.7.1. Ako je V konacno-dimenzionalni vektorski prostor nad poljem skalara F, tada sve baze
Definicija 1.7.4. Ako vektorski prostor V, takav da = {0}, nad poljem skalara F ima bazu sa
oznaku = dim( ).
Napomena 1.7.1. U slucaju trivijalnog vektorskog prostora V, kada je = {0}, smatramo da je nulte
Primer 1.7.3. . . .
Napomena 1.7.2. Ako vektorski prostor nema konacnu bazu, tada za takve vektorske prostore pojam
baze
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
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
Definicija 1.8.1. Dva vektorska prostora V1 = (1, +1, 1) i V2 = (2, +2, 2) nad istim poljem skalara F
(, 1)(, ) (1 +1 1 ) = 2 () +2 2 ().
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
2. UNITARNI PROSTORI I
ANALITICKA GEOMETRIJA U 3
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 .
(, ).
Teorema 2.2.1. (Cauchy, , Schwarz) Neka je V unitaran prostor nad poljem skalara F
i sa skalarnim proizvodom (. , .) :
(, ) (, )
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 .
. 0 ( ),
. = 0 = 0 ( ),
. = ( , ),
. + + (nejednakost 3
trougla za , ).
Dokaz. . . .
Definicija 2.2.1. Vektorski prostor V nad poljem skalara F naziva se normiran vektorski prostor ako za
(2) = 0 = 0 za svako ,
(3) = za svako , ,
(4) + + za svako , .
Primer 2.2.1. . . .
Primer 2.2.2. . . .
= (, ) = :
se naziva metrika na .
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
cos =
(, )
(, = 0).
(, ) = 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. . . .
2 +
2 = 2
2 + 2
Definicija 2.3.4. Skup vektora {1, . . . , } unitarnog prostora V je ortogonalan skup vektora ako za
svaka
Teorema 2.3.3. U unitarnom prostoru svaki ortogonalni skup ne-nula vektora jeste linearno nezavisan.
Dokaz. . . .
2.4. Vektori u 3
. U ovom delu
definisemo pojam vektora u 3 polazeci od skupa svih usmerenih duzi nad kojima razmatramo
jednakost
su jednake, u oznaci =
, ako su
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.
takva da je =
, gde je = (0, 0, 0)
(koordinatni pocetak).
Skup vektora u 3
jeste skup:
= { vektor u 3},
koji predstavlja kolicnicki skup polaznog skupa usmerenih duzi po relaciji ekvivalencije jednakosti
usmerenih
2 +
2+
. Nad skupom
1
0
, gde je =
>
je isti sa smerom vektora ukoliko je > 0, inace je suprotnog smera ukoliko je < 0 i ()
= .
u 3
, u oznaci
= 12 + 12 + 12.
proizvod (,) =
za V.
cos ,
gde je = (
= 0 = 0 = 0 (
, V).
cos (
,).
= pr(
) =
: ako su
istog smera,
: inace.
pr(
) =
pr
).
Dokaz. . . .
q-
= (2, 2, 2),
= (3, 3, 3)V
1 1 1
2 2 2
3 3 3
>0,
1 1 1
2 2 2
3 3 3
<0;
1 1 1
2 2 2
3 3 3
= 0.
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.
0
. Smer vektora je odred-en tako da ured-ena trojka (,,) bude desni trijedar.
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 .
()
= 0 = 0 = 0
()
= (
),
() (
) = (
) ,
()
+) = ( ) + ( ).
2.7. Mesoviti vektorski proizvod vektora u 3
= (2, 2, 2),
proizvod vektora ,
,, ]
= (
).
= (2, 2, 2),
= (3, 3, 3) V
,, ] =
1 1 1
2 2 2
3 3 3
Dokaz. . . .
,, ] = [
,, ] = [
,, ] = [
,, ].
= (2, 2, 2),
, tada
,, ] .
Dokaz. . . .
= (2, 2, 2),
= (3, 3, 3) V vazi:
odnosno:
() Tacka u 3
12 =
(2 1)
2 + (2 1)
2 + (2 1)
Tacka = (, , ) 3
sa koordinatama:
2 + 1
,=
2 + 1
,=
2 + 1
(, > 0)
() Prava u 3
. Za tacku 0 = 0(0, 0, 0) 3
prava p u 3 koja sadrzi tacku 0 i ima vektor pravca p. Neka je r = (, , ) vektor polozaja
proizvoljne
tacke = (, , ) p (r =
() r = r0+p ( ).
prave p. Na osnovu vektorskog oblika jednacine prave izvode se razni oblici jednacine prave koje
navodimo.
= 0 + , = 0 + , = 0 + ( ).
=
0
= ( ).
jednacine:
2 1
2 1
2 1
= ( ).
Prethodna formula kojom se odred-uje skup tacaka u 3
sa tackom
(, p) = (r r0
) p
(p, q) = (r2 r1
) (p q)
p q
( = 0)).
5r = r0 + p ( )
10
() Ravan u 3
. Za tacku 0 = 0(0, 0, 0) 3
proizvoljne tacke = (, , ) (r =
() (rr0
)n = 0.
Prethodna formula kojom se odred-uje skup tacaka u 3 moze se uzeti za definiciju ravni .
Odatle se izvode
( 0) + ( 0) + ( 0) = 0.
+ + + = 0 ( = 0 0 0 ).
=1(
=
,=
,=
jednacina
1 ,
12 ,
13 ] = 0, tj.
1 1 1
2 1 2 1 2 1
3 1 3 1 3 1
=0(
= (, , )
(, ) = + + +
2 + 2 + 2
1 + 1 + 1 + 1 = 0
2 + 2 + 2 + 2 = 0
11
0
. Sistem linearnih jednacina, nad poljem F, za -torku nepoznatih (1, . . . , ) nad poljem i
konstante
{1, 2, . . . , } i {1, 2, . . . , }
()
111 + 122 + . . . + 1 = 1
211 + 222 + . . . + 2 = 2
11 + 22 + . . . + =
() =
11 12 . . . 1
21 22 . . . 2
.
.
1 2 . . .
.
.
1
2
pri cemu je = [ ]
matrica koeficijenata, = [
= [
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
. U cilju diskusije saglasnosti nesaglasnosti sistema linearnih jednacina () razmatra se pojam ranga.
broj , u oznaci rang() = , takav da u matrici postoji kvadratna regularna submatrica reda
tako
matrica =[ ]
nije nula matrica, tada 1 min{, }. Sveukupno za matricu
vazi:
0 rang() min{, }.
Primer 3.1. . . .
Dokaz. . . .
12
i neka je matrica
rang(
) = rang().
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.
i neka je matrica
su elementima jedne vrste (kolone) matrice dodati elementi neke druge vrste (kolone) pomnozeni
skalarom
. Tada vazi:
rang() = rang().
. Neka je dat sistem linearnih jednacina (). Elementarne transformacije sistema () su odred-ene kao
sledece transformacije:
() Zamena mesta dve jednacine.
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
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 = [ ]
] 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
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
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
dva slucaja.
Teorema 3.10. Skup svih resenja homogenog sistema (0) ima strukturu vektorskog prostora.
()
111 + 122 + . . . + 1 = 1
211 + 222 + . . . + 2 = 2
11 + 22 + . . . + =
( )
222 + . . . + 2 = 2 2(+1)+1 . . . 2
= (+1)+1 . . .
0=
Napomena 3.3. Sistem () je saglasan akko je =0. Ako je sistem () homogen tada je 1 =. . .=
==0.
15
1
0
() ( ) = 0
(11 )1 + 122 + . . . + 1 = 0
211 + (22 )2 + . . . + 2 = 0
.
.
11 + 22 + . . . + ( ) = 0
1 karakteristicni
Primetimo da potreban i dovoljan uslov da karakteristican sistem () ima netrivijalno resenje je dat
sa:
= 0.
polinom:
() = =
(11 ) 12 . . . 1
21 (22 ) . . . 2
.
.
1 2 . . . ( )
(sopstveni) koreni matrice i skup svih tih korena odred-uju spektar matrice .
se podudaraju. Zaista, na osnovu Posledice 3.2. (Teoreme 3.9.) skup skalara za koje razmatramo
, je konacan i odred-en je
spektrom matrice . Napomenimo da za svaki skalar izvan spektra matrice, homogeni sistem
() ima
()
320
2 4 2
0 2 5
16
> restart;
> with(linalg):
> A:=matrix([[3,2,0],[2,4,-2],[0,-2,5]]);
A :=
320
2 4 2
0 2 5
3 + 12
2 39 + 28
e := 1, 4, 7
sa:
1 = 1 : 1 =
{[
i 1 =
( {0}),
2 = 4 : 2 =
{[
i 2 =
]
( {0}),
3 = 7 : 3 =
{[
i 3 =
( {0}).
()
311
131
002
> restart;
> with(linalg):
> B:=matrix([[3,1,1],[1,3,1],[0,0,2]]);
B :=
311
131
002
3 + 8
2 20 + 16
17
> v1:=v[1]; # za dvostruki koren 1,2 = 2 karkteristican potprostor je generisan sa [1, 1, 0]T i [1, 0,
1]T
sa:
1,2 = 2 : 1,2 =
{[
]
,
i 1,2 =
(, ( = = 0)),
3 = 4 : 3 =
{[
i 3 =
]
( {0}).
()
2 10 6
1 15 1
16 15 3
> restart;
> with(linalg):
> C:=matrix([[2,-10,6],[8,-15,-1],[16,-15,3]]);
C :=
2 10 6
8 15 1
16 15 3
3 10
2 + 100 + 1000
e := 10, 10, 10
> v1:=v[1]; # za dvostruki koren 1,2 = 10 karkteristican potprostor je generisan sa [1, 3/2, 1/2]T
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}).
korena 1,2!
18
() =
+ 1
1 + . . . + 1 + 0
odred-en karakteristicni
polinom:
() = =
=0
() =
=0
= 0.
() = =
=0
tada vazi:
= (1)
, 1 = (1)1Tr() i 0 =
gde je Tr()
=1
trag matrice .
matrica
takva da vazi =
1 .
Dokaz. . . .
Dokaz. . . .
karakteristicnog polinoma () = .
Dokaz. . . .
Napomena 4.2. Nule minimalnog i karakteristicnog polinoma se podudaraju i mogu se razlikovati samo
svojim
redom!
19
Algoritam za odredivanje
o. Formirajmo sve moguce delitelje karakteristcnog polinoma tako da sadrze sve korene
karakteristicnog
o. Med-u prethodno odred-enim deliteljima izdvajamo one polinome koji se anuliraju u matrici .
111
111
111
33
o. 3() = =
3 + 3
o. 3() = ( 3).
o. Delitelji () = ( 3) =
2 3 i () =
( 3) =
3 3
2 3 i ()=
3 3
o. Minimalni polinom je () = () =
2 3.
(. . .) koji su
rad-eni na casovima predavanja !
Literatura:
20