Professional Documents
Culture Documents
Linearna Algebra PDF
Linearna Algebra PDF
1. VEKTORSKI PROSTORI
Drugim rečima, vektorski prostor V možemo odrediti ured-enim parom (𝑉, F) tako da važi:
(𝑖) 𝑉 neprazan skup (njegove elemente zovemo vektorima).
(𝑖𝑖) F je polje (njegove elemente zovemo skalarima).
(𝑖𝑖𝑖) U skupu 𝑉 je definisana binarna operacija + : 𝑉 2 −→ 𝑉 , koju nazivamo sabiranje vektora, takva da
važi aksioma (𝑉1 ).
(𝑖𝑣) Definisana je spoljna operacija ⋅ : 𝐹 × 𝑉 −→ 𝑉 , koju zovemo množenje vektora skalarom (tj. elementom)
polja 𝐹 za koju važe aksiome (𝑉2 ) − (𝑉5 ).
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 𝑛-torki: F𝑛 = (𝐹 𝑛 , +, ⋅) . . .
Primer 1.3.4. Opšti funkcijski prostor1 W = (𝑉 𝑋 , +, ⋅) i specijalni funckijski vektorski prostori neprekidnih
funkcija 𝐶[𝑎, 𝑏], diferencijabilnih funkcija 𝐷[𝑎, 𝑏] . . .
Teorema 1.4.2. Ako je V = (𝑉, +, ⋅) vektorski prostor nad poljem skalara F, tada za svaki vektor 𝑎 ∈ 𝑉
važi:
4o. −𝑎 = (−1) ⋅ 𝑎.
Dokaz. . . . .
Teorema 1.5.1. Neprazan podskup 𝑊 ⊆ 𝑉 odred-uje vektorski potprostor W vektorskog prostora V nad
poljem skalara F akko važi
(∀𝑥, 𝑦 ∈ 𝑊 )(∀𝛼, 𝛽 ∈ 𝐹 ) 𝛼 ⋅ 𝑥 + 𝛽 ⋅ 𝑦 ∈ 𝑊.
Dokaz. . . . .
1
gde je V dati vektorski prostor i 𝑋 dati skup
2
1.6. Linearna zavisnost
Definicija 1.6.1. Neka je V vektorski prostor nad poljem skalara F. Za 𝑣1 , . . . , 𝑣𝑛 ∈ 𝑉 i 𝛼1 , . . . , 𝛼𝑛 ∈ 𝐹
vektor
𝛼 1 ⋅ 𝑣1 + . . . + 𝛼 𝑛 ⋅ 𝑣𝑛
predstavlja linearnu kombinaciju vektora 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 .
Definicija 1.6.2. Skup svih linearnih kombinacija vektora 𝑣1 , . . . , 𝑣𝑛 vektorskog prostora V nad poljem
skalara F odred-juje skup
𝐿({𝑣1 , . . . , 𝑣𝑛 }) = {𝛼1 ⋅ 𝑣1 + . . . + 𝛼𝑛 ⋅ 𝑣𝑛 ∣ 𝛼1 , . . . , 𝛼𝑛 ∈ 𝐹 }
Teorema 1.6.1. Neka je V vektorski prostor nad poljem skalara F i neka su 𝑣1 , . . . , 𝑣𝑛 ∈ 𝑉 fiksirani vektori.
Tada lineal 𝐿({𝑣1 , . . . , 𝑣𝑛 }) odred-uje vektorski potprostor vektorskog prostora V.
Dokaz. . . .
Definicija 1.6.3. Neka je V vektorski prostor nad poljem skalara F. Za vektore 𝑣1 , . . . , 𝑣𝑛 ∈ 𝑉 kažemo da
su linearno zavisni ako postoje skalari 𝛼1 , . . . , 𝛼𝑛 takvi da je bar jedan različit od nule i pri tom važi:
𝛼1 ⋅ 𝑣1 + . . . + 𝛼𝑛 ⋅ 𝑣𝑛 = 0.
i odatle zaključujemo2 :
Teorema 1.6.2. Neka je V vektorski prostor nad poljem skalara F. Vektori 𝑣1 , . . . , 𝑣𝑛 ∈ 𝑉 su linearno
zavisni akko je bar jedan od njih linearna kombinacija preostalih vektora.
Primer 1.6.1. . . .
Primer 1.6.2. . . .
3
Definicija 1.7.2. Neka je V vektorski prostor nad poljem skalara F. Skup vektora 𝐵 = {𝑥1 , . . . , 𝑥𝑛 } ⊆ 𝑉
jeste bazni skup (baza) za vektorski prostor V ako važi:
1o. Skup {𝑥1 , . . . , 𝑥𝑛 } jeste generatortski, tj. 𝐿({𝑥1 , . . . , 𝑥𝑛 }) = 𝑉.
2o. Skup {𝑥1 , . . . , 𝑥𝑛 } jeste linearno nezavisan skup vektora u 𝑉 .
Primer 1.7.1. . . .
Primer 1.7.2. . . .
Definicija 1.7.3. Ako vektorski prostor ima bar jednu bazu koja sadrži konačno mnogo elemenata, tada se
prostor naziva konačno-dimenzionalni vektorski prostor.
Teorema 1.7.1. Ako je V konačno-dimenzionalni vektorski prostor nad poljem skalara F, tada sve baze
imaju isti broj elemenata.
Definicija 1.7.4. Ako vektorski prostor V, takav da 𝑉 ∕= {0}, nad poljem skalara F ima bazu sa 𝑛
elemenata, tada se prirodan broj 𝑛 naziva dimenzija konačno-dimenzionalnog vektorskog prostora. Koristimo
oznaku 𝑛 = dim(𝑉 ).
Napomena 1.7.1. U slučaju trivijalnog vektorskog prostora V, kada je 𝑉 = {0}, smatramo da je nulte
dimenzije, tj. dim(𝑉 ) = 0.
Primer 1.7.3. . . .
Napomena 1.7.2. Ako vektorski prostor nema konačnu bazu, tada za takve vektorske prostore pojam baze
takod-e može uvesti na odgovarajući način. Takvi prostori se nazivaju beskonačno-dimenzionalni vektorski
prostori.
Primer 1.7.4. . . .
Teorema 1.7.2. Neka je V konačno-dimenzionalni vektorski prostor nad poljem skalara F sa baznim skupom
𝐵 = {𝑥1 , . . . , 𝑥𝑛 }. Svaki vektor 𝑥 ∈ 𝑉 može se na tačno jedan način izraziti kao linearna kombinacija u odnosu
na poredak baznih vektora 𝑥1 , . . . , 𝑥𝑛 .
Dokaz. . . .
Napomena 1.7.3. Neka je V konačno-dimenzionalni vektorski prostor nad poljem skalara F sa baznim
skupom 𝐵 = {𝑥1 , . . . , 𝑥𝑛 }. Za vektor 𝑥 ∈ 𝑉 predstavljanje 𝑥 = 𝛼1 ⋅ 𝑥1 + . . . + 𝛼𝑛 ⋅ 𝑥𝑛 , u odnosu na poredak
baznih vektora 𝑥1 , . . . , 𝑥𝑛 , odred-uje koordinate 𝛼1 , . . . , 𝛼𝑛 vektora 𝑥 u bazi 𝐵.
Teorema 1.8.2. Svaki 𝑛-dimenzionalni vektorski prostor V nad poljem skalara F izomorfan je vektorskom
prostoru ured-enih 𝑛-torki F𝑛 .
4
2. UNITARNI PROSTORI I
ANALITIČKA GEOMETRIJA U 𝑹3
5
Definicija 2.2.1. Vektorski prostor V nad poljem skalara F naziva se normiran vektorski prostor ako za
normu ∥ . ∥ : 𝑉 −→ 𝑅 važe aksiome:
Primer 2.2.1. . . .
Primer 2.2.2. . . .
Definicija 2.3.1. Neka je V realni unitarni vektorski prostor, tada ugao ized-u dva ne-nula vektora 𝑥 i 𝑦
odred-ujemo kao realan broj 𝜑 = ∕ (𝑥, 𝑦) ∈ [0, 𝜋] takav da važi:
(𝑥, 𝑦)
cos 𝜑 = (𝑥, 𝑦 ∕= 0).
∥𝑥∥ ⋅ ∥𝑦∥
Definicija 2.3.2. Za ne-nula vektore 𝑥 i 𝑦 kažemo da su ortogonalni vektori u unitarnom prostoru V ako je
(𝑥, 𝑦) = 0, navedeno označavamo 𝑥 ⊥ 𝑦.
Napomena 2.3.1. Dodatno smatraćemo da je nula vektor ortogonalan na svaki vektor iz unitarnog pros-
tora V.
Definicija 2.3.3. Za dva vektora 𝑥 i 𝑦 kažemo da su paralelni (kolinearni) vektori u unitarnom prostoru V
ako su linearno zavisni, navedeno označavamo 𝑥 ∥ 𝑦.
Teorema 2.3.2. Neka su 𝑥 i 𝑦 med-usobno ortogonalni vektori unitarnog prostora V, tada važi:
∥𝑥∥2 + ∥𝑦∥2 = ∥𝑥 + 𝑦∥2 .
Dokaz. . . .
Definicija 2.3.4. Skup vektora {𝑥1 , . . . , 𝑥𝑛 } unitarnog prostora V je ortogonalan skup vektora ako za svaka
dva različita indeksa 𝑖, 𝑗 ∈ {1, 2, . . . , 𝑛} važi (𝑥𝑖 , 𝑥𝑗 ) = 0. Ukoliko, pored prethodnog, važi i ∥𝑥𝑖 ∥ = 1 za svaki
indeks 𝑖 ∈ {1, 2, . . . , 𝑛} 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 𝑹3
−→
Za realni vektorski prostor R3 ured-eni par (𝑃, 𝑄) odred-uje usmerenu duž 𝑃 𝑄 za 𝑃, 𝑄 ∈ 𝑅3 . U ovom delu
definišemo pojam vektora u 𝑅3 polazeći od skupa svih usmerenih duži nad kojima razmatramo jednakost
−→ −−→ −→ −−→
usmerenih duži na način koji sleduje. Usmerene duži 𝑃 𝑄 i 𝑋𝑌 su jednake, u oznaci 𝑃 𝑄 = 𝑋𝑌 , ako su
ispunjeni sledeći geometrijski uslovi: (𝑖) prave p(𝑃, 𝑄) i p(𝑋, 𝑌 ) su paralelne; (𝑖𝑖) poluprave p[𝑃, 𝑄) i p[𝑋, 𝑌 )
su isto usmerene i (𝑖𝑖𝑖) duži 𝑃 𝑄 i 𝑋𝑌 su podudarne. Relacija jednakosti usmerenih duži jeste jedna relacija
ekvivalencije skupa svih usmerenih duži. Vektor ⃗𝑎 u 𝑅3 definišemo kao klasu ekvivalencije:
𝑑𝑒𝑓 −
−→ −−→ −→
⃗𝑎 = {𝑋𝑌 ∣ 𝑋𝑌 = 𝑃 𝑄}𝑃−−→𝑄
−→
gde je 𝑃 𝑄 fiksiran predstavnik klase ekvivalencije. Nula vektor ⃗0 je klasa ekvivalencije za koju se prva i
druga koordinata usmerene duži podudaraju. Uobičajeno je da oznaku predstavnika klase poistovećujemo sa
oznakom klase.
−−→
Teorema 4.1.1. Za vektor ⃗𝑎 u 𝑅3 postoji tačno jedna tačka 𝐷 ∈ 𝑅3 takva da je ⃗𝑎 = 𝑂𝐷, gde je 𝑂 = 𝑂(0, 0, 0)
(koordinatni početak).
Napomena 4.1.1. Tačka 𝐷 = 𝐷(𝛼, 𝛽, 𝛾) ∈ 𝑅3 odred-uje koordinate vektora ⃗𝑎, što zapisujemo ⃗𝑎 = (𝛼, 𝛽, 𝛾).
𝒂) Ako je 𝛼 ∕= 0 i ⃗𝑎 ∕= ⃗0 tada (𝑖) pravac vektora 𝛼 ⋅⃗𝑎 je paralelan sa pravcem vektora ⃗𝑎; (𝑖𝑖) smer vektora 𝛼 ⋅⃗𝑎
je isti sa smerom vektora ⃗𝑎 ukoliko je 𝛼 > 0, inače je suprotnog smera ukoliko je 𝛼 < 0 i (𝑖𝑖𝑖) ∣𝛼 ⋅⃗𝑎∣ = ∣𝛼∣ ⋅ ∣⃗𝑎∣.
Teorema 2.4.2. Skup vektora V u odnosu na sabiranje vektora + : V 2 −→ V i množenje realnog skalara i
vektora ⋅ : 𝑅 × V −→ V odred-uje jedan realan vektorski prostor 𝕍 = (V, +, ⋅).
Teorema 2.5.1. Realni vektorski prostor 𝕍 vektora u R3 odred-uje unitaran prostor u odnosu na skalarni
proizvod (⃗𝑎, ⃗𝑏) = ⃗𝑎 ∘ ⃗𝑏 za ⃗𝑎, ⃗𝑏 ∈ V. Tada, norma indukovana skalarnim proizvodom je ∥⃗𝑎∥ = ∣⃗𝑎∣ za ⃗𝑎 ∈ V.
7
Na osnovu geometrije unitarnih prostora za dva ne-nula vektora ⃗𝑎, ⃗𝑏 ∈ V važi:
⃗𝑎 ∘ ⃗𝑏 = ∣⃗𝑎∣ ⋅ ∣⃗𝑏∣ ⋅ cos 𝜑,
gde je 𝜑 = ∕ (⃗𝑎, ⃗𝑏) ugao izmed-u dva posmatrana vektora. Odatle sleduje:
⃗𝑎 ∘ ⃗𝑏 = 0 ⇐⇒ ⃗𝑎 = ⃗0 ∨ ⃗𝑏 = ⃗0 ∨ ⃗𝑎 ⊥ ⃗𝑏 (⃗𝑎, ⃗𝑏 ∈ V).
Definicija 2.5.2. Neka je 𝕍 unitarni prostor vektora u 𝑅3 i neka je ⃗𝑎 ∈ V ∖{⃗0} fiksiran ne-nula vektor.
Algebarska vrednost ortogonalne projekcije vektora ⃗𝑣 ∈ V na vektor ⃗𝑎 jeste broj pr⃗𝑎 (⃗𝑣) = ∣⃗𝑣∣ ⋅ cos∕ (⃗𝑣, ⃗𝑎).
𝑑𝑒𝑓
⃗𝑎
Ortogonalna projekcija vektora ⃗𝑣 ∈ V na vektor ⃗𝑎 jeste vektor ⃗𝑣 ′ = pr⃗𝑎 (⃗𝑣) ⋅
𝑑𝑒𝑓
.
∣⃗𝑎∣
⎧
⎨ ∣⃗𝑣 ′ ∣ : ako su ⃗𝑣 ′ i ⃗𝑎 istog smera,
Napomena 2.5.1. Važi: pr⃗𝑎 (⃗𝑣) = ⎩
−∣⃗𝑣 ′ ∣ : inače.
Teorema 2.5.2. Za ne-nula vektore ⃗𝑎, ⃗𝑏 važi: ⃗𝑎 ∘ ⃗𝑏 = ∣⃗𝑎∣ ⋅ pr⃗𝑎 (⃗𝑏) = ∣⃗𝑏∣ ⋅ pr⃗𝑏 (⃗𝑎).
Dokaz. . . .
tj.
⃗𝑎 × ⃗𝑏 = (𝑦1 𝑧2 − 𝑦2 𝑧1 , 𝑥2 𝑧1 − 𝑥1 𝑧2 , 𝑥1 𝑦2 − 𝑥2 𝑦1 ).
4
druga mogućnost je da je fiksiran trijedar leve orjentacije
8
Teorema 2.6.1 Za dva ne-nula vektora ⃗𝑎 = (𝑥1 , 𝑦1 , 𝑧1 ), ⃗𝑏 = (𝑥2 , 𝑦2 , 𝑧2 ) ∈ V, koji nisu paralelnih pravaca,
vektorski proizvod ⃗𝑐 = ⃗𝑎 × ⃗𝑏 ima sledeće osobine:
10 . Pravac vektora ⃗𝑐 je normalan na ravan koju odred-uju vektori ⃗𝑎 i ⃗𝑏.
6
2 . Smer vektora ⃗𝑐 je odred-en tako da ured-ena trojka (⃗𝑎, ⃗𝑏, ⃗𝑐) bude desni trijedar.
0
Napomena 2.6.1. Smer vektora ⃗𝑐 je takav da rotacija vektora ⃗𝑎 ka vektoru ⃗𝑏, u smeru suprotnom od
kretanja kazaljke sata, ima najkraći put gledano sa završne tačke vektora ⃗𝑐.
Dokaz. . . .
Posledica 2.7.1. Važi:
[ ⃗𝑎, ⃗𝑏, ⃗𝑐 ] = −[ ⃗𝑎, ⃗𝑐, ⃗𝑏 ] = −[ ⃗𝑏, ⃗𝑎, ⃗𝑐 ] = −[ ⃗𝑐, ⃗𝑏, ⃗𝑎 ].
Teorema 2.7.2. Ako vektori ⃗𝑎 = (𝑥1 , 𝑦1 , 𝑧1 ), ⃗𝑏 = (𝑥2 , 𝑦2 , 𝑧2 ), ⃗𝑐 = (𝑥3 , 𝑦3 , 𝑧3 ) ∈ V nisu koplanarni u 𝑅3 , tada
apsolutna vrednost njihovog mešovitog proizvoda jednaka je zapremini V paralelopipeda konstruisanog nad
ta tri vektora dovedena na zajednički početak, tj. V = ∣ [ ⃗𝑎, ⃗𝑏, ⃗𝑐 ] ∣.
Dokaz. . . .
Napomena 2.7.1. Za vektore ⃗𝑎 = (𝑥1 , 𝑦1 , 𝑧1 ), ⃗𝑏 = (𝑥2 , 𝑦2 , 𝑧2 ), ⃗𝑐 = (𝑥3 , 𝑦3 , 𝑧3 ) ∈ V važi:
[ ⃗𝑎, ⃗𝑏, ⃗𝑐 ] = 0 ⇐⇒ ⃗𝑎, ⃗𝑏, ⃗𝑐 – koplanarni u 𝑅3 ⇐⇒ ⃗𝑎, ⃗𝑏, ⃗𝑐 – linearno zavisni u 𝑅3 ,
odnosno:
[ ⃗𝑎, ⃗𝑏, ⃗𝑐 ] ∕= 0 ⇐⇒ ⃗𝑎, ⃗𝑏, ⃗𝑐 – nekoplanarni u 𝑅3 ⇐⇒ ⃗𝑎, ⃗𝑏, ⃗𝑐 – linearno nezavisni u 𝑅3 .
9
2.8. Tačka, prava i ravan u 𝑹3
(𝒊𝒊) Prava u 𝑹3 . Za tačku 𝑀0 = 𝑀0 (𝑥0 , 𝑦0 , 𝑧0 ) ∈ 𝑅3 i ne-nula vektor ⃗p = (𝑎, 𝑏, 𝑐) ∈ V postoji tačno jedna
prava p u 𝑅3 koja sadrži tačku 𝑀0 i ima vektor pravca ⃗p. Neka je ⃗r = (𝑥, 𝑦, 𝑧) vektor položaja proizvoljne
−−→
tačke 𝑀 = 𝑀 (𝑥, 𝑦, 𝑧) ∈ p (⃗r = 𝑂𝑀 ), tada vektorski oblik jednačine prave p je dat sa:
Prethodna formula kojom se odred-uje skup tačaka 𝑀 u 𝑅3 , u zavisnosti od 𝑡 ∈ 𝑅, može se uzeti za definiciju
prave p. Na osnovu vektorskog oblika jednačine prave izvode se razni oblici jednačine prave koje navodimo.
𝑥 = 𝑥0 + 𝑡 ⋅ 𝑎, 𝑦 = 𝑦0 + 𝑡 ⋅ 𝑏, 𝑧 = 𝑧0 + 𝑡 ⋅ 𝑐 (𝑡 ∈ 𝑅).
Jednačina prave kroz dve tačke 𝑀1 = 𝑀1 (𝑥1 , 𝑦1 , 𝑧1 ), 𝑀2 = 𝑀2 (𝑥2 , 𝑦2 , 𝑧2 ) ∈ 𝑅3 je data u obliku kanonske
jednačine:
𝑥 − 𝑥1 𝑦 − 𝑦1 𝑧 − 𝑧1
= = =𝑡 (𝑡 ∈ 𝑅).
𝑥2 − 𝑥1 𝑦2 − 𝑦1 𝑧2 − 𝑧1
Prethodna formula kojom se odred-uje skup tačaka 𝑀 u 𝑅3 , u zavisnosti samo od 𝑡 ∈ [0, 1], može se uzeti za
definiciju duži 𝑀1 𝑀2 .
Formula za rastojanje proizvoljne tačke 𝑀 = 𝑀 (𝑥𝑀 , 𝑦𝑀 , 𝑧𝑀 ) ∈ 𝑅3 do prave p, koja je odred-ena5 sa tačkom
𝑀0 = 𝑀 (𝑥0 , 𝑦0 , 𝑧0 ) ∈ p i vektorom ⃗p = (𝑎, 𝑏, 𝑐) ∈ V, je data sa:
Formula za rastojanje izmed-u dve prave (p) ⃗r = ⃗r𝑀1 + 𝑡 ⋅ ⃗p (𝑡 ∈ 𝑅) i (q) ⃗r = ⃗r𝑀2 + 𝑠 ⋅ ⃗q (𝑠 ∈ 𝑅) je data sa:
5⃗
r = ⃗r𝑀0 + 𝑡 ⋅ ⃗p (𝑡 ∈ 𝑅)
10
(𝒊𝒊𝒊) Ravan u 𝑹3 . Za tačku 𝑀0 = 𝑀0 (𝑥0 , 𝑦0 , 𝑧0 ) ∈ 𝑅3 i ne-nula vektor ⃗n = (𝐴, 𝐵, 𝐶) ∈ V postoji tačno
jedna ravan 𝜋 u 𝑅3 koja sadrži tačku 𝑀0 i ima vektor normale ⃗n. Neka je ⃗r = (𝑥, 𝑦, 𝑧) vektor položaja
−−→
proizvoljne tačke 𝑀 = 𝑀 (𝑥, 𝑦, 𝑧) ∈ 𝜋 (⃗r = 𝑂𝑀 ), tada vektorski oblik jednačine ravni 𝜋 je dat sa:
Prethodna formula kojom se odred-uje skup tačaka 𝑀 u 𝑅3 može se uzeti za definiciju ravni 𝜋. Odatle se izvode
razni oblici jednačine ravni koje navodimo.
11
3. SISTEMI LINEARNIH JEDNAČINA
10 . Sistem( linearnih jednačina, nad poljem F,) za 𝑛-torku nepoznatih (𝑥1 , . . . , 𝑥𝑛 ) nad poljem i konstante
𝑎𝑖𝑗 , 𝑏𝑖 ∈ 𝐹 𝑖 ∈ {1, 2, . . . , 𝑚} i 𝑗 ∈ {1, 2, . . . , 𝑛} , jeste konjukcija jednačina:
⎧ ⎫
𝑎11 𝑥1 + 𝑎12 𝑥2 + . . . + 𝑎1𝑛 𝑥𝑛 = 𝑏1
⎨ 𝑎21 𝑥1 + 𝑎22 𝑥2 + . . . + 𝑎2𝑛 𝑥𝑛 = 𝑏2
⎬
(𝒮) ..
.
.
⎩
⎭
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + . . . + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
Ako je 𝑏1 = 𝑏2 = . . . = 𝑏𝑚 = 0, tada sistem linearnih jednačina (𝒮) se naziva homogeni sistem. U suprotom
ako postoji 𝑏𝑖 ∕= 0, sistem linearnih jednačina (𝒮) se naziva nehomogeni sistem. Skalare 𝑏1 , 𝑏2 , . . . , 𝑏𝑚 ∈ 𝐹
nazivamo slobodnim članovima sistema.
pri čemu je 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 – matrica koeficijenata, 𝑥 = [𝑥𝑖 ] – matrica kolona nepoznatih nad 𝐹 𝑛×1 i
𝑏 = [𝑏𝑖 ] ∈ 𝐹 𝑚×1 – matrica kolona slobodnih članova. Sistem lineanih jednačina (𝒮) naziva se saglasan sistem
(neprotivurečan, moguć) ako postoji matrica kolona 𝛼 = [𝛼𝑖 ] ∈ 𝐹 𝑛×1 takva da za 𝑥1 = 𝛼1 , . . . , 𝑥𝑛 = 𝛼𝑛
konjukcija jednačina iz (𝒮) jeste tačna. Matrica kolona 𝛼 se naziva rešenje sistema linearnih jednačina (𝒮).
U suprotnom ako za sistem (𝒮) ne postoji rešenje, tada sistem linearnih jednačina (𝒮) se naziva nesaglasan
sistem (protivurečan, nemoguć).
20 . U cilju diskusije saglasnosti – nesaglasnosti sistema linearnih jednačina (𝒮) razmatra se pojam ranga.
Definicija 3.1. Neka je data matrica 𝐴 formata 𝑚 × 𝑛 nad poljem F, tj. 𝐴 ∈ 𝐹 𝑚×𝑛 . Rang matrice 𝐴 jeste
broj 𝑟, u oznaci rang(𝐴) = 𝑟, takav da u matrici 𝐴 postoji kvadratna regularna submatrica 𝑀 reda 𝑟 tako
da su sve kvadratne submatrice većeg reda od 𝑟 singularne. Matricu 𝑀 nazivamo glavnom submatricom.
Napomena 3.1. Ako matrica 𝐴 = [ 0 ] ∈ 𝐹 𝑚×𝑛 jeste nula matrica (𝐴 = 0), tada 𝑟 = 0. U suprotnom, ako
matrica 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑚×𝑛 nije nula matrica, tada 1 ≤ 𝑟 ≤ min{𝑚, 𝑛}. Sveukupno za matricu 𝐴 ∈ 𝐹 𝑚×𝑛 važi:
0 ≤ rang(𝐴) ≤ min{𝑚, 𝑛}.
Primer 3.1. . . .
12
Definicija 3.2. Za matricu 𝐴 ∈ 𝐹 𝑚×𝑛 elementarne transformacije matrice 𝐴 su sledeće transformacije:
(𝒊𝒊𝒊) Dodavanje elemenata jedne vrste (kolone), prethodno pomnoženih nekim skalarom 𝛼 odgovarajućim
elementima druge vrste (ili kolone).
Teorema 3.2. Neka je data matrica 𝐴 ∈ 𝐹 𝑚×𝑛 i neka je matrica 𝐴′ ∈ 𝐹 𝑚×𝑛 nastala zamenom 𝑖-te i 𝑗-te
vrste (kolone). Tada važi:
rang(𝐴′ ) = rang(𝐴).
Teorema 3.3. Neka je data matrica 𝐴 ∈ 𝐹 𝑚×𝑛 i neka je 𝛼 ∈ 𝐹 ∖{0} proizvoljan ne-nula skalar. Tada:
rang(𝛼𝐴) = rang(𝐴).
Teorema 3.4. Neka je data matrica 𝐴 ∈ 𝐹 𝑚×𝑛 i neka su izdvojeni vektori vrste 𝑣𝑖 = [ 𝑎𝑖1 . . . 𝑎𝑖𝑛 ] ∈ 𝐹 1×𝑛
(𝑖 = 1, . . . , 𝑚). Ako je rang(𝐴) = 𝑟, tada med-u vektor vrstama 𝑣𝑖 postoji tačno 𝑟 linearno nezavisnih vektora
tako da preostlih 𝑚 − 𝑟 vektora su linearne kombinacije ovih 𝑟 vektora.
Posledica 3.1. Važi rang(𝐴) = dim(𝑉𝑣 ), gde 𝑉𝑣 = 𝐿({𝑣1 , . . . , 𝑣𝑚 }) odred-uje vektorski prostor vrsta V𝒗 .
Teorema 3.4’. Neka je data matrica 𝐴 ∈ 𝐹 𝑚×𝑛 i neka su izdvojeni vektori kolone 𝑤𝑗 = [ 𝑎1𝑗 . . . 𝑎𝑚𝑗 ]T ∈ 𝐹 𝑚×1
(𝑗 = 1, . . . , 𝑛). Ako je rang(𝐴) = 𝑟, tada med-u vektor kolonama 𝑤𝑗 postoji tačno 𝑟 linearno nezavisnih vektora
tako da preostlih 𝑛 − 𝑟 vektora su linearne kombinacije ovih 𝑟 vektora.
Posledica 3.1’. Važi rang(𝐴) = dim(𝑉𝑘 ), gde 𝑉𝑘 = 𝐿({𝑤1 , . . . , 𝑤𝑛 }) odred-uje vektorski prostor kolona V𝒌 .
Teorema 3.5. Neka je data matrica 𝐴 ∈ 𝐹 𝑚×𝑛 i neka je matrica 𝐵 ∈ 𝐹 𝑚×𝑛 dobijena od matrice 𝐴 tako što
su elementima jedne vrste (kolone) matrice 𝐴 dodati elementi neke druge vrste (kolone) pomnoženi skalarom
𝛼 ∈ 𝐹 . Tada važi:
rang(𝐵) = rang(𝐴).
30 . Neka je dat sistem linearnih jednačina (𝒮). Elementarne transformacije sistema (𝒮) su odred-ene kao
sledeće transformacije:
(𝒊𝒊𝒊) Dodavanje jedne jednačine, prethodno pomnožene nekim skalarom 𝛼 odgovarajućoj drugoj jednačini.
Napomena 3.2. Za elementarnu transformaciju sistema linearnih jednačina (𝒮) možemo uzeti i zamenu dva
sabiraka u jednoj jednačini samo ako se odgovarajuće zamene izvrše u svim jednačinama sistema tako da se
iste nepoznate pišu jedne ispod drugih. Ovom transformacijom se vrši zamena redosleda u nizu nepoznatih!
13
Za sistem linearnih jednačina (𝒮) 𝐴𝑥 = 𝑏 matrice:
⎡ ⎤ ⎡ ⎤
𝑎11 𝑎12 . . . 𝑎1𝑛 𝑎11 𝑎12 . . . 𝑎1𝑛 𝑏1
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢ 𝑎21 𝑎22 ... 𝑎2𝑛 ⎥ ⎢ 𝑎21 𝑎22 . . . 𝑎2𝑛 𝑏2 ⎥
⎢ ⎥ ⎢ ⎥
𝐴=⎢ ⎥ ∈ 𝐹 𝑚×𝑛 i 𝐵=⎢ ⎥ ∈ 𝐹 𝑚×(𝑛+1)
⎢ . .. .. ⎥ ⎢ . .. .. .. ⎥
⎢ .. . ⋅⋅⋅ . ⎥ ⎢ .. . ⋅⋅⋅ . . ⎥
⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⎣ ⎦
𝑎𝑚1 𝑎𝑚2 . . . 𝑎𝑚𝑛 𝑎𝑚1 𝑎𝑚2 . . . 𝑎𝑚𝑛 𝑏𝑚
nazivaju se matrica sistema i proširena matrica sistema respektivno. Tada važi sledeće tvrd-enje:
Teorema 8. (Kronecker – Capelli) Sistem linearnih jednačina (𝒮) 𝐴𝑥 = 𝑏 jeste saglasan akko važi:
rang(𝐴) = rang(𝐵).
Dokaz. . . .
40 . Za matricu koeficjenata 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 i matricu kolonu nepoznatih 𝑥 = [𝑥𝑖 ] nad 𝐹 𝑛×1 neka je dat
homogeni sistem:
⎡ ⎤⎡ ⎤ ⎡ ⎤
𝑎11 𝑎12 . . . 𝑎1𝑛 𝑥1 0
⎢ ⎥⎢ ⎢ ⎥ ⎥
⎢ ⎥⎢ ⎥
⎢ ⎥
⎢ 𝑎21 𝑎22 . . . 𝑎2𝑛 ⎥ ⎢ 𝑥2 ⎥
⎢ 0 ⎥
⎢ ⎥⎢ ⎥
⎢ ⎥
(𝒮 0 ) 𝐴𝑥 = 0 ⇐⇒ ⎢ ⎥⎢ ⎥ = ⎢ ⎥.
⎢ . .. .. ⎥ ⎢ ⎥
.. ⎥ ⎢ .. ⎥
⎢ .. . ⋅⋅⋅ . ⎥ ⎢ . ⎥ ⎢ ⎥
. ⎥
⎢ ⎥⎢ ⎢
⎣ ⎦⎣ ⎦ ⎣ ⎦
𝑎𝑚1 𝑎𝑚2 . . . 𝑎𝑚𝑛 𝑥𝑛 0
Saglasno Kronecker – Capellijevoj teoremi linearan sistem (𝒮 0 ) je uvek saglasn i ima rešenje. Jedno
takvo rešenje je matrica kolona 0 = [ 0, . . . , 0 ]T ∈ 𝐹 𝑛×1 koju nazivamo trivijalno rešenje. Sa sledećom
teoremom odred-ujemo kada homogeni sistem ima i druga, takozvana netrivijalna rešenja.
Teorema 3.9. Homogeni sistem (𝒮 0 ) od 𝑚–linearnih jednačina sa 𝑛–nepoznatih ima jedinstveno trivijalno
rešenje akko je rang(𝐴) = 𝑛 (tada je 𝑚 ≥ 𝑛). Inače, homogeni sistem (𝒮 0 ) ima i netrivijalna rešenja akko je
rang(𝐴) = 𝑟 < 𝑛, pri čemu je moguće 𝑛 − 𝑟 nepoznatih izabrati proizvoljno.
Posledica 3.2. (𝒊) Svaki homogeni sistem kod koga je 𝑚 < 𝑛 ima i netrivijalna rešenja.
(𝒊𝒊) Svaki homogeni sistem kod koga je6 𝑚 = 𝑛 ima netrivijalna rešenja akko je ∣𝐴∣ = 0 (tada je rang(𝐴) < 𝑛).
(𝒊𝒊𝒊) Svaki homogeni sistem kod koga je 𝑚 > 𝑛 ekvivalentan je, primenom Gaussovog algoritma, sa ho-
mogenim sistemom sa tačno 𝑟 ≤ 𝑛 jednačina (𝑟 = rang(𝐴)). Dakle, ovaj slučaj se svodi na jedan od prethodna
dva slučaja.
Teorema 3.10. Skup svih rešenja homogenog sistema (𝒮 0 ) ima strukturu vektorskog prostora.
14
dovesti do ekvivaletnog trougaonog sistema:
⎧ ⎫
𝑝11 𝑦1 + 𝑝12 𝑦2 + . . . + 𝑝1𝑟 𝑦𝑟 = 𝑞1 − 𝑝1(𝑟+1) 𝑦𝑟+1 − . . . − 𝑝1𝑛 𝑦𝑛
𝑝22 𝑦2 + . . . + 𝑝2𝑟 𝑦𝑟 = 𝑞2 − 𝑝2(𝑟+1) 𝑦𝑟+1 − . . . − 𝑝2𝑛 𝑦𝑛
⎨ ⎬
(𝒮 𝑇 ) ..
.
𝑝𝑟𝑟 𝑦𝑟 = 𝑞𝑟 − 𝑝𝑟(𝑟+1) 𝑦𝑟+1 − . . . − 𝑝𝑟𝑛 𝑦𝑛
⎩
⎭
0 = 𝜇
Napomena 3.3. Sistem (𝒮) je saglasan akko je 𝜇 = 0. Ako je sistem (𝒮) homogen tada je 𝑞1 = . . . = 𝑞𝑟 = 𝜇 = 0.
15
4. KARAKTERISTIČNI KORENI I VEKTORI
10 . Neka je data kvadratna matrica 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 . Glavni predmet proučavanja ovog dela su skalari
𝜆 ∈ 𝐹 i ne-nula matrice kolone 𝑥 = [ 𝑥1 . . . 𝑥𝑛 ]𝑇 ∈ 𝐹 𝑛×1 koji ispunjavaju uslov 𝐴𝑥 = 𝜆𝑥, tj. za koje važi:
⎧ ⎫
(𝑎11 − 𝜆)𝑥1 + 𝑎12 𝑥2 + ... + 𝑎1𝑛 𝑥𝑛 = 0
⎨ 𝑎21 𝑥1 + (𝑎22 − 𝜆)𝑥2 + . . . + 𝑎2𝑛 𝑥𝑛 = 0
⎬
(𝒦) (𝐴 − 𝜆𝐼)𝑥 = 0 ⇐⇒ .. .. .. ..
.
. . . .
⎩
⎭
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + . . . + (𝑎𝑛𝑛 − 𝜆)𝑥𝑛 = 0
Definicija 4.1. Za kvadratnu matricu 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 homogeni sistem (𝒦) se naziva karakterističan
(sopstveni) sistem matrice 𝐴. Skalar 𝜆 ∈ 𝐹 se naziva karakteristična (sopstvena) vrednost matrice 𝐴 ako
za taj skalar karakterističan sistem ima netrivijalno rešenje 𝑥 = [ 𝑥1 . . . 𝑥𝑛 ]𝑇 ∈ 𝐹 𝑛×1 − karakteristični
(sopstveni) vektor matrice 𝐴 koji odgovara karakterističnoj vrednosti 𝜆.
Primetimo da potreban i dovoljan uslov da karakterističan sistem (𝒦) ima netrivijalno rešenje je dat sa:
∣𝐴 − 𝜆𝐼∣ = 0.
Napomena 4.1. Za matricu 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 pojmovi karakteristične vrednosti i karakterističnog korena
se podudaraju. Zaista, na osnovu Posledice 3.2. (Teoreme 3.9.) skup skalara 𝜆 ∈ 𝐹 za koje razmatramo
karakterističan sistem (𝒦) matrice 𝐴, tako da ima netrivijalna rešenja 𝑥 u 𝐹 𝑛×1 , je konačan i odred-en je
spektrom matrice 𝐴. Napomenimo da za svaki skalar 𝜆 ∈ 𝐹 izvan spektra matrice, homogeni sistem (𝒦) ima
samo trivijalno rešenje 𝑥 = 0 u 𝐹 𝑛×1 .
Definicija 4.3. Za kvadratnu matricu 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 karakteristični (sopstveni) potprostor matrice 𝐴,
koji odgovara karakterističnoj vrednosti 𝜆, jeste skup svih vektora 𝑥 u 𝐹 𝑛×1 koji su rešenje karakterističnog
sistema uključujući i nula vektor 𝑥 = 0 u 𝐹 𝑛×1 .
16
Proveriti rezultate koji su dobijeni pomoću 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,𝜆); # karakteristični polinom
−𝜆3 + 12𝜆2 − 39𝜆 + 28
> e:=eigenvalues(A); # karakteristične vrednosti
e := 1, 4, 7
> v:=eigenvectors(A); # karakteristični vektori
Za karakteristične vrednosti 𝜆𝑖 odgovarajući karakteristični potprostori 𝑉𝑖 i karakteristični vektori ⃗𝑣𝑖 su dati redom
sa: {[ ] } [ ]
−2 −2𝑡
𝜆1 = 1 : 𝑉1 = 2 ⋅𝑡∣𝑡∈𝑅 i ⃗𝑣1 = 2𝑡 (𝑡 ∈ 𝑅∖{0}),
1 𝑡
{[ ] } [ ]
2 2𝑡
𝜆2 = 4 : 𝑉2 = 1 ⋅𝑡∣𝑡∈𝑅 i ⃗𝑣2 = 𝑡 (𝑡 ∈ 𝑅∖{0}),
2 2𝑡
{[ ] } [ ]
1 𝑡
𝜆3 = 7 : 𝑉3 = 2 ⋅𝑡∣𝑡∈𝑅 i ⃗𝑣3 = 2𝑡 (𝑡 ∈ 𝑅∖{0}).
−2 −2𝑡
(𝒊𝒊)
⎡ ⎤
3 1 1
⎢ ⎥
⎢ ⎥
𝐵=⎢ 1 3 1 ⎥
⎣ ⎦
0 0 2
17
> v1:=v[1]; # za dvostruki koren 𝜆1,2 = 2 karkterističan potprostor je generisan sa [−1, 1, 0]T i [−1, 0, 1]T
Za karakteristične vrednosti 𝜆𝑖 odgovarajući karakteristični potprostori 𝑉𝑖 i karakteristični vektori ⃗𝑣𝑖 su dati redom
sa:
{[ ] [ ] } [ ]
−1 −1 −𝑝 − 𝑞
𝜆1,2 = 2 : 𝑉1,2 = 1 ⋅𝑝+ 0 ⋅𝑞 ∣ 𝑝, 𝑞 ∈ 𝑅 i ⃗𝑣1,2 = 𝑝 (𝑝, 𝑞 ∈ 𝑅 ∧ ¬(𝑝 = 𝑞 = 0)),
0 1 𝑞
{[ ] } [ ]
1 𝑡
𝜆3 = 4 : 𝑉3 = 1 ⋅𝑡∣𝑡∈𝑅 i ⃗𝑣3 = 𝑡 (𝑡 ∈ 𝑅∖{0}).
0 0
Primetimo da je dimenzija dim(𝑉1,2 ) = 2, u ovom primeru, jednaka redu 𝑟 = 2 višestrukosti karakterističnog korena 𝜆1,2 .
(𝒊𝒊𝒊)
⎡ ⎤
2 −10 6
⎢ ⎥
⎢ ⎥
𝐶 = ⎢ 1 −15 −1 ⎥
⎣ ⎦
16 −15 3
> v1:=v[1]; # za dvostruki koren 𝜆1,2 = −10 karkterističan potprostor je generisan sa [1, 3/2, 1/2]T
Za karakteristične vrednosti 𝜆𝑖 odgovarajući karakteristični potprostori 𝑉𝑖 i karakteristični vektori ⃗𝑣𝑖 su dati redom
sa: {[ ] } [ ]
1 𝑡
𝜆1,2 = −10 : 𝑉1,2 = 3/2 ⋅𝑡∣𝑡∈𝑅 i ⃗𝑣1,2 = 3/2⋅𝑡 (𝑡 ∈ 𝑅∖{0}),
1/2 1/2⋅𝑡
{[ ] } [ ]
4 4𝑡
𝜆3 = 10 : 𝑉3 = 1 ⋅𝑡∣𝑡∈𝑅 i ⃗𝑣3 = 𝑡 (𝑡 ∈ 𝑅∖{0}).
7 7𝑡
18
20 . Neka je data kvadratna matrica 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 i skalari 𝛼0 , 𝛼1 , . . . , 𝛼𝑛 ∈ 𝐹 (𝛼𝑛 ∕= 0). Tada izraz:
Teorema 4.1. (Cayley–Hamilton) Neka je za kvadratnu matricu 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 odred-en karakteristični
polinom:
𝑛
∑
𝑃𝑛 (𝜆) = ∣𝐴 − 𝜆𝐼∣ = 𝛼𝑘 𝜆𝑘 ,
𝑘=0
za koeficijente 𝛼0 , 𝛼1 , . . . , 𝛼𝑛−1 , 𝛼𝑛 ∈ 𝐹 (𝛼𝑛 ∕= 0), tada važi:
𝑛
∑
𝑃𝑛 (𝐴) = 𝛼𝑘 𝐴𝑘 = 0.
𝑘=0
Napomena 4.1. Neka je za kvadratnu matricu 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 odred-en karakteristični polinom:
𝑛
∑
𝑃𝑛 (𝜆) = ∣𝐴 − 𝜆𝐼∣ = 𝛼𝑘 𝜆𝑘 ,
𝑘=0
tada važi:
𝛼𝑛 = (−1)𝑛 , 𝛼𝑛−1 = (−1)𝑛−1 Tr(𝐴) i 𝛼0 = ∣𝐴∣
𝑛
∑
𝑑𝑒𝑓
gde je Tr(𝐴) = 𝑎𝑖𝑖 − trag matrice 𝐴.
𝑖=1
Definicija 4.4. Kvadratne matrice 𝐴, 𝐵 ∈ 𝐹 𝑛×𝑛 su slične matrice, što označavamo 𝐴 ∼ 𝐵, ako postoji regularna
matrica 𝐶 ∈ 𝐹 𝑛×𝑛 takva da važi 𝐵 = 𝐶 −1 𝐴 𝐶.
Teorema 4.2. Sličnost matrica jeste relacija ekvivalencije skupa matrica 𝐹 𝑛×𝑛 .
Dokaz. . . .
Dokaz. . . .
Definicija 4.5. Neka je data kvadratna matrica 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 , tada polinom 𝑚(𝜆) takav da ispunjava uslove:
(𝑖) 𝑚(𝐴) = 0,
(𝑖𝑖𝑖) 𝑚(𝜆) je polinom najmanjeg stepena za koje važe prethodni uslovi (𝑖) i (𝑖𝑖);
Teorema 4.4. Svaka kvadratna matrica 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 ima jedinstven minimalan polinom 𝑚(𝜆) i on je delilac
karakterističnog polinoma 𝑃𝑛 (𝜆) = ∣𝐴 − 𝜆𝐼∣.
Dokaz. . . .
Teorema 4.5. Neka je data kvadratna matrica 𝐴 = [𝑎𝑖𝑗 ] ∈ 𝐹 𝑛×𝑛 . Svaka nula karakterističnog polinoma 𝑃𝑛 (𝜆) je i
nula minimalnog polinoma 𝑚(𝜆).
Napomena 4.2. Nule minimalnog i karakterističnog polinoma se podudaraju i mogu se razlikovati samo svojim
redom!
19
Algoritam za odred-ivanje minimalnog polinoma matrice 𝑨 = [𝒂𝒊𝒋 ] ∈ 𝑭 𝒏×𝒏 :
3o . Formirajmo sve moguće delitelje karakteristčnog polinoma tako da sadrže sve korene karakterističnog
polinoma i da su jediničnog vodećeg koeficijenta.
4o . Med-u prethodno odred-enim deliteljima izdvajamo one polinome koji se anuliraju u matrici 𝐴.
5o . Minimalni polinom je polinom najnižeg stepena med-u polinomima odred-enim u prethodnom koraku.
4o . Za oba polinoma 𝑔(𝜆) = 𝜆2 − 3𝜆 i 𝑓 (𝜆) = 𝜆3 − 3𝜆2 važi 𝑔(𝐴) = 𝐴2 − 3𝐴 = 0 (proveriti) i 𝑓 (𝐴) = 𝐴3 − 3𝐴2 = 0.
Literatura:
D. Cvetković, I. Lacković, M. Merkle, Z. Radosavljević, S. Simić, P. Vasić: ”Matematika I – Algebra”
20