Univerza v Mariboru

Fakulteta za naravoslovje in matematiko

Dominik Benkoviµc

VEKTORJI IN MATRIKE

Maribor, 2014
 CIP - Kataloµzni zapis o publikaciji
Univerzitetna knjiµznica Maribor

51(075.8)

BENKOVIC, µ Dominik
Vektorji in matrike / Dominik Benkoviµc. -
Maribor: Fakulteta za naravoslovje in matematiko, 2014

ISBN 978-961-6657-51-8

COBISS.SI-ID 80225281

Naslov: Vektorji in matrike

Avtor: prof. dr. Dominik Benkoviµc
Strokovna recenzenta: prof. dr. Dušan Pagon in prof. dr. Tatjana Petek
Lektorirala: Majda Marija Lesjak, prof.
Vrsta publikacije: skripta pri predmetu Vektorji in matrike
Tipologija COBISS: 2.05 drugo uµcno gradivo
Math. Subj. Class. (2010): 15A03, 15A06, 15A15
Kljuµcne besede: linearna algebra, geometrijski vektor, vektorski prostor, matrika,
sistem linearnih enaµcb, determinanta, rang
Izdala in zaloµzila: Fakulteta za naravoslovje in matematiko, Univerza v Mariboru
Leto: 2014
Število izvodov: 50
Cena posameznega izvoda: 10 A
C
c Univerza v Mariboru, Fakulteta za naravoslovje in matematiko, 2014.
Vse pravice pridrµzane.
Kazalo

Kazalo slik 5

Predgovor 7

1 Geometrijski vektorji 8
1.1 De…nicija in osnovne raµcunske operacije . . . . . . . . . . . . . . . . . 8
1.2 Linearna kombinacija, neodvisnost in baza . . . . . . . . . . . . . . . 17
1.3 Skalarni produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4 Vektorski produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.5 Mešani produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.6 Enaµcbe premic in ravnin v R3 . . . . . . . . . . . . . . . . . . . . . . 40

2 Vektorji v Rn 52
2.1 Vektorski podprostor . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2 Linearna neodvisnost in baza . . . . . . . . . . . . . . . . . . . . . . 56

3 Matrike 62
3.1 Raµcunske operacije na matrikah . . . . . . . . . . . . . . . . . . . . . 62
3.2 Algebra kvadratnih matrik . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3 Dva primera uporabe matrik . . . . . . . . . . . . . . . . . . . . . . . 76
3.4 Obrnljivost matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

4 Sistemi linearnih enaµcb 86

4.1 De…nicija in uvodni primeri . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Elementarne matrike . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3 Rang matrike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.4 Gauss-Jordanova eliminacija . . . . . . . . . . . . . . . . . . . . . . . 98
4.5 Struktura mnoµzice rešitev sistema linearnih enaµcb . . . . . . . . . . . 100

3
 4.6 Obstoj in izraµcun inverzne matrike . . . . . . . . . . . . . . . . . . . 103

5 Determinanta 107
5.1 Uvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.2 Permutacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.3 De…nicija in osnovne lastnosti determinante . . . . . . . . . . . . . . 114
5.4 Raµcunanje determinante . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.5 Determinanta produkta . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.6 Cramerjevo pravilo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.7 Inverzna matrika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

Literatura 134

4
Kazalo slik

1.1 Realna os . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Ravnina R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3
1.3 Prostor R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Usmerjena daljica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 Seštevanje toµck . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Mnoµzenje toµcke s skalarjem . . . . . . . . . . . . . . . . . . . . . . . 12
1.7 Ekvivalentnost usmerjenih daljic . . . . . . . . . . . . . . . . . . . . . 13
1.8 Geometrijska vektorja ~a in ~b . . . . . . . . . . . . . . . . . . . . . . . 14
1.9 Krajevni vektorji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.10 Seštevanje geometrijskih vektorjev . . . . . . . . . . . . . . . . . . . . 15
1.11 Dolµzina in smer vektorja ~a . . . . . . . . . . . . . . . . . . . . . . . . 16
1.12 Bazni vektorji ~i; ~j; ~k . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.13 Ravnina, doloµcena z O in ~a1 ; ~a2 . . . . . . . . . . . . . . . . . . . . . 20
1.14 Premici p in A + p . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.15 Ravnina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.16 Baza f~a; ~b; ~cg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.17 Teµzišµce trikotnika ABC . . . . . . . . . . . . . . . . . . . . . . . . 23
1.18 Norma vektorja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.19 Trikotniška neenakost . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.20 Trikotnik, doloµcen z ~a in ~b . . . . . . . . . . . . . . . . . . . . . . . . 27
1.21 Projekciji x in y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.22 Kocka . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.23 Pravokotna projekcija ~b na ~a . . . . . . . . . . . . . . . . . . . . . . . 30
1.24 Vektorski produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.25 Trikotnik ABC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.26 Paralelepiped, doloµcen z ~a; ~b; ~c . . . . . . . . . . . . . . . . . . . . . . 38
1.27 Piramida ABCD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

5
1.28 Premica p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.29 Premica, doloµcena z A in B . . . . . . . . . . . . . . . . . . . . . . . 42
1.30 Premici p in q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.31 Ravnina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.32 Normalni vektor ravnine . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.33 Ravnina, doloµcena z A; B; C . . . . . . . . . . . . . . . . . . . . . . . 45
1.34 Presek ravnin in . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.35 Ravnina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.36 Premica p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.37 Sfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.38 Oddaljenost toµcke od premice . . . . . . . . . . . . . . . . . . . . . . 49
1.39 Oddaljenost toµcke od ravnine . . . . . . . . . . . . . . . . . . . . . . 50
1.40 Oddaljenost premic p in q . . . . . . . . . . . . . . . . . . . . . . . . 51

3.1 Zasuk ravnine R' . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

3.2 Zasuk toµcke T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.3 Zasuk za kot =2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4 Delovanje preslikave A . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.5 Povezave med stanji T; A; I . . . . . . . . . . . . . . . . . . . . . . . 80

6
Predgovor

Priµcujoµce delo je zastavljeno kot skripta pri predmetu Vektorji in matrike na prvi
bolonjski stopnji študijskega programa Matematika na Fakulteti za naravoslovje
in matematiko in je nastalo na podlagi priprav na predavanja. Linearna algebra
je po bolonjski prenovi na študiju matematike razdeljena med predmeta Vektorji in
matrike in Linearna algebra. Prvi predmet pokrije osnove linearne algebre, vektorski
in matriµcni raµcun, in je pomemben temelj za nadaljnje delo pri drugem predmetu.
Samo delo tako sestavlja pet poglavij: geometrijski vektorji, vektorji v Rn , matrike,
sistemi linearnih enaµcb in determinanta.
Tematika linearne algebre je obravnavana v veliko knjigah in uµcbenikih. Po-
samezni avtorji imajo razliµcne pristope k obravnavani tematiki, razliµcen vrstni red
podajanja snovi in razliµcen nivo zahtevnosti. V nobenem delu pristop in vrstni red
obravnave ne sovpada z uporabljenim pri predmetu Vektorji in matrike. Zato sem
pri pripravi dela imel primarni cilj študentom zagotoviti vir, ki sledi podajanju snovi
na predavanjih. Po drugi strani na ustnih zagovorih teorije premnogokrat opaµzam
pomanjkljivo znanje in nerazumevanje osnovnih pojmov. Zato upam, da bo knjiµzica
študentom omogoµcala kvaliteten samostojen študij. Za utrditev teorije je nujno
potrebno predelati kakšno kvalitetno zbirko nalog, priporoµcam gradiva [1, 2, 3].
Pri podajanju snovi se v µcim veµcjem moµznem obsegu drµzim matematiµcne ko-
rektnosti. Zato je glavnina vseh rezultatov tudi dokazanih. Nekateri rezultati so
podani kot dejstva, brez dokazov, ker bodisi tematika presega nivo zahtevnosti bod-
isi bodo obravnavani pri predmetu Linearna algebra bodisi so njihovi dokazi tehniµcno
zapleteni in zamudni. Pozoren bralec bo v delu zagotovo našel kakšno nedoslednost,
ki izhaja iz dejstva, da je gradivo namenjeno študentom na zaµcetku študija, kjer je
smiselno kakšno strogo formalnost tudi izpustiti.
Delo ne vsebuje originalnih prispevkov ali pristopov k podroµcju linearne algebre.
Lasten je v doloµceni meri le izbor in sama predstavitev obravnavane snovi. Pri
pripravi gradiva sem se zgledoval predvsem po uµcbenikih [4, 5, 6, 7] in zbirkah
nalog [1, 2, 3]. Prav tako sem uporabljal zapiske predavanj profesorjev dr. Sandija
Klavµzarja in dr. Dušana Pagona, ki sta pred mano predavala predmet Linearna
algebra, in pri katerih sem vrsto let kot asistent vodil vaje.
Na koncu bi se iskreno zahvalil recenzentoma prof. dr. Dušanu Pagonu in prof.
dr. Tatjani Petek za natanµcen pregled dela in popravke. Zahvala gre tudi Majdi
Mariji Lesjak za lektoriranje besedila in sodelavcema dr. Bojanu Hvali in dr. Samu
Repolusku za nasvete pri uporabi programa GeoGebra.

7
Poglavje 1

Geometrijski vektorji

Poglavje obravnava geometrijske vektorje v prostoru R3 . Geometrijski vektor pred-

stavimo z usmerjeno daljico, ki v prostor ni togo umešµcena, ampak se lahko vz-
poredno premika. V prvem podpoglavju najprej na mnoµzici R3 de…niramo sešte-
vanje toµck in mnoµzenje toµck z realnimi števili. Tako pridemo do pojma vektorskega
prostora in vektorjev. Vektorje identi…ciramo z usmerjenimi daljicami, katerih za-
µcetna toµcka je vezana na izhodišµce koordinatnega sistema v R3 . Z uporabo ekvi-
valenµcne relacije na usmerjenih daljicah nazadnje vpeljemo še geometrijske vektorje.
V drugem podpoglavju spoznamo osnovne pojme iz teorije vektorskih prostorov,
kot so linearna kombinacija, linearna neodvisnost, baza prostora, in si ogledamo
uporabo linearne kombinacije v geometriji. V nadaljnjih podpoglavjih obravnavamo
lastnosti skalarnega, vektorskega in mešanega produkta vektorjev. Vsi omenjeni pro-
dukti imajo nazoren geometrijski pomen in so uporabni v analitiµcni geometriji in
…ziki. Nazadnje spoznamo še osnove analitiµcne geometrije v R3 , kjer je poudarek na
enaµcbah premic in ravnin v prostoru. Prav tako nas bo zanimal medsebojni odnos
objektov v prostoru: toµcka, premica, ravnina in njihove medsebojne oddaljenosti.

1.1 De…nicija in osnovne raµcunske operacije

Z R oznaµcimo mnoµzico realnih števil. Realna števila predstavimo s toµckami na
premici, ki se imenuje realna os. Pri tem doloµcimo izhodišµce in enotsko dolµzino, glej
sliko 1.1.

Slika 1.1: Realna os

Vsaka toµcka A na realni osi je potem natanko doloµcena s koordinato x 2 R, kar

oznaµcimo z A (x). Naj bo R2 = R R = f(x; y)jx; y 2 Rg mnoµzica vseh urejenih

8
parov realnih števil. Mnoµzico R2 predstavimo s toµckami v ravnini.

Slika 1.2: Ravnina R2

V karteziµcnem koordinatnem sistemu, ki ga tvorita dve med seboj pravokotni re-

alni osi (abscisna os x in ordinatna os y), je vsaka toµcka A na ravnini natanko
doloµcena s koordinatama x; y 2 R, kar oznaµcimo z A (x; y). Nadalje, naj bo R3 =
f(x; y; z)jx; y; z 2 Rg mnoµzica vseh urejenih trojic realnih števil. Geometrijsko mno-
µzico R3 predstavimo s toµckami v prostoru.

Slika 1.3: Prostor R3

Karteziµcni koordinatni sistem v prostoru doloµcajo tri medsebojno pravokotne realne

osi; zraven osi x in y imamo še aplikatno os z. Toµcka A (x; y; z) v prostoru je torej
doloµcena s tremi koordinatami x; y; z 2 R.
Izhodišµce koordinatnega sistema v prostoru oznaµcimo z O (0; 0; 0). Dogovorimo
se, da bomo v nadaljevanju toµcke in njihove koordinate v prostoru oznaµcevali na
naµcin: A (a1 ; a2 ; a3 ), B (b1 ; b2 ; b3 ), C (c1 ; c2 ; c3 ). V doloµcenih primerih tudi krajše
(a1 ; a2 ; a3 ), (b1 ; b2 ; b3 ), (c1 ; c2 ; c3 ). Mnoµzico R3 opremimo z osnovnima raµcunskima
operacijama, ki se imenujeta seštevanje toµck in mnoµzenje toµck z realnimi števili.
Dani operaciji sta de…nirani na naslednji naµcin:

9
 seštevanje + : R3 R3 ! R3 :
A (a1 ; a2 ; a3 ) ; B (b1 ; b2 ; b3 ) 2 R3 ; potem (A + B) (a1 + b1 ; a2 + b2 ; a3 + b3 ) ali
A + B = (a1 ; a2 ; a3 ) + (b1 ; b2 ; b3 ) = (a1 + b1 ; a2 + b2 ; a3 + b3 ) ;

mnoµzenje z realnimi števili (skalarji) : R R3 ! R3 :

2 R; A (a1 ; a2 ; a3 ) 2 R3 ; potem ( A) ( a1 ; a2 ; a3 ) ali
A = (a1 ; a2 ; a3 ) = ( a1 ; a2 ; a3 ) :

Vidimo, da je seštevanje toµck v prostoru de…nirano z obiµcajnih seštevanjem

enakoleµznih koordinat. Z realnim skalarjem toµcko v prostoru pomnoµzimo tako,
da z pomnoµzimo vsako koordinato. Opomnimo, da lahko podobno kot v pros-
toru tudi v ravnini de…niramo operaciji seštevanje in mnoµzenje z realnimi skalarji.
Na premici pa se operaciji ujemata z obiµcajnim seštevanjem in mnoµzenjem realnih
števil.
Trditev 1.1. Za seštevanje toµck v R3 veljajo naslednje lastnosti:
S1 A + B = B + A za vse A; B 2 R3 :
S2 (A + B) + C = A + (B + C) za vse A; B; C 2 R3 :
S3 Obstaja O 2 R3 , da je A + O = A za vsak A 2 R3 :
S4 Za vsak A 2 R3 obstaja A 2 R3 , da je A + ( A) = O:
Opomba 1. Lastnosti, ki jim zadošµca seštevanje toµck v R3 ; so: S1 zakon o za-
menjavi ali komutativnost, S2 zakon o zdruµzevanju ali asociativnost, S3 obstoj
nevtralnega elementa, S4 obstoj nasprotnih elementov.

Opomba 2. Z A B oznaµcimo razliko toµck A in B. Opomnimo, da je odštevanje

toµck prištevanje nasprotnega elementa; torej A B = A + ( B) oziroma
A B = (a1 ; a2 ; a3 ) (b1 ; b2 ; b3 ) = (a1 b1 ; a2 b2 ; a3 b3 ) :
Dokaz trditve 1.1. Naj bosta A (a1 ; a2 ; a3 ) in B (b1 ; b2 ; b3 ) poljubni toµcki iz R3 .
Upoštevajoµc komutativnost seštevanja v realnih številih, lahko zapišemo
A + B = (a1 + b1 ; a2 + b2 ; a3 + b3 ) = (b1 + a1 ; b2 + a2 ; b3 + a3 ) = B + A
in komutativnost seštevanja je dokazana. Da je seštevanje toµck v R3 asociativno,
dokaµzemo podobno, pri tem upoštevamo asociativnost seštevanja v R: Nevtralen
element za seštevanje je O = (0; 0; 0) (izhodišµce koordinatnega sistema), ker za
vsako toµcko A velja
A + O = (a1 ; a2 ; a3 ) + (0; 0; 0) = (a1 ; a2 ; a3 ) = A:
Za vsak A (a1 ; a2 ; a3 ) oznaµcimo z A = ( a1 ; a2 ; a3 ). Potem velja
A + ( A) = (a1 ; a2 ; a3 ) + ( a1 ; a2 ; a3 ) = (0; 0; 0) = O
in A je nasproten element od A.

10
 !
Naj bosta A; B toµcki v R3 ali R2 ali R. Usmerjena daljica AB reµcemo ureje-
nemu paru toµck (A; B), kjer je A zaµcetna toµcka in B konµcna toµcka. Geometrijska
upodobitev usmerjene daljice je prikazana na sliki 1.4.

Slika 1.4: Usmerjena daljica

Usmerjene daljice so uporabne pri predstavitvi geometrijskega modela seštevanja

toµck. Vse zapisane lastnosti operacij v R3 analogno veljajo tudi v R2 . Zaradi
nazornejše predstave bomo zato v naslednjih zgledih delali s toµckami v ravnini.

Zgled 1. Dani sta toµcki A (1; 4) in B (3; 1) : Tedaj je

A + B = (1; 4) + (3; 1) = (4; 5) ;

B = (3; 1) = ( 3; 1) ;
A B = (1; 4) (3; 1) = ( 2; 3) :

Vse dane toµcke so prikazane na sliki 1.5.

Slika 1.5: Seštevanje toµck

!
Geometrijski model: Identi…ciramo toµcko A z usmerjeno daljico OA in toµcko B z
!
usmerjeno daljico OB: Potem je A + B konµcna toµcka usmerjene daljice z zaµcetkom v
izhodišµcu O in predstavlja eno od diagonal paralelograma, doloµcenega z usmerjenima
! !
daljicama OA in OB.

11
Trditev 1.2. Za mnoµzenje toµck v R3 z realnimi skalarji veljajo naslednje lastnosti:
M 1 (A + B) = A + B za vse 2 R in A; B 2 R3 ;
M 2 ( + ) A = A + A za vse ; 2 R in A 2 R3 ;
M 3 ( ) A = ( A) za vse ; 2 R in A 2 R3 ;
M 4 1A = A za vsak A 2 R3 :
Dokaz. Naj bosta A (a1 ; a2 ; a3 ) in B (b1 ; b2 ; b3 ) poljubni toµcki in 2 R: Upoštevajoµc
de…nicijo seštevanja in mnoµzenja z realnimi skalarji v R3 ter distributivnost, ki
povezuje operaciji seštevanja in mnoµzenja v R, lahko zapišemo:

(A + B) = (a1 + b1 ; a2 + b2 ; a3 + b3 ) = ( (a1 + b1 ) ; (a2 + b2 ) ; (a3 + b3 ))

= ( a1 + b1 ; a2 + b2 ; a3 + b3 ) = ( a1 ; a2 ; a3 ) + ( b1 ; b2 ; b3 )
= (a1 ; a2 ; a3 ) + (b1 ; b2 ; b3 ) = A + B:

Zato M 1 velja. Podobno dokaµzemo še lastnost M 2:

( + ) A = (( + ) a1 ; ( + ) a2 ; ( + ) a3 ) = ( a1 + a1 ; a2 + a2 ; a3 + a3 )
= ( a1 ; a2 ; a3 ) + ( a1 ; a2 ; a3 ) = A + A

in M 3, kjer upoštevamo asociativnost mnoµzenja v R:

( ) A = (( ) a1 ; ( ) a2 ; ( ) a3 ) = ( ( a1 ) ; ( a2 ) ; ( a3 ))
= ( a1 ; a2 ; a3 ) = ( (a1 ; a2 ; a3 )) = ( A) .

Da velja M 4, je oµcitno.
1
Zgled 2. Naj bo A (4; 2). Potem je 2A = (8; 4) in 2
A = 12 ( A) = ( 2; 1).

Slika 1.6: Mnoµzenje toµcke s skalarjem

Geometrijski model: Naj bo > 0. Ce µ identi…ciramo toµcko A z usmerjeno daljico

!
OA, potem je A konµcna toµcka usmerjene daljice, ki smo jo dobili z raztegom (
!
1) ali s skrµcitvijo ( < 1) usmerjene daljice OA za faktor . V primeru, ko je

12
 < 0, uporabimo opisani postopek, kjer nadomestimo toµcko A z njeno nasprotno
vrednostjo A in nadomestimo z j j.

De…nicija. Mnoµzica V , ki je opremljena z operacijama + : V V ! V (seštevanje)

in : R V ! V (mnoµzenje z realnimi skalarji) in zadošµca lastnostim S1–S4 in
M 1–M 4, se imenuje realen vektorski prostor. Elementi vektorskega prostora V so
vektorji.

Zato je R3 , opremljen s seštevanjem in mnoµzenjem s skalarji, zgled vektorskega

prostora. Vektor v R3 je torej urejena trojica A (a1 ; a2 ; a3 ) ali (a1 ; a2 ; a3 ) in ga
!
geometrijsko predstavimo z usmerjeno daljico OA z zaµcetkom v O in koncem v A.
Ker bi µzeleli vektor vzporedno premikati po prostoru, bomo to formalno de…nirali.
! ! ! !
De…nicija. Usmerjeni daljici AB in CD sta ekvivalentni, oznaka AB CD, µce je
B A = D C.

Slika 1.7: Ekvivalentnost usmerjenih daljic

! ! !
Geometrijsko sta usmerjeni daljici AB in CD ekvivalentni, µce lahko CD dobimo
! !
iz AB z vzporednim premikom. Namreµc, ker je B A = (B A) O, je AB
! ! !
O(B A). Podobno velja tudi CD O(D C). Zato je enakost B A = D C
! !
izpolnjena natanko tedaj, ko usmerjeni daljici O(B A) in O(D C) sovpadata.
! !
To pomeni, da lahko CD dobimo iz AB z vzporednim premikom. Relacija ima
naslednje lastnosti:

Trditev 1.3. Relacija je ekvivalenµcna relacija; to pomeni, da za poljubne toµcke

A; B; C; D; E; F velja:
! !
(i) AB AB (re‡eksivnost),
! ! ! !
(ii) AB CD ) CD AB (simetriµcnost),
! ! ! ! ! !
(iii) AB CD ^ CD EF ) AB EF (tranzitivnost).

13
Dokaz. Re‡eksivnost in simetriµcnost relacije sledita neposredno iz de…nicije.
! ! ! !
Preverimo samo tranzitivnost. Naj velja AB CD in CD EF . Potem je
! !
B A = D C in F E = D C: Zato je tudi B A = F E in AB EF .
! ! ! !
Oznaµcimo z [AB] = fCD j AB CDg mnoµzico vseh usmerjenih daljic, ki so
!
ekvivalentne usmerjeni daljici AB. Ta mnoµzica se imenuje ekvivalenµcni razred s
! !
predstavnikom AB. Ekvivalenµcni razred [AB] vsebuje neskonµcno usmerjenih daljic;
vsaka toµcka v prostoru je zaµcetna toµcka neke usmerjene daljice, ki je ekvivalentna
! !
usmerjeni daljici AB. Dva ekvivalenµcna razreda usmerjenih daljic sta enaka [AB] =
! ! !
[CD] natanko tedaj, ko sta njuna predstavnika ekvivalentna AB CD, sicer pa
nimata skupnih elementov.
!
De…nicija. Ekvivalenµcni razred [AB] je geometrijski vektor.

Slika 1.8: Geometrijska vektorja ~a in ~b

Geometrijski vektorji so torej ekvivalenµcni razredi usmerjenih daljic. Geometrijske

vektorje oznaµcujemo z malimi tiskanimi µcrkami s pušµcico: ~a; ~b; ~c. Na sliki 1.8 sta
! !
z nekaterimi predstavniki prikazana geometrijska vektorja ~a = [AB] in ~b = [CD].
Pod pojmom geometrijskega vektorja si tako predstavljamo usmerjeno daljico, ki se
lahko po prostoru prosto vzporedno premika.
µ je AB! !
Ce poljubna usmerjena daljica, za predstavnika razreda ~a = [AB] obiµcajno
!
izberemo usmerjeno daljico O(B A) z zaµcetno toµcko O, ki je element R3 . Ce µ
!
je A 2 R3 ; A (a1 ; a2 ; a3 ), potem vektor OA imenujemo krajevni vektor toµcke A in
pripadajoµci geometrijski vektor oznaµcimo z
2 3
a1
! 4
~rA = [OA] = a2 5 :
a3

14
 Slika 1.9: Krajevni vektorji

Krajevni vektorji toµck A; B in B A so prikazani na sliki 1.9. Pri tem tudi vidimo,
! !
da sta usmerjeni daljici AB in O(B A) ekvivalentni.
Geometrijske vektorje bomo zapisovali v obliki stolpca. Elementi, zapisani v
!
tem stolpcu, se imenujejo skalarne komponente. Vsak geometrijski vektor ~a = [AB]
lahko tako izrazimo s krajevnim geometrijskim vektorjem ~a = ~rB A . Komponente
geometrijskega vektorja ~a so dejansko koordinate konµcne toµcke, ko je njegova zaµcetna
toµcka izhodišµce O.
Z geometrijskimi vektorji algebraiµcno raµcunamo tako, kot smo s toµckami v R3 :
2 3 2 3 2 3 2 3 2 3
a1 b1 a1 + b 1 a1 a1
~ 4 5 4 5 4
~a + b = a2 + b2 = a2 + b2 ; 5 ~a = 4 5
a2 = 4 a2 5 :
a3 b3 a3 + b 3 a3 a3

Geometrijsko jih lahko seštevamo tako, da z vzporednim premikom doseµzemo sov-

padanje konµcne toµcke ~a z zaµcetno toµcko ~b. Geometrijski vektor, katerega zaµcetna
toµcka je enaka zaµcetni toµcki ~a in konµcna toµcka enaka konµcni toµcki ~b, predstavlja
vsoto ~a + ~b.

Slika 1.10: Seštevanje geometrijskih vektorjev

15
Zakljuµcimo to poglavje z nekaterimi opombami in dogovorom.

1. Iz slike 1.9 je razvidno, da je ~a = ~rB A = ~rB ~rA .

2. Neformalno omenimo, da ima vsak geometrijski vektor smer in dolµzino, s ka-

terima je natanµcno doloµcen; glej sliko 1.11. Dolµzino vektorja ~a oznaµcimo z
j~aj. Vektorja ~a in ~b imata isto smer takrat, ko ob vzporednem premiku v
izhodišµcno toµcko njuni konµcni toµcki leµzita na istem poltraku iz izhodišµca. Na
primer, geometrijski vektor ~a ima dolµzino j j j~aj in smer enako smeri ~a, µce
je > 0, in smer enako kot ~a, µce je < 0. Pri tem omenimo še, da smer
!
niµcelnega vektorja ~0 = [AA] ni doloµcena.

3. Naj bosta 2 3 2 3
a1 b1
~a = 4a2 5 in ~b = 4b2 5
a3 b3
geometrijska vektorja. Enakost ~a = ~b lahko opišemo na veµc naµcinov:
(i) ~b dobimo iz ~a z vzporednim premikom;
(ii) vektorja ~a in ~b imata isto smer in dolµzino;
(iii) komponente vektorjev sovpadajo, to pomeni a1 = b1 , a2 = b2 , a3 = b3 .

Slika 1.11: Dolµzina in smer vektorja ~a

Dogovor. Zaradi poenostavitve zapisa bomo v nadaljnjih poglavjih geometrijske

vektorje krajše oznaµcevali z njihovimi predstavniki, torej usmerjenimi daljicami ~a =
! ! !
AB, ~b = CD, ~c = EF . Izpušµcali bomo oznako za ekvivalenµcni razred [ ]. Prav tako
bomo praviloma pri izrazu geometrijski vektor ~a izpustili pridevnik geometrijski,
torej bo samo vektor ~a.
!
Pomni. Geometrijsko je vektor iz R3 usmerjena daljica OA z zaµcetno toµcko O
in konµcno toµcko A: Geometrijski vektor predstavlja ekvivalenµcni razred usmerjenih
! !
daljic s predstavnikom AB; usmerjena daljica AB se pri tem lahko prosto vzporedno
premika po prostoru.

16
1.2 Linearna kombinacija, neodvisnost in baza
Vektorji v R3 so osnovni zgled splošne strukture, ki se imenuje vektorski pros-
tor. Zato bomo v tem podpoglavju spoznali nekatere osnovne pojme iz vektorskih
prostorov, kot so linearna kombinacija vektorjev, linearna neodvisnost in baza vek-
torskega prostora. Zaµcnimo z motivacijo:
Naj bo ~a vektor iz R3 . Vektor ~a predstavimo kot urejeno trojico realnih števil,
zapisano v obliki stolpca. Upoštevajoµc de…niciji seštevanja vektorjev in mnoµzenja
vektorjev z realnimi skalarji, lahko zapišemo
2 3 2 3 2 3 2 3 2 3 2 3 2 3
a1 a1 0 0 1 0 0
~a = 4a2 5 = 4 0 5 + 4a2 5 + 4 0 5 = a1 405 + a2 415 + a3 405 ;
a3 0 0 a3 0 0 1

kjer so a1 ; a2 ; a3 2 R: Oznaµcimo vektorje

2 3 2 3 2 3
1 0 0
~i = 405 ; ~j = 415 ; ~k = 405 ;
0 0 1

ki geometrijsko predstavljajo krajevne vektorje toµck A (1; 0; 0) ; B (0; 1; 0) ; C (0; 0; 1)

in doloµcajo koordinatne osi karteziµcnega koordinatnega sistema v R3 . Glej sliko 1.12!
Vidimo, da se vsak vektor ~a 2 R3 zapiše kot tako imenovana linearna kombinacija
vektorjev ~i; ~j; ~k v obliki

~a = a1~i + a2~j + a3~k; a1 ; a2 ; a3 2 R:

Mnoµzica vektorjev f~i; ~j; ~kg se imenuje standardna baza vektorskega prostora R3 .

Slika 1.12: Bazni vektorji ~i; ~j; ~k

17
 Vsak vektor ~a 2 R3 se na enoliµcen naµcin zapiše kot linearna kombinacija vektorjev
~i; ~j; ~k. Denimo, da velja

~a = a1~i + a2~j + a3~k = b1~i + b2~j + b3~k:

Potem je
(a1 b1 )~i + (a2 b2 ) ~j + (a3 b3 ) ~k = ~0
oziroma
2 3 2 3 2 3 2 3 2 3
1 0 0 a1 b1 0
(a1 b1 ) 405 + (a2 b2 ) 415 + (a2 b2 ) 405 = 4a2 b2 5 = 405 :
0 0 1 a2 b2 0

Zato je a1 = b1 ; a2 = b2 ; a3 = b3 in zapis v obliki linearne kombinacije je enoliµcen.

Vidimo tudi, da imajo vektorji ~i; ~j; ~k lastnost, da iz 1~i + 2~j + 3~k = ~0 sledi
~~ ~
1 = 2 = 3 = 0. Zato pravimo, da so vektorji i; j; k linearno neodvisni. Vsak
vektor ~a 2 R se enoliµcno zapiše kot linearna kombinacija treh vektorjev ~i; ~j; ~k, zato
3

pravimo, da je razseµznost prostora geometrijskih vektorjev enaka 3.

V nadaljevanju naj bodo ~a1 ; ~a2 ; :::; ~an vektorji v R3 in 1; 2 ; :::; n realni skalarji.

De…nicija. Linearna kombinacija vektorjev ~a1 ; ~a2 ; :::; ~an je vektor

~a = 1~
a1 + 2~
a2 + + n~
an ; (1.1)

kjer so 1 ; 2 ; :::; n 2 R. Skalarji i se imenujejo koe…cienti linearne kombinacije.

Linearna kombinacija (1.1) je trivialna, µce je 1 = 2 = ::: = n = 0. Ce µ je vsaj en
i 6= 0, je linearna kombinacija vektorjev netrivialna.

Zgled 1. Naj bodo

2 3 2 3 2 3
1 3 4
~a1 = 25 ;
4 ~a2 = 25 ;
4 ~a3 = 55 :
4
3 1 6

Potem je 2 3 2 3 2 3 2 3
2 9 4 7
~a = 2~a1 + 3~a2 ~a3 = 4 + 65
4 5 4 455 = 455 :
6 3 6 3

Oznaµcimo z V mnoµzico vseh linearnih kombinacij vektorjev ~a1 ; ~a2 ; :::; ~an :

V = f 1~a1 + 2~
a2 + + an j i
n~ 2 Rg

Mnoµzica V se imenuje linearna lupina (ogrinjaµca) vektorjev ~a1 ; ~a2 ; :::; ~an in jo krajše
oznaµcimo z L f~a1 ; ~a2 ; :::; ~an g. Vidimo, da je ~0 2 V in tudi vsak ~ai 2 V . Na mnoµzici

18
V je naravno de…nirano seštevanje + : V V ! V in mnoµzenje z realnimi skalarji
: R V ! V na naµcin
( 1~a1 + + n~
an ) + ( 1~a1 + + n~
an ) =( 1 + 1 ) ~a1 + +( n+ n) ~
an ;
( 1~a1 + + n~
an ) = ( 1) ~
a1 + + ( n ) ~an :
Bralec lahko preveri, da mnoµzica V , opremljena s seštevanjem in mnoµzenjem z real-
nimi skalarji, zadošµca lastnostim S1–S4 in M 1–M 4 (glej trditvi 1.1 in 1.2). Zato je
V vektorski prostor, bolj natanµcno reµcemo, da je V vektorski podprostor prostora
R3 , ker je V R3 .

De…nicija. Vektorji ~a1 ; ~a2 ; :::; ~an so linearno neodvisni, µce je edino trivialna linearna
kombinacija teh vektorjev enaka ~0; to pomeni

1~
a1 + 2~
a2 + + n~
an = ~0 ) 1 = 2 = = n = 0: (1.2)
µ imamo
Vektorji ~a1 ; ~a2 ; :::; ~an so linearno odvisni, µce niso linearno neodvisni. Ce
mnoµzico f~a1 ; ~a2 ; :::; ~an g linearno neodvisnih vektorjev, pravimo, da je to linearno
neodvisna mnoµzica.

De…nicija. Mnoµzica linearno neodvisnih vektorjev f~a1 ; ~a2 ; :::; ~an g je baza vek-
torskega prostora V = L f~a1 ; ~a2 ; :::; ~an g in razseµznost tega prostora je enaka n.

Opomba 1. Kdaj so vektorji ~a1 ; ~a2 ; :::; ~an linearno odvisni? Ko obstaja netrivialna
linearna kombinacija, ki je enaka ~0; to pomeni

1~
a1 + 2~
a2 + + n~
an = ~0 in obstaja i 6= 0:
Brez izgube za splošnost predpostavimo, da je 1 6= 0. Najprej zapišemo

1~
a1 = 2~
a2 n~
an :
Ker je 1 6= 0, vidimo, da lahko vektor ~a1 izrazimo v obliki linearne kombinacije
ostalih vektorjev
2 n
~a1 = ~a2 ~an = 2~
a2 + + n~
an :
1 1

To hkrati pomeni, da so vektorji ~a1 ; ~a2 ; :::; ~an linearno neodvisni, µce se ne izraµzajo
med seboj.

Opomba 2. Ce µ so vektorji ~a1 ; ~a2 ; :::; ~an linearno neodvisni in je ~b = 1~a1 + 2~a2 +
+ n~an , potem so koe…cienti i enoliµcno doloµceni. Predpostavimo, da velja
~b = 1~
a1 + 2~
a2 + + n~
an = 1~
a1 + 2~
a2 + + n~
an
za neke i; i 2 R. Potem je
( 1 1) ~
a1 +( 2 2) ~
a2 + +( n n) ~
an = ~0
in iz linearne neodvisnosti (1.2) sledi µzeleni rezultat 1 = 1; 2 = 2 ; :::; n = n.

19
Zgled 2.

1. V uvodni motivaciji smo videli, da so vektorji ~i; ~j; ~k linearno neodvisni in

tvorijo bazo vektorskega prostora R3 = f 1~i + 2~j + 3~kj i 2 Rg.

2. Vektorji 2 3 2 3 2 3
1 0 2
4
~a1 = 15 ; 4
~a2 = 15 ; ~a3 = 4 1 5
0 1 1
so linearno odvisni, saj je

2~a1 ~a2 ~a3 = ~0:

Lahko zapišemo tudi ~a3 = 2~a1 ~a2 :

3. Preverimo, da sta vektorja ~a1 in ~a2 iz prejšnje toµcke linearno neodvisna. Za-
pišemo 2 3 2 3 2 3
1 0 1
~0 = 1~a1 + 2~a2 = 4 1 5 + 4 2 5 = 4 1 + 2 5 :
0 2 2

Oµcitno je 1 = 2 = 0 in edino trivialna linearna kombinacija vektorjev ~a1 in

~a2 je enaka ~0. Vektorski podprostor V = f 1~a1 + 2~a2 j 1 ; 2 2 Rg geometrijsko
predstavlja ravnino, ki poteka skozi izhodišµce in vsebuje vektorja ~a1 ; ~a2 . Ker
je f~a1 ; ~a2 g baza podprostora V , je to dvorazseµzen vektorski podprostor.

Slika 1.13: Ravnina, doloµcena z O in ~a1 ; ~a2

Vprašanje 1. Kdaj je f~ag linearno neodvisna mnoµzica? Predpostavimo ~a = ~0,

kjer je 2 R. Ce µ je ~a = ~0, potem je 1 ~0 = ~0 in ~0 je linearno odvisen vektor.
µCe je ~a 6= ~0, potem iz ~a = ~0 sledi = 0 in ~a je linearno neodvisen vektor.
Vektorski podprostor p = f ~aj 2 Rg predstavlja premico, ki poteka skozi izhodišµce
in vsebuje ~a. Vektor ~a v tem primeru imenujemo tudi smerni vektor premice p.

20
 Slika 1.14: Premici p in A + p

Baza tega prostora je f~ag in razseµznost je 1. Enorazseµzni podprostori v R3 so torej

premice, ki potekajo skozi izhodišµce. Posebej omenimo, da premice, ki ne potekajo
skozi izhodišµce, niso vektorski podprostori. Premica A + p = f~rA + ~aj 2 Rg, ki
poteka skozi toµcko A v smeri vektorja ~a, je tako imenovani a…ni podprostor (glej
sliko 1.14).

Slika 1.15: Ravnina

Vprašanje 2. Kdaj sta vektorja ~a; ~b linearno odvisna? Predpostavimo ~a + ~b = ~0,

kjer je 6= 0. Potem lahko vektor ~b izrazimo z ~a:

~b = ~a = t~a; t 2 R:

Vektorja ~a in ~b sta linearno odvisna, ko sta kolinearna, leµzita na isti premici skozi
O. Vektorja ~a in ~b sta linearno neodvisna, µce nista kolinearna. Vektorski podprostor
= f ~a + ~bj ; 2 Rg geometrijsko predstavlja ravnino, ki poteka skozi izhodišµce
in vsebuje vektorja ~a; ~b (glej sliko 1.15). Vsak vektor ~c, ki leµzi v ravnini , se izraµza
kot linearna kombinacija ~c = ~a + ~b. Baza podprostora je mnoµzica f~a; ~bg in
razseµznost je 2. Vidimo, da so dvorazseµzni podprostori v R3 ravnine, ki vsebujejo
izhodišµce.

21
Vprašanje 3. Kdaj so vektorji ~a; ~b; ~c linearno odvisni? Naj bo ~a + ~b + ~c = ~0,
kjer je 6= 0. Potem lahko izrazimo vektor ~c:

~c = ~a ~b = t~a + s~b; t; s 2 R:

Vektorji ~a; ~b; ~c so linearno odvisni, µce so komplanarni, leµzijo na isti ravnini. Vektorji
~a; ~b; ~c so linearno neodvisni, µce ne leµzijo na isti ravnini, ki poteka skozi O, in tvorijo
bazo prostora R3 = f ~a + ~b + ~cj ; ; 2 Rg: Vsak vektor d~ 2 R3 se v tem
primeru enoliµcno izraµza kot linearna kombinacija d~ = ~a + ~b + ~c. Zato je mnoµzica
f~a; ~b; ~cg baza vektorskega prostora R3 . Opomnimo, da baza vektorskega prostora
ni enoliµcno doloµcena. Karteziµcni koordinatni sistem v R3 doloµca standardno bazo,
urejeno trojico (~i; ~j; ~k).

Slika 1.16: Baza f~a; ~b; ~cg

Zgled 3. Uporaba linearne kombinacije v geometriji. Dane so toµcke A (a1 ; a2 ; a3 ),

B (b1 ; b2 ; b3 ) in C (c1 ; c2 ; c3 ) v R3 , ki doloµcajo trikotnik ABC. Teµzišµcnice trikotnika
ABC se sekajo v razmerju 2 : 1. Teµzišµce ima koordinate
1 1 1
T (a1 + b1 + c1 ) ; (a2 + b2 + c2 ) ; (a3 + b3 + c3 )
3 3 3
oziroma krajevni vektor teµzišµca je ~rT = 31 (~rA + ~rB + ~rC ) :
! !
Oznaµcimo z ~a = AB in ~b = AC, ki sta linearno neodvisna vektorja. Naj bosta
toµcki D in E razpolovišµci stranic AB in BC. Z uporabo slike 1.17 izrazimo vektor
!
AT kot linearno kombinacijo vektorjev ~a in ~b na dva naµcina
! ! 1 ! 1 1 1
AT = k AE = k ~a + BC = k ~a + (~b ~a) = k~a + k~b
2 2 2 2
in
! ! ! 1 1 1
AT = AD + lDC = ~a + l ~b ~a = (1 l) ~a + l~b:
2 2 2

22
 Slika 1.17: Teµzišµce trikotnika ABC

Zato je
1 1 1
k~a + k~b = (1 l) ~a + l~b:
2 2 2
µ dano enakost pomnoµzimo z 2 in preuredimo, sledi
Ce
(1 k l) ~a + (2l k) ~b = ~0:
Ker sta ~a; ~b linearno neodvisna vektorja, je
1 k l = 0 in 2l k = 0:
! ! ! !
Rešitev danih enaµcb je k = 2=3 in l = 1=3: To pomeni AT = 2=3AE, T E = 1=3AE
in AT : T E = 2 : 1. Na koncu izrazimo še krajevni vektor teµzišµca. Upoštevajmo, da
je ~a = ~rB ~rA in ~b = ~rC ~rB , in dobimo µzeleni rezultat
! 1 1~ 1 1
~rT = ~rA + AT = ~rA + ~a + b = ~rA + (~rB ~rA ) + (~rC ~rB )
3 3 3 3
1
= (~rA + ~rB + ~rC ) :
3

1.3 Skalarni produkt

V tem podpoglavju de…niramo skalarni produkt geometrijskih vektorjev in obrav-
navamo njegove lastnosti ter uporabo. Zaµcnimo z de…nicijo:
De…nicija. Naj bosta ~a = a1~i + a2~j + a3~k in ~b = b1~i + b2~j + b3~k vektorja iz R3 .
Tedaj je njun skalarni produkt ~a ~b de…niran z
~a ~b = a1 b1 + a2 b2 + a3 b3 :
Iz de…nicije sledi, da je skalarni produkt vektorjev preslikava : R3 R3 ! R, ki
danima vektorjema priredi realno število. Osnovne lastnosti skalarnega produkta
so opisane v naslednji trditvi. Omenimo, da se podobne vrste preslikav v linearni
algebri imenujejo forme.

23
Trditev 1.4. Za skalarni produkt velja:
(i) ~a ~a 0 za vsak ~a 2 R3 in ~a ~a = 0 natanko tedaj, ko je ~a = ~0;
(ii) ~a (~b + ~c) = ~a ~b + ~a ~c za vse ~a; ~b; ~c 2 R3 ;
(iii) ( ~a) ~b = (~a ~b) za vse ~a; ~b 2 R3 , 2 R;
(iv) ~a ~b = ~b ~a za vse ~a; ~b 2 R3 .

Dokaz. Uporabimo obiµcajni zapis vektorjev ~a; ~b; ~c po komponentah. Dokaµzimo (i).
Ker je 2 3 2 3
a1 a1
~a ~a = 4a2 5 4a2 5 = a21 + a22 + a23 ;
a3 a3
velja ~a ~a 0 in ~a ~a = 0 natanko tedaj, ko je a1 = a2 = a3 = 0 oziroma ~a = ~0.
Preostale toµcke preverimo neposredno z raµcunom.
(ii)
2 3 02 3 2 31 2 3 2 3
a1 b1 c1 a1 b 1 + c1
~a (~b + ~c) = 4a2 5 @4b2 5 + 4c2 5A = 4a2 5 4b2 + c2 5
a3 b3 c3 a3 b 3 + c3
= a1 (b1 + c1 ) + a2 (b2 + c2 ) + a3 (b3 + c3 )
= (a1 b1 + a2 b2 + a3 b3 ) + (a1 c1 + a2 c2 + a3 c3 )
= ~a ~b + ~a ~c

(iii) 2 3 2 3
a1 b1
~
( ~a) b = 4 a2 5 4 b2 5 = a1 b1 + a2 b2 + a3 b3 = (~a ~b)
a3 b3
(iv)
~a ~b = a1 b1 + a2 b2 + a3 b3 = b1 a1 + b2 a2 + b3 a3 = ~b ~a

Opomba 1. Skalarni produkt je simetriµcen (iv), zato veljata tudi

(ii) (~a + ~b) ~c = ~a ~c + ~b ~c za vse ~a; ~b; ~c 2 R3 ;
(iii) ~a ( ~b) = (~a ~b) za vse ~a; ~b 2 R3 , 2 R.
To pomeni, da je skalarni produkt aditiven po obeh komponentah (lastnost (ii) in
(ii) ) in homogen po obeh komponentah (lastnost (iii) in (iii) ).

Opomba 2. Za bazne vektorje ~i; ~j; ~k velja

~i ~i = ~j ~j = ~k ~k = 1 in ~i ~j = ~j ~k = ~i ~k = 0: (1.3)

Vektorji ~i; ~j; ~k imajo lepo geometrijsko lastnost; so med seboj paroma pravokotni
vektorji in njihova dolµzina je enaka 1. Videli bomo, da sta omenjeni lastnosti dejan-
sko opisani z enakostmi (1.3). Skalarni produkt v praksi uporabljamo za raµcunanje
dolµzin vektorjev in razdalj med toµckami v R3 ter raµcunanje projekcij in kotov.

24
 Norma vektorja

Naj bo ~a = a1~i + a2~j + a3~k vektor iz R3 . Norma ali dolµzina vektorja ~a je de…nirana
s predpisom q
p
j~aj = ~a ~a = a21 + a22 + a23 : (1.4)
Dana de…nicija je utemeljena s Pitagorovim izrekom. Zaradi pravokotnosti, glej sliko
1.18, sledi j~aj2 = d2 + a23 = a21 + a22 + a23 .

Slika 1.18: Norma vektorja

Trditev 1.5. Norma j j : R3 ! R ima naslednje lastnosti:

(i) j~aj 0 za vsak ~a 2 R3 ;
(ii) j~aj = 0 natanko tedaj, ko je ~a = ~0;
(iii) j ~aj = j j j~aj za vse ~a 2 R3 , 2 R;
(iv) j~a + ~bj j~aj + j~bj za vse ~a; ~b 2 R3 .

Slika 1.19: Trikotniška neenakost

Norma j j je pozitivno de…nitna, zadošµca lastnostima (i) in (ii). Dani lastnosti

sledita neposredno iz de…nicije (1.4). Norma je absolutno
p homogena,p ima lastnost
(iii), ki jo preverimo neposredno z raµcunom j ~aj = ( ~a) ( ~a) = 2 (~
a ~a) =
j j j~aj: Lastnost (iv) se imenuje trikotniška neenakost in jo ponazarja slika 1.19.
Norma vsote vektorjev j~a + ~bj ne presega vsote norm j~aj in j~bj. Formalni dokaz
trikotniške neenakosti norme bomo podali v nadaljevanju po posledici 1.8.

25
Naj bosta A (a1 ; a2 ; a3 ) ; B (b1 ; b2 ; b3 ) 2 R3 . Tedaj je njuna razdalja doloµcena z
q
!
d (A; B) = jABj = j~rB ~rA j = (b1 a1 )2 + (b2 a2 )2 + (b3 a3 )2 : (1.5)

Pri tem ~rA in ~rB oznaµcujeta krajevna vektorja toµck A in B.

Trditev 1.6. Razdalja d : R3 R3 ! R ima naslednje lastnosti:

(i) d (A; B) 0 za vse A; B 2 R3 ;
(ii) d (A; B) = 0 natanko tedaj, ko je A = B;
(iii) d(A; B) = d (B; A) za vse A; B 2 R3 ;
(iv) d (A; B) d (A; C) + d (C; B) za vse A; B; C 2 R3 .

Razdalja d je pozitivno de…nitna (lastnosti (i) in (ii)), simetriµcna (lastnost

(iii)) in zadošµca trikotniški neenakosti (lastnost (iv)). Ker prve tri lastnosti sledijo
neposredno iz de…nicije (1.5), preverimo samo trikotniško neenakost. Pri tem upora-
bimo trikotniško neenakost, ki ji zadošµca norma:

d (A; B) = j~rA ~rB j = j(~rA ~rC ) + (~rC ~rB )j

j~rA ~rC j + j~rC ~rB j = d (A; C) + d (C; B) :

Opomba 3. Norma, ki smo jo de…nirali v (1.4), je tako imenovana evklidska norma.

To je obiµcajna vektorska norma. Lahko de…niramo tudi neevklidske norme, pres-
likave j j : R3 ! R, ki zadošµcajo lastnostim iz trditve 1.5. Bralec lahko premisli, da
sta
j~aj1 = ja1 j + ja2 j + ja3 j in j~aj1 = maxfja1 j ; ja2 j ; ja3 jg
primera norm na vektorskem prostoru R3 . Podobno je z (1.5) de…nirana evklidska
razdalja. Metrika ali razdalja je v splošnem vsaka preslikava d, ki zadošµca lastno-
stim iz trditve 1.6. Poznamo tudi neevklidske razdalje, na primer omenimo dve, ki
izhajata iz norm j j1 in j j1 :

d1 (A; B) = j~rA ~rB j1 = jb1 a1 j + jb2 a2 j + jb3 a3 j ;

d1 (A; B) = j~rA ~rB j1 = maxfjb1 a1 j ; jb2 a2 j ; jb3 a3 jg:

Projekcija in pravokotnost

Skalarni produkt uporabljamo tudi za raµcunanje projekcij vektorjev, ugotavljanje

pravokotnosti in raµcunanje kotov. Temeljni geometrijski pomen skalarnega produkta
je podan v naslednjem izreku:

Izrek 1.7. Naj bosta ~a in ~b geometrijska vektorja, potem velja

~a ~b = j~aj j~bj cos ';

kjer je ' 2 [0; ] kot med vektorjema ~a in ~b.

26
Dokaz. Vektorji ~a, ~b in ~a ~b doloµcajo trikotnik, glej sliko 1.20. S ' = ](~a; ~b)
oznaµcimo kot, doloµcen z vektorjema ~a in ~b. Po kosinusnem izreku velja

j~a ~bj2 = j~aj2 + j~bj2 2 j~aj j~bj cos ':

Po drugi strani je

j~a ~bj2 = (~a ~b) (~a ~b)

= ~a ~a ~a ~b ~b ~a + ~b ~b
= j~aj2 2(~a ~b) + j~bj2 :

S primerjavo danih enakosti sledi µzeleni rezultat ~a ~b = j~aj j~bj cos ':

Slika 1.20: Trikotnik, doloµcen z ~a in ~b

Opomba 4. Naj bo x predznaµcena dolµzina projekcije vektorja ~b na neniµcelni vektor

~a. Predznaµcenost dolµzine pomeni, da je x 0, ko je ' 2 [0; =2], in x 0 v primeru
' 2 [ =2; ]. Ker je x = j~bj cos ', vidimo, da je skalarni produkt vektorjev ~a in ~b
enak produktu dolµzine vektorja ~a in predznaµcene dolµzine projekcije vektorja ~b na ~a,
to pomeni
~a ~b = j~aj x
Podobno, µce oznaµcimo z y predznaµceno dolµzino projekcije vektorja ~a na ~b, velja
y = j~aj cos ' in ~a ~b = j~bjy:

Slika 1.21: Projekciji x in y

27
Opomba 5. Naj bosta ~a in ~b neniµcelna vektorja in ' = ](~a; ~b). Potem velja

~a ~b
cos ' = : (1.6)
j~aj j~bj

Posledica 1.8 (Neenakost CSB; Cauchy-Schwarz-Bunjakovski). Za vse vektorje

~a; ~b 2 R3 velja
j~a ~bj j~aj j~bj:
Enakost velja natanko tedaj, ko sta vektorja ~a in ~b kolinearna.

Dokaz. Posledica sledi iz izreka 1.7, kjer upoštevamo, da je jcos 'j 1. Enakost
j~a ~bj = j~aj j~bj je oµcitno izpolnjena v primeru, ko je ~a = ~0 ali ~b = ~0 ali cos ' = 1.
Natanko tedaj sta vektorja ~a in ~b kolinearna; ~b = ~a za neki 2 R.

Dokaz trditve 1.5, toµcka (iv). Dokaµzimo trikotniško neenakost za vektorsko

normo: za poljubna vektorja ~a; ~b velja j~a + ~bj j~aj + j~bj. Ce
µ upoštevamo neenakost
CSB, lahko zapišemo

j~a + ~bj2 = (~a + ~b) (~a + ~b) = ~a ~a + 2(~a ~b) + ~b ~b

j~aj2 + 2j~a ~bj + j~bj2 j~aj2 + 2j~ajj~bj + j~bj2 = (j~aj + j~bj)2 :

Zato lahko zakljuµcimo j~a + ~bj j~aj + j~bj.

Pravimo, da sta vektorja ~a in ~b pravokotna ali ortogonalna, µce je ~a ~b = 0. Ceµ je

~a ali ~b enak ~0, je seveda ~a ~b = 0. Zato je vektor ~0 pravokoten na vsak vektor. Ce µ
~ ~ ~
sta ~a, b neniµcelna vektorja, je ~a b = j~aj jbj cos ' = 0 natanko tedaj, ko je cos ' = 0
oz. ' = =2.

Zgled 1. Doloµcimo, kolikšen kot tvori telesna diagonala kocke z osnovno ploskvijo.

Slika 1.22: Kocka

28
 Kocka ABCDEF GH, ki je prikazana na sliki 1.22, nam doloµca bazne vektorje
! ! !
~a = AB, ~b = AD, ~c = AE. Dani vektorji so med seboj paroma pravokotni in imajo
enako dolµzino; velja

j~aj = j~bj = j~cj = a in ~a ~b = ~b ~c = ~a ~c = 0:

! !
Naj bo D~ = AG = ~a +~b +~c telesna diagonala kocke in d~ = AC = ~a +~b diagonala os-
novne ploskve ABCD. Kot, ki ga tvori telesna diagonala kocke z osnovno ploskvijo,
je enak kotu med vektorjema D ~ torej ' = ](D;
~ in d; ~ Ker je
~ d).

~ 2=D
jDj ~ D ~ = (~a + ~b + ~c) (~a + ~b + ~c) = j~aj2 + j~bj2 + j~cj2 = 3a2 ;
~ 2 = d~ d~ = (~a + ~b) (~a + ~b) = j~aj2 + j~bj2 = 2a2 ;
jdj
~ d~ = (~a + ~b + ~c) (~a + ~b) = 2a2 ;
D

iz (1.6) sledi p
~ d~
D 2a2 6
cos ' = =p p = :
~ dj
jDjj ~ 3a 2a 3
p
Zato je ' = arccos( 6=3), kar ima, merjeno v stopinjah, pribliµzno vrednost 35:26 .

Problem 1. Pravimo, da je ~e enotski vektor, µce je j~ej = 1. Doloµci enotski vektor ~e,
ki kaµze v smeri neniµcelnega vektorja ~a.
Ker je vektor ~e kolinearen in enako usmerjen z ~a, je oblike ~e = ~a, kjer je > 0.
Njegova dolµzina je enaka j~ej = j~aj. Ce µ µzelimo, da je ~e enotski vektor, mora biti
= 1= j~aj. Zato je iskani vektor
1
~e = ~a:
j~aj
Na primer, naj bo 2 3
1
4
~a = 15 :
2
p p
Potem je j~aj = 12 + 12 + 22 = 6: Zato je enotski vektor, ki kaµze v smeri vektorja
~a; enak 2 3
1
1 4 5
~e = p 1 :
6 2

Opisanemu postopku reµcemo normiranje.

Problem 2. Naj bosta ~a, ~b nekolinearna vektorja. Doloµci vektor ~c, ki je pravokotna
projekcija vektorja ~b na vektor ~a.
Iz slike 1.23 vidimo, da je predznaµcena dolµzina projekcije vektorja ~b na ~a enaka
x = j~bj cos '. Ce µ to predznaµceno dolµzino x pomnoµzimo z enotskim vektorjem ~e =
1
j~aj
~a, dobimo iskano projekcijo ~c = x~e.

29
 Slika 1.23: Pravokotna projekcija ~b na ~a

Projekcijo vektorja ~b na vektor ~a lahko izrazimo tudi s skalarnim produktom

j~bj cos ' j~aj j~bj cos ' ~a ~b
~c = x~e = ~a = ~
a = ~a:
j~aj j~aj2 ~a ~a

Problem 3. V ravnini, doloµceni z ~a in ~b, poišµci nek vektor d, ~ ki je pravokoten na

~a.
Iz slike 1.23 je razvidno, da je d~1 = ~b ~c, kjer je ~c pravokotna projekcija vektorja
~b na ~a, primer takšnega vektorja. Torej

~a ~b
d~1 = ~b ~a:
j~aj2
Nalogo lahko rešimo tudi neposredno, brez uporabe projekcij. Ker d~ leµzi v
ravnini, doloµceni z ~a in ~b, je oblike d~ = ~a + ~b. Ker je d~ pravokoten na vektor
~a; velja
0 = ~a d~ = ~a ( ~a + ~b) = j~aj2 + (~a ~b):
Da bo dana enakost izpolnjena, izberemo na primer = ~a ~b in = j~aj2 . Tako
dobimo vektor
d~2 = (~a ~b)~a j~aj2 ~b:
Seveda sta vektorja d~1 in d~2 kolinearna, velja d~2 = j~aj2 d~1 .
V naslednjem podpoglavju bomo spoznali vektorski produkt geometrijskih vek-
torjev. Iskani vektor d~ lahko doloµcimo tudi z uporabo vektorskega produkta. Glej
zgled 3 v naslednjem podpoglavju.

1.4 Vektorski produkt

V tem podpoglavju bomo vpeljali vektorski produkt, ki je pomemben pri analitiµcni
geometriji in …ziki. Za razliko od skalarnega produkta, ki ga lahko de…niramo tudi
v ravnini, je vektorski produkt de…niran za vektorje v R3 . Vektorski produkt bomo
de…nirali z njegovimi lastnostmi in si nato ogledali še njegov geometrijski pomen.
Naj bo f~i; ~j; ~kg standardna baza vektorskega prostora R3 . Zaµcnimo z de…nicijo:

30
De…nicija. Vektorski produkt je operacija : R3 R3 ! R3 , ki vsakemu paru
vektorjev ~a in ~b priredi vektor ~a ~b in zadošµca lastnostim:
(i) ~a ~b = ~b ~a za vse ~a; ~b 2 R3 ;
(ii) ~a (~b + ~c) = ~a ~b + ~a ~c za vse ~a; ~b; ~c 2 R3 ;
(iii) ( ~a) ~b = (~a ~b) za vse ~a; ~b 2 R3 , 2 R;
(iv) za vektorje ~i; ~j; ~k velja

~i ~j = ~k; ~j ~k = ~i in ~k ~i = ~j:

Ker je vektorski produkt po de…niciji antikomutativen, lastnost (i), veljata tudi

lastnosti
(ii) (~a + ~b) ~c = ~a ~c + ~b ~c za vse ~a; ~b; ~c 2 R3 ;
(iii) ~a ( ~b) = (~a ~b) za vse ~a; ~b 2 R3 , 2 R3 .
Namreµc, upoštevajoµc (i) in (ii) oziroma (i) in (iii) lahko zapišemo

(~a + ~b) ~c = ~c (~a + ~b) = ~c ~a ~c~b = ~a ~c + ~b ~c;

~a ( ~b) = ( ~b) ~a = (~b ~a) = (~a ~b):

Lastnosti (ii) in (ii) pravita, da je vektorski produkt aditiven v obeh komponen-

tah. Lastnosti (iii) in (iii) pomenita homogenost vektorskega produkta v obeh
komponentah.
µ sta ~a in ~b linearno odvisna vektorja (kolinearna), potem je ~a ~b = ~0.
Trditev 1.9. Ce
V posebnem primeru velja ~a ~a = ~0 za vsak ~a 2 R3 :

Dokaz. Naj bo ~b = ~a. Ce µ upoštevamo antikomutativnost in homogenost vek-

torskega produkta, lahko zapišemo

~a ~b = ~b ~a = ( ~a) ~a = (~a ~a) = ~a ( ~a) = ~a ~b:

Zato je 2(~a ~b) = ~0 in ~a ~b = ~0.

Opomba 1. Za bazne vektorje ~i; ~j; ~k velja poštevanka:

~i ~j = ~k = ~j ~i;
~j ~k = ~i = ~k ~j;
~k ~i = ~j = ~i ~k;
~i ~i = ~j ~j = ~k ~k = ~0.

Lastnosti vektorskega produkta in poštevanka baznih vektorjev nam omogoµcajo

izraµcun vektorskega produkta poljubnih vektorjev.

Trditev 1.10. Naj bosta ~a; ~b 2 R3 . Tedaj velja

2 3 2 3 2 3
a1 b1 a2 b 3 a3 b 2
~
~a b = a2 4 5 4 5 4
b 2 = a3 b 1 a1 b 3 5 : (1.7)
a3 b3 a1 b 2 a2 b 1

31
Dokaz. Naj bo ~a = a1~i + a2~j + a3~k in ~b = b1~i + b2~j + b3~k. Upoštevajoµc lastnosti
vektorskega produkta lahko zapišemo
~a ~b = (a1~i + a2~j + a3~k) (b1~i + b2~j + b3~k)
= a1 b1 (~i ~i) + a1 b2 (~i ~j) + a1 b3 (~i ~k)
+ a2 b1 (~j ~i) + a2 b2 (~j ~j) + a2 b3 (~j ~k)
+ a3 b1 (~k ~i) + a3 b2 (~k ~j) + a3 b3 (~k ~k)
= a1 b2~k a1 b3~j a2 b1~k + a2 b3~i + a3 b1~j a3 b2~i
= (a2 b3 a3 b2 )~i + (a3 b1 a1 b3 ) ~j + (a1 b2 a2 b1 ) ~k
in trditev je dokazana.

Zgled 1. Naj bo ~a = ~i + 2~j + 3~k in ~b = 3~i + 2~j + ~k. Tedaj je

2 3 2 3 2 3 2 3
1 3 2 6 4
~
~a b = 2 4 5 4 5 4
2 = 9 1 = 8 5:5 4
3 1 2 6 4
Za laµzje raµcunanje vpeljimo pojem determinante. Determinanta reda 2 je de…ni-
rana kot izraz
a c
= ad bc
b d
in determinanta reda 3 je de…nirana z
a d g
e h d g d g
b e h =a b +c
f i f i e h
c f i
= aei af h bdi + bf g + cdh ceg:
µ je ~a = a1~i + a2~j + a3~k in ~b = b1~i + b2~j + b3~k, potem iz trditve 1.10 in de…nicije
Ce
determinante sledi
~a ~b = (a2 b3 a3 b2 )~i + (a3 b1 a1 b3 ) ~j + (a1 b2 a2 b1 ) ~k
a2 b 2 ~ a1 b 1 ~ a b
= i j + 1 1 ~k:
a3 b 3 a3 b 3 a2 b 2
Zato lahko vektorski produkt raµcunamo z uporabo formalne determinante
~i a1 b1
~a ~b = ~j a2 b2 :
~k a3 b3

Lema 1.11. Vektorski in skalarni produkt povezuje (Lagrangeova) identiteta

j~a ~bj2 + (~a ~b)2 = j~aj2 j~bj2

za vse ~a; ~b 2 R3 :

32
Dokaz. Naj imata vektorja ~a; ~b standardno oznaµcene komponente. Potem je

(~a ~b)2 = (a1 b1 + a2 b2 + a3 b3 )2 ;

j~aj2 j~bj2 = (a21 + a22 + a23 )(b21 + b22 + b23 );
j~a ~bj2 = (a2 b3 a3 b2 )2 + (a3 b1 a1 b3 )2 + (a1 b2 a2 b 1 ) 2 :

Ko dane izraze poenostavimo do konca, ugotovimo, da dana identiteta velja. Izraµcun

tega prepušµcamo bralcu.

Geometrijski pomen vektorskega produkta

Vektorski produkt ima lep geometrijski pomen.

Izrek 1.12. Naj bosta ~a; ~b 2 R3 . Potem velja:

(i) vektor ~a ~b je pravokoten na oba vektorja ~a in ~b;

(ii) j~a ~bj = j~ajj~bj sin ', kjer je ' = ](~a; ~b);

(iii) smer vektorja ~a ~b je doloµcena po pravilu gibanja desnega vijaka pri zasuku
~a proti ~b po krajši poti.

Vektor ~a ~b, ki je prikazan na sliki 1.24, je pravokoten na oba vektorja ~a in ~b,

torej (~a ~b) ~a = 0 in (~a ~b) ~b = 0. Njegova norma je enaka plošµcini paralelograma,
ki ga doloµcata vektorja ~a in ~b. Ceµ za osnovnico paralelograma izberemo ~a, potem
je njegova višina v = j~bj sin ', kjer je ' 2 [0; ] kot med vektorjema ~a in ~b. Zato je
S = j~ajv = j~ajj~bj sin ' plošµcina paralelograma, ki predstavlja normo j~a ~bj. Smer
vektorja ~a ~b doloµcimo enoliµcno po pravilu gibanja desnega vijaka.

Slika 1.24: Vektorski produkt

33
Dokaz izreka 1.12. (i) Dokaµzimo, da sta vektorja ~a in ~a ~b pravokotna. Upošte-
vajoµc (1.7) z neposrednim raµcunom dobimo
2 3 2 3
a1 a2 b 3 a3 b 2
~a (~a ~b) = 4a2 5 4a3 b1 a1 b3 5
a3 a1 b 2 a2 b 1
= a1 (a2 b3 a3 b2 ) + a2 (a3 b1 a1 b3 ) + a3 (a1 b2 a2 b1 )
= a1 a2 b3 a1 a3 b2 + a2 a3 b1 a2 a1 b3 + a3 a1 b2 a3 a2 b1
= 0:

Podobno dokaµzemo pravokotnost vektorjev ~b in ~a ~b.

(ii) Dana lastnost sledi neposredno iz leme 1.11 in izreka 1.7:

j~a ~bj2 = j~aj2 j~bj2 (~a ~b)2 = j~aj2 j~bj2 j~aj2 j~bj2 cos2 '
= j~aj2 j~bj2 1 cos2 ' = j~aj2 j~bj2 sin2 ':

Ker je ' 2 [0; ], je sin ' 0 in velja j~a ~bj = j~ajj~bj sin '.
(iii) Da ima vektorski produkt ~a ~b smer doloµceno po pravilu desnega vijaka,
sledi iz poštevanke baznih vektorjev ~i; ~j; ~k, kjer je smer doloµcena po pravilu desnega
vijaka. Formalni dokaz te lastnosti bralec najde v [5, poglavje XI, stran 115].

Opomba 2. Vektorja ~a; ~b 2 R3 sta linearno neodvisna natanko tedaj, ko je ~a ~b 6= ~0.

µ sta ~a in ~b linearno neodvisna vektorja, potem je f~a; ~b; ~a ~bg baza vektorskega
Ce
prostora R3 :

Lastnost norme vektorskega produkta lahko v praksi uporabimo za raµcunanje

plošµcine trikotnika.

Slika 1.25: Trikotnik ABC

Zgled 2. Izraµcunaj plošµcino trikotnika, doloµcenega s toµckami A (1; 1; 0), B (0; 1; 1),
C (1; 0; 1), ki ga prikazuje slika 1.25.

34
 ! !
Oznaµcimo z ~a = AB in ~b = AC. Potem je ~a = ~rB ~rA = ~i + ~k in ~b = ~rC ~rA =
~j + ~k ter
2 3
~i 1 0 1
~ ~
~a b = j 0 4
1 = 15 :
~k 1 1 1
Ker plošµcina trikotnika ABC predstavlja polovico plošµcine paralelograma, doloµcenega
z vektorjema ~a in ~b, velja
p
1 1 p 3
S = j~a ~bj = 12 + 12 + 12 = :
2 2 2

V naslednji trditvi bomo spoznali geometrijski pomen determinante reda 2.

Trditev 1.13. Absolutna vrednost determinante
a1 b 1
a2 b 2

predstavlja plošµcino paralelograma, ki ga v R2 doloµcata vektorja

a1 b
~a = in ~b = 1 :
a2 b2

Dokaz. Vloµzimo ravninska vektorja ~a in ~b v prostor R3 . Potem je

~i a1 b1
~a ~b = ~j a2 b2 = a1 b1 ~k = (a1 b2 a2 b1 ) ~k
~k 0 0 a2 b 2

vektor, ki je pravokoten na ravnino R2 . Ker norma j~a ~bj = ja1 b2 a2 b1 j predstavlja

plošµcino paralelograma, doloµcenega z ~a in ~b, je trditev dokazana.
a1 b
Opomba 3. Naj bosta ~a = in ~b = 1 vektorja v R2 . Potem sta ~a in ~b
a2 b2
linearno neodvisna vektorja natanko tedaj, ko je
a1 b 1
6= 0:
a2 b 2
Opomba 4. Vektorski produkt ni asociativen
(~a ~b) ~c 6= ~a (~b ~c):

Na primer, naj bo ~a = ~i; ~b = ~j; ~c = ~i + ~j. Potem vidimo, da asociativnost

vektorskega produkta ne velja
(~a ~b) ~c = (~i ~j) (~i + ~j) = ~k (~i + ~j) = ~j ~i;
~a (~b ~c) = ~i (~j (~i + ~j)) = ~i ( ~k) = ~j:

35
 Kako izraµcunamo (~a ~b) ~c? To je vektor, ki je pravokoten na ~a ~b. Zato leµzi
v ravnini, ki jo doloµcata vektorja ~a in ~b, je oblike ~a + ~b. Zakljuµcimo to poglavje z
odgovorom na zastavljeno vprašanje in z znano Jacobijevo identiteto:

Trditev 1.14. Za vse ~a; ~b; ~c 2 R3 velja

(i) (~a ~b) ~c = (~a ~c)~b (~b ~c)~a;
(ii) (~a ~b) ~c + (~b ~c) ~a + (~c ~a) ~b = ~0 (Jacobijeva identiteta).

Dokaz. (i) Uporabimo obiµcajni zapis vektorjev ~a; ~b; ~c po komponentah. Dokaµzimo
dano enakost samo za prvo komponento. Za ostale komponente je dokaz podoben.
Upoštevajoµc (1.7) velja
2 3 2 3
a2 b 3 a3 b 2 c1
(~a ~b) ~c = 4a3 b1 a1 b3 5 4c2 5 :
a1 b2 a2 b1 c3

µ
Zeleno enakost sedaj preverimo neposredno z raµcunom

((~a ~b) ~c)~i = (a3 b1 a1 b3 ) c3 (a1 b2 a2 b1 ) c2

= a3 b1 c3 a1 b3 c3 a1 b2 c2 + a2 b1 c2
= (a2 c2 + a3 c3 ) b1 (b2 c2 + b3 c3 )a1 + a1 c1 b1 b1 c1 a1
= (a1 c1 + a2 c2 + a3 c3 ) b1 (b1 c1 + b2 c2 + b3 c3 )a1
= (~a ~c)b1 (~b ~c)a1
= ((~a ~c)~b (~b ~c)~a)~i :

µ upoštevamo lastnost (i) in komutativnost skalarnega produkta, lahko

(ii) Ce
zapišemo

(~a ~b) ~c = (~a ~c)~b (~b ~c)~a;

(~b ~c) ~a = (~a ~b)~c (~a ~c)~b;
(~c ~a) ~b = (~b ~c)~a (~a ~b)~c:

Ko na koncu vse dane enakosti seštejemo, vidimo, da smo dobili µzeleno identiteto
(~a ~b) ~c + (~b ~c) ~a + (~c ~a) ~b = ~0.

Zgled 3. Podajmo še rešitev problema 3 iz prejšnjega podpoglavja z uporabo

vektorskega produkta. V ravnini, doloµceni z ~a in ~b, poišµci vektor d, ~ ki je pravokoten
na vektor ~a. Ker vektor d~ leµzi v ravnini, doloµceni z ~a in ~b, je pravokoten na vektor
~a ~b. Hkrati je d~ pravokoten na vektor ~a. Zato lahko za d~ izberemo vektor (~a ~b) ~a.
Po trditvi 1.14 sledi

(~a ~b) ~a = (~a ~a)~b (~a ~b)~a = j~aj2 ~b (~a ~b)~a:

36
1.5 Mešani produkt
V tem podpoglavju bomo spoznali še tako imenovani mešani produkt, ki je kom-
binacija skalarnega in vektorskega produkta. Obravnavali bomo njegove lastnosti.
Zaµcnimo z de…nicijo.

De…nicija. Mešani produkt vektorjev ~a; ~b; ~c 2 R3 je de…niran z

(~a; ~b; ~c) = (~a ~b) ~c:

Trditev 1.15. Naj imajo vektorji ~a; ~b; ~c obiµcajen zapis po komponentah. Potem je

a1 b 1 c 1
(~a; ~b; ~c) = a2 b2 c2 :
a3 b 3 c 3

µ
Dokaz. Zeleno lastnost preverimo neposredno z raµcunom
2 3 2 3
a2 b 3 a3 b 2 c1
~ 4
(~a b) ~c = a3 b1 a1 b3 5 4c2 5
a1 b 2 a2 b 1 c3
= (a2 b3 a3 b2 )c1 + (a3 b1 a1 b3 ) c2 + (a1 b2 a2 b1 ) c3
= a1 (b2 c3 b3 c2 ) a2 (b1 c3 b3 c1 ) + a3 (b1 c2 b2 c1 )
b 2 c2 b 1 c1 b c
= a1 a2 + a3 1 1
b 3 c3 b 3 c3 b2 c 2
a1 b 1 c 1
= a2 b 2 c 2 ;
a3 b 3 c 3

kjer upoštevamo de…nicije vektorskega in skalarnega produkta ter determinante.

Trditev 1.16. Absolutna vrednost mešanega produkta (~a; ~b; ~c) je enaka prostornini
paralelepipeda, ki ga v R3 doloµcajo vektorji ~a; ~b; ~c.

Dokaz. Za osnovno ploskev paralelepipeda, doloµcenega z vektorji ~a; ~b; ~c, izberimo
paralelogram, ki ga doloµcata vektorja ~a in ~b. Glej sliko 1.26. Plošµcina osnovne
ploskve je enaka S = j~a ~bj. Oznaµcimo s ' kot, ki ga oklepata vektorja ~a ~b in
~c. Višina paralelepipeda je enaka normi projekcije vektorja ~c na vektor ~a ~b, to
pomeni v = j~cjj cos 'j. Po de…niciji skalarnega produkta zato sledi

V = Sv = j~a ~bjj~cj jcos 'j = j(~a ~b) ~cj

in trditev je dokazana.

Neposredno iz trditev 1.15 in 1.16 sledi geometrijski pomen determinante.

37
 Slika 1.26: Paralelepiped, doloµcen z ~a; ~b; ~c

Posledica 1.17. Absolutna vrednost determinante reda 3

a1 b 1 c 1
a2 b 2 c 2
a3 b 3 c 3

predstavlja prostornino paralelepipeda, doloµcenega z vektorji ~a; ~b; ~c (stolpci determi-

nante).

Zgled. Izraµcunaj prostornino piramide, ki jo doloµcajo oglišµca A (0; 0; 0), B (1; 1; 0),
C (0; 1; 1) in D (1; 0; 1).

Slika 1.27: Piramida ABCD

Oznaµcimo z ~a; ~b; ~c po vrsti krajevne vektorje toµck B; C; D (glej sliko 1.27). Dani
vektorji nam potem doloµcajo tako piramido ABCD kot ustrezen paralelepiped.

38
Hitro ugotovimo, da prostornina piramide predstavlja 1=6 prostornine paralelepipeda:
1 11 ~bjj~cj jcos 'j = 1 j(~a ~b) ~cj:
V = Sv = j~a
3 32 6
Ker je
1 0 1
(~a ~b) ~c = 1 1 0 = 1 0 0 1
= 1 + 1 = 2;
1 1 1 1
0 1 1
je prostornina piramide ABCD enaka V = 1=3.
Izrek 1.18. Mešani produkt vektorjev ima naslednje lastnosti:

(i) (~a; ~b; ~c) = 0 natanko tedaj, ko so ~a; ~b; ~c linearno odvisni vektorji (komplanarni);

(ii) mešani produkt je linearen v vsaki komponenti, kar za prvo komponento pomeni

( ~a1 + ~a2 ; ~b; ~c) = (~a1 ; ~b; ~c) + (~a2 ; ~b; ~c)

za vse ~a1 ; ~a2 ; ~b; ~c 2 R3 in ; 2 R;

(iii) µce v mešanem produktu med seboj zamenjamo dva vektorja, se spremeni pred-
znak mešanega produkta.

Dokaz. (i) Skalarni produkt (~a ~b) ~c je enak 0 natanko tedaj, ko sta vektorja
~a ~b in ~c pravokotna. To velja natanko tedaj, ko vektor ~c leµzi v ravnini, doloµceni
z vektorjema ~a; ~b. Natanko tedaj so vektorji ~a; ~b; ~c komplanarni oziroma linearno
odvisni.
(ii) Aditivnost in homogenost mešanega produkta po vsaki komponenti je po-
sledica omenjenih lastnosti skalarnega in vektorskega produkta. Dokaµzimo lastnost
za prvo komponento:

( ~a1 + ~a2 ; ~b; ~c) = ( ~a1 + ~a2 ) ~b ~c = (~a1 ~b) + (~a2 ~b) ~c
= (~a1 ~b) ~c + (~a2 ~b) ~c = (~a1 ; ~b; ~c) + (~a2 ; ~b; ~c)

(iii) Predpostaviti smemo, da so vektorji ~a; ~b; ~c orientirani tako, da je (~a; ~b; ~c) 0.
Glej sliko 1.26. Zaradi antikomutativnosti vektorskega produkta velja:

(~a; ~b; ~c) = (~a ~b) ~c = (~b ~a) ~c = (~b; ~a; ~c);
(~b; ~c; ~a) = (~b ~c) ~a = (~c ~b) ~a = (~c; ~b; ~a);
(~c; ~a; ~b) = (~c ~a) ~b = (~a ~c) ~b = (~a; ~c; ~b):

Enakost
(~a; ~b; ~c) = (~b; ~c; ~a) = (~c; ~a; ~b)
sledi iz dejstva, da omenjeni mešani produkti predstavljajo prostornino istega para-
lelepipeda.

39
Opomba. Vektorji ~a; ~b; ~c 2 R3 so linearno neodvisni natanko tedaj, ko je

a1 b 1 c 1
a2 b2 c2 6= 0:
a3 b 3 c 3

Pri tem stolpci v determinanti predstavljajo komponente danih vektorjev.

Izrek 1.19 (Lagrangeova identiteta). Za vse ~a; ~b; ~c; d~ 2 R3 velja

(~a ~b) (~c ~ = (~a ~c)(~b d)

d) ~ ~ ~b ~c):
(~a d)(

V posebnem primeru je j~a ~bj2 = j~aj2 j~bj2 (~a ~b)2 .

Dokaz. V naslednjem raµcunu upoštevamo, da medsebojna zamenjava vektorjev v

mešanem produktu spremeni predznak in trditev 1.14, toµcka (i).

(~a ~b) (~c ~ = (~a; ~b; ~c

d) ~
d)
= (~c ~ ~b; ~a)
d;
= (~c ~
d) ~b ~a

= (~b ~c)d~ (~b d)~

~c ~a
= (~a ~c)(~b d)
~ ~ ~b ~c)
(~a d)(

µ izberemo ~c = ~a in d~ = ~b, sledi

Ce

j~a ~bj2 = (~a ~b) (~a ~b) = (~a ~a)(~b ~b) (~a ~b)(~b ~a) = j~aj2 j~bj2 (~a ~b)2 :

Dobljeno enakost smo µze spoznali v lemi 1.11.

1.6 Enaµcbe premic in ravnin v R3

V tem podpoglavju bomo spoznali osnove analitiµcne geometrije v R3 . Poudarek bo
na obravnavi enaµcb premic in ravnin ter njunem medsebojnem odnosu.

I. Enaµcba premice

Premica p v R3 je doloµcena s toµcko A, ki leµzi na premici, in smernim vektorjem p~.

Z ~rA oznaµcimo krajevni vektor toµcke A in naj ~r oznaµcuje krajevni vektor poljubne
toµcke T . Iz slike 1.28 je razvidno, da toµcka T leµzi na premici p natanko tedaj, ko
velja
~r = ~rA + t~p; t 2 R: (1.8)

40
 Slika 1.28: Premica p

Ko parameter t preteµce celo mnoµzico R, nam enaµcba (1.8) opiše vse toµcke premice
p. Enaµcba (1.8) se imenuje vektorska oblika enaµcbe premice. Naj bodo
2 3
p1
A (x0 ; y0 ; z0 ) ; T (x; y; z) in p~ = 4p2 5 :
p3
Ko vektorsko enaµcbo premice (1.8) predstavimo po komponentah
2 3 2 3 2 3
x x0 p1
4y 5 = 4 y0 5 + t 4p2 5
z z0 p3
in razpišemo, dobimo zelo uporabno parametriµcno obliko enaµcbe premice
9
x = x0 + p 1 t =
y = y 0 + p2 t t 2 R: (1.9)
;
z = z0 + p3 t
µ iz parametriµcne enaµcbe premice izrazimo parameter t, dobimo še enaµcbo premice
Ce
v kanoniµcni obliki
x x0 y y0 z z0
= = = t 2 R: (1.10)
p1 p2 p3
Pri tem smo privzeli, da so vse komponente vektorja p~ razliµcne od 0. Denimo, da je
p3 = 0, potem ima kanoniµcna enaµcba premice obliko
x x0 y y0
= ; z = z0 :
p1 p2
Zgled 1. Zapiši enaµcbo premice p (v vseh treh oblikah), ki poteka skozi toµcki
A (1; 2; 3) in B (3; 2; 1).
!
Za smerni vektor premice p lahko izberemo usmerjeno daljico AB:
2 3
2
p~ = ~rB ~rA = 0 5 :
4
2

41
 Slika 1.29: Premica, doloµcena z A in B

Vektorska enaµcba premice, izraµzena s krajevnima vektorjema ~rA ; ~rB , je potem

~r = ~rA + t~p = ~rA + t(~rB ~rA ) = (1 t) ~rA + t~rB ; t 2 R:

Opazimo, da nam mnoµzica toµck, ko parameter t preteµce interval [0; 1] ; predstavlja

daljico AB. Parametriµcna enaµcba dane premice je torej:
9
x = 1 + 2t =
y = 2 t 2 R;
;
z = 3 2t

njena kanoniµcna enaµcba pa:

x 1 3 z
= ; y = 2:
2 2
Opomba 1. Premici p in q sta vzporedni natanko tedaj, ko sta njuna smerna
vektorja p~ in ~q kolinearna. To velja natanko tedaj, ko je p~ ~q = ~0.

Opomba 2. Premici p in q sta lahko mimobeµzni, lahko pa se sekata. Kot med

sekajoµcima premicama je enak kotu, ki ga doloµcata vektorja p~ in ~q, torej ' = ](~p; ~q).

Slika 1.30: Premici p in q

42
Opomba 3. Enaµcba premice seveda ni doloµcena enoznaµcno. Bralec lahko preveri,
da premico p iz zgleda 1 doloµcata tudi enaµcbi 2 x = z 2; y = 2 in
9
x = 2+t =
y = 2 t 2 R:
;
z = 2 t
II. Enaµcba ravnine

Ravnina v R3 je doloµcena s tremi toµckami A; B; C, ki ne leµzijo na isti premici.

! !
Vektorja ~a = AB in ~b = AC sta linearno neodvisna.

Slika 1.31: Ravnina

Iz slike 1.31 je razvidno, da toµcka T pripada ravnini natanko tedaj, ko so
~ !
vektorji ~a, b in AT linearno odvisni. Torej obstajata realna parametra t; s, da velja
!
AT = t~a + s~b. Dobili smo vektorsko enaµcbo ravnine:
~r = ~rA + t~a + s~b; t; s 2 R: (1.11)
Ko parametra t in s preteµceta realno os, enaµcba (1.11) opiše vse toµcke ravnine .
Naj bodo 2 3 2 3
a1 b1
A (x0 ; y0 ; z0 ) ; T (x; y; z) ; ~a = a2 ; b = b2 5 :
4 5 ~ 4
a3 b3
Ko v enaµcbo ravnine (1.11) vstavimo ustrezne vektorje in zapišemo vsako kompo-
nento posebej, dobimo parametriµcno obliko enaµcbe ravnine
9
x = x 0 + a1 t + b 1 s =
y = y 0 + a2 t + b 2 s t; s 2 R: (1.12)
;
z = z0 + a3 t + b3 s
!
Vektorji ~a, ~b in AT = ~r ~rA so linearno odvisni, zato je njihov mešani produkt
(~a; ~b; ~r ~rA ) = 0. Kar lahko predstavimo tudi z determinanto
a1 b 1 x x0
a2 b 2 y y0 = 0:
a3 b 3 z z0

43
µ dano determinanto razpišemo in uredimo, dobimo enaµcbo oblike
Ce

Ax + Bx + Cz = D; (1.13)

ki se imenuje normalna enaµcba ravnine. V doloµceni literaturi se dana enaµcba imenuje

tudi splošna enaµcba ravnine. Pri delu z ravninami obiµcajno vedno uporabljamo nor-
malno enaµcbo ravnine (1.13). Do normalne enaµcbe ravnine pridemo tudi iz para-
metriµcne oblike enaµcbe ravnine (1.12), kjer iz danih treh enaµcb odstranimo parame-
tra t; s. Kaj nam predstavljajo števila A; B; C in D?

Slika 1.32: Normalni vektor ravnine

Ravnina je doloµcena tudi s toµcko A in vektorjem ~n, ki je pravokoten na dano

ravnino. Glej sliko 1.32! Vektor ~n se imenuje normalen vektor ravnine . Ker je
~n ? ~a in ~n ? ~b, lahko za normalni vektor ravnine izberemo vektor ~n = ~a ~b. Potem
je toµcka T 2 natanko tedaj, ko velja
!
~n AT = 0 oziroma ~n (~r ~rA ) = 0:

Oznaµcimo z 2 3
A
4
~n = B 5 :
C
Potem je
2 32 3
A x x0
0 = ~n (~r 4
~rA ) = B 5 4 y y0 5 = Ax + By + Cz (Ax0 + By0 + Cz0 ):
C z z0

Dobili smo razµclenjeno normalno enaµcbo ravnine (1.13). Vidimo, da nam A; B; C

predstavljajo komponente normalnega vektorja ~n = ~a ~b in D = ~n ~rA = Ax0 +
By0 + Cz0 .

Zgled 2. Doloµcimo normalno enaµcbo ravnine, ki poteka skozi toµcke A (1; 1; 0),
B (0; 1; 1) in C (1; 0; 1). Ugotovi, v katerih toµckah dana ravnina seka koordinatne
osi.
1. naµcin: Najprej bomo do normalne enaµcbe ravnine prišli preko parametriµcne
enaµcbe ravnine. Doloµcimo vektorje

44
 2 3 2 3 2 3
0 1 1
4
~a = ~rB ~rA = 15 415 = 4 0 5 ;
2 13 2 03 2 1 3
1 1 0
~b = ~rC ~rA = 405 415 = 4 15 ;
21 3 0 3 21
2 3
x 1 x 1
! 4
AT = ~r ~rA = y 5 415 = 4y 15 :
z 0 z
Ker je 2 3 2 3 2 3
1 1 0
~ 4 5 4 5
~r = ~rA + t~a + sb = 1 + t 0 + s 4 15 ;
0 1 1
dobimo parametriµcno enaµcbo ravnine
9
x = 1 t =
y = 1 s t; s 2 R:
;
z = t+s
µ dane tri enaµcbe seštejemo, dobimo normalno enaµcbo ravnine x + y + z = 2:
Ce
2. naµcin: Izraµcunamo normalni vektor ravnine
2 3 2 3 2 3
1 0 1
~ 4
~n = ~a b = 0 5 4 1 = 15 :
5 4
1 1 1

Zato je 1 x + 1 y + 1 z = D. Ker toµcka A (1; 1; 0) pripada ravnini, vstavimo

koordinate toµcke A v dano enaµcbo in dobimo še D = 2. Torej je normalna enaµcba
ravnine enaka x + y + z = 2.

Slika 1.33: Ravnina, doloµcena z A; B; C

45
3. naµcin: Normalno enaµcbo ravnine lahko dobimo tudi neposredno iz mešanega
produkta oziroma determinante reda 3:

1 0 x 1
!
~b) AT
0 = (~a = 0 1 y 1
1 1 z
1 y 1 0 x 1
= + = x y z + 2:
1 z 1 y 1

Ravnina x + y + z = 2 seka koordinatne osi v toµckah Tx (2; 0; 0), Ty (0; 2; 0) in

Tz (0; 0; 2). Vidimo, da se odseki, ki jih ravnina naredi na koordinatnih oseh, lepo
vidijo iz enaµcbe
x y z
+ + = 1;
2 2 2
ki se zato imenuje tudi odsekovna oblika enaµcbe ravnine.

Problem 1. Dani sta ravnini : 2x 3y + 4z = 7 in :x y + z = 2. Kaj je

njun presek? Ko zapišemo normalna vektorja ravnin
2 3 2 3
2 1
~n = 4 5
3 ; ~n = 4 15
4 1

vidimo, da sta ~n in ~n nekolinearna vektorja. To pomeni, da je presek danih ravnin

premica, torej p = \ . Kako dobimo enaµcbo premice p?

Slika 1.34: Presek ravnin in

1. naµcin: geometrijski pristop. Premica p leµzi v ravninah in . Zato je smerni

vektor premice p pravokoten na oba normalna vektorja ravnin. Zato smemo za
smerni vektor premice izbrati vektor
2 3 2 3 2 3
2 1 1
p~ = ~n ~n = 4 35 4 15 = 425 :
4 1 1

46
Doloµcimo še eno toµcko, ki leµzi na premici p, torej zadošµca enaµcbama obeh ravnin

x y + z = 2;
2x 3y + 4z = 7:

µ prvo enaµcbo pomnoµzimo z 2 in jo prištejemo k drugi, dobimo y + 2z = 3.

Ce
Dani enaµcbi zadošµcata izbiri y = 1 in z = 2. Zato je x = 2 + y z = 1 in toµcka
A (1; 1; 2) leµzi na premici p. Parametriµcna enaµcba premice p se glasi
9
x = 1+t =
y = 1 + 2t t 2 R:
;
z = 2+t

2. naµcin: rešitev sistema linearnih enaµcb. Premica p je doloµcena s sistemom dveh

linearnih enaµcb s tremi neznankami:

x y + z = 2;
2x 3y + 4z = 7:

Da dobimo parametriµcno enaµcbo premice, moramo rešiti dani sistem. Odstranimo

spremenljivko x iz druge enaµcbe. Kot zgoraj, prištejmo prvo enaµcbo, pomnoµzeno z
2, k drugi enaµcbi in dobimo

x y + z = 2;
y + 2z = 3:

Nadalje, odstranimo spremenljivko y iz prve enaµcbe. Pomnoµzimo drugo enaµcbo z

1 in jo prištejmo k prvi enaµcbi:

x z = 1;
y + 2z = 3:

Nazadnje izrazimo spremenljivki x in y:

x= 1 + z;
y= 3 + 2z; z 2 R:

Dobili smo parametriµcno enaµcbo premice, ki jo preoblikujmo v bolj domaµco obliko

9
x = 1+t =
y = 3 + 2t t 2 R:
;
z = t

Premica p je doloµcena s toµcko A0 ( 1; 3; 0) in smernim vektorjem p~.

Problem 2. Kaj je mnoµzica toµck, ki so enako oddaljene od dveh toµck A in B?

47
 Slika 1.35: Ravnina

Geometrijsko je iz slike 1.35 razvidno, da je to ravnina , ki poteka skozi toµcko

!
S, razpolovišµce daljice AB, in ima normalni vektor AB: Do µzelene mnoµzice toµck
lahko pridemo tudi na drugi naµcin. Toµcka T (x; y; z) je enako oddaljena od toµck
A (a1 ; a2 ; a3 ) in B (b1 ; b2 ; b3 ) natanko tedaj, ko velja d (A; T ) = d (B; T ). To pomeni

(x a1 )2 + (y a2 )2 + (z a3 )2 = (x b1 )2 + (y b2 )2 + (z b3 )2 :

Ko dani izraz razpišemo in uredimo, dobimo enaµcbo ravnine

2(b1 a1 )x + 2(b2 a2 )y + 2(b3 a3 )z = d;

kjer je d = b21 + b22 + b23 a21 a22 a23 .

Problem 3. Kaj je mnoµzica toµck, ki so enako oddaljene od treh toµck A; B; C, ki

ne leµzijo na isti premici?

Slika 1.36: Premica p

Geometrijsko na podlagi skice 1.36 ugotovimo, da je to premica p, ki je pra-

vokotna na ravnino , doloµceno s toµckami A; B; C, in poteka skozi toµcko O, ki
predstavlja središµce oµcrtane kroµznice trikotnika ABC. Enaµcbo premice p najlaµzje
doloµcimo kot presek ravnin 1 in 2 . Pri tem je 1 mnoµzica enako oddaljenih toµck
od A in B ter 2 mnoµzica enako oddaljenih toµck od A in C (glej problem 2). Središµce
oµcrtane kroµznice O lahko nato doloµcimo kot presek premice p in ravnine . Za vajo

48
lahko bralec poišµce središµce oµcrtane kroµznice O, µce so dane toµcke A ( 1; 1; 1),
B (1; 1; 1) in C (1; 3; 7).

III. Enaµcba sfere

Sfera, ki jo prikazuje slika 1.37, je mnoµzica toµck iz R3 , ki so enako oddaljene od toµcke

S, ki se imenuje središµce dane sfere. Sfera s središµcem S (x0 ; y0 ; z0 ) in polmerom r > 0
! ! !
ima enaµcbo ST ST = r2 , kjer je ST = ~r ~rS . Enaµcbo sfere lahko predstavimo tudi
v obliki
(x x0 )2 + (y y0 )2 + (z z0 )2 = r2 :

Slika 1.37: Sfera

IV. Oddaljenosti

Razdaljo med dvema toµckama v prostoru smo µze spoznali, glej (1.5). Obravnavajmo
še oddaljenosti toµcke od premice in ravnine ter oddaljenost dveh premic.

Slika 1.38: Oddaljenost toµcke od premice

Oddaljenost toµcke od premice. Naj bo premica p podana s toµcko A in smernim

vektorjem p~ in naj bo T poljubna toµcka. Oddaljenost toµcke od premice d (T; p) je

49
de…nirana kot najmanjša razdalja med dano toµcko T in neko toµcko na premici. Ce µ
izrazimo plošµcino paralelograma, oznaµcenega na sliki 1.38, na dva razliµcna naµcina
!
S = j~pj d = j~p AT j;

vidimo, da je iskana oddaljenost enaka

!
j~p AT j
d (T; P ) = :
j~pj

Oddaljenost toµcke od ravnine. Naj ima ravnina normalno enaµcbo ax + by + cz = d.

Ravnina je doloµcena s toµcko A (x0 ; y0 ; z0 ) in normalnim vektorjem
2 3
a
4
~n = b 5 :
c

Oddaljenost toµcke od ravnine d (T; ) je najkrajša razdalja dane toµcke od poljubne

toµcke na ravnini.

Slika 1.39: Oddaljenost toµcke od ravnine

Iz slike 1.39 je razvidno, da je oddaljenost toµcke T (x; y; z) od ravnine enaka dolµzini

!
projekcije vektorja AT = ~r ~rA na normalni vektor ~n. Torej
!
j~n AT j j~n ~r ~n ~rA j jax + by + cz dj
d (T; ) = = = p :
j~nj j~nj a2 + b 2 + c 2
Dani obrazec jepše posebej ugoden za raµcunanje v primeru, ko je ~n enotski vektor.
Tedaj je j~nj = a2 + b2 + c2 = 1 in d (T; ) = jax + by + cz dj.

Razdalja med dvema premicama. Naj bo premica p doloµcena s toµcko P in smernim

vektorjem p~ in podobno naj bo premica q doloµcena s Q in ~q. Razdalja med premi-
cama d (p; q) je enaka najkrajši razdalji med eno toµcko s premice p in eno toµcko s
µ sta premici vzporedni, potem je njuna razdalja d (p; q) = d (P; q), kar
premice q. Ce
smo µze obravnavali.

50
 Slika 1.40: Oddaljenost premic p in q

Predpostavimo sedaj, da p in q nista vzporedni premici. Na podlagi slike 1.40

ugotovimo, da dve najbliµzji toµcki povezuje daljica AB, ki je pravokotna na obe pre-
mici. Daljica AB leµzi na premici r, doloµceni s smernim vektorjem ~r = p~ ~q. Zato je
!
razdalja med premicama d (p; q) = jABj in predstavlja dolµzino projekcije vektorja
!
P Q na vektor p~ ~q. Hkrati je d (p; q) oddaljenost toµcke Q od ravnine, ki vsebuje pre-
mico p in ima normalni vektor p~ ~q. Torej d (p; q) predstavlja višino paralelepipeda,
! µ
doloµcenega z vektorji p~; ~q; P Q. Ce zapišemo prostornino tega paralelepipeda
!
V = j(~p; ~q; P Q)j = j~p ~qj d;

dobimo eleganten obrazec za razdaljo med premicama, v katerem nastopata vek-

torski in mešani produkt:
!
j(~p; ~q; P Q)j
d (p; q) = :
j~p ~qj

51
Poglavje 2

Vektorji v Rn

V tem poglavju bomo vpeljali vektorski prostor Rn urejenih n-teric realnih števil in
tako posplošili µze obravnavani primer R3 . De…nirali bomo samo osnovne pojme iz
splošne teorije vektorskih prostorov, ki jih bomo potrebovali pri nadaljnjem delu.
Podrobneje se s teorijo vektorskih prostorov ukvarja t. i. linearna algebra.

2.1 Vektorski podprostor

Naj bo n naravno število. Z Rn = f(x1 ; x2 ; :::; xn ) jxi 2 Rg oznaµcimo mnoµzico vseh
urejenih realnih n-teric. Toµcke v Rn bomo krajše oznaµcevali z x = (x1 ; x2 ; :::; xn ),
y = (y1 ; y2 ; :::; yn ), z = (z1 ; z2 ; :::; zn )... Na mnoµzici Rn de…niramo seštevanje + :
Rn Rn ! Rn :

(x1 ; x2 ; :::; xn ) + (y1 ; y2 ; :::; yn ) = (x1 + y1 ; x2 + y2 ; :::; xn + yn )

za vse x; y 2 Rn in mnoµzenje z realnimi skalarji : R Rn ! Rn :

(x1 ; x2 ; :::; xn ) = ( x1 ; x2 ; :::; xn )

za vsak 2 R in vsak x 2 Rn . Potem velja:

Trditev 2.1. Seštevanje in mnoµzenje s skalarji v Rn zadošµcata naslednjim lastno-
stim:
S1 x + y = y + x za vse x; y 2 Rn ;
S2 (x + y) + z = x + (y + z) za vse x; y; z 2 Rn ;
S3 Obstaja 0 2 Rn , da je x + 0 = x za vsak x 2 Rn ;
S4 Za vsak x 2 Rn obstaja x 2 Rn , da je x + ( x) = 0;
M 1 (x + y) = x + y za vse 2 R, x; y 2 Rn ;
M 2 ( + ) x = x + x za vse ; 2 R, x 2 Rn ;
M 3 ( ) x = ( x) za vse ; 2 R, x 2 Rn ;
M 4 1x = x za vsak x 2 Rn :
Dokaz. Dokaz dane trditve je rutinski in podoben dokazoma trditev 1.1 in 1.2. Zato
ga prepustimo bralcu. Opomnimo samo, da je nevtralni element za seštevanje 0 =

52
(0; 0; :::; 0) 2 Rn in nasproten element elementa x 2 Rn je x= (x1 ; x2 ; :::; xn ) =
( x1 ; x2 ; :::; xn ).

Opomba 1. (Rn ; +; ) je primer realnega vektorskega prostora. Njegovi elementi

so vektorji, ki jih predstavljajo urejene n-terice: x = (x1 ; x2 ; :::; xn ) 2 Rn . V
doloµcenih primerih bomo za vektorje v Rn uporabili tudi model v obliki vrstiµcnega
ali stolpµcnega zapisa; torej
2 3
x1
6 x2 7
6 7
x = x1 x2 xn 2 Rn ali x = 6 .. 7 2 Rn :
4.5
xn

Zaradi laµzjega zapisa praviloma uporabljamo zapis vektorjev v obliki urejenih n-

teric.

Zgled 1. Naj bosta x = (1; 2; 3; 4; 5) in y = (5; 4; 3; 2; 1) vektorja iz R5 . Potem je

x + y = (1; 2; 3; 4; 5) + (5; 4; 3; 2; 1) = (6; 6; 6; 6; 6) = 6 (1; 1; 1; 1; 1) 2 R5 :

De…nicija. Neprazna mnoµzica V Rn je vektorski podprostor v Rn , µce velja

(i) za vse x; y 2 V je tudi x + y 2 V ,
(ii) za vsak x 2 V in vsak 2 R je tudi x 2 V .

Opomba 2. Toµcki (i) in (ii) iz de…nicije vektorskega podprostora povesta, da je

mnoµzica V zaprta za seštevanje in mnoµzenje s skalarji. Zato je V vektorski prostor,
saj zadošµca lastnostim S1–S4 in M 1–M 4. Vektor 0 je vedno element V . Ker je
V 6= ;, obstaja x 2 V . Upoštevajoµc 1 + 0 = 1, lahko zapišemo (1 + 0) x = 1x.
Zaradi M 1 velja 1x + 0x = 1x in po (ii) sledi 0x = 0 2 V .

Opomba 3. Toµcki (i) in (ii) iz de…nicije vektorskega podprostora lahko nado-

mestimo z ekvivalentno zahtevo, da je x + y 2 V za vse x; y 2 V in ; 2 R.
V praksi, ko preverjamo ali je doloµcena podmnoµzica v Rn vektorski podprostor,
obiµcajno uporabljamo omenjeno ekvivalentno obliko.

Zgled 2. Oglejmo si nekatere primere vektorskih podprostorov.

1. Naj bo ~0 6= ~a 2 R3 . Potem je V = f~x 2 R3 j~a ~x = 0g vektorski podprostor

v R3 . Dokaµzimo, da za vse ~x; ~y 2 V in ; 2 R velja ~x + ~y 2 V . Po
predpostavki je ~a ~x = 0 in ~a ~y = 0. Upoštevajoµc lastnosti skalarnega
produkta, lahko zapišemo

~a ( ~x + ~y ) = (~a ~x) + (~a ~y ) = 0 + 0 = 0

in vidimo, da vektor ~x + ~y pripada V . Mnoµzica V vsebuje vse vektorje, ki

so pravokotni na vektor ~a, in geometrijsko predstavlja ravnino z normalnim
vektorjem ~a, ki poteka skozi izhodišµce.

53
 2. Naj bo spet ~0 6= ~a 2 R3 . Potem je tudi U = f~x 2 R3 j~a ~x = ~0g vektorski
podprostor v R3 . Naj bosta ~x; ~y 2 U poljubna vektorja in ; poljubna realna
skalarja. Po predpostavki je ~a ~x = ~0 in ~a ~y = ~0. Upoštevajoµc lastnosti
vektorskega produkta velja

~a ( ~x + ~y ) = (~a ~x) + (~a ~y ) = ~0 + ~0 = ~0:

Zato je ~x + ~y 2 U in U je vektorski podprostor prostora R3 . Vemo, da je

~a ~x = ~0 natanko tedaj, ko sta ~a in ~x kolinearna vektorja; ~x = ~a za neki
2 R. Zato U = f ~aj 2 Rg predstavlja premico, ki poteka skozi izhodišµce
in ima smerni vektor ~a.
3. Mnoµzica

V = (x1 ; x2 ; x3 ; x4 ; x5 ) 2 R5 jx1 + x2 = 0; x4 x5 = 0

je vektorski podprostor v R5 . Ker je x2 = x1 in x5 = x4 , lahko zapišemo

V = (x1 ; x1 ; x3 ; x4 ; x4 ) 2 R5 jx1 ; x3 ; x4 2 R :

Preverimo zaprtost mnoµzice V za seštevanje in mnoµzenje s skalarji. Naj bosta

x = (x1 ; x1 ; x3 ; x4 ; x4 ) ; y = (y1 ; y1 ; y3 ; y4 ; y4 ) 2 V in ; 2 R. Potem je

x + y = (x1 ; x1 ; x3 ; x4 ; x4 ) + (y1 ; y1 ; y3 ; y4 ; y4 )
= ( x1 + y 1 ; x1 y1 ; x31 + y3 ; x4 + y4 ; x4 + y4 )
= (z1 ; z1 ; z3 ; z4 ; z4 ) :

Vidimo, da je x + y 2 V .
4. Mnoµzica
V = f(x1 ; x2 ; :::; xn ) 2 Rn jx1 + x2 + + xn = 0g
je vektorski podprostor v Rn . Naj bo z = x + y, kjer sta x; y 2 V in
; 2 R. Potem je

z = x + y = (x1 ; x2 ; :::; xn ) + (y1 ; y2 ; :::; yn )

= ( x1 + y1 ; x2 + y2 ; :::; xn + yn ) :

Po predpostavki je x1 + x2 + ::: + xn = 0 in y1 + y2 + ::: + yn = 0: Zato je

z1 + z2 + + zn = ( x1 + y1 ) + ( x2 + y2 ) + + ( xn + y n )
= (x1 + x2 + ::: + xn ) + (y1 + y2 + ::: + yn )
= 0+ 0=0

in vektor z = x + y pripada V .

Trditev 2.2. Naj bosta U in V vektorska podprostora v Rn . Tedaj sta tudi njun
presek U \V = fxjx 2 U; x 2 V g in vsota U +V = fu + vju 2 U; v 2 V g vektorska
podprostora.

54
Dokaz. Dokaµzimo, da je U \ V vektorski podprostor. Naj bosta x; y 2 U \ V
poljubna vektorja in ; poljubna skalarja. Ker je U \ V U , sta x; y 2 U . Ker je
U vektorski podprostor, velja x + y 2 U . Podobno je tudi x + y 2 V . Torej je
x + y 2 U \ V in U \ V je vektorski podprostor.
Vsoto U + V vektorskih podprostorov U in V tvorijo vsi vektorji x, ki se zapišejo
v obliki vsote x = u + v, kjer je u 2 U; v 2 V . Naj bosta x1 = u1 + v1 in x2 = u2 + v2
poljubna elementa iz U + V in ; realna skalarja. Lahko zapišemo
x + y = (u1 + v1 ) + (u2 + v2 )
= ( u1 + u2 ) + ( v1 + v2 )
= u0 + v 0 :
Ker je U vektorski podprostor, je u0 = u1 + u2 2 U in podobno velja v 0 =
v1 + v2 2 V . Zato je x + y = u0 + v 0 2 U + V . Torej je U + V vektorski
podprostor.

Zgled 3. Pravi vektorski podprostori v R3 (razliµcni od 0; R3 ) so ravnine in premice,

ki vsebujejo izhodišµce.

1. Naj bosta in razliµcni ravnini v R3 , ki potekata skozi izhodišµce. Tedaj je

\ premica, v kateri se sekata ravnini in .
2. Naj bosta p in q razliµcni premici v R3 , ki potekata skozi izhodišµce. Tedaj je
p + q ravnina, ki vsebuje premici p in q.

Opomba 4. Naj bosta U in V vektorska podprostora v Rn . Potem velja U \ V

U U + V in U \ V V U + V . Nadalje, presek U \ V je najveµcji vektorski
podprostor v Rn (glede na inkluzijo ), ki je vsebovan v podprostorih U; V . Medtem
ko je vsota U + V najmanjši vektorski podprostor v Rn , ki vsebuje oba podprostora
U; V .

Naj bodo v1 ; v2 ; :::; vm vektorji iz Rn . Kateri vektorski podprostor v Rn je naj-

manjši vektorski podprostor, ki vsebuje dane vektorje? Iskani vektorski podprostor
se imenuje linearna lupina vektorjev v1 ; v2 ; :::; vm in vsebuje vse linearne kombinacije
danih vektorjev:
L fv1 ; v2 ; :::; vm g = f 1 v1 + 2 v2 + + m vm j i 2 Rg :
To sledi iz naslednje trditve.
Trditev 2.3. Vektorski prostor V = L fv1 ; v2 ; :::; vm g je najmanjši vektorski pod-
prostor v Rn , ki vsebuje mnoµzico fv1 ; v2 ; :::; vm g.
Dokaz. Naj bosta x = 1 v1 + 2 v2 + ::: + m vm in y = 1 v1 + 2 v2 + ::: + m vm
poljubna vektorja iz V . Potem velja
x+y =( 1 + 1 ) v1 + ( 2 + 2 ) v2 + +( m+ m ) vm 2 V;
x=( 1 ) v1 + ( 2 ) v2 + +( m ) vm 2 V

55
za vsak 2 R. Zato je V vektorski podprostor prostora Rn . Denimo, da vektorski
podprostor U vsebuje mnoµzico fv1 ; v2 ; :::; vm g. Ker je mnoµzica U zaprta za mnoµzenje
s skalarji, vsebuje U vektorje 1 v1 ; 2 v2 ; :::; m vm za vse i 2 R. Ker je U zaprta
mnoµzica za seštevanje, U vsebuje tudi vsako linearno kombinacijo 1 v1 + 2 v2 + +
m vm . Zato je V U in V je najmanjši vektorski podprostor, ki vsebuje vektorje
v1 ; v2 ; :::; vm .

V naslednjem podpoglavju bomo videli, da za vsak vektorski podprostor V Rn

obstajajo vektorji v1 ; v2 ; :::; vm 2 V , s katerimi je ta generiran. Zato lahko vsak
vektorski podprostor v Rn predstavimo v obliki V = L fv1 ; v2 ; :::; vm g.

2.2 Linearna neodvisnost in baza

Podobno kot pri geometrijskih vektorjih je tudi pri vektorjih v Rn linearna kombi-
nacija vektorjev v1 ; v2 ; :::; vm 2 Rn in skalarjev 1 ; 2 ; :::; m vektor

v= 1 v1 + 2 v2 + + m vm 2 Rn :

Prav tako so vektorji v1 ; v2 ; :::; vm 2 Rn linearno neodvisni, µce je edino njihova trivi-
alna linearna kombinacija enaka 0, to pomeni

1 v1 + 2 v2 + + m vm =0 ) 1 = 2 = = m = 0:
µ vektorji niso linearno neodvisni, so linearno odvisni. Podobno kot v R3 de…niramo
Ce
tudi bazo vektorskega podprostora.

De…nicija. Mnoµzica fv1 ; v2 ; :::; vm g je baza vektorskega podprostora V Rn , µce

velja
(i) vektorji v1 ; v2 ; :::; vm so linearno neodvisni,
(ii) V = Lfv1 ; v2 ; :::; vm g.

Opomba 1. Toµcka (ii) iz de…nicije baze podprostora pravi, da se da vsak vektor

v 2 V zapisati v obliki linearne kombinacije v = 1 v1 + 2 v2 + + m vm , i 2 R.
Izrek 2.4. Mnoµzica fv1 ; v2 ; :::; vm g je baza vektorskega podprostora V Rn natanko
tedaj, ko se vsak v 2 V enoliµcno zapiše kot v = 1 v1 + 2 v2 + + m vm , i 2 R.

Dokaz. Naj bo fv1 ; v2 ; :::; vm g baza vektorskega podprostora V Rn . Dokaµzimo

enoliµcnost zapisa. Denimo, da vektor v zapišemo v oblikah

v= 1 v1 + 2 v2 + + m vm in v = 1 v1 + 2 v2 + + m vm :

Potem je
( 1 1 ) v1 +( 2 2 ) v2 + +( m m ) vm = 0:
Ker so vektorji v1 ; v2 ; :::; vm linearno neodvisni, sledi enoliµcnost zapisa 1 = 1; 2 =
2 ; :::; m = m .

56
 Obratno. Predpostavimo, da je zapis vsakega vektorja v obliki linearne kombi-
nacije vektorjev v1 ; v2 ; :::; vm enoliµcen. Pogoj (ii) iz de…nicije baze je oµcitno izpolnjen.
Dokaµzimo toµcko (i). Niµcelni vektor lahko vedno predstavimo s trivialno linearno
kombinacijo 0 = 0v1 + 0v2 + + 0vm . Ce µ je hkrati še 0 = 1 v1 + 2 v2 + + m vm ,
zaradi enoliµcnosti zapisa sledi 1 = 0; 2 = 0; :::; m = 0. To pomeni, da so vektorji
v1 ; v2 ; :::; vm linearno neodvisni. Zato je fv1 ; v2 ; :::; vm g baza vektorskega podprostora
V.

Omenimo dve dejstvi, ki pa ju ne bomo dokazovali, ker se dokaµzeta pri predmetu

Linearna algebra.

Dejstvo 1. Vsak vektorski prostor V ima bazo. Baza je maksimalna linearno

neodvisna mnoµzica vektorjev iz V .

Dejstvo 2. Vse baze vektorskega prostora imajo isto moµc.

Zato de…niramo, da je razseµznost ali dimenzija vektorskega podprostora V Rn

moµc njegove baze. Ce µ ima vektorski podprostor V n
R razseµznost enako m, bomo
to krajše oznaµcili z dim V = m.

Zgled 2. Oglejmo si nekatere primere baz vektorskih podprostorov.

1. Vektorski prostor Rn je n razseµzen, zapišemo dim Rn = n, in tako imenovano

standardno bazo tega prostora tvorijo vektorji

e1 = (1; 0; :::; 0) ; e2 = (0; 1; :::; 0) ; ; en = (0; 0; :::; 1) :

Namreµc, vsak vektor x = (x1 ; x2 ; :::; xn ) 2 Rn lahko enoliµcno zapišemo v obliki

x = (x1 ; x2 ; :::; xn ) = x1 (1; 0; :::; 0) + x2 (0; 1; :::; 0) + + xn (0; 0; :::; 1)

= x1 e 1 + x2 e 2 + + xn e n :

2. Naj bo V = f(x1 ; x2 ; x3 ; x4 ; x5 ) 2 R5 jx1 + x2 = 0; x4 x5 = 0g. V tretji toµcki

zgleda 2 v prejšnjem podpoglavju smo videli, da je

V = f(x1 ; x1 ; x3 ; x4 ; x4 ) jx1 ; x3 ; x4 2 Rg:

Vsak vektor x 2 V lahko zapišemo v obliki

x = (x1 ; x1 ; x3 ; x4 ; x4 )
= x1 (1; 1; 0; 0; 0) + x3 (0; 0; 1; 0; 0) + x4 (0; 0; 0; 1; 1)
= x1 v1 + x3 v2 + x4 v3 :

Ker je omenjeni zapis enoliµcen, je mnoµzica

B = f(1; 1; 0; 0; 0) ; (0; 0; 1; 0; 0) ; (0; 0; 0; 1; 1)g

57
 baza prostora V in dim V = 3. Standardno bazo prostora R5 tvorijo vektorji
fe1 ; e2 ; e3 ; e4 ; e5 g. Vektorji baze B se s standardnimi vektorji izraµzajo v obliki
v1 = e1 e2 , v2 = e3 in v3 = e4 + e5 .
Do razseµznosti in baze vektorskega prostora V lahko pridemo tudi hitreje.
Vidimo, da imamo za doloµcitev vektorjev iz V tri proste realne parametre
x1 ; x3 ; x4 . Zato je dim V = 3. Bazne vektorje dobimo z neodvisnim izborom
x1 = 1; x3 = 0; x4 = 0 ) v1 = (1; 1; 0; 0; 0) ;
x1 = 0; x3 = 1; x4 = 0 ) v2 = (0; 0; 1; 0; 0) ;
x1 = 0; x3 = 0; x4 = 1 ) v3 = (0; 0; 0; 1; 1) :

3. Naj bo V = f(x1 ; x2 ; :::; xn ) 2 Rn jx1 + x2 + + xn = 0g. Vzemimo poljuben

vektor x = (x1 ; x2 ; :::; xn ) 2 V . Potem velja x1 = x2 x3 ::: xn in lahko
zapišemo
x = (x1 ; x2 ; x3 ; :::; xn )
= ( x2 x3 xn ; x2 ; x3 ; :::; xn )
= x2 ( 1; 1; 0; :::; 0) + x3 ( 1; 0; 1; :::; 0) + + xn ( 1; 0; 0; :::; 1) :
Zaradi enoliµcnosti zapisa sledi, da je
B = f( 1; 1; 0; :::; 0) ; ( 1; 0; 1; :::; 0) ; ; ( 1; 0; 0; :::; 1)g
primer baze prostora V in dim V = n 1. Ce µ uporabimo standardne bazne
vektorje ei , lahko zapišemo B = fe2 e1 ; e3 e1 ; :::; en e1 g.
Tudi v tem primeru za doloµcitev vektorskega podprostora V prosto izbiramo
n 1 parametrov x2 ; x3 ; :::; xn . Zato je dim V = n 1. Ko izberemo x2 = 1
in x3 = ::: = xn = 0, dobimo x1 = 1 in prvi bazni vektor e2 e1 =
( 1; 1; 0; :::; 0). Podobno nadaljujemo.
Problem. Kako preverimo, ali so vektorji v1 ; v2 ; :::; vm 2 Rn linearno neodvisni?
Kako poišµcemo koe…ciente linearne kombinacije pri razvoju vektorja v po bazi B?

Oba omenjena problema rešimo z uporabo sistemov linearnih enaµcb. Demonstri-

rajmo to na naslednjem zgledu. Sisteme linearnih enaµcb bomo sistematiµcno obrav-
navali v 4. poglavju. Ko razvijemo potrebna orodja, bomo znali tudi elegantno
iskati baze vektorskih podprostorov in dokazovati linearno neodvisnost.

Zgled 3. Dokaµzimo, da so vektorji v1 = (1; 1; 0) ; v2 = (1; 1; 1) ; v3 = ( 1; 0; 1) 2

R3 linearno neodvisni in razvijmo vektor v = (2; 3; 2) po bazi fv1 ; v2 ; v3 g.
Linearna neodvisnost pomeni, da iz 1 v1 + 2 v2 + 3 v3 = 0 sledi 1 = 2 = 3 = 0.
Pri delu s sistemi linearnih enaµcb je elegantno uporabljati zapis vektorjev v obliki
µ torej vektorje v1 ; v2 ; v3 predstavimo v stolpµcni obliki, lahko zapišemo
stolpcev. Ce
2 3 2 3 2 3 2 3 2 3
1 1 1 1+ 2 3 0
1
4 5 4 5
1 + 2 1 + 3 0 = 4 5 4 1+ 2
5 = 05 :
4
0 1 1 2+ 3 0

58
Vektorji v1 ; v2 ; v3 so linearno neodvisni natanko tedaj, ko ima sistem treh linearnih
enaµcb s tremi neznankami

1 + 2 3 = 0;
1+ 2 = 0;
2+ 3 = 0:

samo trivialno rešitev 1 = 2 = 3 = 0. Poišµcimo rešitev tega sistema enaµcb. V ta

namen prištejmo drugo in tretjo enaµcbo k prvi in dobimo

3 2 = 0;
1+ 2 = 0;
2+ 3 = 0:

Iz prve enaµcbe sledi, da je 2 = 0, iz preostalih pa še 1 = 2 = 0 in 3 = 2 = 0.

Dokazali smo linearno neodvisnost vektorjev v1 ; v2 ; v3 . Zato je mnoµzica fv1 ; v2 ; v3 g
baza prostora R3 .
Izrazimo še vektor v = (2; 3; 2) v obliki linearne kombinacije v = 1 v1 +
2 v2 + 3 v3 . V stolpµ
cnem zapisu vektorjev to pomeni
2 3 2 3 2 3 2 3 2 3
1 1 1 1+ 2 3 2
1
4 5 4 5
1 + 2 1 + 3 0 = 4 5 4 1+ 2
5 = 4 35 :
0 1 1 2+ 3 2

Ponovno moramo rešiti sistem treh linearnih enaµcb s tremi neznankami

1 + 2 3 = 2;
1+ 2 = 3;
2+ 3 = 2:

Tudi tokrat prištejemo drugo in tretjo enaµcbo k prvi

3 2 = 3;
1+ 2 = 3;
2+ 3 = 2:

Potem je 2 = 1, 1 = 2 +3 = 2 in 3 = 2 2 = 1. Zato je v = 2v1 v2 v3 .

Zakljuµcimo to poglavje s tako imenovano dimenzijsko formulo in z zgledom

uporabe te formule. Omenjena formula povezuje razseµznosti podprostorov U; V; U +
V in U \ V .

Trditev 2.5 (Dimenzijski izrek). Naj bosta U; V Rn vektorska podprostora. Potem

velja dim (U + V ) = dim U + dim V dim (U \ V ).

59
Skica dokaza. Oznaµcimo z BU \V = fw1 ; :::; wk g bazo prostora U \ V . Ker je
U \V U , lahko bazo BU \V dopolnimo do baze BU = BU \V [ fu1 ; :::; ui g pros-
tora U . Podobno, ker je U \ V V , dopolnimo bazo BU \V do baze BV =
BU \V [ fv1 ; :::; vj g prostora V . Vsak vektor iz U + V je vsota vektorjev u + v,
kjer je u 2 U in v 2 V . Zato se vsak vektor u + v zapiše kot linearna kom-
binacija vektorjev w1 ; :::; wk ; u1 ; :::; ui ; v1 ; :::; vj , ki so linearno neodvisni vektorji.
Torej, mnoµzica BU +V = BU [ (BV nBU \V ) je baza prostora U + V . Zato velja
jBU +V j = jBU j + jBV j jBU \V j in dimenzijska formula je dokazana.

Zgled 4. Doloµcimo dimenzije in baze vektorskih podprostorov U; V; U \ V; U + V ,

µce je

U = x 2 R5 jx1 + 2x5 = 0; x1 + x2 + x3 + x4 = 0 in
V = x 2 R5 jx1 2x5 = 0; x1 x2 + x3 x4 = 0; x2 + x3 + x4 2x5 = 0 :

Podprostor U je doloµcen z enaµcbama

x1 + 2x5 = 0;
x1 + x2 + x3 + x4 = 0:

Iz danih enaµcb lahko izrazimo prvi dve spremenljivki

x1 = 2x5 ; (2.1)
x2 = x3 x4 + 2x5 ;

ki sta odvisni od x3 ; x4 ; x5 2 R. Zato ima x 2 U obliko

x = ( 2x5 ; x3 x4 + 2x5; x3 ; x4 ; x5 )
= x3 (0; 1; 1; 0; 0) + x4 (0; 1; 0; 1; 0) + x5 ( 2; 2; 0; 0; 1) :

Velja dim U = 3, saj so vektorji (0; 1; 1; 0; 0) ; (0; 1; 0; 1; 0) ; ( 2; 2; 0; 0; 1) linearno

neodvisni in baza BU = f(0; 1; 1; 0; 0) ; (0; 1; 0; 1; 0) ; ( 2; 2; 0; 0; 1)g.
Podprostor V je doloµcen s tremi enaµcbami

x1 2x5 = 0;
x1 x2 + x3 x4 = 0;
x2 + x3 + x4 2x5 = 0:

µ prvo enaµcbo, pomnoµzeno z

Ce 1, prištejemo k drugi in nato drugo k tretji, dobimo

x1 2x5 = 0;
x2 + x3 x4 + 2x5 = 0;
2x3 = 0:

60
Tako lahko izrazimo prve tri spremenljivke

x1 = 2x5 ; (2.2)
x2 = x4 + 2x5 ;
x3 = 0;

ki so odvisne od x4 ; x5 2 R. Vsak vektor x 2 V je oblike

x = (2x5 ; x4 + 2x5 ; 0; x4 ; x5 ) = x4 (0; 1; 0; 1; 0) + x5 (2; 2; 0; 0; 1) :

Vidimo, da je dim V = 2 in baza BV = f(0; 1; 0; 1; 0) ; (2; 2; 0; 0; 1)g.

Po de…niciji U \ V vsebuje vse vektorje x 2 R5 , ki rešijo enaµcbe

x1 + 2x5 = 0;
x1 + x2 + x3 + x4 = 0;
x1 2x5 = 0;
x1 x2 + x3 x4 = 0;
x2 + x3 + x4 2x5 = 0:

Ker smo te enaµcbe µze izraµzali, si pomagamo z (2.1) in (2.2) ter vidimo

x1 = x3 = x5 = 0 in x2 = x4 ;

kjer je x4 2 R. Zato je dim U \ V = 1 ter baza BU \V = f(0; 1; 0; 1; 0)g.

Doloµcimo še razseµznost in primer baze prostora U + V: Po dimenzijskem izreku
je
dim (U + V ) = dim U + dim V dim (U \ V ) = 3 + 2 1 = 4:
Ker smo baze prostorov U; V; U \V izbrali tako kot v dokazu trditve 2.5, BU \V BU
in BU \V BV ; lahko za primer baze prostora U + V vzamemo

BU +V = f(0; 1; 1; 0; 0) ; (0; 1; 0; 1; 0) ; ( 2; 2; 0; 0; 1) ; (2; 2; 0; 0; 1)g :

61
Poglavje 3

Matrike

V tem poglavju bomo spoznali nov matematiµcni koncept – matrike. Matrike so

zelo široko uporabne. Obravnavali bomo raµcunske operacije na matrikah, de…nirali
nekatere posebne matrike in predstavili zglede uporabe matrik.

3.1 Raµcunske operacije na matrikah

Naj bosta m in n naravni števili. Realna matrika je pravokotna tabela števil
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = 6 .. .. .. 7 ;
4 . . . 5
am1 am2 amn

kjer je aij 2 R za vse i = 1; 2; :::; m in j = 1; 2; :::; n. Pravimo, da ima matrika A m

vrstic in n stolpcev oziroma je velikosti (razseµznosti, dimenzije) m n.

Zgled 1. Dane so matrike

2 3 2 3
2 3 1 2 3 4
1 2 3 62 3 47 637
A = 42 3 45 ; B = 6
43
7 in C = 6 7
425 :
4 55
3 4 5
4 5 6 1

Matrike A; B; C imajo po vrsti velikost 3 3, 4 3 in 4 1.

Matrike obiµcajno oznaµcujemo z velikimi tiskanimi µcrkami A; B; C; X; Y::: Števila,

ki leµzijo v matriki, se imenujejo elementi. Vsak element aij ima natanko doloµceno
lego, nahaja se v i-ti vrstici in j-tem stolpcu. Mnoµzico vseh realnih m n matrik
bomo oznaµcili z Mm n (R). Matrike bomo krajše oznaµcevali z

A = [aij ] 2 Mm n (R) :

62
V posebnem primeru lahko matrike iz mnoµzic M1 n (R) in Mn 1 (R) identi…ciramo
z vektorji iz Rn :
2
3
b11
6 b21 7
6 7
A = a11 a12 a1n 2 M1 n (R) in B = 6 .. 7 2 Mn 1 (R) :
4 . 5
bn1

Stolpci matrike A 2 Mm n (R), ki jih je n, so stolpµcni vektorji

2 3 2 3 2 3
a11 a12 a1n
6 a21 7 6 a22 7 6 a2n 7
1 6 7 2 6 7 n 6 7
A = 6 .. 7 ; A = 6 .. 7 ; ; A = 6 .. 7
4 . 5 4 . 5 4 . 5
am1 am2 amn

in vrstice, ki jih je m, so vrstiµcni vektorji

A1 = [a11 a12 a1n ] ; A2 = [a21 a22 a2n ] ; ; Am = [am1 am2 amn ] :

Kadar µzelimo poudariti vrstiµcno ali stolpµcno sestavo matrike z vektorji v Rm oz. Rn ,
uporabimo oznako A = [A1 A2 ::: Am ] = [A1 A2 ::: An ].

Zgled 2. Naj bo
1 2 3 4
A= 2 M2 4 (R) :
2 3 4 5
Matriko A = [A1 A2 ] sestavljata vrstiµcna vektorja

A1 = 1 2 3 4 ; A2 = 2 3 4 5

iz R4 in štirje stolpµcni vektorji

1 2 3 4
A1 = ; A2 = ; A3 = ; A4 =
2 3 4 5

iz R2 . Zato lahko zapišemo tudi A = [A1 A2 A3 A4 ].

µ je m = n, pravimo, da je matrika A kvadratna. Mnoµzico vseh kvadratnih n
Ce n
matrik oznaµcimo z Mn (R).

Zgled 3. Primeri kvadratnih matrik

2 3
2 3 0 1 0 1
1 0 1 6 1
1 0 40 1 05 2 M3 (R) ; 6 0 1 077 2 M4 (R) :
2 M2 (R) ; 40
0 1 1 0 15
1 0 1
1 0 1 0

De…nicija. Matriki A; B 2 Mm n (R) sta enaki, oznaµcimo A = B, µce je aij = bij za

vse i = 1; 2; :::; m in j = 1; 2; :::; n.

63
 Seštevanje matrik

Naj bosta A = [aij ] in B = [bij ] matriki iste velikosti m n. Tedaj je njuna vsota
A + B de…nirana kot m n matrika z elementi (A + B)ij = aij + bij . To pomeni,
da dve matriki enake velikosti seštejemo tako, da seštejemo enakoleµzne elemente:

[aij ] + [bij ] = [aij + bij ] :

Zgled 4. Naj bo

1 2 3 4 4 3 2 1
A= in B = :
2 3 4 5 5 4 3 2

Tedaj je
1 2 3 4 4 3 2 1 5 5 5 5
A+B = + = :
2 3 4 5 5 4 3 2 7 7 7 7
Trditev 3.1. Za seštevanje matrik v mnoµzici Mm n (R) velja:
S1 A + B = B + A za vse A; B 2 Mm n (R).
S2 (A + B) + C = A + (B + C) za vse A; B; C 2 Mm n (R).
S3 Obstaja 0 2 Mm n (R), da je A + 0 = A za vsak A 2 Mm n (R).
S4 Za vsak A 2 Mm n (R) obstaja A 2 Mm n (R), da je A + ( A) = 0.
Dokaz. Seštevanje matrik je preko elementov de…nirano z obiµcajnim seštevanjem
realnih števil. Ker je seštevanje v R komutativno in asociativno, veljata S1 in S2
tudi v Mm n (R). Zapišemo lahko

[aij ] + [bij ] = [aij + bij ] = [bij + aij ] = [bij ] + [aij ]

in

([aij ] + [bij ]) + [cij ] = [aij + bij ] + [cij ] = [(aij + bij ) + cij ]

= [aij + (bij + cij )] = [aij ] + [bij + cij ]
= [aij ] + ([bij ] + [cij ]) :

Nevtralen element za seštevanje v mnoµzici Mm n (R) je niµcelna matrika

2 3
0 0
6 .. 7 2 M
0 = 4 ... .5 m n (R) ;
0 0

ker za vsako matriko A velja A + 0 = [aij ] + [0] = [aij + 0] = [aij ] = A. Nasproten

element matrike A = [aij ] je matrika A = [ aij ], ki vsebuje nasprotne elemente.
Velja namreµc

A + ( A) = [aij ] + [ aij ] = [aij aij ] = [0] = 0:

64
 Mnoµzenje matrik s skalarji

Naj bo 2 R in A 2 Mm n (R). Tedaj je A 2 Mm n (R) matrika z elementi

( A)ij = aij . To pomeni, da matriko s skalarjem pomnoµzimo tako, da s skalarjem
pomnoµzimo vsak njen element: [aij ] = [ aij ].

Zgled 5.

2 2 6 6 1 2 2 1 1
3 = ; = :
4 2 12 6 2 4 2 2 1

Trditev 3.2. Za mnoµzenje matrik s skalarji v mnoµzici Mm n (R) veljajo naslednje

lastnosti:
M 1 (A + B) = A + B za vsak 2 R in vse A; B 2 Mm n (R);
M 2 ( + ) A = A + A za vse ; 2 R in vsak A 2 Mm n (R);
M 3 ( ) A = ( A) za vse ; 2 R in vsak A 2 Mm n (R);
M 4 1A = A za vsak A 2 Mm n (R).
Dokaz. Upoštevajoµc de…nicijo matriµcnega seštevanja in mnoµzenja s skalarji ter
distributivnosti seštevanja v R lahko zapišemo

(A + B) = ([aij ] + [bij ]) = [aij + bij ] = [ (aij + bij )]

= [ aij + bij ] = [ aij ] + [ bij ] = [aij ] + [bij ]
= A + B:

Torej M 1 velja. Dokaz ostalih lastnosti poteka podobno in je prepušµcen bralcu.

Mnoµzenje matrik

Naj bo A = [aij ] 2 Mm n (R) matrika velikosti m n in B = [bij ] 2 Mn r (R) matrika

velikosti n r. Tedaj je produkt matrik A in B matrika AB = [cij ] 2 Mm r (R)
velikosti m r, katere elementi so enaki
X
n
cij = aik bkj = ai1 b1j + ai2 b2j + + ai2 b2j :
k=1

Zgled 6. Naj bosta

2 3
1 2
1 2 3
A= 2 M2 3 (R) in B = 42 35 2 M3 2 (R) :
2 3 4
3 4

Potem je AB matrika velikosti 2 2:

2 3
1 2
1 2 3 4 1 + 4 + 9 2 + 6 + 12 14 20
AB = 2 35 = =
2 3 4 2 + 6 + 12 4 + 9 + 16 20 29
3 4

65
in BA matrika velikosti 3 3:
2 3 2 3 2 3
1 2 1+4 2+6 3+8 5 8 11
1 2 3
BA = 42 35 = 42 + 6 4 + 9 6 + 125 = 4 8 13 185 :
2 3 4
3 4 3 + 8 6 + 12 9 + 16 11 18 25
Opomba 1. Naj bosta A; B 2 Rn vektorja. Vektor A predstavimo v vrstiµcni obliki
in vektor B predstavimo v stolpµcni obliki. To pomeni A 2 M1 n (R) ; B 2 Mn 1 (R).
µ dana vektorja kot matriki zmnoµzimo, dobimo skalarni produkt vektorjev A; B 2
Ce
Rn : 2 3
b1
6 b2 7
6 7
A B = a1 a1 a1 6 .. 7 = a1 b1 + a2 b2 + + an b n :
4.5
bn
V posebnem primeru, ko je n = 3, je to obiµcajni skalarni produkt, de…niran v
podpoglavju 1:3. Skalarni produkt v Rn zadošµca vsem lastnostim, ki so navedene
v trditvi 1.4. Dokaz tega je rutinski in prepušµcen bralcu. Z uporabo skalarnega
produkta lahko na produkt matrik A 2 Mm n (R) in B 2 Mn r (R) gledamo na
naslednji naµcin: (i; j)-ti element matrike AB je skalarni produkt i-te vrstice matrike
A in j-tega stolpca matrike B. To pomeni (AB)ij = Ai B j in lahko zapišemo
2 3
A1 B 1 A1 B 2 A1 B r
6 A2 B 1 A2 B 2 A2 B r 7
1 2 r 6 7
AB = [A1 A2 Am ] B B B =6 .. .. .. 7:
4 . . . 5
1 2 r
Am B Am B Am B
Zgled 7. Dan je sistem treh linearnih enaµcb s tremi neznankami
a11 x + a12 y + a13 z = b1 ;
a21 x + a22 y + a23 z = b2 ;
a31 x + a32 y + a33 z = b3 :
Z uporabo matriµcnega mnoµzenja lahko ta sistem zapišemo v obliki
2 32 3 2 3
a11 a12 a13 x b1
4a21 a22 a23 5 4y 5 = 4b2 5
a13 a23 a33 z b3
in krajše Ax = b, kjer je A 2 M3 (R) matrika in sta x; b 2 R3 stolpµcna vektorja.
µ obstaja AB, ne obstaja nujno BA. Na primer, za
Opomba 2. Ce
1 0 1 2 3
A= in B =
0 1 2 3 4
obstaja produkt
1 0 1 2 3 1 2 3
AB = = :
0 1 2 3 4 2 3 4

66
Ne obstaja pa produkt BA, ker matrik velikosti 2 3 in 2 2 v tem vrstnem redu
ni moµzno zmnoµziti. Nadalje, µce sta A in B kvadratni matriki iste velikosti, potem
obstajata AB in BA. Omenjena produkta nista nujno enaka. Operacija mnoµzenja
pri kvadratnih matrikah ni komutativna. Na primer, naj bosta

0 1 1 1
A= in B = :
0 0 0 0

Potem je

0 1 1 1 0 0
AB = = in
0 0 0 0 0 0
1 1 0 1 0 1
BA = = :
0 0 0 0 0 0

Opazimo, da pri mnoµzenju kvadratnih matrik nastopi zanimiva lastnost, ki se pri

realnih številih ne more zgoditi. Obstajata neniµcelni matriki A; B, za kateri velja
AB = 0. Raµcunanju s kvadratnimi matrikami bo posveµceno naslednje poglavje 3.2.
Trditev 3.3. Za mnoµzenje matrik velja:
A (AB) C = A (BC) za vse A 2 Mm n (R), B 2 Mn r (R), C 2 Mr s (R);
D1 (A + B) C = AC + BC za vse A; B 2 Mm n (R), C 2 Mn r (R);
D2 A (B + C) = AB + AC za vse A 2 Mm n (R), B; C 2 Mn r (R);
H (AB) = ( A) B = A ( B) za vse 2 R, A 2 Mm n (R), B 2 Mn r (R) :
Dokaz. Dokaµzimo lastnost A, asociativnost mnoµzenja matrik A. Naj bodo A, B in
C matrike ustreznih velikosti. Potem je (AB) C 2 Mm s (R) in velja
!
Xr Xr Xn r X
X n
((AB) C)ij = (AB)ik ckj = ail blk ckj = (ail blk ) ckj
k=1 k=1 l=1 k=1 l=1
!
Xn Xr X
n X
r X n
= ail (blk ckj ) = ail blk ckj = ail (BC)lj
l=1 k=1 l=1 k=1 l=1
= (A (BC))ij :

Dokaµzimo lastnost D1, prvo distributivnost. Naj bodo A; B; C ponovno poljubne

matrike ustreznih velikosti. Potem je (A + B) C 2 Mm r (R) in velja
X
n X
n X
n
((A + B) C)ij = (A + B)ik ckj = (aik + bik ) ckj = (aik ckj + bik ckj )
k=1 k=1 k=1
X
n X
n
= aik ckj + bik ckj = (AC)ij + (BC)ij = (AC + BC)ij :
k=1 k=1

Distributivnost D2 dokaµzemo podobno. Nazadnje dokaµzimo še lastnost H, ho-

mogenost matriµcnega mnoµzenja glede mnoµzenja s skalarji. Naj bosta A 2 Mm n (R),

67
B 2 Mn r (R). Potem lahko zapišemo

X
n X
n X
n
( (AB))ij = (AB)ij = aik bkj = ( aik ) bkj = ( A)ik bkj = (( A) B)ij
k=1 k=1 k=1

in podobno
X
n X
n X
n
( (AB))ij = (AB)ij = aik bkj = aik ( bkj ) = aik ( B)kj = (A ( B))ij :
k=1 k=1 k=1

S tem je trditev dokazana.

Transponiranje matrik

Naj bo A matrika velikosti m n. Transponiranka matrike A je matrika AT velikosti

n m, katere elementi so AT ij = aji . To pomeni, da je transponiranje preslikava
T
: Mm n (R) ! Mn m (R) de…nirana z
2 3 2 3
a11 a12 a1n a11 a21 am1
6 a21 a22 a2n 7 6 a12 a22 am2 7
6 7 T 6 7
A = 6 .. .. .. 7 7! A = 6 .. .. .. 7 :
4 . . . 5 4 . . . 5
am1 am2 amn a1n a2n anm

Zgled 8. 2 3
1 2
1 2 3 4 62 37
A= AT = 6
43
7
2 3 4 5 45
4 5
Opomba 3. Matriko AT dobimo tako, da vrstice (stolpce) matrike A po vrsti
zapišemo v stolpce (vrstice).

Trditev 3.4. Transponiranje matrik ima naslednje lastnosti:

(i) (AT )T = A za vsak A 2 Mm n (R);
(ii) ( A)T = AT za vse 2 R, A 2 Mm n (R);
(iii) (A + B)T = AT + B T za vse A; B 2 Mm n (R);
(iv) (AB)T = B T AT za vse A 2 Mm n (R), B 2 Mn r (R).

Dokaz. Ker je
((AT )T )ij = (AT )ji = aij ;
vidimo, da (i) velja. Ker lahko zapišemo

(( A)T )ij = ( A)ji = aji = (AT )ij = ( AT )ij in

((A + B)T )ij = (A + B)ji = aji + bji = (AT + B T )ij ;

68
veljata tudi lastnosti (ii) in (iii). Raµcun

T
X
n X
n
((AB) )ij = (AB)ji = ajk bki = bki ajk
k=1 k=1
X
n
= (B T )ik (AT )kj = (B T AT )ij
k=1

dokazuje še lastnost (iv).

3.2 Algebra kvadratnih matrik

Z Mn (R) smo oznaµcili mnoµzico vseh kvadratnih n n realnih matrik, kjer je n 2 N.
V primeru, ko je n = 1, M1 (R) identi…ciramo z R. Na mnoµzici Mn (R) je poleg
seštevanja matrik:
A + B = [aij ] + [bij ] = [aij + bij ]
in mnoµzenja matrik z realnimi skalarji:

A= [aij ] = [ aij ] ;

dobro de…nirano tudi mnoµzenje matrik:

Pn
AB = [aij ] [bij ] = [ k=1 aik bkj ] :

Opomba 1. Naj bo A mnoµzica, na kateri sta de…nirani notranji operaciji seštevanje

+ : A A ! A in mnoµzenje : A A ! A ter zunanja operacija mnoµzenje z realnimi
skalarji : R A ! A. Ce µ operacije +; ; zadošµcajo lastnostim S1–S4 (glej trditev
3.1), M 1–M 4 (glej trditev 3.2) in A; D1; D2; H (glej trditev 3.3), pravimo, da je A
realna algebra. Kvadratne matrike Mn (R) so tako primer realne algebre.

Matriµcna algebra Mn (R) je algebra z enoto. Obstaja matrika I 2 Mn (R), ime-

novana identiteta ali identiµcna matrika, za katero velja

IA = AI = A za vsak A 2 Mn (R) :

Namreµc, identiteta I je matrika velikosti n n, ki ima po diagonali enice in povsod

drugod niµcle. To pomeni
2 3
1 0 0
60 1 07
6 7 1 ; i=j
I = 6 .. .. .. 7 = [ ij ] ; kjer ij =
4. . .5 0 ; i 6= j
0 0 1

oznaµcuje tako imenovani Kronekerjev simbol delta.

69
Zgled 1. Identiteta v algebri M2 (R) je

1 0
I=
0 1

in identiteta v algebri M3 (R) je

2 3
1 0 0
I = 40 1 05 :
0 0 1

Tako v primeru 2 2 matrik velja

a11 a12 1 0 a a
AI = = 11 12 = A;
a21 a22 0 1 a21 a22
1 0 a11 a12 a a
IA = = 11 12 = A:
0 1 a21 a22 a21 a22

De…nicija. Matriki A; B 2 Mn (R) komutirata, µce velja AB = BA.

Zgled 2. Naj bo

1 2 5 2 1 1
A= ; B= ; C= :
2 0 2 4 0 0

Potem matriki A in B komutirata

1 2 5 2 9 10 5 2 1 2
AB = = = = BA:
2 0 2 4 10 4 2 4 2 0

Medtem ko matriki A in C ne komutirata

1 2 1 1 1 1 3 2 1 1 1 2
AC = = 6= = = CA:
2 0 0 0 2 2 0 0 0 0 2 0

Opomba 2. Matriµcna algebra Mn (R), n 2, je nekomutativna algebra. V matriµcni

algebri ne velja komutativnost mnoµzenja.

V nadaljevanju bomo spoznali nekatere posebne matrike. Oznaµcimo z Nn mnoµzico

prvih n naravnih števil f1; 2; :::; ng.

Matriµcne enote

Za vsak i; j 2 Nn oznaµcimo z Eij matriko, pri kateri je aij = 1, vsi ostali elementi
pa so enaki 0. Matrika Eij se imenuje matriµcna enota Mn (R). Zakaj ime matriµcna
enota? Vsaka matrika se da enoliµcno zapisati kot linearna kombinacija matriµcnih
enot. Pokaµzimo to na primeru n = 2.

70
Zgled 3. Matriµcne enote algebre M2 (R) so

1 0 0 1 0 0 0 0
E11 = ; E12 = ; E21 = ; E21 = :
0 0 0 0 1 0 0 1

Ker velja

a11 a12 a 0 0 a12 0 0 0 0

= 11 + + +
a21 a22 0 0 0 0 a21 0 0 a22
1 0 0 1 0 0 0 0
= a11 + a12 + a21 + a22 ;
0 0 0 0 1 0 0 1

lahko vsako matriko A 2 M2 (R) zapišemo v obliki linearne kombinacije

A = a11 E11 + a12 E12 + a21 E21 + a22 E22

X
2 X
2
= aij Eij :
i=1 j=1

Opomba 3. Naj bo A = [aij ] 2 Mn (R). Potem velja

X
n X
n
A= aij Eij :
i=1 j=1

Ker mnoµzica Mn (R), opremljena s seštevanjem in mnoµzenjem s skalarji, zadošµca last-

nostim S1–S4 in M 1–M 4, je Mn (R) primer realnega vektorskega prostora. Mnoµzica
matriµcnih enot fEij ji; j 2 Nn g je primer tako imenovane standardne baze vektorskega
prostora Mn (R). Ker ima baza n2 elementov, ima vektorski prostor kvadratnih ma-
trik Mn (R) razseµznost n2 . Zato lahko zapišemo dim Mn (R) = n2 .

Ni teµzko videti, da za mnoµzenje v Mn (R) matriµcnih enot velja lepo pravilo

Eil ; j = k
Eij Ekl = jk Eil = :
0 ; j 6= k

Zgled 4. Nekateri produkti matriµcnih enot algebre M2 (R):

1 0 1 0 1 0
E11 E11 = = = E11 ;
0 0 0 0 0 0
0 0 0 1 0 0
E21 E12 = = = E22 ;
1 0 0 0 0 1
0 1 1 0 0 0
E12 E11 = = = 0:
0 0 0 0 0 0

71
 Diagonalne, skalarne in trikotne matrike

Matrika A = [aij ] 2 Mn (R) je

skalarna, µce je oblike A = I

2 3
0 0
60 07
6 7
6 .. .. .. 7 ;
4. . .5
0 0

diagonalna, µce je aij = 0 za i 6= j

2 3
a11 0 0
6 0 a22 0 7
6 7
6 .. .. .. 7;
4 . . . 5
0 0 ann

zgornje trikotna, µce je aij = 0 za i > j

2 3
a11 a12 a1n
6 0 a22 a2n 7
6 7
6 .. .. .. 7 ;
4 . . . 5
0 0 ann

strogo zgornje trikotna, µce je aij = 0 za i j

2 3
0 a12 a1n
60 0 a2n 7
6 7
6 .. .. .. 7 :
4. . . 5
0 0 0

Opomba 4. Vsaka skalarna matrika je tudi diagonalna matrika. Diagonalna in

strogo zgornje trikotna matrika je tudi zgornje trikotna matrika. Analogno sta
de…nirani tudi spodnje trikotna in strogo spodnje trikotna matrika. Diagonalna
matrika je primer zgornje in spodnje trikotne matrike.

Idempotentne in nilpotentne matrike

Naj bo A kvadratna matrika in m naravno število. Potenca Am je de…nirana induk-

tivno A1 = A in Am = Am 1 A. Po dogovoru A0 predstavlja identiteto I. Pravimo,
da je A

idempotentna matrika, µce je A2 = A,

72
 nilpotentna matrika, µce je Am = 0 za neki m 2 N.
Zgled 4. Matriki
1 1 1 1 1
A= in B =
0 0 2 1 1
sta idempotentni matriki. Velja
1 1 1 1 1 1
A2 = = = A;
0 0 0 0 0 0
1 1 1 1 1 1 2 2
B2 = = = B:
4 1 1 1 1 4 2 2
µ je matrika A idem-
Identiteta I je idempotentna matrika, ker velja I 2 = I. Ce
potentna matrika, potem je tudi matrika I A idempotentna:
(I A) (I A) = I A A + A2 = I A:
Vsaka strogo zgornje trikotna matrika A 2 Mn (R) je primer nilpotentne matrike,
ker je An = 0. V naslednjem zgledu si to poglejmo v primeru n = 3.

Zgled 5. Naj bo 2 3
0 a12 a13
A = 40 0 a23 5 :
0 0 0
Potem je
2 32 3 2 3
0 a12 a13 0 a12 a13 0 0 a12 a23
A2 = 40 0 a23 5 40 0 a23 5 = 40 0 0 5;
0 0 0 0 0 0 0 0 0
2 32 3 2 3
0 0 a12 a23 0 a12 a13 0 0 0
A3 = A2 A = 40 0 0 5 40 0 a23 5 = 40 0 05
0 0 0 0 0 0 0 0 0
in A je nilpotentna matrika.

Kako izraµcunamo potenco vsote dveh matrik? Na primer

(A + B)2 = (A + B) (A + B) = A2 + AB + BA + B 2 ;
(A + B)3 = A2 + AB + BA + B 2 (A + B)
= A3 + ABA + BA2 + B 2 A + A2 B + AB 2 + BAB + B 3 :
µ matriki A in B komutirata, to pomeni AB = BA, potem se dani enakosti zelo
Ce
poenostavita
(A + B)2 = A2 + 2AB + B 2 ;
(A + B)3 = A3 + 3A2 B + 3AB 2 + B 3 :
Kar lahko induktivno posplošimo in dobimo znano binomsko formulo:

73
Trditev 3.5. Naj bosta A; B 2 Mn (R) komutirajoµci matriki in m 2 N. Potem velja
Xm
m n k k
(A + B)m = A B : (3.1)
k=0
k

Dokaz. Iz vsakega faktorja v produktu

(A + B) (A + B) (A + B)
| {z }
m-krat

izberemo bodisi A bodisi B. Naj bo k 2 Nm . Denimo, da smo k-krat izbrali matriko

B in m k-krat matriko A. Ker matriki A in B komutirata, smo dobili produkt
An k B k : Vseh razliµcnih neurejenih izbir k elementov iz mnoµzice z m elementi je
m m!
= :
k k! (m k)!
Zato se produkt An k B k v potenci (A + B)m pojavi toµcno m
k
-krat.

Zgled 6. Uporabimo formulo (3.1) za izraµcun potence

n
2 3
:
0 2
Zapišemo
2 3 2 0 0 3
= + = A + B:
0 2 0 2 0 0
Ker je A = 2I skalarna matrika, sta A in B komutirajoµci matriki:
AB = (2I) B = 2B = B (2I) = BA:
Nadalje, vidimo, da je B nilpotentna matrika, ker je
0 3 0 3 0 0
B2 = = :
0 0 0 0 0 0

Zato je tudi B k = 0 za vsak k 2 in iz (3.1) sledi

(A + B)n = An + nAn 1 B
= (2I)n + n (2I)n 1 B
= 2n I + n2n 1 IB
= 2n 1 (2I + nB) :
Torej
n
2 3 2 0 0 3 2 3n
= 2n 1
+n = 2n 1
:
0 2 0 2 0 0 0 2
Opomnimo, da bi do rezultata lahko prišli tudi brez uporabe binomskega obrazca.
Z izraµcunom nekaj zaµcetnih potenc bi µzeleni rezultat lahko uganili. V tem primeru
je dano domnevo potrebno še dokazati z matematiµcno indukcijo.

74
 Simetriµcne in poševno simetriµcne matrike

Za matriko A = [aij ] smo z AT = [aji ] oznaµcili njeno transponiranko. Transponiranje

pri kvadratnih matrikah predstavlja ”zrcaljenje” µcez glavno diagonalo. Matrika A
je

simetriµcna, µce je AT = A, to pomeni aij = aji za vse i; j;

poševno simetriµcna, µce je AT = A oziroma aij = aji za vse i; j.

Zgled 7. Primera simetriµcne matrike S in poševno simetriµcne matrike P velikosti

3 3 sta 2 3 2 3
7 4 5 0 4 2
S = 44 2 65 in P = 4 4 0 35 :
5 6 3 2 3 0
µ sta A in B (poševno) simetriµcni matriki, potem je tudi A + B,
Lema 3.6. Ce
kjer sta ; 2 R, (poševno) simetriµcna matrika.
Dokaz. Denimo, da je AT = A in B T = B. Potem z uporabo lastnosti iz trditve
3.4 velja

( A + B)T = ( A)T + ( B)T = AT + B T = A + B

in matrika A + B je simetriµcna. Dokaz v primeru poševno simetriµcnih matrik

poteka podobno.
Trditev 3.7. Naj bo A 2 Mn (R). Potem je A vsota enoliµcno doloµcenih simetriµcne
in poševno simetriµcne matrike.
Dokaz. Oznaµcimo
1 1
S= A + AT in P = A AT
2 2
Potem je S simetriµcna in P poševno simetriµcna matrika. Namreµc, upoštevajoµc
trditev 3.4 lahko zapišemo
1 T 1 T 1 T
ST = A + AT = AT + AT = A + A = S;
2 2 2
T 1 T 1 T 1 T
P = A AT = AT AT = A A = P:
2 2 2
Ker je
1 1
S+P = A + AT + A AT = A;
2 2
preostane samo še dokaz enoliµcnosti danega zapisa. Denimo, da je A = S1 + P1 =
S2 + P2 , kjer sta S1 ; S2 simetriµcni matriki in P1 ; P2 poševno simetriµcni matriki. Po
prejšnji lemi je
B = S1 S2 = P2 P1

75
hkrati simetriµcna in poševno simetriµcna matrika. To pomeni B = B T = B in
B = 0. Edina matrika, ki je hkrati simetriµcna in poševno simetriµcna, je niµcelna
matrika. Torej S1 = S2 , P1 = P2 in trditev je dokazana.

Opomba 5. Iz leme 3.6 sledi, da imajo tako simetriµcne kot poševno simetriµcne
matrike algebre Mn (R) lepo strukturo. Tvorijo namreµc vektorska podprostora. Ceµ
oznaµcimo z U vektorski podprostor vseh simetriµcnih matrik in z V podprostor vseh
poševno simetriµcnih matrik, potem trditev 3.7 pravi, da sta podprostora U + V =
Mn (R) in U \ V = 0. Na podlagi zgleda 7 lahko hitro ugotovimo, da v primeru
n = 3 velja:
dim U = 6 in primer baze prostora U sestavljajo matrike
E11 ; E22 ; E33 ; E12 + E21 ; E13 + E31 ; E23 + E32 :

dim V = 3 in bazo prostora V tvorijo matrike

E12 E21 ; E13 E31 ; E23 E32 :

Na primer, matriki S in P iz zgleda 7 se z zgoraj omenjenimi matrikami zapišeta v

obliki linearne kombinacije
S = 7E11 + 2E22 + 3E33 + 4 (E12 + E21 ) + 5 (E13 + E31 ) + 6 (E23 + E32 ) ;
P = 4 (E12 E21 ) + 2 (E13 E31 ) + 3 (E23 E32 ) :

3.3 Dva primera uporabe matrik

Matrike imajo v matematiki široko uporabo. V tem podpoglavju bomo predstavili
dva primera uporabe matrik. Pri linearni algebri matrike sluµzijo za opis tako imen-
ovanih linearnih preslikav. Znaµcilen primer linearne preslikave je zasuk (vrteµz ali
rotacija) ravnine okoli izhodišµca. V prvem primeru bomo z uporabo matrik opisali
zasuke ravnine. V drugem primeru bomo spoznali tako imenovane markovske ma-
trike. Z njihovo uporabo se pri verjetnosti rešujejo praktiµcni problemi.

Zasuk ravnine

Naj bo R' : R2 ! R2 zasuk ravnine okoli izhodišµca za kot ' v pozitivni smeri.
Naj bo T (x; y)p
toµcka v ravnini. Dana toµcka je enoliµcno doloµcena z oddaljenostjo od
izhodišµca r = x2 + y 2 in kotom , pri tem velja x = r cos , y = r sin . Tako
dobljeni koordinati ; r se imenujeta polarni koordinati. Glej sliko 3.1, ki prikazuje
zasuk ravnine in polarni koordinati toµcke T .
Oznaµcimo s T 0 (x0 ; y 0 ) sliko toµcke T (x; y) pri zasuku R' . Toµcko T identi…ciramo
z vektorjem ~x in podobno toµcko T 0 identi…ciramo z vektorjem ~y . Glej sliko 3.2.
Vektorje predstavimo v stolpµcni obliki in zapišemo:
x r cos x0 r cos ( + ')
~x = ~rT = = in ~y = ~rT 0 = 0 = :
y r sin y r sin ( + ')

76
 Slika 3.1: Zasuk ravnine R'

Potem je ~y = R' (~x) in z uporabo adicijskega izreka dobimo

r cos ( + ') r (cos cos ' sin sin ') cos ' sin ' r cos
= = :
r sin ( + ') r (sin cos ' + sin ' cos ) sin ' cos ' r sin

To pomeni
x0 cos ' sin ' x
0 = :
y sin ' cos ' y
µ oznaµcimo matriko
Ce
cos ' sin '
R' = 2 M2 (R) ;
sin ' cos '

vidimo, da je zasuk R' doloµcen kot mnoµzenje stolpµcnih vektorjev z matriko R' :

R' (~x) = R'~x za vsak ~x 2 R2 :

Slika 3.2: Zasuk toµcke T

77
Zgled 1. Naj bo R 2 zasuk ravnine za kot =2. Tedaj danemu zasuku pripada
matrika
cos 2 sin 2 0 1
R2 = = :
sin 2 cos 2 1 0
Delovanje zasuka lahko opišemo z matriµcnim zapisom R 2 (~x) = R 2 ~x za vsak ~x 2 R2 :
Iz slike 3.3 je na primer razvidno, da se toµcki (1; 0) in (2; 1) zavrtita v toµcki (0; 1)
in ( 1; 2). To nam pokaµze tudi raµcun:

~i = 1 ) R 2 (~i) =
0 1 1
=
0
;
0 1 0 0 1
2 0 1 2 1
~x = ) R 2 (~x) = = :
1 1 0 1 2

Slika 3.3: Zasuk za kot =2

Opomba 1. Zasuk R' : R2 ! R2 je preslikava, ki zadošµca

(i) R' (x + y) = R' (x) + R' (y) za vse x; y 2 R2 ,
(ii) R' ( x) = R' (x) za vse 2 R; x 2 R2 .
To lahko utemeljimo z geometrijskim razmislekom ali z uporabo matriµcnega raµcuna:

R' (x + y) = R' (x + y) = R' x + R' y = R' (x) + R' (y) ;

R' ( x) = R' ( x) = (R' x) = R' (x)

za vsak 2 R in vse x; y 2 R2 . Preslikavi, ki zadošµca (i) in (ii), pravimo linearna

preslikava vektorskega prostora R2 . Delovanje linearne preslikave A na vektorskem
prostoru Rn lahko vedno predstavimo v obliki A (x) = Ax, kjer je A realna matrika
velikosti n n in x stolpµcni vektor.

Zgled 2. Razen zasukov obstajajo v ravnini R2 še druge linearne preslikave. Naj

bo linearna preslikava A : R2 ! R2 de…nirana s predpisom A (x) = Ax za vsak
x 2 R2 , kjer je
1 1
A= :
1 1

78
 Slika 3.4: Delovanje preslikave A

To pomeni
1 1 x x y
A (x; y) = = = (x y; x + y) :
1 1 y x+y
Kako deluje A? Preslikajmo kvadrat z oglišµci (0; 0) ; (1; 0) ; (1; 1) ; (0; 1) : Ker je

A (0; 0) = (0; 0) ; A (1; 0) = (1; 1) ; A (1; 1) = (0; 2) ; A (0; 1) = ( 1; 1) ;

se izkaµzpe, da je slika originalnega kvadrata zavrtena za kot =4 in raztegnjena za

faktor 2. Glej sliko 3.4! Dano ugotovitev hitro potrdimo tudi algebraiµcno, ker
velja "p p #
1 1 p 2 2 p cos sin 4 p
A= = 2 p22 p22 = 2 4 = 2R 4 :
1 1 sin 4 cos 4
2 2
p
Zato je A res kompozitum zasuka R 4 in raztega za faktor 2.

Markovske matrike

Matrike sluµzijo za opis praktiµcnih problemov. Markovske matrike imajo pomembno

vlogo pri verjetnosti, ker opisujejo tako imenovane markovske verige. Obravnavajmo
primer markovske verige.
Denimo, da imamo opravka z naslednjim idealiziranim primerom. Populacija
kitov grbavcev µzivi v treh oceanih: T – Tihi ocean, A – Atlantski ocean in I –
Indijski ocean. Predpostavimo, da se vsako leto deleµz kitov iz doloµcenega podroµcja
preseli v drugo po naslednji shemi, prikazani na sliki 3.5.
Z vrstiµcnim vektorjem p0 = [x0 y0 z0 ] po vrsti oznaµcimo zaµcetno porazdelitev
deleµza kitov glede na ocean T; A; I. Kako se ta porazdelitev spreminja skozi leta?
Kakšno porazdelitev lahko priµcakujemo po veliko letih?

79
 Slika 3.5: Povezave med stanji T; A; I

Naj bo pn = [xn yn zn ] stanje po n-tem letu in pn+1 = [xn+1 yn+1 zn+1 ] stanje v letu
n + 1. Tedaj veljajo naslednje zveze
5 1 1
xn+1 = xn + yn + zn ;
12 5 6
1 11
yn+1 = xn + yn ;
4 20
1 1 5
zn+1 = xn + yn + zn ;
3 4 6
ki jih lahko zapišemo v matriµcni obliki
25 1 1
3
12 4 3
xn+1 yn+1 zn+1 = xn yn zn 4 15 11
20
15
4
:
1 5
6
0 6

To pomeni pn+1 = pn P za vsak n 2 N0 , kjer je

2 5 1 13
12 4 3
P = 4 15 11
20
15
4
1 5
6
0 6

tako imenovana matrika prehoda. Torej, porazdelitev po prvem letu je enaka p1 =

p0 P , porazdelitev po drugem letu p2 = p1 P = p0 P 2 in porazdelitev po n letih je
p n = pn 1 P = pn 2 P 2 = = p0 P n : Vidimo, da je potrebno v splošnem izraµcunati
potenco P n . Samo raµcunanje velikih potenc matrike presega naše zmoµznosti. Zato
kot zanimivost omenimo, da je
2 3
18 10 51
1 4
lim P n = 18 10 515 :
n!1 79
18 10 51
Izkaµze se, da se neodvisno od zaµcetne porazdelitve p0 porazdelitev po veliko letih
stabilizira pri vektorju
18 10 51
p = 79 79 79
: (3.2)

80
To pomeni lim p0 P n = p. Pri tem opazimo, da velja
n!1
25 1
3
1
12 4 3
pP = 18 10 51 41 11 15
= 18 10 51
= p:
79 79 79 5 20 4 79 79 79
1 5
6
0 6

µ je
Porazdelitev p, doloµcena z (3.2), je tako imenovana stacionarna porazdelitev. Ce
porazdelitev deleµza kitov glede na ocean T; A; I enaka p, potem se ta porazdelitev z
leti ne spreminja.

Opomba 2. Matrika A 2 Mn (R) je markovska matrika ali stohastiµcna matrika, µce

velja
(i) njeni elementi so nenegativni, aij 0 za vse i; j 2 Nn ,
Pn
(ii) vsota vsake vrstice je enaka 1, aij = 1 za vsak i 2 Nn .
j=1
Vidimo, da je naša matrika prehoda P markovska matrika.

3.4 Obrnljivost matrik

V tem podpoglavju bomo de…nirali, kdaj je matrika A 2 Mn (R) obrnljiva in kaj
je obratna vrednost ali inverz obrnljive matrike. Prav tako bomo karakterizirali
obrnljive 2 2 matrike.
Zaµcnimo z motivacijo. Za vsako neniµcelno realno število a obstaja tako število
b, imenovano obratna vrednost ali inverz, da je ab = 1. Inverz oznaµcimo z a 1 in
je enak številu 1=a. Zato pravimo, da je vsako neniµcelno realno število obrnljivo.
Podobno velja tudi za kompleksna števila. Ceµ je z = x + yi neniµcelno kompleksno
število, potem je inverz
1 1 1
z = = 2 (x yi) :
z x + y2
V primeru celih števil Z sta obrnljivi samo števili 1 in 1, ostala cela števila v Z
niso obrnljiva. Tudi v algebri kvadratnih matrik de…niramo:

De…nicija. Naj bo A 2 Mn (R). Tedaj matriko B 2 Mn (R), za katero velja

AB = I = BA;
imenujemo inverzna matrika matrike A. Ce µ obstaja inverzna matrika, pravimo, da
je matrika A obrnljiva ali regularna ali nesingularna.
µ obstaja inverzna matrika matrike A, je ta doloµcena enoliµcno.
Trditev 3.8. Ce
Dokaz. Denimo, da obstajata matriki B in C, ki zadošµcata
AB = I = BA;
AC = I = CA:

81
Potem velja B = BI = B (AC) = (BA) C = IC = C.
V nadaljevanju bomo inverzno matriko matrike A oznaµcevali z A 1 . Ker je
Mn (R) nekomutativna algebra, smo formalno v de…niciji inverzne matrike zahtevali
oba pogoja AB = I in BA = I. Vendar se izkaµze, da zadošµca zahtevati samo en
pogoj ali AB = I ali BA = I. To sledi iz izreka 3.9, katerega dokaz bomo na tem
mestu izpustili. Veljavnost izreka bomo utemeljili pozneje, ko razvijemo orodja za
raµcunanje inverzne matrike (glej poglavje 4.6).
Izrek 3.9. Ceµ za matriki A; B 2 Mn (R) velja AB = I, potem je tudi BA = I.
Trditev 3.10. Matriki A; B 2 Mn (R) sta obrnljivi natanko tedaj, ko je obrnljiv
njun produkt AB in velja
(AB) 1 = B 1 A 1 :
Dokaz. Predpostavimo, da sta matriki A in B obrnljivi. Zato obstajata matriki
A 1 in B 1 . Naj bo C = B 1 A 1 : Potem velja
1 1 1 1
(AB) C = A BB A = AIA = AA = I;
1 1 1 1
C (AB) = B A A B = B IB = B B = I
in AB je obrnljiva matrika in velja (AB) 1 = B 1 A 1 .
Predpostavimo nasprotno, da je AB obrnljiva matrika in s C oznaµcimo njeno
inverzno matriko. Potem velja
(AB) C = I oz. A(BC) = I;
C (AB) = I oz. (CA) B = I:
Z uporabo izreka 3.9 lahko zakljuµcimo, da sta A in B obrnljivi matriki. Velja
A 1 = BC in B 1 = CA.
Problem. Kdaj je matrika A obrnljiva? Kako izraµcunamo inverzno matriko?
Za motivacijo bomo obravnavali problem v primeru n = 2. V splošnem bomo
odgovora na zastavljeni vprašanji podali kasneje, ko razvijemo potrebna orodja (glej
poglavji 4.6 in 5.7). Zaµcnimo z zgledom, v katerem obravnavamo obrnljivost treh
matrik iz algebre M2 (R).
Zgled. Dane so matrike
3 7 1 1 cos ' sin '
A= ; B= in C = :
2 5 1 1 sin ' cos '
1. Matrika A je obrnljiva in inverzna matrika je
1 5 7
A = :
2 3
Velja namreµc
1 3 7 5 7 15 14 21 + 21 1 0
AA = = = :
2 5 2 3 10 10 14 + 15 0 1

82
 2. Matrika B ni obrnljiva. Denimo, da obstaja matrika C z lastnostjo BC = I.
Potem lahko zapišemo

1 0 1 1 a b a+c b+d
= =
0 1 1 1 c d a+c b+d

in dobimo protislovje 1 = a + c = 0. Torej taka matrika C ne obstaja.

3. Ali je matrika C obrnljiva? V prejšnjem podpoglavju smo videli, da nam

matrika
cos ' sin '
R' =
sin ' cos '
opiše zasuk ravnine okoli izhodišµca za kot ', torej predstavlja preslikavo R' :
R2 ! R2 . Zasuk R' je bijektivna preslikava, saj obstaja inverzna preslikava
R' 1 = R ' , da je
R' 1 R' = I;
to pomeni R' 1 (R' (x)) = x za vsak x 2 R2 . Obratni zasuk lahko identi…ci-
ramo z matriko
cos ( ') sin ( ') cos ' sin '
R ' = = :
sin ( ') cos ( ') sin ' cos '

Zato ni preseneµcenje, da je matrika C = R' obrnljiva in inverzna matrika je

enaka R' 1 = R ' :

cos ' sin ' cos ' sin ' 1 0

R' R ' = = :
sin ' cos ' sin ' cos ' 0 1

Naj bo A 2 M2 (R). Rešimo matriµcno enaµcbo AX = I; torej

a b x1 y1 1 0
AX = = :
c d x2 y2 0 1

Dano enaµcbo preuredimo v obliko

a b x1 1 a b y1 0
= in = :
c d x2 0 c d y2 1

Opravka imamo z dvema sistemoma linearnih enaµcb z dvema neznankama:

ax1 + bx2 = 1 ay1 + by2 = 0

(i) : in (ii) : :
cx1 + dx2 = 0 cy1 + dy2 = 1

µ prvo enaµcbo pomnoµzimo z d in drugo enaµcbo pomnoµzimo z

Rešimo sistem (i). Ce
b ter ju seštejemo, dobimo
(ad bc) x1 = d:

83
µ pa prvo enaµcbo pomnoµzimo z
Ce c in drugo z a ter ju seštejemo, dobimo
(ad bc) x2 = c:
Sistem enaµcb (i) je rešljiv natanko tedaj, ko je ad bc 6= 0. Rešitev je
d c
x1 = in x2 =
:
ad bc ad bc
Podobno postopamo pri reševanju sistema (ii). Tudi ta sistem je rešljiv natanko
tedaj, ko je ad bc 6= 0 in rešitev je
b a
y1 = in y2 = :
ad bc ad bc
Vidimo, da je iskana inverzna matrika enaka
1 d b
X= :
ad bc c a
S tem je dokazana trditev:
Trditev 3.11. Matrika A 2 M2 (R) je obrnljiva natanko tedaj, ko je ad bc 6= 0.
Pri tem je
1
1 a b 1 d b
A = = :
c d ad bc c a
Opomba 1. Vidimo, da je 2 2 matrika A obrnljiva natanko tedaj, ko je njena
determinanta
a b
= ad bc 6= 0:
c d
V poglavju 5 bomo ta rezultat posplošili na splošne n n matrike. De…nirali bomo
determinanto reda n in poiskali obrazec za inverzno matriko A 1 .
Opomba 2. Po drugi strani se izkaµze, da je 2 2 matrika A obrnljiva natanko
tedaj, ko je enoliµcno rešljiv sistem linearnih enaµcb Ax = b, kjer sta x; b 2 R2 . To
pomeni
a b x1 b ax1 + bx2 = b1
= 1 oz. ;
c d x2 b2 cx1 + dx2 = b2
kar lahko zapišemo tudi v obliki
a b b
x1 + x2 = 1 oz. x1 A1 + x2 A2 = b:
c d b2
Torej se vsak vektor b 2 R2 enoliµcno izraµza kot linearna kombinacija vektorjev
A1 ; A2 2 R2 , ki sta stolpca matrike A. Zato sta vektorja A1 ; A2 linearno neodvisna
in tvorita bazo vektorskega prostora R2 . V poglavju 4, ki obravnava sisteme linearnih
enaµcb, bomo ta rezultat posplošili. Videli bomo, da je matrika obrnljiva natanko
tedaj, ko so njeni stolpci A1 ; A2 ; :::; An ali vrstice A1 ; A2 ; :::; An linearno neodvisni
vektorji.
µ zdruµzimo vse omenjeno, lahko zakljuµcimo to poglavje s karakterizacijo obr-
Ce
nljivih 2 2 matrik:

84
Izrek 3.12. Za matriko A 2 M2 (R) so naslednje trditve ekvivalentne:
(i) A je obrnljiva matrika;
(ii) determinanta matrike A je razliµcna od 0;
(iii) stolpca A1 ; A2 matrike A sta linearno neodvisna vektorja;
(iv) sistem linearnih enaµcb Ax = b je enoliµcno rešljiv za vsak b 2 R2 .

85
Poglavje 4

Sistemi linearnih enaµcb

4.1 De…nicija in uvodni primeri

Linearna enaµcba nad realnimi števili z n neznankami x1 ; x2 ; :::; xn je enaµcba oblike

a1 x 1 + a2 x 2 + + an xn = b;

kjer so a1 ; a2 ; :::; an ; b dana realna števila. Rešitev te enaµcbe je vsak vektor (toµcka)
s = (s1 ; s2 ; :::; sn ) 2 Rn , za katerega velja a1 s1 + a2 s2 + + an sn = b. Mnoµzica vseh
rešitev je

R = f(s1 ; s2 ; :::; sn ) 2 Rn ja1 s1 + a2 s2 + + an sn = bg Rn :

Zgled 1. Rešitev linearne enaµcbe 2x1 + 3x2 + x3 = 6 je mnoµzica

= (x; y; z) 2 R3 j2x + 3y + z = 6 ;

ki geometrijsko predstavlja ravnino v R3 . Dana ravnina poteka skozi toµcke A (3; 0; 0),
B (0; 2; 0), C (0; 0; 6).

Sistem m linearnih enaµcb z n neznankami x1 ; x2 ; :::; xn je druµzina linearnih enaµcb

a11 x1 + a12 x2 + + a1n xn = b1 ; (4.1)

a21 x1 + a22 x2 + + a2n xn = b2 ;
..
.
am1 x1 + am2 x2 + + amn xn = bn :

Rešitev sistema linearnih enaµcb (4.1) je vsak vektor s 2 Rn , ki reši vsako od danih
enaµcb. Naj bo Ri mnoµzica rešitev i-te linearne enaµcbe. Potem je rešitev danega
sistema linearnih enaµcb

R = R1 \ R2 \ \ Rm Rn :

V primeru R 6= ;, pravimo, da je sistem linearnih enaµcb rešljiv ali konsistenten, sicer

je sistem protisloven oz. nekonsistenten.

86
Zgled 2. Dani so trije sistemi linearnih enaµcb z dvema neznankama:

x+y =3 x+y =3 x+y =3

(i) (ii) (iii) :
x y=1 2x + 2y = 6 x+y =1

Sistem linearnih enaµcb (i) je rešljiv in ima eno samo rešitev T (2; 1) 2 R2 . Premici,
doloµceni z enaµcbama (i), se sekata v toµcki T . Sistem linearnih enaµcb (ii) je rešljiv.
Rešitev je neskonµcno mnogo in v R2 predstavljajo premico p = f(t; 3 t) jt 2 Rg
R2 . Sistem linearnih enaµcb (iii) je protisloven. Premici, doloµceni z enaµcbama (iii),
se ne sekata.

Opomba 1. Pri reševanju sistema linearnih enaµcb vedno nastopi ena od moµznosti:
(i) sistem je enoliµcno rešljiv;
(ii) sistem je rešljiv in ima neskonµcno rešitev;
(iii) sistem je protisloven.

V tem poglavju nas bo posebej zanimalo, kako rešujemo sisteme linearnih enaµcb,
kakšna je algebraiµcna struktura mnoµzice rešitev in primeri uporabe. Pomembno
vlogo pri študiju sistemov linearnih enaµcb imajo matrike. Sistem linearnih enaµcb
(4.1) lahko zapišemo v matriµcni obliki
2 32 3 2 3
a11 a12 a1n x1 b1
6 a21 a22 a2n 7 6 x2 7 6 b2 7
7 6 7 6
6 7
6 .. .. .. 7 6 .. 7 = 6 .. 7
4 . . . 54 . 5 4 . 5
am1 am2 amn xn bm

in krajše predstavimo kot

Ax = b; A 2 Mm n (R) ; x 2 Rn ; b 2 Rm :

Pri tem je A matrika sistema, x 2 Rn stolpµcni vektor neznank in b 2 Rm stolpµcni

vektor konstant. Z
2 3
a11 a12 a1n b1
6 a21 a22 a2n b2 7
6 7
[Ajb] = A1 A2 An b = 6 .. .. .. .. 7
4 . . . . 5
am1 am2 amn bm

oznaµcimo t. i. razširjeno matriko sistema linearnih enaµcb.

Kako rešimo sistem linearnih enaµcb? Linearne sisteme najbolj elegantno rešu-
jemo z Gaussovo metodo. Gaussovo metodo bomo neformalno spoznali na spodnjem
delovnem zgledu. Sistem linearnih enaµcb ne spremeni rešitev, µce

eno enaµcbo pomnoµzimo z neniµcelnim skalarjem;

eno enaµcbo, pomnoµzeno s skalarjem, prištejemo k drugi enaµcbi;

87
 zamenjamo vrstni red (dveh) enaµcb.
Z omenjenimi koraki postopoma iz sistema linearnih enaµcb odstranjujemo posamezne
neznanke. Za matriµcni zapis delovnega zgleda vpeljemo še t. i. elementarne vrstiµcne
operacije, ki ustrezajo zgornjim postopkom:
eno vrstico matrike pomnoµzimo z neniµcelnim skalarjem;
eno vrstico matrike, pomnoµzeno s skalarjem, prištejemo k drugi vrstici;
zamenjamo med seboj dve vrstici matrike.
Dokazali bomo: µce v razširjeni matriki sistema linearnih enaµcb uporabimo elemen-
tarno vrstiµcno operacijo, se rešitve sistema ne spremenijo.
Delovni zgled. Poišµcimo presek danih treh ravnin:
9 2 3
3x1 + x2 x3 = 8 = 3 1 1 j 8
x1 x2 + x3 = 4 $ 1 4 1 1 j 45 : (4.2)
;
x1 + x2 x3 = 2 1 1 1 j 2
Zamenjamo prvo enaµcbo z drugo in nato drugo s tretjo in dobimo
9 2 3
x1 x2 + x3 = 4 = 1 1 1 j 4
x1 + x2 x3 = 2 $ 41 1 1 j 25 : (4.3)
;
3x1 + x2 x3 = 8 3 1 1 j 8
V razširjeni matriki sistema (4.2) smo tako zamenjali prvo in drugo vrstico in nato
drugo in tretjo. V (4.3) iz druge in tretje enaµcbe odstranimo prvo spremenljivko x1 .
Tako prvo enaµcbo, pomnoµzeno z 1, najprej prištejmo k drugi enaµcbi in nato jo,
pomnoµzeno z 3, prištejmo še k tretji enaµcbi. Dobimo
9 2 3
x1 x2 + x3 = 4 = 1 1 1 j 4
2x2 2x3 = 2 $ 40 2 2 j 25 : (4.4)
;
4x2 4x3 = 4 0 4 4 j 4
V razširjeni matriki sistema (4.3) smo dejansko prvo vrstico, pomnoµzeno z 1,
prišteli k drugi, pomnoµzeno z 3, pa prišteli k tretji vrstici. Vidimo, da je tretja
µ pomnoµzimo drugo enaµcbo z
enaµcba dvakratnik druge, zato jo lahko izpustimo. Ce
1=2, dobimo
2 3
1 1 1 j 4
x1 x2 + x3 = 4
$ 40 1 1 j 15 : (4.5)
x 2 x3 = 1
0 0 0 j 0
Torej smo v razširjeni matriki sistema (4.4) drugo vrstico pomnoµzili z 2 in jo prišteli
k tretji vrstici in dobili niµcelno vrstico ter drugo vrstico pomnoµzili z 1=2. Nazadnje
v (4.5) prištejemo drugo enaµcbo k prvi oz. v razširjeni matriki prištejemo drugo
vrstico k prvi. Dobimo
x1 = 3 1 0 0 j 3
$ : (4.6)
x2 x3 = 1 0 1 1 j 1

88
Vidimo, da je x1 = 3. Spremenljivki x2 in x3 pa povezuje enaµcba x2 x3 = 1. Zato
izberemo na primer spremenljivko x3 za tako imenovano prosto (nedoloµceno) spre-
menljivko, to pomeni x3 = t 2 R: Potem je x2 = 1 + x3 = 1 + t. Ker je ena spre-
menljivka prosta, dobimo enoparametriµcno druµzino rešitev p = f(3; 1 + t; t) jt 2 Rg,
ki geometrijsko predstavlja premico. Premica p je doloµcena s toµcko A (3; 1; 0) in
vektorjem p~ = ~j + ~k.

Prikazanemu postopku v delovnem zgledu, kjer na razširjeni matriki uporabljamo

elementarne vrstiµcne operacije, reµcemo Gauss-Jordanova eliminacija. Matrika, ki jo
dobimo na koncu Gaussove eliminacije, je vrstiµcna kanoniµcna forma. To pomeni, da
ima matrika 2 3
3 1 1 8
A = 41 1 1 45
1 1 1 2
vrstiµcno kanoniµcno formo
2 3
1 0 0 3
4
VKF A = 0 1 1 15 :
0 0 0 0

µ
Opomba 2. Crtkano µcrto v matriki [Ajb] uporabljamo samo, ko µzelimo poudariti,
da imamo opravka z reševanjem sistema linearnih enaµcb.

4.2 Elementarne matrike

V tem podpoglavju bomo de…nirali elementarne vrstiµcne operacije, elementarne ma-
trike in matriµcno vrstiµcno kanoniµcno formo. Naj bo A 2 Mm n (R) in z [A1 A2 :::Am ]
oznaµcimo vrstiµcno sestavo matrike A.

De…nicija. Trije tipi elementarnih vrstiµcnih operacij na matrikah so:

(v1) i-to vrstico Ai pomnoµzimo z neniµcelnim skalarjem , natanµcneje vi ( ):

vi ( )
[A1 Ai Am ] 7! [A1 Ai Am ] ;

(v2) i-to vrstico Ai , pomnoµzeno z 6= 0, prištejemo k j-ti vrstici, natanµcneje vij ( ):

vij ( )
[A1 Ai Aj Am ] 7! [A1 Ai Ai + Aj Am ] ;

(v3) zamenjamo i-to in j-to vrstico matrike A, natanµcneje vij :

vij
[A1 Ai Aj Am ] 7! [A1 Aj Ai Am ] :

89
 Naj bo I 2 Mm (R) identiµcna matrika. Elementarne matrike so tiste matrike, ki
µ na matriki
jih iz identitete I dobimo z uporabo elementarnih vrstiµcnih operacij. Ce
I uporabimo operacijo (v1), i-to vrstico matrike I pomnoµzimo z 6= 0, dobimo
elementarno matriko prvega tipa:
vi ( )
I 7! Ei ( ) in velja Ei ( ) = E11 + + Eii + + Emm :
µ uporabimo operacijo (v2), i-to vrstico matrike I, pomnoµzeno z
Ce 6= 0, prištejemo
k j-ti vrstici, dobimo elementarno matriko drugega tipa:
vij ( )
I 7! Eij ( ) in velja Eij ( ) = I + Eji :
µ uporabimo operacijo (v3), zamenjamo i-to in j-to vrstico matrike I, dobimo
Ce
elementarno matriko tretjega tipa:
vij X
I 7! Pij in velja Pij = Eij + Eji + Ekk :
k6=i;j

Zgled 1. Naj bo m = 3. Elementarne matrike omenjenih treh tipov so na primer

2 3 2 3 2 3
1 0 0 1 0 0 1 0 0
E2 (6) = 40 6 05 ; E13 (3) = 40 1 05 ; P23 = 40 0 15 :
0 0 1 3 0 1 0 1 0
Elementarne vrstiµcne operacije na matrikah lahko predstavimo kot mnoµzenje s
pripadajoµcimi elementarnimi matrikami z leve strani. Velja trditev:
Trditev 4.1. Naj bo A 2 Mm n (R) in A0 matrika, dobljena iz A z uporabo elemen-
tarnih vrstiµcnih operacij (v1)–(v3). Potem velja:
(i) A0 = [A1 ::: Ai :::Am ] = Ei ( ) A,
(ii) A0 = [A1 :::Ai ::: Ai + Aj :::Am ] = Eij ( ) A,
(iii) A0 = [A1 :::Aj :::Ai :::Am ] = Pij A.
Dokaz trditve je rutinski in ga izpustimo, trditev utemeljimo z zgledom.

Zgled 2. Naj bo 2 3
a1 a2
A = 4 b1 b2 5 2 M3 2 (R) :
c1 c2
Potem nam produkt
2 32 3 2 3
1 0 0 a1 a2 a1 a2
E2 (6) A = 40 6 05 4 b1 b2 5 = 46b1 6b2 5
0 0 1 c1 c2 c1 c2
predstavlja vrstiµcno operacijo (v1), kjer drugo vrstico matrike A pomnoµzimo s 6.
Produkt 2 32 3 2 3
1 0 0 a1 a2 a1 a2
E13 (3) A = 40 1 05 4 b1 b2 5 = 4 b1 b2 5
3 0 1 c1 c2 3a1 + c1 3a2 + c2

90
je delovanje vrstiµcne operacije (v2), kjer prvo vrstico matrike A, pomnoµzeno s 3,
prištejemo k tretji vrstici. Nazadnje, produkt
2 32 3 2 3
1 0 0 a1 a2 a1 a2
P23 A = 40 0 15 4 b1 b2 5 = 4 c1 c2 5
0 1 0 c1 c2 b1 b2
opiše vrstiµcno operacijo (v3), kjer smo v A zamenjali drugo in tretjo vrstico.
Trditev 4.2. Elementarne matrike so obrnljive. Inverzna matrika elementarne ma-
trike je istega tipa.
Dokaz. Elementarna matrika prvega tipa Ei ( ) ima inverzno matriko Ei (1= ), ki
predstavlja elementarno vrstiµcno operacijo vi (1= ), i-to vrstico matrike pomnoµzi z
1= . Torej velja
vi ( ) vi ( 1 ) 1
I 7! Ei ( ) 7! I ali Ei Ei ( ) = I:

Elementarna matrika drugega tipa Eij ( ) ima inverz Eij ( ) in inverzna matrika
predstavlja vrstiµcno operacijo vij ( ), ki i-to vrstico matrike, pomnoµzeno z ,
prišteje k j-ti vrstici. Zapišemo lahko
vij ( ) vij ( )
I 7! Eij ( ) 7! I ali Eij ( ) Eij ( ) = I:
Elementarna matrika tretjega tipa Pij je sama sebi inverzna matrika, namreµc Pij
predstavlja zamenjavo i-te in j-te vrstice. Zato velja
vij vij
I 7! Pij 7! I ali Pij Pij = Pij2 = I
in trditev je dokazana.
Izrek 4.3. Dan je sistem linearnih enaµcb Ax = b, kjer je A 2 Mm n (R). Naj
bo P 2 Mm (R) obrnljiva matrika in A0 = P A ter b0 = P b. Potem imata sistema
Ax = b in A0 x = b0 iste rešitve.
Dokaz. Naj bo x rešitev sistema linearnih enaµcb Ax = b. Ce µ dani sistem z leve
strani pomnoµzimo z matriko P , vidimo, da je x tudi rešitev sistema
P Ax = P b oz. A0 x = b0 :
Predpostavimo obratno, da je x rešitev sistema A0 x = b0 . Ker je P obrnljiva matrika,
µ z dano matriko z leve strani pomnoµzimo enaµcbo
obstaja inverzna matrika P 1 . Ce
0 0
A x = b , dobimo
1
P A0 x = P 1 0
b
1 1
P PA = P Pb
Ax = b:
Torej x reši tudi sistem linearnih enaµcb Ax = b.
Za sistema linearnih enaµcb Ax = b in A0 x = b0 , ki imata iste rešitve, pravimo, da
sta ekvivalentna. Z razširjeno matriko sistema to zapišemo v obliki [Ajb] [A0 jb0 ].

91
Posledica 4.4. Naj bo [Ajb] razširjena matrika sistema Ax = b. Denimo, da smo
matriko [A0 jb0 ] dobili iz matrike [Ajb] z uporabo elementarnih vrstiµcnih operacij (v1)–
(v3). Tedaj sta sistema linearnih enaµcb Ax = b in A0 x = b0 ekvivalentna.

Dokaz. Sistem linearnih enaµcb Ax = b predstavimo z razširjeno matriko [Ajb].

Matriko [A0 jb0 ] smo dobili z zaporedjem elementarnih vrstiµcnih operacij iz matrike
[Ajb] in po vrsti oznaµcimo pripadajoµce zaporedje elementarnih matrik P1 ; P2 ; :::; Pk :
Elementarne matrike so obrnljive, zato je po trditvi 3:9 obrnljiva tudi matrika P =
Pk Pk 1 :::P2 P1 . Ker je

P [Ajb] = Pk Pk 1 :::P2 P1 [Ajb] = [A0 jb0 ] ;

po izreku 4:3 rešitve sistemov linearnih enaµcb Ax = b in A0 x = b0 sovpadajo.

Zakljuµcimo to poglavje z vpeljavo pojma vrstiµcna kanoniµcna forma matrike A.

Vsako matriko A 2 Mm n (R) lahko z uporabo elementarnih vrstiµcnih operacij pre-
oblikujemo v obliko, ki se imenuje vrstiµcna kanoniµcna forma matrike A (oznaka
VKF A) in ima naslednje lastnosti:

1. V vsaki neniµcelni vrstici matrike je prvi neniµcelni element z leve, ki se imenuje

pivot, enak 1.
µ je i-ta vrstica matrike niµcelna, potem so niµcelne tudi vse naslednje vrstice.
2. Ce

3. Pivot v vrstici i + 1 je bolj desno kot pivot v i-ti vrstici.

4. Pivot je edini neniµcelni element v svojem stolpcu.

Zgled 3. Matriki
2 3 2 3
1 2 0 4 0 2 1 0 0 0 0
60 0 1 2 0 37 60 1 0 0 07
6 7 6 7
A=6
60 0 0 0 1 477 in I = 6
60 0 1 0 077
40 0 0 0 0 05 40 0 0 1 05
0 0 0 0 0 0 0 0 0 0 1

sta zapisani v vrstiµcni kanoniµcni formi. Matrika A 2 M5 6 (R) ima 3 pivote: a11 = 1,
a23 = 1 in a35 = 1. Identiteta I algebre M5 (R) ima 5 pivotov, pivoti so diagonalni
elementi.

Na delovnem zgledu si oglejmo algoritem, ki matriko preoblikuje v vrstiµcno

kanoniµcno formo. Dani algoritem se imenuje Gauss-Jordanova eliminacija.

Delovni zgled. Poišµcimo vrstiµcno kanoniµcno formo matrike

2 3
0 2 3 1
A = 42 6 6 0 5:
1 2 5 1

92
Uporabimo naslednje zaporedje vrstiµcnih operacij:
2 3 2 3 2 3
0 2 3 1 1 2 5 1 1 2 5 1
v13 v12 ( 2) v23 (1);v2 ( 1=2)
42 6 6 0 5 7! 42 6 6 0 5 7! 40 2 4 25 7!
1 2 5 1 0 2 3 1 0 2 3 1
2 3 2 3 2 3
1 2 5 1 1 0 9 3 1 0 0 24
v21 (2);v3 ( 1) v32 ( 2);v31 ( 9)
40 1 2 15 7! 40 1 2 15 7! 40 1 0 5 5 :
0 0 1 3 0 0 1 3 0 0 1 3

Vidimo, da je rezultat tega postopka

2 3
1 0 0 24
VKF A = 40 1 0 5 5 :
0 0 1 3

Algoritem za iskanje VKF: Naj bo A 2 Mm n (R).

Postavi i = 1; j = 1.

Korak 1:

µ je aij = 0 in v j-tem stolpcu obstaja element akj 6= 0 v vrstici z

– Ce
indeksom k > i, uporabi vrstiµcno operacijo vik , da bo novi aij 6= 0.
– Uporabi vrstiµcno operacijo vi (1=aij ), da bo novi element aij = 1 pivot.
– Za vsak k > i uporabi vrstiµcno operacijo vik ( akj ), da bo novi element
akj = 0.

Izberi i + 1 za nov i (premakni se v novo vrstico) in doloµci novi j, da bo

– akl = 0 za vsak k i in l < j;

– akj 6= 0 za neki k i.
– Ponovi korak 1.

Korak 2: Vrstice s pivoti ustrezno pomnoµzi in prištej k predhodnim vrsticam,

da bo pivot edini neniµcelni element v svojem stolpcu.

Opomba. Matriki A in B iz mnoµzice Mm n (R) sta vrstiµcno ekvivalentni, oznaµcimo

A B, µce lahko matriko B dobimo iz matrike A z zaporedjem elementarnih vrstiµcnih
operacij. Z drugimi besedami, A B, µce obstaja tako zaporedje elementarnih
matrik P1 ; P2 ; :::; Pk , da je B = Pk Pk 1 :::P2 P1 A. Ni teµzko preveriti, da je relacija
ekvivalenµcna relacija; to pomeni
(i) A A (re‡eksivnost),
(ii) A B ) A B (simetriµcnost),
(iii) A B & B C ) A C (tranzitivnost).

93
Matrike, ki imajo obliko VKF, so dejansko predstavniki ekvivalenµcnih razredov pri
dani relaciji. Hitro vidimo, da velja A B natanko tedaj, ko je VKF A = VKF B.

Problem. Ugotovi, katere matrike iz algebre Mn (R) so vrstiµcno ekvivalentne iden-

titeti I? Išµcemo torej ekvivalenµcni razred relacije , katerega predstavnik je iden-
titeta [I] = fA 2 Mn (R) j VKF A = Ig. Odgovor na zastavljeno vprašanje bralec
najde v izreku 4.13.

4.3 Rang matrike

V tem podpoglavju bomo de…nirali zelo uporaben pojem pri matrikah, ki je povezan
s številom neniµcelnih vrstic v vrstiµcni kanoniµcni formi dane matrike in se imenuje
rang matrike. Prav tako je rang uporaben pri vektorjih v Rn za doloµcitev dimenzij
vektorskih podprostorov.
Naj ima matrika A 2 Mm n (R) vrstiµcno sestavo A = [A1 A2 :::Am ]. Vrstice
A1 ; A2 ; :::; Am so vektorji, ki v Rn generirajo vektorski podprostor L fA1 ; A2 ; :::; Am g.

De…nicija. Naj bo A 2 Mm n (R). Rang matrike A, ki ga oznaµcimo z rang A, je

enak razseµznosti vektorskega prostora L fA1 ; A2 ; :::; Am g.

Neposredno iz de…nicije sledi:

Ker je rang A = dim L fA1 ; A2 ; :::; Am g, je rang matrike A enak številu linearno
neodvisnih vrstic matrike A. Namreµc, dimenzija prostora je enaka moµci baze
tega prostora. Bazni vektorji so linearno neodvisni vektorji, ki tvorijo ogrodje
danega prostora.

Velja ocena 0 rang A min fm; ng. Linearna lupina V = L fA1 ; A2 ; :::; Am g
je vektorski podprostor v Rn . Zato je dimenzija prostora V omejena z n =
dim Rn . Po drugi strani pa lahko imamo med A1 ; A2 ; :::; Am najveµc m linearno
neodvisnih vektorjev, zato je dim V m.

Opomba 1. V de…niciji smo dejansko de…nirali vrstiµcni rang matrike A. Lahko bi

de…nirali tudi stolpµcni rang matrike A kot razseµznost podprostora L fA1 ; A2 ; :::; An g,
ki ga v Rm generirajo stolpci matrike A. V nadaljevanju bomo dokazali, da vrstiµcni
in stolpµcni rang sovpadata.

Zgled 1. Naj bo A 2 M4 3 (R). Potem je rang A 2 f0; 1; 2; 3g. Za matrike

2 3 2 3 2 3 2 3
0 0 0 2 2 2 1 0 1 1 0 0
60 0 07 6 7 6 7 6 7
A1 = 6 7 ; A2 = 61 1 17 ; A2 = 60 1 17 ; A4 = 60 1 07
40 0 05 40 0 05 41 1 25 40 0 15
0 0 0 3 3 3 2 2 4 1 2 3

94
velja, da je rang A1 = 0, rang A2 = 1, rang A3 = 2 in rang A4 = 3. Matrika A1 nima
linearno neodvisne vrstice. Pri matriki A2 je vsaka vrstica kolinearna z vektor-
jem (1; 1; 1). Matrika A2 ima dve linearno neodvisni vrstici, npr. (1; 0; 1) ; (0; 1; 1).
Podprostor, ki ga generirajo vrstice matrike A4 , je enak celemu prostoru R3 .

Podobno, kot so de…nirane elementarne vrstiµcne operacije, lahko de…niramo tudi

elementarne stolpµcne operacije, in sicer:
(s1) i-ti stolpec matrike pomnoµzimo z neniµcelnim skalarjem , si ( );
(s2) i-ti stolpec matrike, pomnoµzen z 6= 0, prištejemo k j-temu stolpcu, sij ( );
(s3) zamenjamo i-ti in j-ti stolpec matrike A, sij .

Izrek 4.5. Elementarne operacije (v1)–(v3) in (s1)–(s3) ne spremenijo niti ranga

po vrsticah niti ranga po stolpcih.

Dokaz. Dokazali bomo, da operacije (v1)–(v3) ne spremenijo ranga po vrsticah in

ne spremenijo ranga po stolpcih. Dokaz za operacije (s1)–(s3) je podoben.
Vrstiµcni rang: Naj bo A = [A1 A2 :::Am ] vrstiµcna sestava matrike. Dokaµzimo, da
vrstiµcne operacije ne spremenijo podprostora V = L fA1 ; A2 ; :::; Am g Rn . Potem
se ohranja tudi dimenzija tega prostora in s tem vrstiµcni rang matrike.

(v1) Brez izgube za splošnost pomnoµzimo prvo vrstico matrike A s skalarjem 6= 0

in oznaµcimo U = L f A1 ; A2 ; :::; Am g Rn . Ker lahko zapišemo

x= 1 A1 + 2 A2 + + m Am

1
= ( A1 ) + 2 A2 + + m Am ;

vidimo, da je x 2 V natanko tedaj, ko je x 2 U . Torej je V = U .

(v2) Brez izgube za splošnost prištejmo prvo vrstico matrike A, pomnoµzeno z 6= 0,

k drugi vrstici. Naj bo B2 = A2 + A1 in oznaµcimo z U = L fA1 ; B2 ; :::; Am g
podprostor v Rn , ki ga generirajo nove vrstice. Ker lahko zapišemo

x = 1 A1 + 2 A2 + + m Am
=( 1 2 ) A1 + 2 (A2 + A1 ) + + m Am
0
= A1 + 2 B2 + + m Am ;

vidimo, da je x 2 V natanko tedaj, ko je x 2 U . Zato velja V = U .

(v3) Zamenjava vrstnega reda vektorjev v seznamu (A1 ; A2 ; :::; Am ) seveda ne spre-
meni podprostora L fA1 ; A2 ; :::; Am g.

Stolpµcni rang: Naj bo dim L fA1 ; A2 ; :::; An g = k. Potem imamo k stolpcev, ki so

linearno neodvisni in baza tega prostora. Predpostaviti smemo, da so to stolpci
µ uporabimo vrstiµcno ope-
A1 ; A2 ; :::; Ak . Sicer zamenjamo vrstni red stolpcev. Ce
1 2 k
racijo, dobimo nove stolpce B ; B ; :::; B . Dokazali bomo, da so tudi ti stolpci

95
linearno neodvisni. To pomeni, da se pri uporabi vrstiµcne operacije stolpµcni rang ne
spremeni. Linearna neodvisnost stolpµcnih vektorjev A1 ; A2 ; :::; Ak pomeni
1 2 k
1A + 2A + + kA =0 ) 1 = 2 = = k = 0:
Z drugimi besedami ima sistem linearnih enaµcb
a11 1 + a12 2+ + a1k n = 0;
a21 1 + a22 2+ + a2k n = 0;
..
.
am1 1 + am2 2 + + amk n =0
samo trivialno rešitev 1 = = k = 0. Elementarna vrstiµcna operacija ne
spremeni rešitev tega sistema. Zato velja
1 2 k
1B + 2B + + kB =0 ) 1 = 2 = = k =0
in novi stolpci B 1 ; B 2 ; :::; B k so linearno neodvisni vektorji. Torej vrstiµcne operacije
ohranjajo stolpµcni rang.

Opomba 2. Iz dokaza izreka 4.5 vidimo, da elementarne vrstiµcne operacije (v1)–

(v3) ne spremenijo podprostora LfA1 ; A2 ; :::; Am g, ki ga generirajo vrstice matrike
A 2 Mm n (R).
Izrek 4.6. Naj bo A 2 Mm n (R) matrika z vrstiµcnim rangom k. Tedaj lahko
matriko A z zaporedjem elementarnih operacij (v1)–(v3) in (s1)–(s3) preoblikujemo
v obliko 2 3
1 0 0 0
6 .. . . . .. .. .. 7
6. . . .7
6 7
Ik k 0k (n k) 60 1 0 07
=6 7: (4.7)
0(m k) k 0(m k) (n k) 60 0 0 07
6. .. .. .. 7
4 .. . . .5
0 0 0 0
Poslediµcno je vrstiµcni rang enak stolpµcnemu rangu.
Dokaz. Ce µ je k = 0, tedaj je A niµcelna matrika in izrek velja. Naj bo sedaj k 1.
Potem v A obstaja neniµcelni element aij . Z zamenjavo i-te in prve vrstice ter z
zamenjavo j-tega in prvega stolpca dobimo neniµcelni element na mestu (1; 1). Brez
izgube za splošnost smemo predpostaviti, da je a11 = 1 (sicer delimo prvo vrstico z
a11 ). Z uporabo vrstiµcne operacije (v2) in stolpµcne (s2) eliminiramo vse preostale
elemente prve vrstice in prvega stolpca. Tako dobimo matriko
2 3
1 0 0 0
60 a22 a23 a2n 7
6 7
60 a32 a33 a 7
6 3n 7:
6 .. .. .. .. 7
4. . . . 5
0 am2 am2 amn

96
Postopek ponovimo na manjši matriki. Ker je vrstiµcni rang dane matrike enak k,
po k 1 korakih dobimo µzeleno obliko (4.7). Ker vrstiµcne in stolpµcne operacije ne
spremenijo niti vrstiµcnega niti stolpµcnega ranga, vidimo, da je tudi stolpµcni rang
dane matrike enak k.

V dokazu prejšnjega izreka smo uporabili tako vrstiµcne kot stolpµcne operacije.
µ uporabimo samo vrstiµcne operacije, lahko matriko preoblikujemo do vrstiµcne
Ce
kanoniµcne forme. Zato velja:
Posledica 4.7. Rang matrike A je enak številu neniµcelnih vrstic matrike VKF A.
Opomba 3. Veljajo naslednje trditve:
(i) rang A = rang AT ;
(ii) rang I = n, I 2 Mn (R) ;
(iii) za matriko A 2 Mn (R) je rang A = n natanko tedaj, ko je VKF A = I.
Posledica 4.8. Naj bodo v1 ; v2 ; :::; vm 2 Rn . Vektorji v1 ; v2 ; :::; vm so linearno
neodvisni natanko tedaj, ko ima matrika A 2 Mm n (R), kjer je A1 = v1 ; A2 =
v2 ; :::; Am = vm , rang enak m.
Dokaz. Vektorji v1 ; v2 ; :::; vm so linearno neodvisni natanko tedaj, ko tvorijo bazo
prostora V = L fv1 ; v2 ; :::; vm g. Ampak to velja natanko tedaj, ko je razseµznost
prostora V enaka m in s tem rang A = m.

Problem. Naj bo V = L fv1 ; v2 ; :::; vm g vektorski podprostor v Rn . Kako naj-

enostavneje izraµcunamo razseµznost prostora V in poišµcemo primer njegove baze?
Postopek je naslednji:

Vektorje v1 ; v2 ; :::; vm po vrsti zapišemo v vrstice matrike A 2 Mm n (R).

Z uporabo elementarnih vrstiµcnih operacij poišµcemo vrstiµcno kanoniµcno formo

matrike A. Denimo, da ima VKF A k neniµcelnih vrstic:

VKF A = [B1 B2 :::Bk 0:::0] :

Potem je dim V = rang A = k.

Ker vrstiµcne operacije ne spremenijo podprostora V , je V = L fB1 ; B2 ; :::; Bk g.

Zato tvorijo vektorji B1 ; B2 ; :::; Bk bazo prostora V:

Pri zgoraj opisanem postopku dejansko ni potrebno z vrstiµcnimi operacijami matrike

preoblikovati do same vrstiµcne kanoniµcne forme. Lahko se ustavimo µze prej, ko
vidimo koliko linearno neodvisnih vrstic imamo. Te linearno neodvisne vrstice potem
tvorijo bazo prostora V . Demonstrirajmo to na zgledu:

Zgled 3. Doloµci bazo in razseµznost podprostora

V = L f(1; 0; 1; 0; 1) ; (1; 2; 4; 2; 1) ; (1; 2; 3; 0; 1) ; ( 2; 3; 1; 4; 2)g R5 :

97
Naj bo 2 3
1 0 1 0 1
61 2 4 2 17
A=6
41
7:
2 3 0 15
2 3 1 4 2
Z uporabo ustreznih vrstiµcnih operacij preoblikujemo matriko A.
2 3 2 3
1 0 1 0 1 1 0 1 0 1
61 7 v12 ( 1);v13 ( 1);v13 (2) 60 2 2 07 1
2 4 2 1 5 7 3 ( 7!
2 ) 23
v ;v
6 7 7! 6
41 2 3 0 1 5 40 2 2 0 0 5
2 3 1 4 2 0 3 3 4 0
2 3 2 3 2 3
1 0 1 0 1 1 0 1 0 1 1 0 1 0 1
60 1 7
1 0 07 v23 ( 2);v24 ( 3) 60 16 1 0 07 6
1) 0 1 1 0 07
6 !
7 7 v34 (2);v
7!
3(
6 7
40 2 5 2 0 5 4 0 0 3 2 0 5 40 0 3 2 05
0 3 3 4 0 0 0 6 4 0 0 0 0 0 0

Zato je dim V = rang A = 3 in mnoµzica f(1; 0; 1; 0; 1) ; (0; 1; 1; 0; 0) ; (0; 0; 3; 2; 0)g

je primer baze prostora V .

4.4 Gauss-Jordanova eliminacija

V tem podpoglavju odgovorimo na vprašanje, kdaj je sistem linearnih enaµcb rešljiv,
in podamo formalni postopek za reševanje sistemov linearnih enaµcb.
Kot smo videli, elementarne vrstiµcne operacije ne spremenijo rešitev linearnega
sistema. To izkoristimo za reševanje linearnega sistema Ax = b z Gauss-Jordanovo
metodo:

1. Zapišemo razširjeno matriko sistema [Ajb].

2. Poišµcemo vrstiµcno kanoniµcno formo matrike [Ajb], ki naj bo [A0 jb0 ].

3. Zapišemo rešitev linearnega sistema A0 x = b0 .

Toµcki 1: in 2: µze obvladamo, z delovnim zgledom obravnavajmo še toµcko 3.

Delovni zgled. Naj bo razširjena matrika [Ajb] sistema linearnih enaµcb Ax = b µze
zapisana v vrstiµcno kanoniµcni formi
2 3
2 3 2 3 x1 2 3
1 1 0 3 0 j 3 1 1 0 3 0 6 7
6 x2 7 3
40 0 1 2 0 j 25 oz. 4 5 6
0 0 1 2 0 6x3 7 = 7 4 25 :
0 0 0 0 1 j 1 0 0 0 0 1 4 x4 5 1
x5

98
Glavne spremenljivke sistema linearnih enaµcb so tiste, ki pripadajo pivotom. Spre-
menljivke, ki pripadajo stolpcem brez pivotov, so proste spremenljivke. V našem
primeru so glavne spremenljivke x1 ; x3 ; x5 , prosti spremenljivki sta x2 in x4 . Nadalje,
glavne spremenljivke izrazimo s prostimi

x1 = 3 + x2 3x4 ;
x3 = 2 2x4 ;
x5 = 1; x2 ; x4 2 R

in zapišemo rešitev sistema

R = f(3 + x2 3x4 ; x2 ; 2 2x4 ; x4 ; 1) jx2 ; x4 2 Rg

= f(3; 0; 2; 0; 1) + x2 (1; 1; 0; 0; 0) + x4 ( 3; 0; 2; 1; 0) jx2 ; x4 2 Rg :

Dani sistem je rešljiv in ima dvoparametriµcno druµzino rešitev. Prav tako vidimo,
da je rang A = rang [Ajb] = 3 in to število predstavlja število glavnih spremenljivk.
Število prostih spremenljivk 2 = 5 rang A pa doloµca, koliko parametriµcno druµzino
rešitev dobimo.
Kaj µce v matriki A med seboj zamenjamo stolpce? Kakšen vpliv ima to na
sistem linearnih enaµcb? Preuredimo stolpce matrike A = [A1 A2 A3 A4 A5 ] v matriko
A0 = [A1 A3 A5 A2 A4 ]. Obravnavani sistem se nam potem preoblikuje v ekvivalentno
obliko
2 3
2 3 2 3 x1 2 3
1 0 0 1 3 j 3 1 0 0 1 3 6 x
6 73
7 3
40 1 0 0 2 j 25 oz. 4 0 1 0 0 25 6 x
6 57
7 = 4 25 ;
0 0 1 0 0 j 1 0 0 1 0 0 4 x2 5 1
x4

µce hkrati usklajeno zamenjamo tudi spremenljivke. Medsebojna zamenjava stolpcev

v matriki sistema linearnih enaµcb pomeni tudi usklajeno zamenjavo spremenljivk!

Osnovni izrek o rešljivosti sistema linearnih enaµcb se glasi:

Izrek 4.9. Naj bo A 2 Mm n (R), x 2 Rn in b 2 Rm . Sistem linearnih enaµcb

Ax = b je rešljiv natanko tedaj, ko je rang A = rang [Ajb]. Nadalje, µce je rang A =
rang [Ajb] = n, je sistem enoliµcno rešljiv, µce je rang A = rang [Ajb] = k < n, ima
sistem n k parametriµcno druµzino rešitev.

Dokaz. Naj bo sistem Ax = b rešljiv. Potem obstaja rešitev x = (x1 ; x2 ; :::; xn ) 2

Rn in lahko zapišemo
2 3
x1
6 x2 7
6 7
A1 A2 An 6 .. 7 = b oziroma x1 A1 + x2 A2 + + x2 An = b:
4.5
xn

99
To pomeni, da je zadnji stolpec razširjene matrike [Ajb] = [A1 :::An b] linearna kom-
binacija stolpcev matrike A. Zato je rang [Ajb] = rang A.
Obratno predpostavimo najprej, da je rang A = rang [Ajb] = n. Potem ima
vrstiµcna kanoniµcna forma matrike [Ajb] obliko
2 3
1 0 0 j b01
60 1 0 j b02 7
0 0 0 6 7
[A jb ] = [Ijb ] = 6 .. .. .. .. .. 7
4. . . . .5
0 0 1 j b0n

in rešitev x = Ix = b0 je ena sama. Naj bo sedaj rang A = rang [Ajb] = k, kjer je

k n 1. Brez izgube za splošnost smemo predpostaviti, da ima vrstiµcna kanoniµcna
forma matrike [Ajb], ki ima k vrstic, obliko
2 3
0
1 0 0 1;k+1 1n j b1
60 1 0 2;k+1 07
2n j b2 7
0 0 6
[A jb ] = 6 .. .. .. .. .. .. .. 7 :
4. . . . . . .5
0
0 0 1 k;k+1 kn j bk

Sicer zamenjamo stolpce matrike A0 in usklajeno preindeksiramo spremenljivke! V

sistemu A0 x = b0 so x1 ; x2 ; :::; xk glavne spremenljivke in xk+1 ; xk+2 ; :::; xn proste
spremenljivke. Prostih spremenljivk je n k in sistem ima n k parametriµcno
druµzino rešitev:

x1 = b01 1;k+1 xk+1 1n xn ;

x2 = b02 2;k+1 xk+1 2n xn ;
..
.
xk = b0k k;k+1 xk+1 kn xn ; xk+1 ; xk+2 ; :::; xn 2 R:

S tem je izrek dokazan.

4.5 Struktura mnoµzice rešitev sistema linearnih

enaµcb
Glavni cilj podpoglavja je opisati strukturo mnoµzice rešitev sistema linearnih enaµcb
Ax = b, kjer je A 2 Mm n (R) ; x 2 Rn ; b 2 Rm . Zaµcnimo z de…nicijo:
µ je b 6= 0, je
De…nicija. Sistem linearnih enaµcb Ax = b je homogen, µce je b = 0. Ce
sistem nehomogen.

Opomba 1. Homogen sistem Ax = 0 je vedno rešljiv. Rešitev x = 0 se imenuje

trivialna rešitev.

100
Izrek 4.10. Naj bo A 2 Mm n (R). Mnoµzica rešitev homogenega linearnega sistema
Ax = 0 tvori vektorski podprostor v Rn , katerega dimenzija je n rang A.

Dokaz. Oznaµcimo z V = fx 2 Rn jAx = 0g mnoµzico rešitev homogenega sistema

linearnih enaµcb. Naj bosta x; y 2 V poljubna vektorja in ; 2 R poljubna skalarja.
Ker je po predpostavki Ax = 0 in Ay = 0, lahko zapišemo

A ( x + y) = A ( x) + A ( y) = Ax + Ay = 0 + 0 = 0:

Zato velja x + y 2 V in V je vektorski podprostor v Rn .

Naj bo rang A = k. Iz dokaza izreka 4.9 sledi, da ima sistem Ax = 0 k glavnih in
n k prostih spremenljivk ter smemo predpostaviti, da so xk+1 ; xk+2 ; :::; xn proste
spremenljivke. Za vsak i = 1; 2; :::; n k naj bo vi 2 Rn rešitev sistema Ax = 0, ki
smo jo dobili z izbiro xk+i = 1 in xk+j = 0 za vse j 6= i. Vektorji v1 ; v2 ; :::; vn k so
linearno neodvisni in vsaka rešitev x 2 V se zapiše v obliki x = 1 v1 + 2 v2 + +
n k vn k ; kjer je i 2 R. Zato je fv1 ; v2 ; :::; vn k g baza vektorskega prostora V in
dim V = n k.

Zgled 1. Dan je sistem linearnih enaµcb Ax = 0, kjer je

2 3
1 2 0 3 0 4
4
A= 0 0 1 2 0 35 :
0 0 0 0 1 2

Naj bo V R6 mnoµzica rešitev danega sistema. Ker je rang A = 3 in n = 6,

je dim V = 3. Dimenzija podprostora V seveda sovpada s številom prostih spre-
menljivk, ki so x2 ; x4 ; x6 . Glavne spremenljivke se s prostimi izraµzajo v obliki

x1 = 2x2 3x4 4x6 (4.8)

x3 = 2x4 3x6
x5 = 2x6 x2 ; x4 ; x6 2 R:

µ v (4.8) vstavimo izbor:

Ce

x2 x4 x6 x1 x3 x 5
1 0 0 ) 2 0 0
;
0 1 0 ) 3 2 0
0 0 1 ) 4 3 2

dobimo bazne vektorje

v1 = ( 2; 1; 0; 0; 0; 0) ; v2 = ( 3; 0; 2; 1; 0; 0) ; v3 = ( 4; 0; 3; 0; 2; 1) : (4.9)

Formalno preverimo še, da je fv1 ; v2 ; v3 g res baza prostora V . Iz (4.8) sledi, da ima
sistem Ax = 0 rešitev

x = ( 2x2 3x4 4x6 ; x2 ; 2x4 3x6 ; x4 ; 2x6 ; x6 ) ; x2 ; x4 ; x6 2 R;

101
kar lahko zapišemo v obliki

x = x2 ( 2; 1; 0; 0; 0; 0) + x4 ( 3; 0; 2; 1; 0; 0) + x6 ( 4; 0; 3; 0; 2; 1)
= x2 v1 + x4 v2 + x6 v3

kjer so x2 ; x4 ; x6 2 R: Vidimo, da je vsaka rešitev x 2 V linearna kombinacija

neodvisnih vektorjev v1 ; v2 ; v3 .
µ sta x1 in x2 rešitvi nehomogenega sistema Ax = b, potem je razlika
Lema 4.11. Ce
x1 x2 rešitev homogenega sistema Ax = 0.

Dokaz. Naj bo Ax1 = b in Ax2 = b ter x = x1 x2 . Potem velja

Ax = A (x1 x2 ) = Ax1 Ax2 = b b=0

in x je rešitev homogenega sistema Ax = 0.

Naj bo xp izbrana (partikularna) rešitev nehomogenega sistema linearnih enaµcb

Ax = b in naj bo xh poljubna rešitev homogenega sistema Ax = 0. Tedaj je
x = xp + xh rešitev nehomogenega sistema, saj velja

Ax = A (xp + xh ) = Axp + Axh = b + 0 = b:

Naslednji izrek pove, da so vse rešitve sistema Ax = b dejansko take oblike.

Izrek 4.12. Naj ima sistem linearnih enaµcb Ax = b 6= 0 partikularno rešitev xp in

naj bo V mnoµzica rešitev homogenega sistema Ax = 0. Potem je mnoµzica rešitev
sistema Ax = b enaka
xp + V = fxp + xh jxh 2 V g :

Dokaz. Naj za x 2 Rn velja Ax = b. Ker sta x in xp rešitvi nehomogenega sistema

Ax = b, je po prejšnji lemi njuna razlika xh = x xp rešitev homogenega sistema
Ax = 0. Zato je xh 2 V in lahko zapišemo x = xp + xh .

Opomba 2. Naj bo rang A = k in naj bo fv1 ; v2 ; :::; vn k g baza rešitev homogenega

sistema Ax = 0. Tedaj je vsaka rešitev sistema Ax = b oblike

x = xp + 1 v1 + 2 v2 + + n k vn k ; 1; 2 ; :::; n k 2 R:

Zgled 2. Sistem linearnih enaµcb je podan z razširjeno matriko

2 3
1 2 0 3 0 4 j 1
[Ajb] = 40 0 1 2 0 3 j 25 :
0 0 0 0 1 2 j 3

V zgledu 1 smo µze poiskali bazne vektorje v1 ; v2 ; v3 mnoµzice rešitev homogenega

sistema Ax = 0, glej (4.9). Neposredno z raµcunom hitro preverimo, da je xp =

102
(2; 4; 3; 1; 1; 1) partikularna rešitev danega sistema linearnih enaµcb. Zato ima
obravnavani sistem rešitev
x = xp + 1 v1 + 2 v2 + 3 v3 ; 1; 2; 3 2 R:
To pomeni
x = (2; 4; 3; 1; 1; 1) + 1 ( 2; 1; 0; 0; 0; 0) + 2 ( 3; 0; 2; 1; 0; 0)
+ 3 ( 4; 0; 3; 0; 2; 1)
= (2 2 1 3 2 4 3 ; 4 + 1 ; 3 2 2 3 3 ; 1 + 2 ; 1 2 3 ; 1 + 3) ;

kjer so 1; 2; 3 2 R.

4.6 Obstoj in izraµcun inverzne matrike

V podpoglavju 3:5 smo de…nirali obrnljivost matrik v matriµcni algebri Mn (R).
Spomnimo se, da je matrika A 2 Mn (R) obrnljiva, µce obstaja taka matrika X 2
Mn (R), da velja
AX = XA = I:
Matrika X je inverzna matrika matrike A in se jo oznaµci z A 1 . Prav tako smo
navedli, da v matriµcni algebri Mn (R) iz enakosti AX = I sledi tudi XA = I. Zato v
de…niciji obrnljivosti matrike zadošµca zahtevati samo AX = I. V tem podpoglavju
bomo karakterizirali obrnljive matrike in spoznali postopek izraµcuna inverzne ma-
trike. Zaµcnimo z osnovnim izrekom:
Izrek 4.13. Za matriko A 2 Mn (R) so naslednje trditve ekvivalentne:
(i) A je obrnljiva matrika;
(ii) sistem linearnih enaµcb Ax = b je enoliµcno rešljiv za vsak b 2 Rn ;
(iii) rang A = n;
(iv) vrstiµcna kanoniµcna forma matrike A je enaka I;
(v) A lahko zapišemo kot produkt elementarnih matrik.
Dokaz. (i) ) (ii) Naj obstaja inverzna matrika A 1 in naj bo dan sistem linearnih
µ enakost Ax = b z leve strani pomnoµzimo z A 1 ,
enaµcb Ax = b, kjer je b 2 Rn . Ce
dobimo
A 1 Ax = A 1 b oz. x = A 1 b:
Vsak sistem Ax = b ima torej enoliµcno rešitev.
(ii) ) (iii) Naj bo b 2 Rn poljuben vektor in naj bodo A1 ; A2 ; :::; An 2 Rn stolpci
matrike A. Potem lahko sistem linearnih enaµcb Ax = b, ki ima enoliµcno rešitev
x = (x1 ; x2 ; :::; xn ), zapišemo v obliki
2 3
x1
6 x2 7
6 7
A1 A2 An 6 .. 7 = b oz. x1 A1 + x2 A2 + + x2 An = b:
4.5
xn

103
Vidimo, da se vsak vektor b 2 Rn enoliµcno izraµza kot linearna kombinacija vektorjev
A1 ; A2 ; :::; An 2 Rn . Zato tvorijo stolpci A1 ; A2 ; :::; An matrike A bazo prostora Rn
in
rang A = dim L A1 ; A2 ; :::; An = dim Rn = n:
(iii) ) (iv) Ker ima matrika A rang, enak n, ima vrstiµcna kanoniµcna forma matrike
A n neniµcelnih vrstic. Zato je VKF A = I.
(iv) ) (v) Ker je VKF A = I, obstaja zaporedje elementarnih vrstiµcnih operacij
vseh treh tipov p1 ; p2 ; :::; pk , ki matriko A prevedejo do identitete I: Vrstiµcne op-
eracije predstavimo kot mnoµzenje matrike z leve strani z elementarnimi matrikami.
Naj vrstiµcni operaciji pi pripada elementarna matrika Pi : Potem velja
Pk Pk 1 P2 P1 A = I: (4.10)
Vsaka elementarna matrika Pi je obrnljiva in inverz Pi 1 je tudi elementarna matrika
(glej trditev 4.2). Ceµ enakost (4.10) z leve strani po vrsti mnoµzimo z matrikami
1 1 1
Pk ; Pk 1 ; :::; P1 , dobimo
A = P1 1 P2 1
Pk 11 Pk 1 :
Torej se matriko A lahko zapiše kot produkt elementarnih matrik.
(v) ) (i) Predpostavimo, da se matriko A lahko zapiše kot produkt elementarnih
matrik A = P1 P2 Pk . Elementarne matrike so obrnljive, zato je po trditvi 3:9
obrnljiva tudi matrika A, velja A 1 = Pk 1 Pk 11 P1 1 .

Vidimo, da so obrnljive matrike natanko tiste kvadratne matrike, ki imajo polni

rang. To je najboljša karakterizacija obrnljivih matrik, ker jo v praksi lahko enos-
tavno preverimo s postopkom Gaussove eliminacije. Prav tako z uporabo Gauss-
Jordanove eliminacije izraµcunamo inverzno matriko A 1 . Postopek je naslednji:
Razširimo matriko A z identiteto I, dobimo matriko [AjI]. Z elementarnimi vrstiµcn-
imi operacijami prevedemo matriko [AjI] do vrstiµcne kanoniµcne forme, ki ima obliko
[IjA 1 ]. Torej velja
VKF [AjI] = IjA 1 :
1. naµcin utemeljitve: Po predpostavki je A obrnljiva matrika in zato je VKF A = I.
Ustrezno zaporedje elementarnih vrstiµcnih operacij matriko A prevede do identitete
Pk Pk 1 P2 P1 A = I: (4.11)
Vidimo, da je potem A 1 = Pk Pk 1 P2 P1 : Zato dano zaporedje vrstiµcnih operacij
identiteto I prevede do inverzne matrike A 1 . Torej nam dano zaporedje operacij
matriko [AjI] prevede do matrike [IjA 1 ].
2. naµcin utemeljitve: Rešimo matriµcno enaµcbo AX = I, to pomeni
2 32 3 2 3
a11 a12 a1n x11 x12 x1n 1 0 0
6 a21 a22 a2n 7 6 x2n 7 6 07
6 7 6 x21 x22 7 60 1 7
6 .. .. .. 7 6 .. .. .. 7 6 .. ..
= .. 7 :
4 . . . 5 4 . . . 5 4 . . .5
an1 an2 ann xn1 xn2 xnn 0 0 1

104
Oznaµcimo z xk = X k 2 Rn k-ti stolpec matrike X in z ek = I k 2 Rn k-ti stolpec
identitete I. Dejansko rešujemo n linearnih sistemov

Ax1 = e1 ; Ax2 = e2 ; ; Axn = en :

Po predpostavki ima matrika A rang, enak n, zato so vsi ti sistemi linearnih enaµcb
enoliµcno rešljivi. Dane sisteme enaµcb rešujemo hkrati, tako da razširimo matriko A
z identiteto I: Z Gauss-Jordanovo eliminacijo poišµcemo vrstiµcno kanoniµcno formo
matrike [AjI], ki je enaka [IjX] in velja X = A 1 :

Opomba. S prvim naµcinom smo matriki A poiskali matriko X, za katero velja

XA = I, glej (4.11). Z drugim postopkom pa smo poiskali matriko X, za katero
velja AX = I. Oba postopka sovpadata VKF [AjI] = [IjX]! Zato je utemeljen izrek
3.9: µce obstaja X 2 Mn (R) z lastnostjo AX = I, potem velja tudi XA = I.

Zgled 1. Izraµcunajmo inverzno matriko matrike

2 3
2 1 1
A = 41 2 15 :
1 1 2
Poiskati moramo vrstiµcno kanoniµcno formo razširjene matrike
2 3
2 1 1 j 1 0 0
[AjI] = 41 2 1 j 0 1 05 :
1 1 2 j 0 0 1
Uporabimo Gauss-Jordanovo eliminacijo:
2 3 2 3
2 1 1 j 1 0 0 1 1 2 j 0 0 1
v13 v12 ( 1);v13 ( 2)
41 2 1 j 0 1 05 7! 41 2 1 j 0 1 05 7 !
1 1 2 j 0 0 1 2 1 1 j 1 0 0
2 3 2 3
1 1 2 j 0 0 1 1 0 3 j 0 1 2 v3 ( 1 )
v23 (1);v21 ( 1)
40 1 1 j 0 1 15 7! 4 0 1 1 j 0 1 15 7!
4

0 1 3 j 1 0 2 0 0 4 j 1 1 3
2 3 2 3 1 1
3
1 0 3 j 0 1 2 1 0 0 j 4 4 4
v32 (1);v31 ( 3)
40 1 1 j 0 1 1 5 7! 40 1 0 j 1 3 15
4 4 4
1 1 3 1 1 3
0 0 1 j 4 4 4
0 0 1 j 4 4 4

Ker je 2 3
3 1 1
1 0 0 j 4 4 4
VKF [AjI] = IjA 1
= 40 1 0 j 1
4
3
4
15
4
;
1 1 3
0 0 1 j 4 4 4
vidimo, da je iskana inverzna matrika enaka
2 3
3 1 1
14
1
A = 1 3 15 :
4
1 1 3

105
Zgled 2. Glede na realni parameter obravnavajmo obrnljivost matrike
2 3
2 1 1
6 2 1 2 0 7
A=6
4 1
7:
2 1 5
1 0 1 2

Matrika A je obrnljiva natanko tedaj, ko je njen rang enak 4. Ker vrstiµcne in stolpµcne
operacije ne spremenijo ranga matrike, jih uporabimo za doloµcanje ranga matrike
A:
2 3 2 3
1 2 1 1 1 2 1 1
s31 ( 1) 6 0 1 2 0 7 (1) 6 0 1 2 0 7
A 7! 6 7 v13
7! 6 7:
4 1+ 2 1 5 4 0 4 1 0 5
0 0 1 2 0 0 1 2

µ je
Ce = 1, rang matrike ni veµc poln in matrika A ni obrnljiva. Naj bo 6 =
1. Potem lahko zgornjo matriko z zaporedjem stolpµcnih operacij s1 ((1 ) 1 ),
s12 ( 2), s13 (1), s4 ( 1) preoblikujemo v obliko
2 3
1 0 0 0
60 1 2 0 7
6 7:
40 4 1 0 5
0 0 1 2

µ je = 2, se rang matrike A zmanjša in matrika ni obrnljiva. Zato naj bo nadalje

Ce
tudi 6= 2: V tem primeru z uporabo stolpµcnih operacij s4 ((2 ) 1 ) in s43 (1)
zgornjo matriko prevedemo v
2 3
1 0 0 0
60 1 2 07
6 7:
40 4 1 05
0 0 0 1

Nazadnje zapišimo še
2 3 2 3 2 3
1 0 0 0 1 0 0 0 1 0 0 0
60 1 2 7 6
07 s32 (1) 60 3 2 7 6
07 v23 ( 1) 60 3 2 07
6 7! 4 7! 4 7:
40 4 1 05 0 3 1 05 0 0 3 05
0 0 0 1 0 0 0 1 0 0 0 1

V primeru = 3 ali = 3 se rang matrike A spet zmanjša in matrika ni obrnljiva.

µ
Ce 2
= f1; 2; 3; 3g, ima matrika A rang enak 4 in je obrnljiva.

106
Poglavje 5

Determinanta

5.1 Uvod
Determinanto reda 2 in reda 3 smo µze vpeljali pri geometrijskih vektorjih (raµcunanje
vektorskega in mešanega produkta). Ponovimo nekatere lastnosti, ki jih imata ome-
njeni determinanti.
Determinanta reda 2: Naj bo A 2 M2 (R). Potem je determinanta matrike A, ki jo
oznaµcimo z det A, enaka
a11 a12
det A = = a11 a22 a12 a21 :
a21 a22
Lastnosti determinante, ki smo jih µze dokazali, so:
1. j det Aj predstavlja plošµcino paralelograma, ki ga v ravnini R2 doloµcata stolpµcna
vektorja
a a
A1 = 11 in A2 = 12 :
a21 a22
2. Vektorja A1 ; A2 sta linearno neodvisna natanko tedaj, ko je det A 6= 0.
3. Matrika A 2 M2 (R) je obrnljiva natanko tedaj, ko je det A 6= 0 in velja
1 1 a22 a12
A = :
det A a21 a11

Determinanta reda 3: Naj bo A 2 M3 (R). Potem je determinanta matrike A de…ni-

rana rekurzivno s tako imenovanim razvojem po prvem stolpcu
a11 a12 a13
a a a12 a13 a a
a21 a22 a23 = a11 22 23 a21 + a31 12 13
a32 a33 a32 a33 a22 a23
a31 a32 a33
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a11 a23 a32 a13 a22 a31 a12 a21 a33 :
Spomnimo se še lastnosti:

107
 1. det A predstavlja mešani produkt (A1 ; A2 ; A3 ) stolpµcnih vektorjev A1 ; A2 ; A3 2
R3 .

2. j det Aj predstavlja prostornino paralelepipeda v R3 , doloµcenega z vektorji

A1 ; A2 ; A3 .

3. Vektorji A1 ; A2 ; A3 so linearno neodvisni natanko tedaj, ko je det A 6= 0.

Vidimo, da sta determinanti reda 2 in 3 zelo uporabni. Tudi v splošnem z

uporabo determinante preverjamo linearno neodvisnost vektorjev, determinanta je
kriterij za obrnljivost matrik, z uporabo determinante rešujemo kvadratne sisteme
linearnih enaµcb in raµcunamo inverzne matrike. Absolutna vrednost determinante
predstavlja prostornino ustreznega telesa v Rn , ki ga doloµca n vektorjev. Determi-
nanto splošne n n matrike lahko de…niramo na veµc ekvivalentnih naµcinov. V našem
pristopu bomo determinanto de…nirali z uporabo permutacij, bijektivnih preslikav
mnoµzice Nn = f1; 2; :::; ng. Demonstrirajmo to na zgledu determinante reda 2 in 3:
Determinanta reda 2: Naj bo N2 = f1; 2g in : N2 ! N2 bijektivna preslikava. Na
mnoµzici N2 imamo samo dve permutaciji

1 2 1 2
1 = in 2 = :
1 2 2 1

Permutacija 1 je identiteta, ki ohranja oba elementa: 1 (1) = 1, 1 (2) = 2.

Permutacija 2 predstavlja transpozicijo, kjer zamenjamo elementa: 2 (1) = 2,
2 (2) = 1. Vsako permutacijo tudi predznaµcimo, glede na to, koliko transpozicij
predstavlja. Pravimo, da je 1 soda permutacija in ima predznak " 1 = 1, medtem
ko je 2 liha permutacija in ima predznak " 2 = 1. Naj bo S2 = f 1 ; 2 g. Potem
lahko zapišemo

a11 a12
= a11 a22 a12 a21
a21 a22
= a1; 1 (1) a2; 1 (2) a1; 2 (1) a2; 2 (2)
X
= " a1; (1) a2; (2) :
2S2

Determinanta reda 3: Naj bo N3 = f1; 2; 3g in : N3 ! N3 permutacija. Mnoµzica

vseh permutacij na N3 ima 6 elementov S3 = f 1 ; 2 ; 3 ; 4 ; 5 ; 6 g. Dane per-
mutacije so de…nirane z naslednjimi predpisi
9 9
1 2 3 >
> 1 2 3 >
>
1 = >
> 4 = >
>
1 2 3 >
> 1 3 2 >
>
= =
1 2 3 1 2 3
2 = " i=1 5 = " i= 1:
2 3 1 >
> 3 2 1 >
>
>
> >
>
1 2 3 >
> 1 2 3 >
>
3 = ; 6 = ;
3 1 2 2 1 3

108
Izkaµze se, da so prve tri permutacije sode in imajo predznak 1, medtem ko so zadnje
tri permutacije lihe, imajo predznak 1. Pri zadnjih treh permutacijah je vedno
en element …ksiran, preostala dva pa se zamenjata. Ce µ sedaj uskladimo indeksacijo
elementov v determinanti reda 3 s slikami ustreznih permutacij, lahko zapišemo

a11 a12 a13

a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a31 a32 a33
a11 a23 a32 a13 a22 a31 a12 a21 a33
= a1; 1 (1) a2; 1 (2) a3; 1 (3) + a1; 2 (1) a2; 2 (2) a3; 2 (3) + a1; 3 (1) a2; 3 (2) a3; 3 (3)
a1; 4 (1) a2; 4 (2) a3; 4 (3) a1; 5 (1) a2; 5 (2) a3; 5 (3) a1; 6 (1) a2; 6 (2) a3; 6 (3)
X
= " a1; (1) a2; (2) a3; (3) :
2S3

Vidimo, da je determinanta matrike enaka predznaµceni vsoti, ki teµce po vseh per-

mutacijah mnoµzice N3 , produktov treh elementov a1; (1) a2; (2) a3; (3) , kjer nastopa
natanko en element iz vsake vrstice in vsakega stolpca. Iz i-te vrstice je izbran ele-
ment iz stolpca (i), torej ai; (i) . Na podoben naµcin de…niramo tudi determinanto
matrike velikosti n n. Da bomo lahko to korektno naredili, bodo v naslednjem
podpoglavju obravnavane osnovne lastnosti permutacij.

5.2 Permutacije
Naj bo Nn = f1; 2; :::; ng. Permutacija mnoµzice Nn je bijektivna preslikava : Nn !
Nn . Za zapis permutacije uporabimo naslednjo obliko

1 2 n
= :
(1) (2) (n)

Mnoµzico vseh permutacij na Nn oznaµcimo z Sn .

Zgled 1. Preslikava
1 2 3 4 5
=
2 4 5 1 3
je permutacija na N5 . To pomeni: (1) = 2; (2) = 4; (3) = 5; (4) = 1; (5) = 3:

Opomba 1. Naj bo A konµcna mnoµzica in f : A ! A preslikava. Naslednje trditve

so ekvivalentne:
(i) f je bijektivna preslikava,
(ii) f je surjektivna preslikava,
(iii) f je injektivna preslikava.

Opomba 2. Vseh permutacij mnoµzice Nn je n!, torej jSn j = n!. Namreµc, element
(1) lahko izberemo na n naµcinov, (2) na n 1 naµcinov in podobno naprej. Po

109
osnovnem izreku kombinatorike je število vseh moµznih izbir enako n! = n (n 1)
::: 2 1.

Naj bosta ; permutaciji mnoµzice Nn . Tedaj je tudi njun produkt (kompozitum)

= , ki je de…niran s predpisom

( ) (k) = ( ) (k) = ( (k)) za vsak k 2 Nn ;

permutacija na Nn . Namreµc, kompozitum bijektivnih preslikav je bijektivna pres-

likava. Produkt permutacij v splošnem ni komutativen.

Zgled 2. Naj bosta

1 2 3 4 5 1 2 3 4 5
= in = :
2 4 5 1 3 2 1 3 5 4

Potem velja

1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
= = ;
2 4 5 1 3 2 1 3 5 4 4 2 5 3 1
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
= =
2 1 3 5 4 2 4 5 1 3 1 5 4 2 3

in vidimo 6= :

Z id 2 Sn oznaµcimo identiµcno permutacijo, ki je de…nirana kot id (k) = k za vsak

k 2 Nn . Za vsako permutacijo 2 Sn velja id = id = . Namreµc,

( id) (k) = (id (k)) = (k) ;

(id ) (k) = id ( (k)) = (k)

za vsak k 2 Nn . Za poljubne ; ; 2 Sn velja asociativnost mnoµzenja ( ) =

( ). Vidimo, da je

(( ) ) (k) = ( ) ( (k)) = ( ( (k))) = (( ) (k)) = ( ( )) (k)

za vsak k 2 Nn . Za vsako permutacijo 2 Sn , obstaja permutacija 2 Sn , da

1
je = = id. Permutacija je inverzna permutacija in jo oznaµcimo s .
Inverzna permutacija je de…nirana z inverzno preslikavo. Dokazali smo:

Trditev 5.1. Mnoµzica permutacij Sn , ki je opremljena z mnoµzenjem (komponiran-

jem) je grupa, to pomeni:
G1 ( ) = ( ) za vse ; ; 2 Sn :
G2 Obstaja id 2 Sn , da je id = id = za vsak 2 Sn .
G3 Za vsak 2 Sn obstaja 1 2 Sn , da je 1
= 1 = id:

110
 Permutacijsko grupo Sn v literaturi sreµcamo tudi pod imenom simetriµcna grupa.

De…nicija. Permutacija 2 Sn je transpozicija, µce zamenja dva elementa; obstajata

i; j 2 Nn , da je (i) = j; (j) = i in (k) = k za vsak k 2 Nn n fi; jg.
µ transpozicija zamenja elementa i in j, jo krajše oznaµcimo s = (i j). Ker
Ce
je (i j) (i j) = id, vidimo, da je transpozicija sama sebi inverzna permutacija, torej
velja 1 = .
Pravimo, da je permutacija transpozicija permutacije , µce je = (i j), kjer
sta i; j 2 Nn . To pomeni, da sta pri permutacijah in na mestih i in j zamenjani
sliki; (i) = (j) in (j) = (i) ter (k) = (k) za vsak k 2 Nn n fi; jg.

Zgled 3. Naj bosta

1 2 3 4 5 1 2 3 4 5
= in = :
2 4 5 1 3 3 4 5 1 2

Potem je transpozicija permutacije . Ker lahko zapišemo

1 2 3 4 5 1 2 3 4 5
= (1 5) ;
3 4 5 1 2 2 4 5 1 3
1 2 3 4 5 1 2 3 4 5
= (2 3) ;
3 4 5 1 2 2 4 5 1 3

vidimo, da velja = (1 5) = (2 3) :

Permutacijska grupa S3 vsebuje 6 permutacij, od katerih so tri transpozicije:

1 2 3 1 2 3 1 2 3
= (2 3) ; = (1 3) ; = (1 2) :
1 3 2 3 2 1 2 1 3

Identiteto id na primer lahko zapišemo kot produkt dveh transpozicij id = (1 2) (1 2).

Ali lahko tudi permutaciji

1 2 3 1 2 3
= in =
2 3 1 3 1 2

zapišemo kot produkt transpozicij? Iz raµcunov

1 2 3 1 2 3
(1 2) = (1 2) = = (2 3) ;
2 3 1 1 3 2
1 2 3 1 2 3
(1 3) = (1 3) = = (2 3)
3 1 2 1 3 2

sledi pritrdilen odgovor: = (1 2) (2 3) in = (1 3) (2 3). Omenjena lastnost ni

posebnost, ampak velja tudi v splošnem.
Trditev 5.2. Vsako permutacijo 2 Sn lahko zapišemo kot produkt transpozicij.

111
Dokaz. Dokaz bo potekal z uporabo matematiµcne indukcije. V primeru n = 2
trditev velja, ker je = (1 2) transpozicija in identiteta id = (1 2) (1 2) je produkt
transpozicij. Naj bo n > 2. Po indukcijski predpostavki lahko vsako permutacijo iz
Sn 1 zapišemo kot produkt transpozicij. Naj bo 2 Sn . Ce µ je (n) = n, potem jo
lahko gledamo kot permutacijo mnoµzice Nn 1 : Po indukcijski predpostavki je takšna
permutacija produkt transpozicij. Naj bo torej (n) = k 6= n. Naj bo = (k n)
transpozicija. Potem za permutacijo velja

( ) (n) = ( (n)) = (k) = n:

Zato lahko na gledamo kot na permutacijo mnoµzice Nn 1 . Po indukcijski pred-

postavki obstajajo transpozicije 1 ; 2 ; :::; k , da velja µ dano enakost
= 1 2 ::: k . Ce
z leve strani pomnoµzimo z , upoštevamo, da je = id, sledi µzeleni rezultat
= 1 2 ::: k .

Zgled 4. Zapišimo permutacijo

1 2 3 4 5
=
2 4 5 1 3

kot produkt transpozicij. Naj bo 1 = (1 2). Potem je

1 2 3 4 5 1 2 3 4 5
1 = (1 2) = = 1:
2 4 5 1 3 1 4 5 2 3

Nadalje, naj bo 2 = (2 4) : Potem velja

1 2 3 4 5 1 2 3 4 5
2 1 = 2 1 = (2 4) = = (3 5) :
1 4 5 2 3 1 2 5 4 3

µ oznaµcimo še
Ce 3 = (3 5), smo dobili µzeleni zapis = 1 2 3 = (1 2) (2 4) (3 5) :

De…nicija. Permutacija 2 Sn je soda, µce jo lahko zapišemo kot produkt sodega

števila transpozicij. Sicer je permutacija liha. Predznak permutacije je število

1 ; soda
" = :
1 ; liha

Brez dokaza navedimo naslednji izrek, ki utemelji dobro de…niranost predznaka per-
mutacije (dokaz izreka bralec najde v [7, poglavje IV, stran 57]). Zapis permutacije
kot produkt transpozicij seveda ni enoliµcen niti po dolµzini niti po vrstnem redu
zapisa.

Izrek 5.3. Denimo, da smo 2 Sn zapisali kot produkt k transpozicij in kot produkt
s transpozicij. Tedaj sta k in s bodisi sodi števili bodisi lihi števili.

112
Zgled 4. Doloµcimo predznak nekaterih delovnih permutacij:

Ker je id = (i j) (i j), je identiteta soda permutacija.

Permutacija
1 2 3 4 5
= (1 2) (2 4) (3 5)
2 4 5 1 3
je liha permutacija.

Permutaciji

1 2 3 1 2 3
= (1 2) (2 3) in = (1 3) (2 3)
2 3 1 3 1 2

sta sodi permutaciji.

Posledica 5.4. Naj bo 2 Sn . Potem velja

(i) " = " 1 ,
(ii) µce je tanspozicija od , potem je " = " .
1 1
Dokaz. Ker je id = soda permutacija, sta obe permutaciji in bodisi
sodi bodisi lihi. Naj bo transpozicija permutacije . Tedaj obstajata i; j 2 Nn ,
da velja = (i j). Zato sta permutaciji in razliµcno predznaµceni.

Pri delu s permutacijami je elegantno uporabljati cikle. Ce µ za 2 Sn velja

(i1 ) = i2 ; (i2 ) = i3 ; :::; (ik 1 ) = ik ; (ik ) = i1 in so vsi ostali i …ksni, (i) =
i, tedaj permutacijo imenujemo cikel dolµzine k in zapišemo = (i1 i2 ik ).
Transpozicija (i j) je cikel dolµzine 2. Hitro lahko premislimo, da veljata naslednji
dejstvi:

vsaka permutacija je produkt loµcenih ciklov (cikli nimajo skupnih elementov);

vsak cikel dolµzine k je, na primer, produkt k 1 transpozicij

= (i1 i2 ik ) = (i1 i2 ) (i2 i3 ) (ik 1 ik ) :

Zgled 5. Zapišimo dane permutacije kot produkt loµcenih ciklov in kot produkt
transpozicij:

1 2 3
= (1 2 3) = (1 2) (2 3) ;
2 3 1
1 2 3 4 5
= (1 2 4) (3 5) = (1 2) (2 4) (3 5) ;
2 4 5 1 3
1 2 3 4 5
= (1 3 2 5 4) = (1 3) (3 2) (2 5) (5 4) :
3 5 2 1 4

113
5.3 De…nicija in osnovne lastnosti determinante
V tem podpoglavju bomo de…nirali determinanto matrike A 2 Mn (R) in opisali
osnovne lastnosti determinante kot funkcije det : Mn (R) ! R. Z Sn oznaµcimo
simetriµcno grupo vseh permutacij mnoµzice Nn = f1; 2; :::; ng. Za permutacijo 2 Sn
bomo z " oznaµcili predznak permutacije .

De…nicija. Naj bo A 2 Mn (R). Tedaj je determinanta matrike A enaka

X
det A = " a1; (1) a2; (2) an; (n) :
2Sn

V uvodnem podpoglavju smo µze videli, da dana de…nicija v primeru n = 2 in n = 3

predstavlja znani determinanti:

a11 a12
= a11 a22 a12 a21 ;
a21 a22
a11 a12 a13
a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32
a31 a32 a33
a11 a23 a32 a13 a22 a31 a12 a21 a33 :

Ker je jSn j = n!, ima determinanta n n realne matrike n! µclenov. Zato je raµcu-
nanje determinante neposredno iz de…nicije pri veµcjih n zelo neekonomiµcno. Metode
za raµcunanje determinante bomo razvili v naslednjem podpoglavju 5.4; te slonijo
na lastnostih determinante. Pri naslednjih zgledih bomo determinanto raµcunali
neposredno po de…niciji.

Zgled 1. Determinanta diagonalne matrike je enaka produktu diagonalnih elemen-

tov

a11 0 0 1 0 0
0 a22 0 0 1 0
.. .. .. = a11 a22 ann in det I = .. .. .. = 1:
. . . . . .
0 0 ann 0 0 1

µ za permutacijo velja, da je (k) 6= k za neko naravno število k, potem je

Ce
ak; (k) = 0. Zato je µclen, ki v determinanti pripada permutaciji , enak 0. Edini
neniµcelni µclen lahko priµcakujemo samo pri = id. Ker je "id = 1, sledi det A =
a11 a22 ann . V posebnem primeru velja det I = 1.

Zgled 2. Ceµ ima matrika A niµcelno vrstico, potem je det A = 0. Naj bo i-ta vrstica
matrike A niµcelna. To pomeni ai; (i) = 0 za vsak 2 Sn . Pri vsaki permutaciji je
µclen, ki v determinanti pripada tej permutaciji, zato enak 0.

114
Zgled 3. Determinanta zgornje trikotne matrike je enaka produktu diagonalnih
elementov
a11 a12 a1n
0 a22 a2n
.. .. .. = a11 a22 ann :
. . .
0 0 ann
µ za permutacijo velja (n) 6= n, potem je an; (n) = 0 in µclen, ki v determinanti
Ce
pripada permutaciji , je enak 0. Neniµceln µclen lahko dobimo, µce je (n) = n. Zaradi
bijektivnosti podobno sledi, da neniµceln µclen lahko dobimo le, ko velja (n 1) =
n 1; (n 2) = n 2; :::; (2) = 2; (1) = 1. Torej je = id in det A = a11 a22 ann :

Zgled 4. Izraµcunajmo determinanto

0 0 0 a1n
0 0 a2;n 1 a2n
.. .. .. .. :
. . . .
0 an 1;2 an 1;n 1 an 1;n
an1 an2 an;n 1 ann

µ za permutacijo
Ce velja (1) 6= n, je a1; (1) = 0 in µcleni takih permutacij v
determinanti so enaki 0. Ce µ podobno nadaljujemo, zaradi bijektivnosti sledi, da
lahko neniµceln µclen dobimo samo v primeru

(1) = n; (2) = n 1; ; (n 1) = 2; (n) = 1:

Torej je det A = " a1n a2;n 1 :::an 1;2 an1 , kjer je

1 2 3 n 2 n 1 n
= :
n n 1 n 2 3 2 1

Doloµciti moramo še samo predznak permutacije . Ce µ je n = 2k sodo število,

lahko zapišemo kot produkt k transpozicij = (1 n) (2 n 1) ::: (k k + 1). Zato
je " = ( 1)k = ( 1)n=2 . Ce
µ je n = 2k + 1 liho število, potem je toµcka k + 1 …ksna
toµcka permutacije in je produkt k transpozicij = (1 n) (2 n 1) ::: (k k + 2).
Zato je " = ( 1)k = ( 1)n=2 1=2 . Naj [ ] oznaµcuje funkcijo celi del. Ce
µ poenotimo
oba primera, lahko zapišemo
n
det A = ( 1)[ 2 ] a1n a2;n 1 :::an 1;2 an1 :

V nadaljevanju bodo obravnavane osnovne lastnosti determinante. Kaj lahko

reµcemo o determinanti transponirane matrike?

Trditev 5.5. Naj bo A 2 Mn (R). Potem velja det AT = det A.

115
Dokaz. Najprej upoštevamo de…nicijo transponirane matrike in zapišemo
X
det AT = " AT 1; (1) AT i; (i) AT n; (n)
2Sn
X
= " a (1);1 a (i);i a (n);n :
2Sn

Naj bo 2 Sn . Ceµ permutacija preteµce celo mnoµzico Sn , potem tudi njena inverzna
permutacija 1 preteµce celo mnoµzico Sn , ker je Sn grupa. Nadalje, iz posledice 5.4
1
(i) sledi, da imata permutaciji in enak predznak, " = " 1 . Zgornjo vsoto
tako preuredimo
X
det AT = " a1; 1 (1) ai; 1 (i) an; 1 (n) :
2Sn
X
= " 1 a1; 1 (1) ai; 1 (i) an; 1 (n)

1 2S
n

= det A

in trditev je dokazana.

Opomba. Vrstice matrike A 2 Mn (R) so vektorji A1 ; A2 ; :::; An iz V = Rn . Deter-

minanta je tudi funkcija, de…nirana na vrsticah matrike A, to pomeni det : V n ! R.
Zato lahko zapišemo
det A = det(A1 ; A2 ; :::; An ):
Podobno je determinanta tudi funkcija, ki je de…nirana na stolpcih matrike A, torej

det A = det A1 ; A2 ; :::; An :

Ker je det A = det AT , vse lastnosti determinante, ki veljajo za vrstice, veljajo tudi
za stolpce. Zato bomo v nadaljevanju trditve praviloma formulirali samo za vrstice.
Determinanto bomo obravnavali kot vrstiµcno funkcijo det A = det(A1 ; A2 ; :::; An ).
Izrek 5.6. Determinanta je vrstiµcno linearna funkcija, to pomeni
(i) det(A1 ; :::; Bi + Ci ; :::; An ) = det(A1 ; :::; Bi ; :::; An ) + det(A1 ; :::; Ci ; :::; An );
(ii) det(A1 ; :::; Ai ; :::; An ) = det(A1 ; :::; Ai ; :::; An ); kjer je 2 R;
za vsak i 2 Nn .
µ
Prva toµcka v izreku 5.6 pove, da je determinanta vrstiµcno aditivna funkcija. Ce
je v matriki A i-ta vrstica Ai = Bi + Ci vsota dveh vektorjev Bi ; Ci 2 Rn , potem
je det A enaka vsoti dveh determinant, kjer stojita v i-ti vrstici matrike vektorja
Bi oziroma Ci . Druga toµcka izreka pove, da je determinanta vrstiµcno homogena
µ v matriki A i-to vrstico Ai pomnoµzimo s skalarjem , potem se lahko
funkcija. Ce
izpostavi pred determinanto. Obe lastnosti (i) in (ii) lahko zdruµzimo v ekvivalentno
obliko

det(A1 ; :::; Bi + Ci ; :::; An ) = det(A1 ; :::; Bi ; :::; An ) + det(A1 ; :::; Ci ; :::; An );

116
kjer sta ; 2 R. V primeru n = 3 in linearnosti po drugi vrstici to pomeni

a11 a12 a13 a11 a12 a13 a11 a12 a13

b1 + c1 b2 + c2 b3 + c3 = b 1 b2 b3 + c1 c2 c3 :
a31 a32 a33 a31 a32 a33 a31 a32 a33

Posebej omenimo, da lahko linearnost determinante po i-ti vrstici posplošimo. Ce µ

n
je v matriki A i-ta vrstica linearna kombinacija vektorjev iz R , to pomeni Ai =
1 v1 + 2 v2 + ::: + k vk , tedaj se ustrezno izraµ za tudi determinanta matrike A:
!
Xk X
k
det A1 ; :::; v
j j ; :::; A n = j det(A1 ; :::; vj ; :::; An ):
j=1 j=1

Dokaz izreka 5.6. Naj bosta ; poljubna realna skalarja in naj bo i-ta vrstica
matrike A enaka Ai = Bi + Ci . Torej je vsak element i-te vrstice matrike A oblike
aij = bj + cj za vsak j 2 Nn : Potem velja
X
det A = " a1; (1) ai; (i) an; (n)
2Sn
X
= " a1; (1) b (i) + c (i) an; (n)
2Sn
X X
= " a1; (1) b (i) an; (n) + " a1; (1) c (i) an; (n)
2Sn 2Sn
X X
= " a1; (1) b (i) an; (n) + " a1; (1) c (i) an; (n)
2Sn 2Sn

= det(A1 ; :::; Bi ; :::; An ) + det(A1 ; :::; Ci ; :::; An ):

S tem je izrek dokazan.

n
Posledica 5.7. Naj bo A 2 Mn (R) in 2 R. Tedaj je det ( A) = det A.

Dokaz. Posledica sledi iz prejšnjega izreka, kjer upoštevamo, da je determinanta

vrstiµcno homogena funkcija det ( A) = det( A1 ; A2 ; :::; An ) = n det A:

Lema 5.8. Ceµ v matriki med seboj zamenjamo dve vrstici, potem determinanta
spremeni predznak.

Dokaz. Brez izgube za splošnost privzemimo, da smo v matriki A zamenjali prvo

in drugo vrstico. Oznaµcimo

A = [A1 A2 A3 :::An ] in A0 = [A2 A1 A3 :::An ] :

Naj bo permutacija in s = (1 2) oznaµcimo transpozicijo permutacije : Potem

je (1) = (2), (2) = (1) in (i) = (i) za vse i 6= 1; 2. Po posledici 5.4 (ii)
µ permutacija
je " = " : Nadalje, mnoµzica vseh permutacij Sn je grupa. Ce

117
preteµce celo mnoµzico Sn , potem tudi njena transpozicija preteµce celo mnoµzico Sn .
Upoštevajoµc vse omenjeno, sledi
X
det A = " a1; (1) a2; (2) ai; (i) an; (n)
2Sn
X
= " a2; (2) a1; (1) ai; (i) an; (n)
2Sn
X
= " a01; 0
(1) a2; (2) a0i; (i) a0n; (n)
2Sn
X
= " a01; 0
(1) a2; (1) a0i; (i) a0n; (n)
2Sn

= det A0
in dobili smo µzeleni rezultat.
Posledica 5.9. Veljata naslednji trditvi:
µ sta v matriki A dve vrstici enaki, je det A = 0.
(i) Ce
µ je v matriki A ena vrstica linearna kombinacija ostalih vrstic, je det A = 0.
(ii) Ce

Dokaz. (i) Brez izgube za splošnost predpostavimo, da ima matrika A enaki prvi
µ v matriki zamenjamo dve vrstici, po prejšnji lemi determinanta
dve vrstici. Ce
spremeni predznak. To pomeni
det A = det(A1 ; A1 ; A3 ; :::; An ) = det(A1 ; A1 ; A3 ; :::; An ) = det A
in det A = 0.
(ii) Brez izgube za splošnost smemo predpostaviti, da je prva vrstica linearna
kombinacija ostalih vrstic, torej A1 = 2 A2 + 3 A3 + ::: + n An , kjer je i 2 R. Ker
je determinanta vrstiµcno linearna funkcija, z upoštevanjem prve trditve te posledice
sledi
det A = det(A1 ; A2 ; A3 ; :::; An )
!
Xn
= det i Ai ; A2 ; A3 ; :::; An
i=2
X
n
= i det(Ai ; A2 ; A3 ; :::; An )
i=2
=0
in dobili smo µzeleni rezultat.

Konµcajmo z izrekom, ki karakterizira determinanto z njenimi lastnostmi. Izreka

v splošnem ne bomo dokazovali, z zgledom ga bomo utemeljili v primeru n = 2. V
doloµceni literaturi avtorji de…nirajo determinanto kot funkcijo z danimi lastnostmi
(i); (ii); (iii).

118
Izrek 5.10. Naj bo ' : Mn (R) ! R funkcija, ki ima lastnosti:
(i) ' je vrstiµcno linearna funkcija;
(ii) µce sta v matriki A dve vrstici enaki, je ' (A) = 0;
(iii) ' (I) = 1.
Potem je '(A) = det A za vsak A 2 Mn (R).

Zgled 5. Naj ' : M2 (R) ! R zadošµca lastnostim (i); (ii); (iii) iz izreka 5.10.
Doloµcimo funkcijo '. Ker je ' vrstiµcno linearna funkcija, upoštevajoµc linearnost
najprej po prvi vrstici in nato po drugi vrstici, dobimo

a11 a12 1 0 0 1
' = a11 ' + a12 '
a21 a22 a21 a22 a21 a22
1 0 1 0 0 1 0 1
= a11 a21 ' + a11 a22 ' + a12 a21 ' + a12 a22 '
1 0 0 1 1 0 0 1
1 0 0 1
= a11 a22 ' + a12 a21 ' :
0 1 1 0

Pri zadnji enakosti smo upoštevali, da je

1 0 0 1
' =' = 0:
1 0 0 1

Nadalje, iz toµcke (ii) sledi, µce v matriki zamenjamo vrstici, se spremeni predznak
funkcije '. Namreµc, µce upoštevamo lastnost (i), lahko zapišemo

' (A1 + A2 ; A1 + A2 ) = ' (A1 ; A1 ) + ' (A1 ; A2 ) + ' (A2 ; A1 ) + ' (A2 ; A2 ) :

Upoštevajoµc (ii), dobimo ' (A1 ; A2 ) = ' (A2 ; A1 ). Zato lahko zapišemo

a11 a12 1 0 1 0
' = a11 a22 ' a12 a21 ' :
a21 a22 0 1 0 1

Ker je po predpostavki ' (I) = 1, sledi µzeleni rezultat ' (A) = a11 a22 a12 a21 =
det A:

5.4 Raµcunanje determinante

Determinanto matrike obiµcajno raµcunamo z uporabo osnovnih vrstiµcnih ali stolpµcnih
operacij in z razvojem determinante po vrstici ali stolpcu. Poglejmo si podrobneje
obe metodi.

I. Gaussova metoda

Prouµcimo najprej vpliv osnovnih vrstiµcnih operacij na determinanto matrike.

119
(v1) Po izreku 5.6 (ii) sledi, da µce i-to vrstico matrike A pomnoµzimo z , se deter-
minanta matrike pomnoµzi z :

det (A1 ; :::; Ai ; :::; An ) = det A:

µ i-to vrstico matrike A, pomnoµzeno z , prištejemo k j-ti vrstici, se deter-

(v2) Ce
minanta matrike ne spremeni. Upoštevajoµc izrek 5.6 in posledico 5.9 (i), lahko
zapišemo

det (A1 ; :::; Ai ; :::; Aj + Ai ; :::; An ) = det (A1 ; :::; Ai ; :::; Aj ; :::; An )
+ det(A1 ; :::; Ai ; :::; Ai ; :::; An )
= det A:

(v3) Zamenjava dveh vrstic spremeni predznak determinante (lema 5.8).

Podobno velja tudi za osnovne stolpµcne operacije (s1)–(s3). Z metodo Gaussove

eliminacije matriko A prevedemo do zgornje trikotne matrike, katere determinanta je
enaka produktu diagonalnih elementov. Pri tem operacija (v2) oz. (s2) ne spremeni
determinante, (v3) oz. (s3) spremeni predznak determinante. Po potrebi lahko z
(v1) oz. (s1) iz determinante izpostavljamo skalarje.

Zgled 1. Izraµcunajmo determinanto matrike

2 3
1 1 2 4
60 1 1 37
A=6 42
7:
1 1 05
3 1 2 5

Z uporabo osnovnih vrstiµcnih in stolpµcnih operacij dobimo

1 1 2 4 1 1 2 4 1 1 2 4
0 1 1 3 v13 ( 2);v14 ( 3) 0 1 1 3 v23 (3);v24 (2) 0 1 1 3
= =
2 1 1 0 0 3 5 8 0 0 8 1
3 1 2 5 0 2 8 7 0 0 10 1
1 1 4 2 1 1 4 2
s34 0 1 3 1 v34 (1) 0 1 3 1
= = = 18
0 0 1 8 0 0 1 8
0 0 1 10 0 0 0 18

Zgled 2. Naj bosta a in b realni števili. Izraµcunajmo determinanto

a b b b
b a b b
:
b b a b
b b b a

120
µ prvo vrstico, pomnoµzeno z
Ce 1, prištejemo k vsaki naslednji vrstici, dobimo

a b b b
b a a b 0 0
:
b a 0 a b 0
b a 0 0 a b

Iz zadnjih treh vrstic lahko izpostavimo a b in dobimo

a b b b
1 1 0 0
(a b)3 :
1 0 1 0
1 0 0 1

Nazadnje prištejemo drugi, tretji in µcetrti stolpec k prvemu in dobimo

a + 3b b b b
0 1 0 0
(a b)3 :
0 0 1 0
0 0 0 1

Zato je iskana determinanta enaka (a b)3 (a + 3b) :

II. Laplaceov razvoj determinante

Naj bo A 2 Mn (R). Z Aij oznaµcimo podmatriko matrike A, v kateri smo odstranili

i-to vrstico in j-ti stolpec.

Zgled 3. Naj bo 2 3
1 2 3 4
62 3 4 57
A=6
43
7:
4 5 65
4 5 6 7
Potem so na primer
2 3 2 3 2 3
3 4 5 1 2 4 2 3 4
A11 = 44 5 65 ; A23 = 43 4 65 ; A41 = 43 4 55 :
5 6 7 4 5 7 4 5 6

V primeru determinante reda 2 opazimo

a11 a12
= a11 a22 a12 a21 = a11 det A11 a12 det A12 (5.1)
a21 a22
X
2
= ( 1)1+j a1j det A1j
j=1

121
in v primeru determinante reda 3 lahko zapišemo
a11 a12 a13
a a a12 a13 a a
a21 a22 a23 = a11 22 23 a21 + a31 12 13 (5.2)
a32 a33 a32 a33 a22 a23
a31 a32 a33
= a11 det A11 a21 det A21 + a31 det A31
X
3
= ( 1)i+1 ai1 det Ai1 :
i=1

Pravimo, da smo v primeru (5.1) razvili determinanto reda 2 po prvi vrstici in v

primeru (5.2) smo determinanto reda 3 razvili po prvem stolpcu. Dana lastnost
velja tudi v splošnem in se imenuje Laplaceov razvoj determinante.
Izrek 5.11. Naj bo A 2 Mn (R) in i 2 Nn . Tedaj velja
X
n
det A = ( 1)i+j aij det Aij : (5.3)
j=1

Opomba. Zapis (5.3) predstavlja razvoj determinante po i-ti vrstici. Podobna

formula velja tudi za razvoj determinante po j-tem stolpcu
X
n
det A = ( 1)i+j aij det Aij :
i=1

Tako lahko determinanto reda n prevedemo na vsoto n determinant niµzjega reda

n 1. Razvoj determinante po vrstici oz stolpcu je zelo praktiµcen, µce v doloµceni
vrstici ali stolpcu nastopa veliko niµcel. Poglejmo si to na zgledu.

Zgled 4. Izraµcunajmo determinanto

6 7 5 8 3
8 0 0 4 0
3 5 0 6 0 :
2 0 0 0 0
3 7 5 4 0
Zaµcnemo lahko z razvojem po µcetrti vrstici, ker imamo v dani vrstici samo en
neniµcelni element in nato primerno nadaljujemo:
6 7 5 8 3
7 5 8 3
8 0 0 4 0 7 5 3
0 0 4 0
3 5 0 6 0 = 2 = ( 2) ( 4) 5 0 0
5 0 6 0
2 0 0 0 0 7 5 0
7 5 4 0
3 7 5 4 0
5 0
=8 3 = 24 5 5 = 600:
7 5

122
Dokaz izreka 5.11. Fiksirajmo i 2 Nn . Vsoto, ki nastopa v de…niciji determinante,
razdelimo glede na vrednost permutacije v toµcki i, to pomeni j = (i) 2 Nn :
X
det A = " a1; (1) a2; (2) an; (n) :
2Sn
X
n X
= " a1; (1) ai 1; (i 1) ai;j ai+1; (i+1) an; (n)
j=1 2Sn
(i)=j
X
n X
= aij " a1; (1) ai 1; (i 1) ai+1; (i+1) an; (n) :
j=1 2Sn
(i)=j

Zadošµca dokazati, da za vsak i; j 2 Nn velja

X
" a1; (1) ai 1; (i 1) ai+1; (i+1) an; (n) = ( 1)i+j det Aij : (5.4)
2Sn
(i)=j

V vsoti na levi strani enakosti nastopajo samo elementi matrike Aij , ni nobenega
elementa matrike A iz i-te vrstice ali j-tega stolpca. Iz vsakega stolpca in vsake
vrstice nastopa samo en element. Naj bo i = j = n. Potem permutacija …ksira
toµcko n. Zato lahko identi…ciramo s permutacijo 0 iz mnoµzice Sn 1 in vidimo
X X
" a1; (1) a2; (2) an 1; (n 1) = " 0 a1; 0 (1) a2; 0 (2) an 1; 0 (n 1) = det Ann :
2Sn 0 2S
n 1
(n)=n

Splošni primer, ko je (i) = j, se prevede na µze obravnavanega. Zaporedje transpozi-

cij (i i + 1) ; (i + 1 i + 2) ; :::; (n 1 n) po vrsti zamenja vrstice, dokler i-ta vrstica ne
pride na zadnje mesto. Podobno zaporedje transpozicij (j j + 1) ; (j + 1 j + 2) ; :::;
(n 1 n) po vrsti zamenja stolpce, dokler j-ti stolpec ne pride na zadnje mesto.
Vsaka transpozicija spremeni predznak. Ker smo uporabili n i + n j tranpozicij,
je konµcen predznak enak ( 1)2n i j = ( 1)i+j in enakost (5.4) velja.

Zakljuµcimo to poglavje z dvema zgledoma. V zgledu 5 bomo spoznali Vander-

mondovo determinanto, ki je uporabna pri numeriµcni matematiki, v zgledu 6 pa
bomo izraµcunali lastne vrednosti konkretne matrike.

Zgled 5. Naj bodo x1 ; x2 ; x3 ; x4 realna števila in

1 x1 x21 x31
1 x2 x22 x32
V (x1 ; x2 ; x3 ; x4 ) =
1 x3 x23 x33
1 x4 x24 x34

Vandermondova determinanta reda 4. Izraµcunajmo to determinanto.

123
 Eliminiramo prvo vrstico determinante tako, da j-ti stolpec, za j = 1; 2; 3; pom-
noµzimo z x1 in prištejemo k (j + 1)-mu. Lahko zapišemo

1 0 0 0 1 0 0 0
2 3 2 2
1 x2 x1 x2 x2 x1 x2 x2 x1 1 x2 x1 x2 (x2 x1 ) x2 (x2 x1 )
= :
1 x3 x1 x23 x3 x1 x33 x23 x1 1 x3 x1 x3 (x3 x1 ) x23 (x3 x1 )
1 x4 x1 x24 x4 x1 x34 x24 x1 1 x4 x1 x4 (x4 x1 ) x24 (x4 x1 )

Dano determinanto razvijemo po prvi vrstici in iz vsake vrstice izpostavimo skupni

faktor. Dobimo determinanto
1 x2 x22
(x2 x1 ) (x3 x1 ) (x4 x1 ) 1 x3 x23 :
1 x4 x24

µ postopek ponovimo na Vandermondovi determinanti reda 3, V (x2 ; x3 ; x4 ), do-

Ce
bimo
1 x2 x22 1 0 0
2 1 x3
1 x3 x3 = 1 x3 x2 x3 (x3 x2 ) = (x3 x2 ) (x4 x2 )
1 x4
1 x4 x24 1 x4 x2 x4 (x4 x2 )
= (x3 x2 ) (x4 x2 ) (x4 x3 ) :

Zato je Y
V (x1 ; x2 ; x3 ; x4 ) = (xj xi )
1 i<j 4

enaka produktu vseh razlik xj xi , kjer je i < j. Dane lastnosti ni teµzko dokazati tudi
v splošnem. Naj bodo x1 ; x2 ; :::; xn 2 R. Potem za Vandermondovo determinanto
reda n velja

1 x1 x21 x1n 1

1 x2 x22 x2n 1 Y
V (x1 ; x2 ; :::; xn ) = .. .. .. .. = (xj xi ) :
. . . . 1 i<j n
1 xn x2n xnn 1

Vidimo, da je V (x1 ; x2 ; :::; xn ) 6= 0 natanko tedaj, ko so x1 ; x2 ; :::; xn paroma razliµcna

realna števila.

Zgled 6. Dana je matrika

2 3
2 1 1 0
6 1 0 1 27
A=6
41
7:
1 0 25
0 2 2 1

Doloµcimo 2 R, da bo det (A I) = 0: Omenjena števila pri dani matriki se

imenujejo lastne vrednosti matrike in igrajo pomembno vlogo v linearni algebri.

124
 Torej
2 1 1 0
1 1 2
det (A I) =
1 1 2
0 2 2 1
2 1 1 0
0 1 1 4
=
1 1 2
0 2 2 1
2 0 1 0
0 0 1 4
=
1 1+ 2
0 0 2 1
2 1 0
= (1 + ) 0 1 4
0 2 1
1 4
= (1 + ) (2 + )
2 1
= (1 + ) (2 + ) (( 1) ( + 1) 8)
2
= (1 + ) (2 + ) 9
= (1 + ) (2 + ) ( 3) ( + 3) :

Vidimo, da je 2 f 1; 2; 3; 3g. Dana matrika A ima torej štiri lastne vrednosti.

Opazimo, da velja
det A = 18 = ( 1) ( 2) ( 3) 3:
Determinanta matrike A je enaka produktu njenih lastnih vrednosti. Omenjena
lastnost velja tudi v splošnem.

5.5 Determinanta produkta

Determinanta ima še eno lepo lastnost, je multiplikativna funkcija. To pomeni:
Izrek 5.12. Naj bosta A; B 2 Mn (R). Tedaj velja

det (AB) = det A det B:

Dokaz. Naj bo AB = C oziroma

2 32 3 2 3
a11 a12 a1n b11 b12 b1n c11 c12 c1n
6 a21 a22 7 6
a2n 7 6 b21 b22 7 6
b2n 7 6 c21 c22 c2n 7
6 7
6 .. .. .. 7 6 .. .. .. 7 = 6 .. .. .. 7 :
4 . . . 54 . . . 5 4 . . . 5
an1 an2 ann bn1 bn2 bnn cn1 cn2 cnn

125
Vrstice matrike C izrazimo kot linearne kombinacije vrstic matrike B:
X
n
C1 = a11 B1 + a12 B2 + + a1n Bn = a1i Bi ;
i=1
X
n
C2 = a21 B1 + a22 B2 + + a2n Bn = a2i Bi ;
i=1
..
.
X
n
Cn = an1 B1 + an2 B2 + + ann Bn = ani Bi :
i=1

Ker je determinanta vrstiµcno linearna funkcija, lahko zapišemo

det C = det(C1 ; C2 ; ; Cn )
!
X n X
n X
n
= det a1i1 Bi1 ; a2i2 Bi2 ; ; anin Bin
i1 =1 i2 =1 in =1
XX
n n X
n
= a1i1 a2i2 anin det (Bi1 ; Bi2 ; ; Bin ) :
i1 =1i2 =1 in =1

µ se v determinanti pojavita dve enaki vrstici, je ta enaka niµc. Zato zgoraj omenjena
Ce
vsota dejansko teµce po vseh permutacijah mnoµzice Nn . Pri tem je (1) = i1 ; (2) =
i2 ; :::; (n) = in . Zato velja
X
det C = a1; (1) a2; (2) an; (n) det B (1) ; B (2) ; ; B (n) :
2Sn

Nadalje, v determinanti det(B (1) ; B (2) ; ; B (n) ) zamenjamo vrstice, da si bodo

sledile po vrstnem redu B1 ; B2 ; :::; Bn . Vsaka zamenjava dveh vrstic spremeni predz-
nak permutacije. Denimo, da smo pri tem uporabili k zamenjav. To pomeni, da
smo permutacijo zapisali kot produkt k transpozicij. Zato je ( 1)k = " predznak
permutacije in lahko zapišemo
X
det C = " a1; (1) a2; (2) an; (n) det (B1 ; B2 ; ; Bn )
2Sn
!
X
= " a1; (1) a2; (2) an; (n) det (B1 ; B2 ; ; Bn )
2Sn

= det A det B:
S tem je izrek dokazan.

Posledica 5.13. Naj bo A obrnljiva matrika, potem velja

1 1
det A = :
det A

126
Dokaz. Po predpostavki obstaja inverzna matrika A 1 in velja AA 1 = I. Ce µ na
dano enakost delujemo z determinanto, ki je multiplikativna funkcija, dobimo

1 = det I = det(AA 1 ) = det A det A 1 ; (5.5)

od koder sledi µzeleni rezultat.

Zgled 1. Pravimo, da sta matriki A; B 2 Mn (R) podobni, µce obstaja obrnljiva

matrika P 2 Mn (R), da je B = P 1 AP . Podobnost matrik je ekvivalenµcna relacija
na algebri Mn (R). Kaj lahko povemo o determinantah podobnih matrik? Iz (5.5)
sledi, da imata podobni matriki enako determinanto
1 1
det B = det P AP = det P det A det P = det A:

Zgled 2. Naj bodo A; B; X 2 M4 (R). Doloµci det X, µce vešdet A = 1; det B = 4 in

2AX = X 2 B. Upoštevajoµc multiplikativnost in posledico 5.7, iz zadnje zveze sledi

det (2AX) = det X 2 B ;

24 det A det X = det X det X det B:

Kar lahko preuredimo v obliko

det X (det X det B 16 det A) = 0:

To pomeni, da je bodisi det X = 0 bodisi det X = 16 det A= det B = 4.

Zgled 3. Ker vemo, da je determinanta multiplikativna funkcija, lahko hitro pre-

verimo, kako elementarne vrstiµcne operacije vplivajo na determinanto matrike A.
Vrstiµcno operacijo predstavimo z delovanjem ustrezne elementarne matrike.
Operacija (v1): i-to vrstico matrike A pomnoµzimo z 6= 0. Potem je

A0 = [A1 Ai An ] = Ei ( ) A:

Ker je Ei ( ) = E11 + ::: + Eii + ::: + Enn diagonalna matrika, je det Ei ( ) = .

Zato velja det A0 = det Ei ( ) det A = det A.
Operacija (v2): i-to vrstico matrike A, pomnoµzeno z 6= 0, prištejemo k j-ti
vrstici. Potem je

A0 = [A1 Ai Ai + Aj Am ] = Eij ( ) A:

Ker je Eij ( ) = I + Eji , je det Eij ( ) = 1. Zato velja det A0 = det A.

Operacija (v3): zamenjamo i-to in j-to vrstico matrike A: Velja

A0 = [A1 Aj Ai Am ] = Pij A;
P
kjer je Pij = Eij + Eji + Ekk . Neposredno z raµcunom dobimo, da je det Pij = 1.
k6=i;j
Torej determinanta v tem primeru spremeni predznak det A0 = det A:

127
5.6 Cramerjevo pravilo
V tem podpoglavju si bomo ogledali uporabo determinante pri reševanju kvadrat-
nih sistemov linearnih enaµcb, spoznali bomo Cramerjevo pravilo. Najprej bomo
obravnavali povezavo med determinanto in rangom matrike in spoznali nov kriterij
za obrnljivost matrik. Videli bomo, da je matrika obrnljiva natanko tedaj, ko ima
neniµcelno determinanto.
Naj bo A 2 Mn (R). Rang matrike A je število linearno neodvisnih vrstic ma-
trike A, bolj natanµcno rang A = dim L fA1 ; A2 ; :::; An g : Povezava med rangom in
determinanto matrike je naslednja:

Izrek 5.14. Za matriko A 2 Mn (R) sta naslednji lastnosti ekvivalentni

(i) rang A = n;
(ii) det A 6= 0.

Dokaz. Z uporabo elementarnih vrstiµcnih operacij (v2) in (v3) matriko A prevedemo

do zgornje trikotne matrike
2 3
b11 b12 b1n
6 0 b22 b2n 7
6 7
B = 6 .. .. .. 7 :
4 . . . 5
0 0 bnn

Denimo, da smo v tem postopku k-krat uporabili operacijo (v3). Operacija (v3)
spremeni predznak determinante. Zato je

det A = ( 1)k det B = ( 1)k b11 b22 bnn :

Ker vrstiµcni operaciji (v2) in (v3) ne spremenita ranga matrike, velja rang A =
rang B. Rang matrike A je enak n natanko tedaj, ko ima B n linearno neodvisnih
vrstic. To pomeni bii 6= 0 za vsak i 2 Nn . Ta lastnost velja natanko tedaj, ko je
det A 6= 0, in izrek je dokazan.

Posledica 5.15. Naj bo A 2 Mn (R). Vrstiµcni vektorji A1 ; A2 ; :::; An 2 Rn so

linearno odvisni natanko tedaj, ko je det A = 0.

Neposredno iz izrekov 4.13 in 5.14 sledi med drugim karakterizacija, da je matrika

A obrnljiva natanko tedaj, ko je det A 6= 0.

Posledica 5.16. Za matriko A 2 Mn (R) so naslednje trditve ekvivalentne:

(i) A je obrnljiva matrika,
(ii) rang A = n,
(iii) det A 6= 0,
(iv) sistem linearnih enaµcb Ax = b je enoliµcno rešljiv za vsak b 2 Rn .

128
 V nadaljevanju naj bo dan sistem linearnih enaµcb Ax = b, kjer je A 2 Mn (R),
x; b 2 Rn . Omenjeni sistem predstavimo v obliki
2 3 2 3
x1 b1
6 x 2 7 6 b2 7
6 7 6 7
A1 A2 An 6 .. 7 = 6 .. 7 oz. x1 A1 + x2 A2 + + x2 An = b:
4.5 4.5
xn bn

Za vsak i 2 Nn oznaµcimo z Ai (b) matriko, ki jo dobimo iz matrike A tako, da

zamenjamo i-ti stolpec Ai z vektorjem b. Torej

Ai (b) = A1 Ai 1
b Ai+1 An :

µ je det A 6= 0; je sistem Ax = b enoliµcno rešljiv za vsak b 2 Rn . Rešitev takega

Ce
sistema linearnih enaµcb lahko eksplicitno izrazimo:

Izrek 5.17 (Cramerjevo pravilo). Naj bo A 2 Mn (R) in det A 6= 0. Potem ima

sistem linearnih enaµcb x1 A1 + x2 A2 + + x2 An = b 2 Rn enoliµcno rešitev
det Ai (b)
xi = ; za vsak i 2 Nn :
det A
Dokaz. Naj bo i 2 Nn . Izraµcunajmo determinanto matrike Ai (b) : Pri tem raµcunu
upoštevamo, da je determinanta stolpµcno linearna funkcija (=) in µce sta v matriki
dva stolpca enaka, je njena determinanta enaka niµc (=). Zato velja

det Ai (b) = det A1 ; :::; Ai 1 ; b; Ai+1 ; :::; An

!
X n
= det A1 ; :::; Ai 1 ; xk Ak ; Ai+1 ; :::; An
k=1
X
n
= xk det A1 ; :::; Ai 1 ; Ak ; Ai+1 ; :::; An
k=1

= xi det A1 ; :::; Ai 1 ; Ai ; Ai+1 ; :::; An

= xi det A:

Ker je det A 6= 0, smo dobili µzeleni rezultat.

Zgled. Z uporabo Cramerjevega pravila poišµcimo rešitve sistema linearnih enaµcb

2x + y + z = 1;
x + 2y + z = 2;
x + y + 2z = 4:

129
Najprej izraµcunamo potrebne determinante

2 1 1 0 1 3
1 3
det A = 1 2 1 = 0 1 1 = = 4;
1 1
1 1 2 1 1 2
1 1 1 0 1 1
1 1
det A1 (b) = 2 2 1 = 0 2 1 = 3 = 3;
2 1
4 1 2 3 1 2
2 1 1 0 0 1
1 1
det A2 (b) = 1 2 1 = 1 1 1 = = 1;
3 2
1 4 2 3 2 2
2 1 1 2 1 1
1 1
det A3 (b) = 1 2 2 = 3 0 0 = 3 = 9:
1 4
1 1 4 1 1 4

Rešitev danega sistema je

det A1 (b) 3 det A2 (b) 1 det A3 (b) 9

x= = ; y= = ; z= = :
det A 4 det A 4 det A 4

Komentar. Reševanje kvadratnih sistemov linearnih enaµcb z uporabo Cramer-

jevega pravila je v praksi neekonomiµcno. V splošnem je potrebno izraµcunati n + 1
determinant reda n. Veliko bolj praktiµcno je uporabiti postopek Gaussove elimi-
nacije.

5.7 Inverzna matrika

V tem podpoglavju bomo izpeljali obrazec za izraµcun inverzne matrike A 1 pri
obrnljivi matriki A 2 Mn (R). Spomnimo se, da z Aij oznaµcimo podmatriko matrike
A, kjer smo izpustili i-to vrstico in j-ti stolpec. Zaµcnimo z de…nicijo:

De…nicija. Naj bo A 2 Mn (R). Elementi

~ij = ( 1)i+j det Aij ;

a i; j 2 Nn ;

se imenujejo kofaktorji matrike A in matrika

2 3T 2 3
a
~11 a
~12 a
~1n a
~11 a
~21 a
~n1
6a 7 6 ~n2 7
6 ~21 a
~22 a
~2n 7 6a~12 a
~22 a 7
A~ = 6 .. .. .. 7 = 6 .. .. .. 7
4 . . . 5 4 . . . 5
a
~n1 a~n2 a
~nn a
~1n a
~2n a
~nn

je prirejenka matrike A.

130
Opomba 1. Kofaktorji a ~ij nastopajo pri razvoju determinante po i-ti vrstici, glej
izrek 5.11. Lahko zapišemo
X
n
i+j
X
n
det A = ( 1) aij det Aij = aij a
~ij :
j=1 j=1

To pomeni, da je determinanta matrike enaka skalarnemu produktu i-te vrstice

~ det A = Ai A~i .
matrike A in i-tega stolpca prirejenke A,

Zgled 1. Kofaktorji matrike

a11 a12
A= 2 M2 (R)
a21 a22
so a
~11 = a22 , a
~12 = a21 , a
~21 = a12 in a
~22 = a11 . Zato je prirejenka matrike A
enaka
a
~ a
~ a22 a12
A~ = 11 21 = :
a
~12 a
~22 a21 a11
Predpostavimo, da je A 2 M2 (R) obrnljiva matrika. Hitro vidimo, da lahko
~
matriko A 1 izrazimo s pomoµcjo prirejenke A:

1 1 a22 a12 1 ~
A = = A:
det A a21 a11 det A
Dana formula velja tudi v splošnem.
µ je A 2 Mn (R) obrnljiva matrika, velja
Izrek 5.18. Ce

1 1 ~
A = A: (5.6)
det A
Dokaz. Dokazali bomo, da velja AA~ = det A I, kar je v primeru obrnljive matrike
~
ekvivalentno (5.6). Izraµcunajmo (i; j)-ti element matrike AA:
X
n X
n X
n
~ ij =
(AA) aik A~kj = aik a
~jk = ( 1)j+k aik det Ajk :
k=1 k=1 k=1

Z uporabo izreka 5.11 opazimo, da je omenjeni zapis dejansko razvoj determinante

µ se
matrike A0 po j-ti vrstici, kjer smo v A j-to vrstico zamenjali z i-to vrstico. Ce
v determinanti pojavita dve enaki vrstici, je determinanta enaka niµc. Zato velja

~ ij = det (A1 ; :::; Aj 1 ; Ai ; Aj+1 ; :::; An ) = det A ; i = j

(AA) :
0 ; i 6= j
Dobili smo 2 3
det A 0 0
6 0 det A 0 7
6 7
AA~ = 6 .. .. .. 7 = det A I
4 . . . 5
0 0 det A

131
in izrek je dokazan.

Opomba 2. Izrek 5.18 lahko elegantno dokaµzemo tudi z uporabo Cramerjevega

pravila. Rešimo matriµcno enaµcbo AX = I, to pomeni
2 32 3 2 3
a11 a12 a1n x11 x12 x1n 1 0 0
6 a21 a22 7 6
a2n 7 6 x21 x22 7 6
x2n 7 60 1 07
6 7
6 .. .. .. 7 6 .. .. .. 7 = 6 .. .. .. 7 :
4 . . . 54 . . . 5 4. . .5
an1 an2 ann xn1 xn2 xnn 0 0 1

Za vsak j 2 Nn oznaµcimo z xj = X j 2 Rn j-ti stolpec matrike X in z ej = I j 2 Rn

j-ti stolpec identitete I. Po izreku 5.17 je rešitev sistema Axj = ej enaka
det Ai (ej )
xij = za vsak i 2 Nn :
det A
µ razvijemo determinanto
Ce

det Ai (ej ) = det A1 ; ; Ai 1 ; ej ; Ai+1 ; ; An

po i-tem stolpcu, ki vsebuje enico v j-ti vrstici, na ostalih mestih so niµcle, dobimo

~ji = A~ij :
det Aj (ej ) = ( 1)i+j det Aji = a

Zato velja
A~ij
xij = za vsak i; j 2 Nn
det A
in inverzna matrika ima µzeleno obliko.

Zgled 2. Z uporabo obrazca (5.6) izraµcunajmo inverzno matriko od

2 3
3 1 1
A=4 1 1 25 :
2 2 1
Kofaktorji matrike A so
1 2 1 2 1 1
a
~11 = = 5; a
~12 = = 3; a
~13 = = 4;
2 1 2 1 2 2
1 1 3 1 3 1
a
~21 = = 3; a
~22 = = 5; a
~23 = = 4;
2 1 2 1 2 2
1 1 3 1 3 1
a
~31 = = 1; a
~32 = = 7; a
~33 = = 4:
1 2 1 2 1 1
Prirejenka matrike A je enaka
2 3 2 3
a~11 a
~21 a
~31 5 3 1
~
A= a 4 ~12 a
~22 a 5 4
~32 = 3 5 75 :
a~13 a
~23 a
~33 4 4 4

132
Ker je
3 1 1 0 0 1
7 1
det A = 1 1 2 = 7 1 2 = = 16;
5 3
2 2 1 5 3 1
sledi 2 3
5 3 1
1 4
A 1
= 3 5 75 :
16
4 4 4

Komentar. Raµcunanje inverzne matrike A 1 po obrazcu (5.6) je za n 3 ne-

ekonomiµcno. V splošnem je potrebno izraµcunati eno determinanto reda n in n2
determinant reda n 1. Veliko bolj praktiµcno je uporabiti elementarne vrstiµcne
operacije in postopek VKF [AjI] = [IjA 1 ].

Zgled 3. Naj bo A 2 Mn (R). Doloµcimo determinanto prirejenke A. ~ Matriko A s

prirejenko A~ povezuje zveza AA~ = det A I. Ce
µ z determinanto, ki je multiplikativna
funkcija, delujemo na dano zvezo in upoštevamo posledico 5.7, dobimo

det A det A~ = det (det A I)

det A det A~ = (det A)n det I = (det A)n :

Zato je det A~ = (det A)n 1 . Dana formula velja tudi v primeru, ko je det A = 0.
Tedaj je seveda det A~ = 0, ker je matrika A obrnljiva natanko tedaj, ko je obrnljiva
~
prirejenka A.

133
Literatura

[1] D. Benkoviµc, Algebra I, zbrano gradivo: naloge na vajah, kolokviji in pisni izpiti,
Fakulteta na naravoslovje in matematiko, Maribor 2010.

[2] M. Dobovišek, D. Kobal, B. Magajna, Naloge iz algebre I, DMFA, Ljubljana

1992.

[3] M. Kolar, B. Zgrablić, Veµc kot nobena, a manj kot tisoµc in ena rešena naloga iz
linearne algebre, Pedagoška fakulteta, Ljubljana 2002.

[4] T. Košir, Linearna algebra, povzeto z naslova:

http://www.fmf.uni-lj.si/~kosir/poucevanje/linalg.html.

[5] F. Kriµzaniµc, Matematika II, DMFA, Ljubljana 1991.

[6] S. Lange, Introduction to Linear Algebra, Second Edition, Springer, 1986.

[7] I. Vidav, Višja matematika I, DMFA, Ljubljana 1994.

134