Professional Documents
Culture Documents
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
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
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
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
8
parov realnih števil. Mnoµzico R2 predstavimo s toµckami v ravnini.
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 ) ;
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.
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 = (( + ) a1 ; ( + ) a2 ; ( + ) a3 ) = ( a1 + a1 ; a2 + a2 ; a3 + a3 )
= ( a1 ; a2 ; a3 ) + ( a1 ; a2 ; a3 ) = A + A
( ) 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).
12
< 0, uporabimo opisani postopek, kjer nadomestimo toµcko A z njeno nasprotno
vrednostjo A in nadomestimo z j j.
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.
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
15
Zakljuµcimo to poglavje z nekaterimi opombami in dogovorom.
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 .
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
Mnoµzica vektorjev f~i; ~j; ~kg se imenuje standardna baza vektorskega prostora R3 .
17
Vsak vektor ~a 2 R3 se na enoliµcen naµcin zapiše kot linearna kombinacija vektorjev
~i; ~j; ~k. Denimo, da velja
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
V nadaljevanju naj bodo ~a1 ; ~a2 ; :::; ~an vektorji v R3 in 1; 2 ; :::; n realni skalarji.
~a = 1~
a1 + 2~
a2 + + n~
an ; (1.1)
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.
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
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
20
Slika 1.14: Premici p in A + p
~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).
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
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
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 .
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)
Projekcija in pravokotnost
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
Po drugi strani je
S primerjavo danih enakosti sledi µzeleni rezultat ~a ~b = j~aj j~bj cos ':
27
Opomba 5. Naj bosta ~a in ~b neniµcelna vektorja in ' = ](~a; ~b). Potem velja
~a ~b
cos ' = : (1.6)
j~aj j~bj
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.
Zgled 1. Doloµcimo, kolikšen kot tvori telesna diagonala kocke z osnovno ploskvijo.
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
~ 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
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
~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.
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:
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.
za vse ~a; ~b 2 R3 :
32
Dokaz. Naj imata vektorja ~a; ~b standardno oznaµcene komponente. Potem je
(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.
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:
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].
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
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:
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
Ko na koncu vse dane enakosti seštejemo, vidimo, da smo dobili µzeleno identiteto
(~a ~b) ~c + (~b ~c) ~a + (~c ~a) ~b = ~0.
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.
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
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
in trditev je dokazana.
37
Slika 1.26: Paralelepiped, doloµcen z ~a; ~b; ~c
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).
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)
(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
j~a ~bj2 = (~a ~b) (~a ~b) = (~a ~a)(~b ~b) (~a ~b)(~b ~a) = j~aj2 j~bj2 (~a ~b)2 :
I. Enaµcba premice
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
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
43
µ dano determinanto razpišemo in uredimo, dobimo enaµcbo oblike
Ce
Ax + Bx + Cz = D; (1.13)
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
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
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
46
Doloµcimo še eno toµcko, ki leµzi na premici p, torej zadošµca enaµcbama obeh ravnin
x y + z = 2;
2x 3y + 4z = 7:
x y + z = 2;
2x 3y + 4z = 7:
x y + z = 2;
y + 2z = 3:
x z = 1;
y + 2z = 3:
x= 1 + z;
y= 3 + 2z; z 2 R:
47
Slika 1.35: Ravnina
(x a1 )2 + (y a2 )2 + (z a3 )2 = (x b1 )2 + (y b2 )2 + (z b3 )2 :
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).
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.
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;
50
Slika 1.40: Oddaljenost premic p in q
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.
52
(0; 0; :::; 0) 2 Rn in nasproten element elementa x 2 Rn je x= (x1 ; x2 ; :::; xn ) =
( x1 ; x2 ; :::; xn ).
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
V = (x1 ; x2 ; x3 ; x4 ; x5 ) 2 R5 jx1 + x2 = 0; x4 x5 = 0
V = (x1 ; x1 ; x3 ; x4 ; x4 ) 2 R5 jx1 ; x3 ; x4 2 R :
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
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.
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= 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.
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.
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 :
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) :
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:
3 2 = 0;
1+ 2 = 0;
2+ 3 = 0:
1 + 2 3 = 2;
1+ 2 = 3;
2+ 3 = 2:
3 2 = 3;
1+ 2 = 3;
2+ 3 = 2:
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.
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 :
x1 + 2x5 = 0;
x1 + x2 + x3 + x4 = 0:
x1 = 2x5 ; (2.1)
x2 = x3 x4 + 2x5 ;
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) :
x1 2x5 = 0;
x1 x2 + x3 x4 = 0;
x2 + x3 + x4 2x5 = 0:
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;
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 ;
61
Poglavje 3
Matrike
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
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
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:
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
in
64
Mnoµzenje matrik s skalarji
Zgled 5.
2 2 6 6 1 2 2 1 1
3 = ; = :
4 2 12 6 2 4 2 2 1
Mnoµzenje matrik
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
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
Transponiranje matrik
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).
Dokaz. Ker je
((AT )T )ij = (AT )ji = aij ;
vidimo, da (i) velja. Ker lahko zapišemo
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
A= [aij ] = [ aij ] ;
IA = AI = A za vsak A 2 Mn (R) :
69
Zgled 1. Identiteta v algebri M2 (R) je
1 0
I=
0 1
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
Zgled 2. Naj bo
1 2 5 2 1 1
A= ; B= ; C= :
2 0 2 4 0 0
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
X
n X
n
A= aij Eij :
i=1 j=1
Eil ; j = k
Eij Ekl = jk Eil = :
0 ; j 6= k
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
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.
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
74
Simetriµcne in poševno simetriµcne matrike
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 :
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'
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' :
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
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
Markovske matrike
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
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.
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
a b x1 y1 1 0
AX = = :
c d x2 y2 0 1
a b x1 1 a b y1 0
= in = :
c d x2 0 c d y2 1
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
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
= (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).
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 :
86
Zgled 2. Dani so trije sistemi linearnih enaµcb z dvema neznankama:
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
Ax = b; A 2 Mm n (R) ; x 2 Rn ; b 2 Rm :
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.
µ
Opomba 2. Crtkano µcrto v matriki [Ajb] uporabljamo samo, ko µzelimo poudariti,
da imamo opravka z reševanjem sistema linearnih enaµcb.
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 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.
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.
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
Postavi i = 1; j = 1.
Korak 1:
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.
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.
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 .
x= 1 A1 + 2 A2 + + m Am
1
= ( A1 ) + 2 A2 + + m Am ;
x = 1 A1 + 2 A2 + + m Am
=( 1 2 ) A1 + 2 (A2 + A1 ) + + m Am
0
= A1 + 2 B2 + + m Am ;
(v3) Zamenjava vrstnega reda vektorjev v seznamu (A1 ; A2 ; :::; Am ) seveda ne spre-
meni podprostora L fA1 ; A2 ; :::; Am g.
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.
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.
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
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
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
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
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.
A ( x + y) = A ( x) + A ( y) = Ax + Ay = 0 + 0 = 0:
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
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
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
x = xp + 1 v1 + 2 v2 + + n k vn k ; 1; 2 ; :::; n k 2 R:
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.
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 .
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
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 :
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
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
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
107
1. det A predstavlja mešani produkt (A1 ; A2 ; A3 ) stolpµcnih vektorjev A1 ; A2 ; A3 2
R3 .
1 2 1 2
1 = in 2 = :
1 2 2 1
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
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
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)
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 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.
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= :
110
Permutacijsko grupo Sn v literaturi sreµcamo tudi pod imenom simetriµcna grupa.
1 2 3 4 5 1 2 3 4 5
= in = :
2 4 5 1 3 3 4 5 1 2
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) :
1 2 3 1 2 3 1 2 3
= (2 3) ; = (1 3) ; = (1 2) :
1 3 2 3 2 1 2 1 3
1 2 3 1 2 3
= in =
2 3 1 3 1 2
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
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
1 2 3 4 5
=
2 4 5 1 3
1 2 3 4 5 1 2 3 4 5
1 = (1 2) = = 1:
2 4 5 1 3 1 4 5 2 3
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) :
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:
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
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 .
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.
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
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 :
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 2 3 n 2 n 1 n
= :
n n 1 n 2 3 2 1
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.
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
116
kjer sta ; 2 R. V primeru n = 3 in linearnosti po drugi vrstici to pomeni
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
Lema 5.8. Ceµ v matriki med seboj zamenjamo dve vrstici, potem determinanta
spremeni predznak.
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.
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
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:
I. Gaussova metoda
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 ; :::; Aj + Ai ; :::; An ) = det (A1 ; :::; Ai ; :::; Aj ; :::; An )
+ det(A1 ; :::; Ai ; :::; Ai ; :::; An )
= det A:
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
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
a b b b
1 1 0 0
(a b)3 :
1 0 1 0
1 0 0 1
a + 3b b b b
0 1 0 0
(a b)3 :
0 0 1 0
0 0 0 1
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
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
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
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
1 x1 x21 x31
1 x2 x22 x32
V (x1 ; x2 ; x3 ; x4 ) =
1 x3 x23 x33
1 x4 x24 x34
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 )
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
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) :
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
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
= det A det B:
S tem je izrek dokazan.
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
A0 = [A1 Ai An ] = Ei ( ) A:
A0 = [A1 Ai Ai + Aj Am ] = Eij ( ) A:
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:
Denimo, da smo v tem postopku k-krat uporabili operacijo (v3). Operacija (v3)
spremeni predznak determinante. Zato je
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.
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
Ai (b) = A1 Ai 1
b Ai+1 An :
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
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
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
131
in izrek je dokazan.
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.
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
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.
[3] M. Kolar, B. Zgrablić, Veµc kot nobena, a manj kot tisoµc in ena rešena naloga iz
linearne algebre, Pedagoška fakulteta, Ljubljana 2002.
134