Algebra 1 Zapiski Predavanj

UNIVERZA NA PRIMORSKEM
Fakulteta za matematiko, naravoslovje in informacijske tehnologije
ALGEBRA I
Zapiski predavanj
2016/2017
Kazalo vsebine
1 Vektorji 2
1.1 Tridimenzionalni koordintni sistem . . . . . . . . . . . . . . . . . . . . 2
1.2 Vektorji v R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Komponente vektorja in krajevni vektor . . . . . . . . . . . . . 7
1.2.2 Algebrske operacije z vektorji . . . . . . . . . . . . . . . . . . . 8
1.2.3 Enotski vektorji . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Skalarni produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.1 Geometrijski pomen skalarnega produkta . . . . . . . . . . . . . 13
1.4 Vektorski produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1 Geometrijski pomen vektorskega produkta . . . . . . . . . . . . 20
1.5 Mešani produkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Geometrijski pomen mešanega produkta . . . . . . . . . . . . . 23
2 Premice in ravnine v R3 24
2.1 Presečišča . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Razdalje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3 Koti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3 Matrike 43
3.1 Računske operacije z matrikami . . . . . . . . . . . . . . . . . . . . . . 44
3.1.1 Seštevanje dveh matrik . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Množenje matrike s skalarjem . . . . . . . . . . . . . . . . . . . 46
3.1.3 Množenje matrik . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.4 Transponiranje matrik . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Sistemi linearnih enačb . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Obrnljive matrike . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4 Determinanta kvadratne matrike . . . . . . . . . . . . . . . . . . . . . 71
3.4.1 Permutacije in definicija determinante . . . . . . . . . . . . . . 71
3.4.2 Osnovne lastnosti determinant . . . . . . . . . . . . . . . . . . . 77
3.4.3 Uporaba determinant . . . . . . . . . . . . . . . . . . . . . . . . 80
3.5 Uporaba matrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.5.1 V analitični geometriji - primer . . . . . . . . . . . . . . . . . . 85
1
VEKTORJI
Da bi lahko metode in rezultate iz matematične analize uporabili v življenjskih (resničnih)

situacijah in v višji matematiki, potrebujemo matematični opis tridimenzionalnega
prostora. V tem poglavju bomo predstavili tridimenzionalni koordinatni sistem in vek-
torje. Če gradimo na znanju, ki ga že imamo o koordinatah v dvodimenzionalnem
koordinatnem sistemu (tj. ravnini xy), dobimo koordinate v prostoru tako, da dodamo
tretjo os, ki meri razdaljo nad in pod ravnino xy. Vektorje uporabljamo za študij
analitične geometrije prostora, kjer nam ti omogočajo enostaven opis premic in ravnin
v prostoru, kot bomo videli v poglavju 2.
1.1 Tridimenzionalni koordintni sistem

Kako lociramo/identificiramo dano točko
na premici?
Tako, da premico opramimo s koordinatnim sistemom. Potem vsaka točka na
premici ustreza nekemu številu (koordinati), ki nam natančno pove, kje se točka
nahaja.
na ravnini?
Tako, da opremimo ravnino s koordinatnim sistemom, ki ga predstavljata premici,
ki sta si pravokotni, opremljeni s koordinatnim sistemom in se sekata v 0.
v prostoru?
Tako, da opremimo prostor s koordinatnim sistemom, ki ga predstavljajo tri
premice, ki so paroma pravokotn, opremljene s koordiantnim sistemom in imajo
skupno presečišče v 0.
Za postaviti točko v prostor uporabimo tri paroma pravokotne premice, ki jim
pravimo koordinatne osi, ki so postavljene kot na sliki 1.1
Kartezične koordinate (x, y, z) točke P v prostoru so enake vrednostim, pri katerih
ravnine skozi točko P , ki so pravokotne na posamezne koordinatne osi, sekajo te osi.
Kartezičnim koordinatam za prostor pravimo tudi pravokotne koordinate, ker so osi,
ki jih definirajo, paroma pravokotne. Točke, ki ležijo na x-osi imajo koordinati y in z
enaki 0, tj. imajo koordinate oblike (x, 0, 0). Podobno imajo točke na y-osi koordinate
oblike (0, y, 0) in točke na z-osi koordinate oblike (0, 0, z).
Ravnine, ki jih določajo koordinatne osi so: ravnina xy, ki jo običajno zapišemo z
enačbo z = 0; ravnina yz, ki jo običajno zapišemo z enačbo x = 0; in ravnina xz, ki jo
1.1. TRIDIMENZIONALNI KOORDINTNI SISTEM 1. VEKTORJI
Slika 1.1: Kartezični koordinatni sistem v prostoru
običajno zapišemo z enačbo y = 0. Ravnine se stikajo v izhodišču (0, 0, 0). Izhodišče

običajno označimo kar z 0, včasih pa tudi s črko O.
Tri koordinatne ravnine, x = 0, y = 0 in z = 0 razdelijo prostor na osem delov,
ki jim pravimo oktanti. Oktantu, v katerem so vse koordinate neke točke pozitivne,
pravimo prvi oktant.
V naslednjih primerih je opisano, katere množice točk v prostoru opisujejo določene

enačbe in neenakosti.
Primer 1.1. Dane enačbe in neenakosti interpretiramo iz geometrijskega vidika.
(a) z ≥ 0 Polravnina, ki sestoji iz točk na in nad ravnino xy.

(b) x = −3 Ravnina, pravokotna na x-os v x = −3. Ta ravnina je
vzporedna ravnini yz in leži 3 enote za njo.
(c) z = 0, x ≤ 0, y ≥ 0 Drugi kvadrant ravnine xy.
(d) x ≥ 0, y ≥ 0, z ≥ 0 Prvi oktant.
(e) −1 ≤ y ≤ 1 Prostor med ravninama y = −1 in y = 1 (vključno z ravn-
inama).
(f) y = −2, z = 2 Premica, ki jo dobimo kot presečišče ravnin y = −2 in
z = 2. Alternativno, premica skozi točko (0, −2, 2), ki je
vzporedna z x-osjo.
Primer 1.2. Katere točke P (x, y, z) zadoščajo enačbi
x2 + y 2 = 4 and z = 3?
Rešitev. Te točke ležijo na vodoravni ravnini z = 3 in, na tej ravnini, tvorijo krožnico
z enačbo x2 + y 2 = 4. Glej sliko 1.2.
3
Slika 1.2: Krožnica x2 + y 2 = 4 v ravnini z = 3 (Primer 1.2).
Distance in space
Formula za razdaljo med dvema točkama v ravnini xy se smiselno razširi na točke v
prostoru.
Razdalja med P1 (x1 , y1 , z1 ) in P2 (x2 , y2 , z2 ) je

p
|P1 P2 | = (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2
Dokaz. Naj bosta P1 (x1 , y1 , z1 ) in P2 (x2 , y2 , z2 ) dve točki v prostoru. Skonstruirajmo

kvader, s ploskvami vzporednimi s koordinatnimi ravninami in točkama P1 ter P2 na
nasprotnih ogliščih (glej sliko 1.3).
Slika 1.3: Iskanje razdalje med točkama P1 in P2 z uporabo Pitagorovega izreka na

pravokotnih trikotnikih P1 AB in P1 BP2 .
Če sta A(x2 , y1 , z1 ) in B(x2 , y2 , z1 ) oglišča kvadra, kot sta prikazani na sliki 1.3,
potem imajo trije robovi kvadra P1 A, AB, in BP2 dolžine
|P1 A| = |x2 − x1 |, |AB| = |y2 − y1 |, |BP2 | = |z2 − z1 |.

Ker sta trikotnika P1 AB in P1 BP2 oba pravokotna, z uporaba Pitagorovega izreka
dobimo
|P1 P2 |2 = |P1 B|2 + |BP2 |2 in |P1 B|2 = |P1 A|2 + |AB|2 .
4
Torej velja
|P1 P2 |2 = |P1 B|2 + |BP2 |2

= |P1 A|2 + |AB|2 + |BP2 |2
= |x2 − x1 |2 + |y2 − y1 |2 + |z2 − z1 |2
= (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2 .
in posledično je
p
|P1 P2 | = (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2 .
Primer 1.3. Razdalja med P1 (2, 1, 5) in P2 (−2, 3, 0) je

p
|P1 P2 |2 = (−2 − 2)2 + (3 − 1)2 + (0 − 5)2
√
= 16 + 4 + 25
√
= 45.
Krogle v prostoru
Z uporabo formule za razdaljo lahko zapišemo enačbo krogle v prostoru (glej sliko 1.4).
Točka P (x, y, z) leži na krogli polmera a s središčem v P0 (x0 , y0 , z0 ) natanko takrat, ko
je |P0 P | = a ali (x − x0 )2 + (y − y0 )2 + (z − z0 )2 = a2 .
Slika 1.4: Krogla v prostoru.
Standradna enačba za kroglo polmera a s središčem v (x0 , y0 , z0 ) je
(x − x0 )2 + (y − y0 )2 + (z − z0 )2 = a2 .
Primer 1.4. Poiščite središče in polmer krogle
x2 + y 2 + z 2 + 3x − 4z + 1 = 0.
Rešitev. Središče in polmer krogle najdemo na enak način, kot središče in polmer
krožnice: člene, ki vsebujejo x, y, z dopolnimo do popolnega kvadrata in zapišemo
5
1.2. VEKTORJI V R3 1. VEKTORJI
vsakega od njih kot kvadrat linearnega izraza. Nato iz enačbe v standardni obliki
preberemo središče in polmer krogle. Za dan primer dobimo
x2 + y 2 + z 2 + 3x − 4z + 1 = 0
(x2 + 3x) + y 2 + (z 2 − 4z) = −1

3 3
(x + )2 + y 2 + (z − 2)2 = −1 + ( )2 + 22
2 2
3 21
(x + )2 + y 2 + (z − 2)2 =
2 4
Iz dobljene
√
standradne oblike lahko sedaj preberemo, da √je x0 = − 32 , y0 = 0, z0 = 2
in a = 221 . Središče je v točki (− 32 , 0, 2) in polmer je enak 221 .
Primer 1.5. Tukaj je podanih nekaj geometrijskih interpretacij enakosti in neenačb,

ki vključujejo krogle.
(a) x2 + y 2 + z 2 < 4 Notranjost krogle z enačbo x2 + y 2 + z 2 = 4.

(b) x2 + y 2 + z 2 ≤ 4 Krogla z enačbo x2 + y 2 + z 2 = 4 in njena notranjost.
2 2 2
(c) x + y + z > 4 Zunanjost krogle z enačbo x2 + y 2 + z 2 = 4.
(d) x2 + y 2 + z 2 = 4, z ≤ 0 Spodnja polobla, ki jo od krogle x2 + y 2 + z 2 = 4 odreže
ravnina xy (tj. ravnina z enačbo z = 0).
1.2 Vektorji v R3
Vektor je predstavljen z usmerjeno daljico (Slika 1.5).
−→
Slika 1.5: Usmerjeni daljici AB pravimo vektor.
−→
Definicija 1.6. Vektor, ki ga predstavlja usmerjena daljica AB ima začetno točko
−→
A in končno točko B, njegovo dolžino označimo z |AB|. Dva vektorja sta enaka,
če sta enake dolžine in imata isto smer.
Puščice, ki jih uporabljamo pri risanju vektorjev razumemo, da predstavljajo isti

vektor, če so enake dolžine, vzporedne in kažejo v isto smer (glej sliko 1.6), ne glede
na začetno točko.
6
−→
Slika 1.6: Vektor P Q v izhodiščni legi ima začetno točko v izhodišču.
1.2.1 Komponente vektorja in krajevni vektor

Potrebujemo način, kako vektor opisati algebraično, da smo lahko kar se da natančni pri
−→
opisu njegove smeri. Naj bo → −v = P Q. Obstaja natanko ena usmerjena daljica enaka
−→
vektorju P Q, katere začetna točka je v izhodišču (glej sliko 1.6). To je predstavnik
vektorja →
−v v izhodiščni legi in je obenem tudi vektor, ki ga običajno uporabljamo
za ponazoritev vektorja → −v . Vektor → −
v lahko v tem primeru enostavno opišemo s koor-
dinatami njegove končne točke (v1 , v2 , v3 ).
Definicija 1.7. Če je → −v vektor v prostoru, enak vektorju z začetno točko v izhodišču
−−→
in končno točko V (v1 , v2 , v3 ), potem je krajevni vektor OV enak
−
r→ = (v , v , v ).
V 1 2 3
Torej je vektor v prostoru urejena trojica → −

v = (v1 , v2 , v3 ) realnih števil. Števila
v1 , v2 in v3 so komponente vektorja v . →
−
−→
Če je →
−
v = (v1 , v2 , v3 ) predstavljen z usmerjeno daljico P Q, z začetno točko P (x1 , y1 , z1 )
in končno točko Q(x2 , y2 , z2 ), potem je x1 + v1 = x2 , y1 + v2 = y2 , in z1 + v3 = z2 (glej
−→
sliko 1.6). Torej so v1 = x2 − x1 , v2 = y2 − y1 in v3 = z2 − z1 komponente vektorja P Q.
Če imamo torej dani točki P (x1 , y1 , z1 ) in Q(x2 , y2 , z2 ) ima vektor v izhodiščni legi
→
− −→
v = (v1 , v2 , v3 ), ki je enak vektorju P Q komponente
→
−
v = (x − x , y − y , z − z ).
2 1 2 1 2 1
Dva vektorja sta enaka če in samo če sta njuna vektorja v izhodiščni legi identična.
Torej sta (u1 , u2 , u3 ) in (v1 , v2 , v3 ) enaka če in samo če je u1 = v1 , u2 = v2 in u3 = v3 .
−→
Norma ali dolžina vektorja P Q je enaka dolžini poljubne ekvivalentne usmerjene daljice.
−→
Če je torej →
−
v = (x2 − x1 , y2 − y1 , z2 − z1 ) vektor P Q v izhodiščni legi, potem nam
formula za razdaljo poda normo ali dolžino vektorja → −v , ki jo označimo z |→
−
v | ali ||→
−
v ||.
−→
Norma (dolžina) vektorja →
−
v = P Q je nenegativno število
q
|→
− p
v | = v12 + v22 + v32 = (x2 − x1 )2 + (y2 − y1 )2 + (z2 − z1 )2
7
→
−
Edini vektor dolžine 0 je ničelni vektor 0 = (0, 0, 0). Ta vektor je tudi edini, ki
nima definirane smeri.
Primer 1.8. Poiščite (a) komponente (b) dolžino vektorja z začetno točko P (−3, 4, 1)
in končno točko Q(−5, 2, 2).
−→
Rešitev. (a) Vektor →−v v izhodiščni legi, ki predstavlja vektor P Q ima komponente
v1 = x2 − x1 = −5 − (−3) = −2, v2 = y2 − y1 = 2 − 4 = −2 in v3 = z2 − z1 =
2 − 1 = 1.
−→
(b) Dolžina vektorja →
−v = P Q je
√
|→
− p
v | = (−2)2 + (−2)2 + 12 = 9 = 3.
1.2.2 Algebrske operacije z vektorji

Osnovni operaciji, ki vključujeta vektorje, sta seštevanje vektorjev in množenje vektorja
s skalarjem. Skalar je lahko pozitiven, negativen ali enak nič in ga uporabljamo za
”spreminjanje dolžine“ vektorja.
Definicija 1.9. Naj bosta →

−
u = (u1 , u2 , u3 ) in →
−
v = (v1 , v2 , v3 ) vektorja in k poljuben
skalar.
Seštevanje vektorjev: →
−
u +→ −v = (u1 + v1 , u2 + v2 , u3 + v3 )
Množenje vektorja s skalarjem: k~u = (ku1 , ku2 , ku3 )
Vektorja seštejemo tako, da seštejemo njune istoležne komponente. Vektor pomnožimo

s skalarjem tako, da s skalarjem pomnožimo vsako komponento.
Definicija seštevanja vektorjev je geometrijsko ponazorjena (za vektorje v ravnini)
na sliki 1.7 (levo), pri čemer začetno točko enega vektorja postavimo v končno točko
drugega vektorja. Še ena interpretacija je prikazana na sliki 1.7 (desno). Tej pravimo
pravilo paralelograma vsote, kjer je vsota, ki ji pravimo rezultatni vektor, diagonala
paralelograma.
Slika 1.7: Geometrijska interpretacija vsote vektorjev (levo) in pravilo paralelograma

vsote (desno).
Slika 1.8 prikazuje geometrijsko interpretacijo množenja vektorja →

−
u s skalarjem k.
→
− →
−
Če je k > 0, potem ima k u enako smer kot u ; če je k < 0, potem je smer vektorja
k→−
u nasprotna smeri vektorja →−u . Če primerjamo dolžini vektorjev →
−
u in k →
−
u opazimo,
da
8
q
|k →
− p
u | = (ku1 )2 + (ku2 )2 + (ku3 )2 = k 2 (u21 + u22 + u23 )
√ q
= k 2 u21 + u22 + u23 = |k||→
−
u |.
Slika 1.8: Večkratniki vektorja →

−
u.
Dolžina vektorja k →
−
u je enaka absolutni vrednosti skalarja k, pomnoženi z dolžino
→
−
vektorja u .
Razlika →
− u −→
−v dveh vektorjev je definirana kot
→
−
u −→
−
v =→
−
u + (−→
−
v ).
Opazimo, da je (→
−
u −→
−
v)+→
−
v =→
−
u , glej sliko 1.9.
Slika 1.9: Če vektor → −u −→

−
v prištejemo vektorju →
−
v dobimo →
−
u (levo); in
→
−
u −→−v =→
−u +(−→
−
v ) (desno)
Primer 1.10. Naj bosta →

−
u = (−1, 3, 1) in →
−
v = (4, 7, 0). Poiščite komponente vektor-
jev
(a) 2→
−
u + 3→
−
v
(b) →
−
u −→
−
v
(c) | 21 →
−
u |.
Rešitev. (a) 2→
−
u + 3→
−
v = 2(−1, 3, 1) + 3(4, 7, 0) = (−2, 6, 2) + (12, 21, 0) = (10, 27, 2)
(b) →
−u −→ −v = (−1, 3, 1) − (4, 7, 0) = (−5, −4, 1)
√
1→
−
q
(c) | 2 u | = ( −1
2
)2 + ( 3 )2 + ( 1 )2 = 11
2 2 2
9
Operacije z vektorji imajo mnogo lastnosti, ki jih srečamo pri običajni aritmetiki.
Lastnosti operacij z vektorji

Naj bodo →
−
u, →
−
v,→−
w vektorji in a, b skalarji.
1. Komutativnost: →
−
u +→
−
v =→
−
v +→
−
u
2. Asociativnost: (→
−
u +→
−
v)+→
−
w =→
−
u + (→
−
v +→
−
w)
→
− →
−
3. Identiteta za seštevanje: →
−
u + 0 =→
−
u , kjer je 0 = (0, 0, 0)
4. Inverz za seštevanje: →
−
u + (−→
−
u)=0
5. Distributivnost: a(→
−
u +→
−
v ) = a→
−
u + a→
−
v in (a + b)→
−
u = a→
−
u + b→
−
u
6. Identiteta za množenje: 1→
−
u =→
−
u
7. a(b→
−
u ) = (ab)→
−
u
Lastnosti lahko enostavno preverimo s pomočjo seštevanja vektorjev in množenja

vektorjev s skalarjem. Za primer bomo preverili komutativnost in prvo od lastnosti pri
distributivnosti. Ostale lahko bralec naredi za vajo.
Dokaz. Najprej bomo dokazali komutativnost:
→
−
u +→
−
v = (u1 , u2 , u3 ) + (v1 , v2 , v3 )
= (u1 + v1 , u2 + v2 , u3 + v3 )
= (v1 + u1 , v2 + u2 , v3 + u3 )
= (v1 , v2 , v3 ) + (u1 , u2 , u3 )
=→−v +→ −u.
Sedaj bomo dokazali prvo od lastnosti pri distributivnosti:
a(→
−
u +→
−
v ) = a((u1 , u2 , u3 ) + (v1 , v2 , v3 ))
= a(u1 + v1 , u2 + v2 , u3 + v3 )
= (a(u1 + v1 ), a(u2 + v2 ), a(u3 + v3 ))
= (au1 + av1 , au2 + av2 , au3 + av3 )
= (au1 , au2 , au3 ) + (av1 , av2 , av3 )
= a(u1 , u2 , u3 ) + a(v1 , v2 , v3 )
= a→
−u + a→ −v.
Linearna neodvisnost
Definicija 1.11. Množica vektorjev → −v 1, →
−
v 2, . . . , →
−
v n je linearno neodvisna če iz enakosti
→
−
a1 →
−
v 1 + a2 →
−
v 2 + · · · + an →
−
v n = 0 sledi, da so a1 = a2 = · · · = an = 0.
10
→
−
Če obstaja neka linearna kombinacija a1 → −v 1 + a2 →
−
v 2 + · · · + an →
−v n = 0 v kateri
je vsaj eno izmed števil ai različno od 0, potem so vektorji →−v 1, →−
v 2, . . . , →
−
v n linearno
→
−
odvisni. To pomeni, da lahko vsaj enega izmed vektorjev v i izrazimo, kot linearno
kombinacijo ostalih vektorjev.
Če je, na primer, ai 6= 0, potem je
→
− 1 a2 − an −
v i = (−a2 →
−
v 2 − · · · − an →
−
v n) = − → v 2 − ··· − → v n.
a1 a1 a1
→
−
Opomba 1.12. Množica vektorjev, ki vsebuje vektor 0 je linearno odvisna.
Primer 1.13. Ugotovite, ali so naslednje množice vektorjev linearno neodvisne:
a) →
−
u = (−1, 1, 1), →
−
v = (1, 2, 3) in →
−
w = (0, 1, 8)
b) →
−
u = (−1, 1, 21), →
−
v = (1, 2, 3) in →
−
w = (0, 1, 8)
Rešitev. a) Če je a→
−
v + b→
−
u + c→
−
w = 0, potem je
−a + b = 0
a + 2b + c = 0
a + 3b + 8c = 0
posledično velja
a=b
c = −3b
20b = 0 ⇒ b = 0 ⇒ c = 0 ⇒ a = 0
Torej so vektorji →
−
v ,→
−
u in →
−w linearno neodvisni.
b) Če je a→
−
v + b→
−
u + c→
−
w = 0, potem je
−a + b = 0
a + 2b + c = 0
21a + 3b + 8c = 0
posledično velja
a=b
c = −3b
21a + 3b + 8c = 0 ⇒ 0b = 0
Opazimo, da lahko vrednost b izberemo poljubno. Če je, na primer, b = 1, potem
je a = 1 in c = −3. Torej so vektorji →
−
v ,→
−
u in →
−
w linearno odvisni.
1.2.3 Enotski vektorji

Vektorju →
−v dolžine 1 pravimo enotski vektor. Enotski vektorji, ki ležijo na koordinatnih
oseh prostora R3 so
→
− →
− →
−
i = (1, 0, 0), j = (0, 1, 0), and k = (0, 0, 1).
11
1.3. SKALARNI PRODUKT 1. VEKTORJI
Poljuben vektor →
−
v = (v1 , v2 , v3 ) lahko zapišemo kot linerno kombinacijo vektorjev
→
− → − →
−
i , j in k :
→
−
v = (v1 , v2 , v3 ) = (v1 , 0, 0) + (0, v2 , 0) + (0, 0, v3 )
= v1 (1, 0, 0) + v2 (0, 1, 0) + v3 (0, 0, 1)
→
− →
− →
−
= v1 i + v2 j + v3 k .
Številu v1 pravimo i-ta komponenta vektorja → −v , številu v2 j-ta komponenta in
→
−
številu v k-ta komponenta. Čim je v 6= 0 , je njegova dolžina |→
3
→
− −v | različna od 0 in

1 → − 1 →
|−

|→

− v = →− v | = 1.
v| |v|
enotski vektor v smeri vektorja →

−
−
→
v
Torej je, |−
→
v|
v.
Primer 1.14. Poiščite enotski vektor → −u v smeri vektorja z začetno točko P (1, 0, 1) in
končno točko Q(3, 2, 0).
−→
Rešitev. Vsako komponento vektorja P Q delimo z njegovo dolžino:
−→
P Q = (3 − 1, 2 − 0, 0 − 1) = (2, 2, −1)
−→ p √ √
|P Q| = 22 + 22 + (−1)2 = 4 + 4 + 1 = 9 = 3
−−
→
→
−u = −PQ 1 2 2
→ = (2, 2, −1) = ( , , − )
−
1
|P Q| 3 3 3 3
1.3 Skalarni produkt

Definicija 1.15. Naj bosta →
−u = (u1 , u2 , u3 ) in →
−
v = (v1 , v2 , v3 ) vektorja. Skalarni
→
− →
−
produkt vektorjev u in v je enak številu u1 v1 +u2 v2 +u3 v3 . Skalarni produkt označimo
z hu, vi.
Opomba 1.16. V različni literaturi je skalarni produkt vektorjev →−
u in →
−v označen tudi
→
− →
−
kot u · v , pri čemer naj bi · v notaciji bralca asocirala na ime produkta v angleščini
(dot product). Slovensko poimenovanje pa naj bi bralca asociralo na rezultat, ki ga pri
tem produktu dobimo, tj. skalar oz. število.
Algebrske lastnosti skalarnega produkta

Naj bodo →
−
u, →
−
v,→−
w vektorji in a poljubno ptevilo.
1. Aditivnost: hu + v, wi = hu, wi + hv, wi
2. Homogenost: hau, vi = ahu, vi
3. Simetričnost: hu, vi = hv, ui
Dokaz. Naj bodo → −

u = (u1 , u2 , u3 ), →
−
v = (v1 , v2 , v3 ) in →
−
w = (w1 , w2 , w3 ) vektorji in a
poljubno število.
Potem:
12
1.
hu + v, wi = (u1 + v1 )w1 + (u2 + v2 )w2 + (u3 + v3 )w3
= u1 w1 + v1 w1 + u2 w2 + v2 w2 + u3 w3 + v3 w3
= u1 w1 + u2 w2 + u3 w3 + v1 w1 + v2 w2 + v3 w3
= hu, wi + hv, wi.
2.
hau, vi = (au1 )v1 + (au2 )v2 + (au3 )v3
= a(u1 v1 ) + a(u2 v2 ) + a(u3 v3 )
= a(u1 v1 + u2 v2 + u3 v3 ))
= ahu, vi.
3.
hu, vi = u1 v1 + u2 v2 + u3 v3
= v1 u1 + v2 u2 + v3 u3
= hv, ui.
Posledica 1.17. Naj bodo →

−
u, →
−
v,→
−
w vektorji in a poljubno število. Potem veljajo tudi
naslednje enakosti:
4. hu, v + wi = hu, vi + hu, wi
5. hu, avi = ahu, vi
Dokaz. Obe lastnosti sta posledici prvih treh podanih lastnosti skalarnega produkta.
Če zaporedoma uporabimo lastnosti 3.), 1.) in 3.) lahko dokažemo
4.), saj je hu, v + wi = hv + w, ui = hv, ui + hw, ui = hu, vi + hu, wi.
Če zaporedoma uporabimo lastnosti 3.), 2.) in 3.) lahko dokažemo
5.), saj je hu, avi = hav, ui = ahv, ui = ahu, vi.
1.3.1 Geometrijski pomen skalarnega produkta

Spomnimo se cosinusnega izreka za trikotnik, ki pravi c2 = a2 +b2 −2ab cos ϕ, pri čemer
so a, b, c dolžine stranic trikotnika in je ϕ kot med stranicama a in b. SEdaj uporabimo
kosinusni izrek na trikotniku s stranicami dolžine |→ −
u |, |→
−
v | and |→
−
v −→−
u |:
|→
−
v −→
−
u |2 = |→
−
u |2 + |→
−
v |2 − 2|→
−
u ||→
−
v | cos ϕ
ali, drugače povedano
hv − u, v − ui = hu, ui + hv, vi − 2|→

−
u ||→
−
v | cos ϕ, (1.1)
→
− →
−
pri čemer predstavlja ϕ kot med vektorjema u in v . Z uporabo lastnosti skalarnega
produkta lahko sklepamo, da je
hv − u, v − ui = hv, v − ui + h−u, v − ui
= hv, vi + hv, −ui + h−u, vi + h−u, −ui
= hv, vi − hv, ui − hu, vi + hu, ui
= hv, vi − 2hu, vi + hu, ui.
13
Iz enakosti 1.1 sledi, da je
−2hu, vi = −2|→
−
u ||→
−
v | cos ϕ.
Od tod lahko dobimo geometrijski pomen skalarnega produkta (v R2 ).
hu, vi = |→
−
u ||→
−
v | cos ϕ, (1.2)
Geometrijski pomen skalarnega produkta v R3 (in v vseh višjih dimenzijah) ni nič

drugačen. Uporabimo lahko trikotnik, ki ga definirata vektorja →
−
u in →
−
v , ki sta postavl-
jena v skupno izhodišče. V tem primeru začetna točka, skupaj z obema končnima
točkama, definirjo ravnino v R3 . Sedaj lahko kosinusni izrek uporabimo v tej ravnini
in vse izračune naredimo enako, kot v primeru za R2 in s tem dobimo sledeči izrek.
Izrek 1.18. Naj bosta →

−
u in →
−v vektorja. Potem je hu, vi = |→
−
u ||→
−
v | cos ϕ, pri čemer je
ϕ kot med vektorjema →
−u in →
−
v.
Opomba 1.19. Kot ϕ vedno izberemo na intervalu [0, π].
Primer 1.20. Poiščite kot med vektorjema →

−
u = (2, −2, −1) in →
−
v = (−3, 0, 4).
Rešitev. Izračunamo:
|→
−
u |2 = hu, ui = 4 + 4 + 1 = 9
|→
−
v |2 = hv, vi = 9 + 0 + 16 = 25
hu, vi = −6 + 0 − 4 = −10
hu,vi −10 .
Potem je cos ϕ = |−
→
u ||−
→
v|
= = − 23 . Od tod dobimo ϕ = 131, 8◦ .
3·5
Opazimo, da je za vektor → −u = (u1 , u2 , u3 ) skalarni produkt hu, ui = u21 + u22 + u23

→
− →
−
enak 0 samo, če je u = 0 . Kot smo že omenili, je ničelni vektor edini vektor dolžine
0. Če si bolj natančno ogledamo formulo za skalarni produkt, hu, vi = |→ −
u ||→
−
v | cos ϕ,
lahko opazimo, da je cos ϕ = 0 če in samo če je ϕ = 2 . če sta vektorja u in →
π →
− −v oba
neničelna, potem je hu, vi = 0 če in samo če je cos ϕ = 0, s čimer pridemo do naslednje
trditve.
Trditev 1.21. Naj bosta →

−
u in →
−
v vektorja. Potem sta →
−
u in →
−
v pravokotna če in
samo če je hu, vi = 0.
→
−
Opomba 1.22. Predpostavljamo, da je 0 pravokoten na vse ostale vektorje.
Primer 1.23. Preverite ali sta vektorja →−

u = (3, 2, −1) in →
−
v = (−1, 1, −1) pravokotna.
→
− →
−
Kaj pa vektorja u1 = (2, 1, 0) in v1 = (1, −1, 0)?
Rešitev. Ker je hu, vi = 3 · (−1) + 2 · 1 + (−1) · (−1) = −3 + 2 + 1 = 0 sta vektorja → −

u
→
−
in v pravokotna.
Ker je hu1 , v1 i = 2 · 1 + 1 · (−1) = 2 − 1 = 1 6= 0 vektorja →
−
u1 in →
−
v1 nista pravokotna.
Spomnimo se, da je za ϕ ∈ [0, π] vrednost funkcije cos ϕ enaka 1 natanko takrat,
ko je ϕ = 0 in enaka −1 natanko takrat, ko je ϕ = π. To nas pripelje do naslednjega
izreka.
14
Izrek 1.24. Naj bosta → −

u in →−
v neničelna vektorja in ϕ kot med njima. Potem je
cos ϕ = 1 če in samo če imata →
−u in →
−
v enako smer in je cos ϕ = −1 če in samo če
→
− →
−
imata u in v nasprotni smeri.
Spomnimo se tudi, da je zaloga vrednosti funkcije cos ϕ interval [−1, 1]. Torej je
0 ≤ | cos ϕ| ≤ 1. Iz izreka 1.18 dobimo tako naslednji izrek:
Izrek 1.25 (Cauchy-Schwarzeva neenakost). Za poljubna vektorja →

−
u ,→
−
v ∈ R3 velja
|hu, vi| ≤ |→
−
u | · |→
−
v |.
Dokaz. Dokaz pustimo bralcu za vajo.

Naslednje rezultate lahko izpeljemo iz lastnosti skalarnega produkta.
Izrek 1.26 (Pitagorov izrek). Naj bosta →

−
u ,→
−
v ∈ R3 pravokotna vektorja. Potem je
|→
−
u +→
−
v |2 = |→
−
u |2 + |→
−
v |2 .
Dokaz. Izračunajmo:
|→
−
u +→
−
v |2 = hu + v, u + vi = hu, u + vi + hv, u + vi
= hu, ui + hu, vi + hv, ui + hv, vi
= hu, ui + 2hu, vi + hv, vi.
Ker sta →
−
u ,→
−
v pravokotna, je hu, vi = 0 in posledično je
|→
−
u +→
−
v |2 = hu, ui + hv, vi = |→
−
u |2 + |→
−
v |2 .
Izrek 1.27 (Trikotniška neenakost). Naj bosta →

−
u ,→
−
v ∈ R3 . Potem je
|→
−
u +→
−
v | ≤ |→
−
u | + |→
−
v |.
Dokaz. Iz dokaza Pitagorovega izreka in z uporabo Cauchy-Schwarzeve neenakosti do-

bimo
|→
−
u +→
−
v |2 = hu, ui + 2hu, vi + hv, vi
= |→
−
u |2 + 2|→
−
u ||→
−v | cos ϕ + |→
−v |2
≤ |→
−
u |2 + 2|→
−
u ||→
−v | + |→
−v |2 = (|→
−u | + |→
−
v |)2 .
Neenakost sledi iz dejstva, da je cos ϕ ≤ 1. Ker je dolžina vektorja nenegativna, iz tega
sledi, da je
|→
−u +→ −
v | ≤ |→
−
u | + |→
−
v |.
15
Projekcije
−→
Naj imata vektorja → −
u in → −
v skupno izhodišče. Projekcija vektorja → −u = P Q na
−→ −→
neničeln vektor →
−
v = P S je vektor →
−
w = P R, ki ga dobimo tako, da iz točke Q narišemo
pravokotnico na premico P S. Ta vektor označimo kot
proj− →
− ”projekcija vektorja →
−
u na vektor →
−
v u
→ v“
Slika 1.10: Projekcija.
Če je kot ϕ med vektorjema → −

u in →
−v ostri, potem ima proj− →
− →
−
v u dolžino | u | cos ϕ
→
in smer |−
−
→v
(Slika 1.10). Če je kot ϕ topi, potem je cos ϕ < 0 in ima proj− →
−
→v|
→v u dolžino
−|→− −
→
u | cos ϕ in smer −− v
→ . V obeh primerih je
|v|
→
−
v |→
−
u ||→
−v | cos ϕ → hu, vi →
→
−
w = proj−
→
→
−
u = |→
−u | cos ϕ = −
v = −
v.
v →
−
|v| →
−
|v| 2 hv, vi
S to zadnjo enakostjo smo pokazali prvi del naslednje trditve.
Trditev 1.28. Naj bosta →−

u in →
−v naničlna vektorja. Potem je →
−
w = hu,vi →
hv,vi
−
v projekcija
→
− →
− →
− →
− →
−
vektorja u na vektor v . Vektorja u − w in v sta pravokotna.
Dokaz. Pokazati moramo samo še drugi del trditve.
hu, vi → hu, vi →

hu − w, vi = u − −
v , v = hu, vi + − −v ,v
hv, vi hv, vi
hu, vi
= hu, vi − hv, vi
hv, vi
= hu, vi − hu, vi = 0.
Primer 1.29. Poiščite projekcijo vektorja →

−
u = (3, −1, 2) na vektor →
−
v = (−1, 0, 1).
Rešitev. Najprej izračunjamo
hu, vi = 3 · (−1) + (−1) · 0 + 2 · 1 = −3 + 0 + 2 = −1
hv, vi = −1 · (−1) + 0 · 0 + 1 · 1 = 1 + 0 + 1 = 2
potem je
−1

→
− 1 1
proj−
v u =
→ (−1, 0, 1) = , 0, −
2 2 2
16
1.4. VEKTORSKI PRODUKT 1. VEKTORJI
1.4 Vektorski produkt

Ko se ukvarjamo s premicami v ravnini in želimo opisati, kako se premica nagiba,
običajnu porabimo pojme kot sta naklon in naklonski kot. V prostoru pa želimo opisati
kako se nagiba neka ravnina. To dosežemo tako, da pomnožimo dva vektorja iz ravnine,
da dobimo tretji vektor, ki je pravokoten na ravnino. Smer tega (tretjega) vektorja
nam pove ”naklon“ ravnine. Množenju, ki ga pri tem uporabnimo, pravimo vektorski
produkt.
Začnemo z dvema neničelnima vektorjema → −u in →
−
v v prostoru. Če →
−
u in →
−
v nista
→
−
vzporedna, potem določata ravnino. Izberemo enotski vektor n , ki je pravokoten na
ravnino, z uporabo pravila desnosučnega vijaka. Potem je vektorski produkt u × v
vektor, ki je definiran na sledeč način:
Definicija 1.30. Naj bosta → −u in → −v neničelna vektorja v R3 . Potem je vektorski
produkt u × v enak vektorju
u × v = (|→
−
u ||→
−
v | sin ϕ)→
−
n.
Za razliko od skalarnega produkta, je razultat vektorskega produkta vektor in od
tod tudi njegovo ime. Vektorski produkt lahko uporabimo izključno na vektorjih v
prostoru. Vektor u × v je pravokoten tako na vektor → −u kot na vektor → −
v , sej gre za nek
→
−
večkratnik vektorja n . Obstaja enostaven način, kako izračunati vektorski produkt
dveh vektorjev neposredno iz njunih komponent. Pri tem nam ni potrebno poznati
kota, ki ga vektorja oklepata (čeprav je tudi ta del definicije). Izračun si bomo ogledali
v nadaljevanju, najprej pa se bomo posvetili lastnostim vektorskega produkta.
Algebrske lastnosti vektorskega produkta

Naj bodo →
−
u, →
−
v,→−
w vektorji v R3 in naj bo a število.
1. Aditivnost: (u + v) × w = (u × v) + (v × w) in u × (v + w) = (u × v) + (u × w)
2. Homogenost: (au) × v = a(u × v) = u × (av)
3. Antikomutativnost: u × v = −v × u
Dokaz. Dokaza za aditivnost in antikomutativnost bosta podana kasneje.

Iz zgornjih lastnosti lahko izpeljemo še naslednje
→
−
4. u × u = 0
→
−
5. u × 0 = 0
→
−
Pri tem lastnost 4. sledi iz antikomutativnosti, saj je u×u = −u×u in 2(u×u) = 0 .
→
−
Če obe strani enakosti pomnožimo z 12 dobimo u × u = 0 . Enakost 5. lahko preverimo
z uporabo definicije vektorskega produkta.
17
6. Linearnost: (au + bv) × w = a(u × w) + b(v × w)
Pri čemer je b ∈ R.
Za dokaz linearnosti uporabimo aditivnost in homogenost. Dobimo naslednje za-

poredje enakosti:
(au + bv) × w = (au × w) + (bv × w) = a(u × w) + b(v × w).

Kot zadjo podajmo še enakost, ki velja za dvojni vektorski produkt:
7. (u × v) × w = hu, wiv − hv, wiu
Dokaz te zadnje enakosti prepuščamo bralcu.

Naslednja trditev, ki vključuje dvojni vektorski produkt, je znana kot Jacobijeva
identiteta
Za poljubne vektorje →
−
u ,→
−
v in →
−
w ∈ R3 velja
(u × v) × w + (v × w) × u + (w × u) × v = 0
Dokaz. (u × v) × w + (v × w) × u + (w × u) × v = = hu, wiv − hv, wiu + hv, uiw −

hw, uiv + hw, viu − hu, viw = 0
Izračun vektorskega produkta s pomočjo determinante

Kot smo že omenili, lahko izračunamo vektorski produkt dveh vektorjev neposredno iz
njunih komponent, ne da bi poznali kot med vektorjema.
Izrek 1.31. Naj bosta →

−
u = (u1 , u2 , u3 ) in →
−
v = (v1 , v2 , v3 ). Potem je
u × v = (u2 v3 − u3 v2 , u3 v1 − u1 v3 , u1 v2 − u2 v1 ).
Dokaz. S pomočjo lastnosti, ki smo jih podali v prejšnjem razdelku, dobimo

→
− →
− →
− →
− →
− →
−
u × v = (u1 i + u2 j + u3 k ) × (v1 i + v2 j + v3 k )
= u1 v1 i × i + u1 v2 i × j + u1 v3 i × k+
+ u2 v1 j × i + u2 v2 j × j + u2 v3 j × k+
+ u3 v1 k × i + u3 v2 k × j + u3 v3 k × k
Z upoštevanjem dejstva, da velja
18
→
− →
− →
−
i×i= 0, j×j = 0 k×k = 0
→
− →
− →
−
i×j = k, j×k = i , k×i= j ,
→
− →
− →
−
j×i=−k, i×k =−j , k×j =− i ,
dobimo
→
− →
− →
−
u × v = (u2 v3 − u3 v2 ) i + (u3 v1 − u1 v3 ) j + (u1 v2 − u2 v1 ) k
= (u2 v3 − u3 v2 , u3 v1 − u1 v3 , u1 v2 − u2 v1 ).
Izraze v posamezni komponenti, ki smo jih podali v izreku 1.31 lahko hitro pozabimo
ali zamešamo katerega od indeksov. Zaradi tega si pri izračunu lahko pomagamo z
matrikami. (Realna) matrika je tabela (realnih) števil. Vsaki kvadratni matriki (tj.
matriki, ki ima enako število stolpcev in vrstic) lahko priredimo število, ki mu pravimo
determinanta.
Izračun determinante 2 × 2 matrike - pravilo:

a11 a12
= a11 a22 − a12 a21 .
a21 a22
Obstaja tudi pravilo za izračun determinante 3 × 3 matrike:

a11 a12 a13
a21 a22 a23 = a11 a22 a23 − a12 a21 a23 + a13 a21 a22

a32 a33 a31 a33 a31 a32
a31 a32 a33
= a11 a22 a33 − a11 a23 a32 − a12 a21 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31 .
Opazimo, da lahko komponente, ki jih imamo v izreku 1.31 enostavno zapišemo
kot:
→
−i → − → −
j k
u × v = u1 u2 u3
v v v
1 2 3
Saj je
→
−i →− → −
j k u u →
− u1 u2 →

ui u2 u3 = 2 3 −i + u1 u3 → −

v1 v3 j + v1 v2 k .

v2 v3
v v v
1 2 3
Primer 1.32. Poiščite u × v, če je →

−
u = (2, 1, 1) in →−
v = (−4, 3, 1).
Rešitev. →
− → − → −

i j k
u × v = 2 1 1
−4 3 1

→
1 1 →
− 2 1 → − 2 1 −

= i + j + k
3 1 −4 1 −4 3
→
− →
− →
−
= −2 i − 6 j + 10 k = (−2, −6, 10).
19
Z uporabo tega pristopa bomo dokazali lastnost 3. - antikomutativnost.

Dokaz antikomutativnosti. Naj bosta →−u = (u1 , u2 , u3 ) in → −
v = (v1 , v2 , v3 ). Potem je
→
−i →− →−
j k
u × v = u1 u2 u3 = (u2 v3 − u3 v2 , u3 v1 − u1 v3 , u1 v2 − u2 v1 ).
v v v
1 2 3
→
− → − → −

i j k
v × u = v1 v2 v3 = (u3 v2 − u2 v3 , u1 v3 − u3 v1 , u2 v1 − u1 v2 ).
u1 u2 u3
Če primerjamo koordinate dobljenih vektorjev opazimo, da je u × v = −v × u.
1.4.1 Geometrijski pomen vektorskega produkta

Če vektorja →
−
u in →−
v kažeta bodisi v enako ali nasprotno smer, potem je paralelogram,
ki ga definirata, degeneriran in ima ploščino enako 0. Predpostavimo, da → −u in →
−
v
ne kažeta niti v enako, niti v nasprotno smer. Potem paralelogram, ki ga definirata
vektorja →−
u in →−v ni degeneriran in ima zato neko pozitivno ploščino. V tem primeru
je |u × v| enaka ploščini paralelograma, ki ga definirata →
−
u in →
−
v.
→
−
Ker je n enotski vektor je velikort u × v enaka
|u × v| = |→
−
u ||→
−
v || sin ϕ||→
−
n | = |→
−
u ||→
−
v | sin ϕ.
Slika 1.11: Paralelogram, ki ga definirata vektorja →

−
u in →
−
v.
To lastnost bomo uporabili za dokaz druge enakosti lastnosti 1. - aditivnosti.

Dokaz aditivnosti. Za dokazati, da je u × v + w = (u × v) + (u × w), bomo najprej
pokazali, daj je u × v = u × v ⊥ , pri čemer je →
−
v = v ⊥ + v k in v ⊥ ⊥ u ter v k k u.
20
Opazimo, da je ploščina paralelograma, ki ga razpenjata vektorja → −

u in →−v enaka
ploščini pravokotnika, ki ga določata vektorja →
−
u in →
−
v ⊥ (spomnimo, da je ploščina =
osnovnica · višina). V obeh primerih ima vektor →−n enako smer. Torej je u × v = u × v ⊥ .
Sedaj lahko to dejstvo uporabimo za dokaz začetne trditve.
u × (v + w) = u × (v + w)⊥
= u × (v ⊥ + w⊥
= (u × v ⊥ ) + (u × w⊥ )
= (u × v) + (u × w).
Primer 1.33. Poiščite ploščino trikotnika z oglišči v točkah P (1, −1, 0), Q(2, 1, −1)
in R(−1, 1, 2). (glej sliko 1.13)
Slika 1.12: Trikotnik z oglišči v točkah P, Q in R.
Rešitev. Ploščina trikotnika z oglišči v točkah P, Q in R je enaka polovici ploščine

−→ −→
paralelograma, ki ga določata vektorja P Q in P R. Ker sta
−→
P Q = (2, 1, −1) − (1, −1, 0) = (1, 2, −1)
−→
P R = (−1, 1, 2) − (1, −1, 0) = (−2, 2, 2)
in je →
− → − → −

i j k
P Q × P R = 1 2 −1
−2 2 2

2 −1 → − 1 −1 → − 1 2 →
−
= i + j + k
2 2 −2 2 −2 2
→
− →
−
= 6 i + 6 k = (6, 0, 6).
−→ −→
je ploščina paralelograma, ki ga določata vektorja P Q in P R enaka
√ √ √
|P Q × P R| = 62 + 02 + 62 = 2 · 36 = 6 2.
√
Posledično je ploščina trikotnika z oglišči v točkah P, Q in R enaka 3 2 kvadratnih
enot.
21
1.5. MEŠANI PRODUKT 1. VEKTORJI
1.5 Mešani produkt

Definicija 1.34. Naj bodo → −u, →
−
v in →
−
w neničelni vektorji v R3 . Potem je mešani
produkt hu × v, wi enak številu
hu × v, wi = |u × v||→
−
w | cos ϕ.
Mešani produkt ima takšno ime ker vključuje oba do sedaj omenjena produkta
(skalarnega in vektorskega). Ponekod se nanj nanašajo tudi kot na trojni skalarni
produkt, ker vključuje 3 tridimenzionalne vektorje in dobimo za rezultat skalar (število).
Tudi mešani produkt lahko izračunamo s pomočjo determinant.
Naj bodo →
−
u = (u1 , u2 , u3 ), →
−
v = (v1 , v2 , v3 ) in →
−
w = (w1 , w2 , w3 ). Potem je

u1 u2 u3

hu × v, wi = v1 v2 v3 .
w1 w2 w3
Algebrske lastnosti mešanega produkta:

Naj bodo →
−
u, →
−
v,→−
w in →
−z vektorji v R3 ter a ∈ R število.
1. hu × v, wi = hu, v × wi
2. hu × v, wi = −hv × u, wi = −hw × v, ui = −hu × w, vi
3. hau × v, wi = ahu × v, wi
4. hu × u, wi = 0
5. hu × v, w + zi = hu × v, wi + hu × v, zi
6. hu × v, w × zi = hu, wihv, zi − hu, zihv, wi (Lagrangeva identiteta)
Dokaz. Dokazali bomo samo Lagrangevo identiteto, ostale dokaze lahko bralec naredi
za vajo.
hu × v, w × zi = h(u × v) × w, zi = hhu, wiv − hv, wiu, zi =

= hu, wihv, zi − hv, wihu, zi.
Trditev 1.35. hu × v, wi = 0 če in samo če so vektorji →

−
u, →
−
v in →
−
w linearno odvisni.
Dokaz. hu × v, wi = 0 ⇔ u × v je pravokoten na →
−
w ⇔ →
−
w = a→
−
u + b→
−
v za neka
a, b ∈ R.
22
1.5. MEŠANI PRODUKT 1. VEKTORJI
1.5.1 Geometrijski pomen mešanega produkta

Trditev 1.36. Absolutna vrednost mešanega produkta hu × v, wi nam poda prostornino
paralelepipeda, ki ga določajo vektorji →
−
u, →
−
v in →
−
w.
Slika 1.13: Paralelepiped določen z vektorji →

−
u, →
−
v in →
−
w.
Dokaz. Naj bo ϕ kot med vektorjema u × v in → −

w . Po definiciji 1.34 je hu × v, wi =
→
−
|u × v|| w | cos ϕ. Opazimo, da je |u × v| ploščina osnovne ploskve (tj. paralelograma) in
da je |→−
w || cos ϕ| dolžina projekcije proj− →
−
u×v w ter zato tudi višina paralelepipeda. Saj
−→
je
Prostornina = ploščina osnovne ploskve · višina

= |u × v| · |→
−
w || cos ϕ|
= hu × v, wi.
Primer 1.37. Poiščite prostornino paralelepipeda, ki ga razpenjajo vektorji →

−
u =
→
− →
−
(1, 2, −1), v = (−2, 0, 3) in w = (0, 7, −4).
Rešitev.

1
2 −1
hu × v, wi = −2 0 3
0 7 −4

−2 3
− 1 · −2 0
0 3
= 1 · − 2 ·
7 −4 0 −4 0 7
= 1 · (−21) − 2 · 8 − 1 · (−14) = −21 − 16 + 14 = −23.
Torej je prostornina |hu × v, wi| = | − 23| = 23 kubičnih enot.
→
−
Primer 1.38. Poiščite vrednosti x ∈ R, da bodo vektorji → −
a = (1, 2, 3), b = (−2, x, 1)
in →
−c = (−1, 1, 0) določali paralelepiped s prostornino 1.
Rešitev. Najprej izračunajmo

mešani produkt:
1 2 3

ha × b, ci = −2 x 1 = 1 · (−1) − 2 · 1 + 3 · (−2 + x) = 3x − 9.
−1 1 0
Ker mora biti |3x − 9| = 1 imamo dve možnosti:
3x − 9 = 1 ali 3x − 9 = −1
3x = 10 3x = 8
10
x= 3 x = 83
23
2
PREMICE IN RAVNINE V R3
V nadaljevanju si bomo pogledali, kako lahko uporabimo zgoraj omenjene produkte za

zapis enačb premic in ravnin v prostoru.
Premice v R3
V ravnini je premica določena s točko in številom, ki nam pove njen naklon. V prostoru
je premica definirana s točko in vektorjem, ki nam določa njeno smer. Temu vektorju
pravimo smerni vektor.
Slika 2.1: Premica skozi točko P0 vzporedna z →

−
v.
Predpostavimo, da je ` premica v prostoru, ki poteka skozi točko P0 (x0 , y0 , z0 ) in

→
− →
− →
−
je vzporedna z vektorjem → −
v = v1 i + v2 j + v3 k . Potem je ` množica vseh točk
−−→ −−→
P (x, y, z) za katere je P0 P vzporeden z → −v (glej sliko 2.1). Torej je, P0 P = λ→
−
v za nek
parameter λ ∈ R. Vrednost λ je odvisna od lokacije točke P na premici. Če enačbo
−−→
P0 P = λ→ −v zapišemo v razširjeni obliki, dobimo
→
− →
− →
− →
− →
− →
−
(x − x0 ) i + (y − y0 ) j + (z − z0 ) k = λ(v1 i + v2 j + v3 k ),
kar lahko zapišemo tudi kot

→
− →
− →
− →
− →
− →
− →
− →
− →
−
x i + y j + z k = x0 i + y0 j + z0 k + λ(v1 i + v2 j + v3 k ).
Če je → −
r1 krajevni vektor točke P (x, y, z) na premici in je →
−
r0 krajevni vektor točke
P0 (x0 , y0 , z0 ), potem nam zgornja enačba poda vektorsko obliko enačbe premice v
prostoru.
2. PREMICE IN RAVNINE V R3
Vektorska oblika
Vektorska enačba premice `, ki poteka skozi točko P0 (x0 , y0 , z0 ) in je vzporedna
z vektorjem →−
v je
`=→−
r1 = →−
r0 + λ→−v, −∞ < λ < ∞,
Pri čemer je r krajevni vektor točke P (x, y, z) na ` in →
→
−
1
−
r krajevni vektor točke
0
P0 (x0 , y0 , z0 ).
Če izenačimo istoležne komponente obeh strani zgoraj podane vektorske enačbe
premice, dobimo tri enakosti, ki vključujejo parameter λ:
x = x0 + λv1 y = y0 + λv2 z = z0 + λv3 .
Te enakosti nam podajo standardno parametrizacijo premice za parametrični inteval

−∞ < λ < ∞.
Parametrična oblika
Standardna parametrizacija premice, ki poteka skozi točko P0 (x0 , y0 , z0 ) in je
vzporedna z vektorjem →
−
v = (v1 , v2 , v3 ) je
x = x0 + λv1 y = y0 + λv2 z = z0 + λv3 , −∞ < λ < ∞.
Končno, če iz vseh treh enakosti izrazimo λ, dobimo še en način za opisati premico.
Kanonična oblika
Kanonična enačba premice, ki poteka skozi točko P0 (x0 , y0 , z0 ) in je vzporedna
z vektorjem →−
v = (v1 , v2 , v3 ) je
x − x0 y − y0 z − z0
= = = λ.
v1 v2 v3
Opazimo, da lahko kanonično enačbo zapišemo samo, če ima →

−
v izključno neničelne
komponente.
Primer 2.1. V vseh treh oblikah zapišite enačbo premice, ki poteka skozi točki A(2, 1, 1)
in B(3, −1, 4).
Rešitev. Ker je premica definirana s točko in vektorjem, moramo najprej izračunati

−→
vektor AB.
→
− −→
v = AB = (3, −1, 4) − (2, 1, 1) = (1, −2, 3).
Sedaj je naša premica določena s točko A in vektorjem →
−
v.
Vektorska oblika: →
−
r1 = (2, 1, 1) + λ(1, −2, 3)
25
Parametrična oblika:
x = 2 + λ,
y = 1 − 2λ,
z = 1 + 3λ, λ ∈ R
Kanonična oblika: x − 2 = y−1

−2
= z−1
3
=λ
Opazimo, da zapisi niso enolično določeni. V zgornjem primeru bi lahko za “osnovno

točko” izbrali tudi B in bi s tem dobili drugačno množico rešitev za isto premico.
Natančneje, za “osnovno točko” lahko izberemo poljubno točko, ki leži napremici. Na
primer, z λ = 2 dobimo točko (4, −3, 7) torej je enačba naše premice tudi (4, −3, 7) +
µ(1, −2, 3).
Enako velja, če za smerni vektor vzamemo poljuben (neničeln) večkratnik vektorja
→
−v . S tem dobimo npr. enačbo (2, 1, 1) + ρ(−2, 4, −6).
Ravnine v R3
Predpostavimo, da je V ravnina v R3 . Če bi želeli nekomu razložiti za katero ravnino
gre, zadostuje, da mu podamo naslednje informacije:
točko P0 , ki leži na ravnini in
njeno “smer” (ali “naklon” oz. orientacijo).
Toda kako lahko določimo smer ravnine? Pametna poteza v tem primeru je, da
določimo smer ravnine tako, da podamo smer premice, ki je na ravnino pravokotna.
Smer take premice lahko podamo s pomočjo enega samega (neničelnega) vektorja (pri
tem je dolžina tega vektorja popolnoma nepomembna).
Prevedimo sedaj to v matematični zapis, najprej na konkretnem primeru in nato
še na splošno.
26
−−→
Primer 2.2. Predpostavimo, da leži točka P0 (2, 1, 3) na ravnini U in naj bo → −
r 0 = OP0
njen krajevni vektor. Predpostavimo še, da je vektor → −n = (1, 2, 2) pravokoten na
ravnino U . Naša naloga je najti vse tiste vektorje →−r = (x, y, z), ki imajo krajišče na
ravnini. Krajišča teh vektorjev so na ravnini U , če je vektor z začetno točko v P0 in
končno točko v obravnavanem krajišču pravokoten na → −
n . Vektor z začetno točko v P0
→
− →
−
in končno točko na ravnini lahko zapišemo kot r − r0 = (x − 2, y − 1, z − 3). Za ta
vektor torej zahtevamo, da je pravokoten na → −n = (1, 2, 2), tj.
h(x − 2, y − 1, z − 3), (1, 2, 2)i = 0 or (x − 2) + (y − 1) · 2 + (z − 3) · 2 = 0.
Seveda lahko zapis poenostavimo, da dobimo x + 2y + 2z = 10, vendar nam oblika

x − 2 + 2(y − 1) + 2(z − 3) = 0 jasno pokaže, da leži točka (2, 1, 3) na ravnini. Opazimo
tudi, da
za poljuben neničeln skalar t, enačba tx + 2ty + 2tz = 10t še vedno predstavlja
isto ravnino, npr. 6x + 12y + 12z = 60.
koeficienti pri x, y, z v enačbi x + 2y + 2z = 10 predstavljajo vektor, ki je enak

(večkratniku) vektorju → −
n = (1, 2, 2), ki je pravokoten na ravnino, s katero smo
začeli.
koordinate točke P0 zadoščajo enačbi ravnine, 2 + 2 · 1 + 2 · 3 = 10.

Poglejmo si sedaj vse skupaj v splošnem.
Naj bo P0 (x0 , y0 , z0 ) poljubna točka in →−n = (a, b, c) neničeln vektor, za katerega
predpostavimo, da je pravokoten na ravnino, ki jo želimo opisati. Ravnina skozi točko
−−→
P , ki je pravokotna na → −
n sestoji iz vseh točk P (x, y, z), za katere je P0 P pravokoten
na →−
n , tj. (x − x0 , y − y0 , z − z0 ) je pravokoten na (a, b, c). V vektorski obliki:
h(a, b, c), (x − x0 , y − y0 , z − z0 )i = 0.
Vektorska oblika
Vektorska enačba ravnine U , ki poteka skozi točko P0 (x0 , y0 , z0 ) in je pravokotna
na neničeln vektor →
−
n = (a, b, c) je
hn, r − r0 i = 0,
pri čemer je →
−
r0 krajevni vektor točke P0 (x0 , y0 , z0 ).
Če skalarni produkt razširimo, dobimo:
a(x − x0 ) + b(y − y0 ) + c(z − z0 ) = 0,
kar je ekvivalentno zapisu
ax + by + cz = ax0 + by0 + cz0 .

Opazimo, da je desna stran enakosti konstantno število. Če desno stran zamenjamo z
enim samim znakom, dobimo splošno obliko enačbe ravnine.
27
Splošna oblika
Splošna oblika enačbe ravnine U , ki poteka skozi točko P0 (x0 , y0 , z0 ) in je pra-
vokotna na neničeln vektor →−
n = (a, b, c) je
ax + by + cz = d,
pri čemer je d = ax0 + by0 + cz0 .
Ravnino lahko predstavimo tudi s pomočjo parametrične vektorske enačbe, podobno

kot smo to naredili za premico. Oglejmo si najprej primer, ki ga bomo rešili intuitivno.
Nato pa si bomo pogledali še splošno strategijo.
Primer 2.3. Predpostavimo, da vsebuje ravnina točko (0, 0, 0), kot na primer ravnina
U podana z enačbo x + 2y − 3z = 0. Vzemimo dva vektorja na ravnini, ki sta lin-
earno neodvisna, npr. (2, −1, 0) in (3, 0, 1). Iz geometrijskega vidika je jasno, da lahko
poljuben drugi vektor v ravnini dobimo tako, da seštejemo ustrezna večkratnika izbranih
vektorjev.
Torej lahko poljuben vektor v ravnini zapišemo kot linearno kombinacijo
λ(2, −1, 0) + µ(3, 0, 1)
vektorjev (2, −1, 0) in (3, 0, 1) za ustrezne vrednosti λ in µ. Na ta način eksplicitno
opišemo vektorje (točke) na ravnini: vsaka vrednost λ in µ nam da neko točko na
ravnini. Na primer, z λ = 2 in µ = −3 dobimo 2 · (2, −1, 0) − 3(3, 0, 1) = (−5, −2, −3).
Usmerimo se sedaj na splošno strategijo iskanja parametrično vektorskih enačb
ravnine. Da bi našli takšno enačbo, začenši s splošno obliko enačbe ravnine, to rešimo
(ne pozabimo, da ima takšna enačba neskončno rešitev, saj imamo opravka z ravnino).
Predpostavimo, da je V ravnina podana z enačbo x + 2y − 3z = 4; torej je V vzporedna
z ravnino U , saj je vektor (1, 2, −3) pravokoten na obe ravnini. Če to enačbo zapišemo
nekoliko drugače (tj. izrazimo x, y ali z) kot x = 4 − 2y + 3z lahko opazimo, da je
z izbiro vrednosti za y in z določena tudi tista vrednost za x, ki nam bo zagotovila,
da bo točka (x, y, z) ležala na ravnini. Dodelimo torej vrednost λ spremenljivki y in µ
spremenljivki z. Potem je x = 4 − 2λ + 3µ. Zapis lahko še nekoliko popravimo, da bo
opis v vektorski notaciji bolj ekspliciten:
(x, y, z) = (4 − 2λ + 3µ, λ, µ) = (4, 0, 0) + λ(−2, 1, 0) + µ(3, 0, 1).
Parametrično vektorski opis

Parametrično vektorski opis ravnine U je opis oblike
→
−
r0 + λ→
−
u + µ→
−
v,
pri čemer je →
−
r0 vektor s končno točko na ravnini, vektorja →
−
u in →
−
v pa sta dva
linearno neodvisna vektorja na ravnini.
V tem primeru lahko (spet) vidimo, da je ravnina V vzporedna z ravnino U . Kako?

Vektorju (4, 0, 0) običajno pravimo podporni vektor, medtem ko sta (−2, 1, 0) in (3, 0, 1)
smerna vektorja (in ta sta enaka kot pri ravnini U ).
28
Naj povdarimo, da lahko isto ravnino opisujejo parametrično vektorski izrazi, ki

so si lahko med seboj zelo različni, kot bomo videli v naslednjem primeru. Enačba
ravnine (v vektorski ali splošni obliki), pa je običajno manj raznolika: če obravnavamo
samo enačbe oblike ax + by + cz = d, potem dve taki enačbi predstavljata isto ravnino
natanko takrat, ko se koeficienti ene in druge enačbe vsi razlikujejo za nek skupen
(neničeln) večkratnik.
Primer 2.4. Poiščite parametrično vektorski opis ravnine U : x + y + z = 4.
Rešitev. Za najti parametrično vektorski opis ravnine U : x + y + z = 4 se lahko
poslužimo poljubnega od naslednjih postopkov:
a) Izrazimo x, tj. zapišemo enačbo kot x = 4 − y − z. Upoštevamo, da je y = λ in

z = µ in dobimo x = 4 − λ − µ. V vektorski obliki je to enako zapisu
(x, y, z) = (4 − λ − µ, λ, µ) = (4, 0, 0) + λ(−1, 1, 0) + µ(−1, 0, 1).
Intuitivno, ravnina “leži” na točki (4, 0, 0) in poljuben vektor v ravnini do-

bimo tako, da točki (4, 0, 0) prištejemo poljubno linearno kombinacijo vektorjev
(−1, 1, 0) in (−1, 0, 1).
b) Alternativno, si lahko na podlagi enačbe ravnine poljubno izberemo vektor, ki
leži na U , npr. (1, 1, 2). Tega uporabimo za podporni vektor. Sedaj si izberemo
še dva vektorja, ki sta pravokotna na (1, 1, 2) in linearno neodvisna, tj. izberemo
dve neodvisni rešitvi enačbe u + v + 2w = 0. Npr. (2, 2, −2) in (0, 2, −1). Potem
lahko ravnino opišemo kot
(x, y, z) = (1, 1, 2) + λ(2, 2, −2) + µ(0, 2, −1).
Opazimo, da je ta precej drugačna od opisa podanega v a). To dokazuje dejstvo,

da so lahko parametrično vektorski opisi iste ravnine precej različni, kot smo
omenili že zgoraj.
c) Če v metodi, ki smo jo opisali v a), izrazimo y namesto x, je dobljen parametrično
vektorski opis spet nekoliko drugačen: zapišimo najprej spremenjeno enačbo y =
4 − x − z in upoštevajmo, da je x = λ in z = µ. Tako dobimo
(x, y, z) = (0, 4, 0) + λ(1, −1, 0) + µ(0, −1, 1).
Spoznali smo dva načina, kako podati ravnino v prostoru: s pomočjo enačb in s
pomočjo parametrično vektorskih opisov. Da iz prvega dobimo drugega moramo rešiti
enačbo, ki predstavlja ravnino in zapisati njeno rešitev v ustrezni vektorski obliki, kot
smo že pokazali. Sedaj pa si bomo na primeru še pogledali, kako iz parametrično
vektorskega opisa dobimo enačbo ravnine.
Primer 2.5. Poiščite splošno obliko enačbe ravnine U podane z
(2, 1, 3) + λ(1, 2, 1) + µ(1, 1, 3).
Rešitev. Naša naloga je poiskati enačbo oblike ax + by + cz = d, ki predstavlja ravnino

U , torej moramo poiskati konkretne vrednosti za a, b, c in d. Problem rešimo v dveh
delih
29
Za dobiti a, b in c se najprej spomnimo, da je vektor (a, b, c) pravokoten na

ravnino, torej je pravokoten tudi na oba smerna vektorja (1, 2, 1) in (1, 1, 3). To
pomeni, da je
h(a, b, c), (1, 2, 1)i = 0 in h(a, b, c), (1, 1, 3)i = 0.
Torej moramo rešiti sistem lineranih enačb:
a + 2b + c = 0
a + b + 3c = 0
Dobimo, da je a = −5c in b = 2c. Torej je en vektor, ki je pravokoten na vektorja

(1, 2, 1) in (1, 1, 3) npr. (a, b, c) = (−5, 2, 1), ki smo ga dobili tako, da smo izbrali
c = 1. Torej imamo enačbo −5x + 2y + z = d in potrebujemo še d.
Opomba: Ker je vektor, ki ga iščemo, pravokoten na oba smerna vektorja, ga
lahko dobimo tudi kot (1, 1, 3) × (1, 2, 1) = (−5, 2, 1).
Za dobiti d pa zadostuje, da v enačbo −5x + 2y + z = d namesto vrednosti x, y, z

vstavimo poljuben vektor iz U , npr. podporni vektor (2, 1, 3):
(−5) · 2 + 2 · 1 + 1 · 3 = d.
Torej je splošna oblika enačbe ravnine U enaka −5x + 2y + z = −5.

Videli smo torej, da dva linearno neodvisna vektorja definirata ravnino. Če čva
linearno neodvisna vektorja definirata ravnino, potem jo definirajo tudi tri nekolinearne
točke, tj. tri točke, ki ne ležijo na isti premici.
Naj bodo R0 , R1 in R2 tri nekolinearne točke v prostoru in naj bojo njihovi krajevni
−−−→ − → −−−→ − →
vektorji →−
r0 , →
−
r1 in →
−
r2 (v tem vrstnem redu). Potem sta R0 R1 = →r1 − −
r0 in R0 R2 = →
r2 − −
r0
dva linearno neodvisna vektorja, ki definirata ravnino.
Opazimo, da je v tem primeru → −

n = (→ −
r1 − →−
r0 ) × (→
−
r2 − →
−
r0 ). Če to vstavimo v
→
− →
−
vektorsko obliko enačbe ravnine hn, r − r0 i dobimo
(→
−
r1 − →
−
r0 ) × (→
−
r2 − →
−
r0 ) · (→
−
r −→
−
r0 ) = 0.
Ali, zapisano kot mešani produkt:
h(→
−
r1 − →
−
r0 ) × (→
−
r2 − →
−
r0 ), (→
−
r −→
−
r0 )i = 0.
30
2.1. PRESEČIŠČA 2. PREMICE IN RAVNINE V R3
Če so krajevni vektorji teh treh točk enaki ri = (xi , yi , zi ) (za i = 0, 1, 2) in je

r = (x, y, z) točka na ravnini, potem bomo z izračunom

x − x0 y − y0 z − z0

x1 − x0 y1 − y0 z1 − z0 = 0

x2 − x0 y2 − y0 z2 − z0
dobili vektorsko obliko enačbe ravnine.
Primer 2.6. Poiščite vektorsko obliko enačbe ravnine, ki vsebuje točke A(1, 0, 0),
B(2, 3, 1) in C(5, 4, −1).
Rešitev. Naj bodo r = (x, y, z), r0 = (1, 0, 0), r1 = (2, 3, 1) in r2 = (5, 4, −1). Potem z
uporabo izraza, podanega zgoraj, dobimo

x−1 y z

1 3 1 =0

4 4 −1
od tod pa
(x − 1)(−3 − 4) − y(−1 − 4) + z(4 − 12) = 0,

oziroma
−7x + 5y − 8z = −7.
2.1 Relativni položaj premic in ravnin: presečišča

Presečišče dveh premic
Naj bosta `1 = →−r1 + λ1 →
−
v1 in `2 = →
−
r2 + λ2 →
−
v2 dve premici v R3 , ki nista vzporedni ali
mimobežni. Potem se `1 in `2 sekata v natanko eni točki. Da bi določili to točko,
moramo rešiti enačbo
→
−
r1 + λ1 →
−
v1 = →
−
r2 + λ2 →
−
v2
Trditev 2.7. Naj bosta `1 = → −

r1 + λ1 →
−
v1 in `2 = →−
r2 + λ2 →
−v2 dve premici v prostoru.
Potem se `1 in `2 sekata, če in samo če obstajata takšni vrednosti λ1 in λ2 , da velja
naslednja enakost:
→
−
r1 + λ1 →
−
v1 = →
−
r2 + λ2 →
−
v2 .
Primer 2.8. Pokažite, da se za neki vrednosti λ1 , λ2 ∈ R premici `1 = (2, 1, 0) +

λ1 (1, 0, 1) in `2 = (1, 4, 2) + λ2 (1, −1, 0) sekata.
Rešitev. Po zgornji trditvi bi moralo veljati (2, 1, 0)+λ1 (1, 0, 1) = (1, 4, 2)+λ2 (1, −1, 0).
Iz te enačbe dobimo sistem treh linearnih enačb (po eno enačbo za vsako komponento):
2 + λ1 = 1 + λ2
1 = 4 − λ2
λ1 = 2
31
2.1. PRESEČIŠČA 2. PREMICE IN RAVNINE V R3
Iz druge enačbe dobimo λ2 = 3 in tretja pravi, da je λ1 = 2. Če ti dve vrednosti

ustrezata tudi prvi enačbi, smo našli vrednosti za λ1 in λ2 , sicer pa takšni vrednosti λ
ne obstajata.
Ker je 2 + 2 = 4 = 1 + 3 se premici `1 in `2 sekata. Določimo lahko tudi presečišče,
ki je v našem primeru točka P (4, 1, 2).
Presečišče premice in ravnine

Naj bosta `1 = (r1 , r2 , r3 ) + λ(v1 , v2 , v3 ) premica in ax + by + cz = d ravnina v R3 .
Presečišče premice in ravnine je običajno natanko ena točka. Če sta premica in ravnina
vzporedni, potem se lahko ne sekata, ali pa premica leži na ravnini (torej je presečišče
celotna premica). Da bi določili presečišče moramo poiskati vrednost(i) λ, pri kateri(h)
točke iz premice ` ležijo tudi na ravnini U . Rešiti moramo torej enačbo
a(r1 + λv1 ) + b(r2 + λv2 ) + c(r3 + λv3 ) = d.
če dobljeno vrednost λ vstavimo v enačbo premice ` dobimo točko, v kateri se premica
in ravnina sekata.
Primer 2.9. Poiščite presečišče ravnine U podane z enačbo 2x+3y−5z = 3 in premice

` = (−1, 4, −3) + λ(1, −1, 2).
Rešitev. Da bi našli vrednost λ za katero točka iz ` leži na U moramo rešiti enačbo:
2(−1 + λ) + 3(4 − λ) − 5(−3 + 2λ) = 3.
Ta se poenostavi do 25 − 11λ = 3, torej je λ = 2.

Sedaj to vrednost λ vstavimo v enačbo premice ` in dobimo presečišče: (−1, 4, −3)+
2(1, −1, 2) = (1, 2, 1).
V primeru, ko je premica vzporedna z ravnino (vendar ne leži na ravnini), bomo z
zgornjo enačbo dobili protislovje. Če pa premica leži na ravnini, bodo rešitev enačbe
vse vrednosti λ ∈ R.
Presečišče dveh ravnin

Naj bosta a1 x + b1 y + c1 z = d1 in a2 x + b2 y + c2 z = d2 dve ravnini v R3 . Če ravnini
nista vzporedni, potem je iz geometrijskega vidika jasno, da se stikata v premici. Da
bi poiskali to premico moramo rešiti sistem enačb, ki ga predstavljata enačbi teh dveh
ravnin. Ker imamo tri neznanke in samo dve enačbi, moramo dve izmed neznank
x, y, z izraziti s pomočjo tretje. Če sedaj tej tretji neznanki dodelimo vrednost λ,
dobimo enačbo premice v vektorski obliki.
Primer 2.10. Poiščite presečišče ravnin x + 2y − z = 4 in 2x + y − 5z = 2.
Rešitev. Kot smo opisali zgoraj, moramo poiskati rešitev sistema linearnih enačb.
x + 2y − z = 4
2x + y − 5z = 2
32
2.2. RAZDALJE 2. PREMICE IN RAVNINE V R3
Ki se lahko poenostavi v
x − 3z = 0
y+z =2
In od tod lahko izrazimo x in y s pomočjo z:
x = 3z
y =2−z
Sedaj dodelimo vrednost λ neznanki z in dobimo naslednjo enačbo
(x, y, z) = (3λ, 2 − λ, λ) = (0, 2, 0) + λ(3, −1, 1),

ki predstavlja natanko enačbo premice, v kateri se sekata dani ravnini.
2.2 Relativni položaj točk, premic in ravnin: raz-

dalja
Izračun razdalje med dvema točkama je preprost, medtem ko moramo izračunu razdalje
med točko in premico ter točko in ravnino nameniti nekoliko več pozornosti. V tem
razdelku si bomo ogledali strategije za izračun razdalj in podali nekaj eksplicitnih
formul za izračune.
Razdalja med točko in premico

Predpostavimo, da je P točka in ` premica. Razdalja med točko P in neko točko na
premici ` je odvisna od tega, kje se točka na premici nahaja. Torej si moramo najprej
zastaviti vprašanje: za katero točko na premici ` je ta razdalja najmanjša? S pomočjo
−→
Pitagorovega izreka lahko ugotovimo, da je točka Q, pri kateri je vektor P Q pravokoten
na ` tista, ki jo iščemo.
Poglejmo si to na konkretnem primeru, kjer je P točka s koordinatami (7, 2, −3) in
` premica z enačbo (2, −1, 1) + λ(1, −1, 2).
−→
Poljubno točko Q na ` lahko opišemo kot (2 + λ, −1 − λ, 1 + 2λ). Vektor QP je
torej enak (−5 + λ, −3 − λ, 4 + 2λ).
Naslednji korak je poiskati λ, če vemo, da je P Q pravokoten na smerni vektor

(1, −1, 2) premice `, tj. moramo rešiti enačbo
h(−5 + λ, −3 − λ, 4 + 2λ), (1, −1, 2)i = 0.
Ki postane (−5 + λ) − (−3 − λ) + 2(4 + 2λ) = 0 in se poenostavi do 6 + 6λ = 0.

Torej je λ = −1 in je točka Q na `, ki je najbližje točki P enaka (1, 0, −1).
Končno lahko razdaljo med točko P in premico ` izračunamo kot razdaljo med
točkama P in Q:
p √ √
(7 − 1)2 + (2 − 0)2 + (−3 + 1)2 = 44 = 2 11.
33
V zgornjem postopku smo uporabili skalarni produkt, da smo zagotovili pravokot-

nost, toda kako lahko ta postopek privede do neke eksplicitne formule za izračun raz-
dalje med točko in premico?
Dejansko ne more, vsaj ne neposredno. Za priti do eksplicitne formule moramo
ubrati nekoliko drugačnego pot.
Naj bo P = R1 dana točka v prostoru in ` premica podana v vektorski obliki.

Izračunati želimo razdaljo d od ` do R1 . Razdaljo d lahko vidimo tudi kot višino
paralelograma določenega z vektorji → −
r1 − →
−r0 in →
−v.
Da bi prišli do eksplicitne formule torej začnemo z velikostjo vektorskega produkta:
|(→
−
r1 − →
−
r0 ) × v| = |(→
−
r1 − →
−
r0 )| · |→
−
v | · sin ϕ.
Opazimo, da je
d
sin ϕ = → ,
| r1 − →
− −
r0 |
če to uporabimo v izrazu za velikost vektorskega produkta dobimo:
d
|(→
−
r1 − →
−
r0 ) × v| = |→
−
r1 − →
−
r0 | · |→
−
v|· → = d · |→
−
v |.
| r1 − →
− −
r0 |
Da bi dobili eksplicitno formulo za razdaljo, moramo sedaj samo izraziti d.
Razdalja med točko in premico

Naj bo R1 točka v prostoru in ` premica. Potem je razdalja med R1 in ` enaka
|(→
−
r1 − →
−
r0 ) × v|
d= →
− ,
|v|
pri čemer je →
−
r1 krajevni vektor točke R1 , →
−
r0 krajevni vektor točke R0 , ki leži na
premici ` in →
−v smerni vektor premice `.
Primer 2.11. Izračunajte razdaljo med točko P (1, 2, 1) in premico, ki poteka skozi
točki A(1, 0, −1) in B(3, −1, 2).
Rešitev. Najprej potrebujemo smerni vektor premice: →

−
v = (3, −1, 2) − (1, 0, −1) =
(2, −1, 3).
Nadaljujemo kot sledi:
34
→
−
rT − − r→A = (1, 2, 1) − (1, 0, −1) = (0, 2, 2)

i j k
(→
−
rT − − r→

A) × v = 0 2 2 = (8, 4, −4)

2 −1 3
√ √
|(→
−
rT − − r→
A ) × v| = 64 + 16 + 16 = 96
√ √
|→
−v | = 4 + 1 + 9 = 14
√ q
Torej je d = √96 = 48
enot.
14 7
Razdalja med točko in ravnino

Razdalja med točko P in točko Q na ravnini U se spreminja tako, tot se spreminja lega
točke Q. Z razdaljo med točko P in ravnino U imamo spet v mislih najkrajšo možno
razdaljo med točko P in neko točko na ravnini U . Kako pa najdemo ustrezno točko na
ravnini? Iz geometrijskega vidika lahko takšno točko poiščemo tako, da se od točke P
gibamo proti ravnini U v smeri, ki je pravokotna na ravnino U , dokler je ne dosežemo,
torej potrebujemo premico skozi točko P , ki je pravokotna na ravnino U . Tudi to je,
kot v prejšnjem primeru, posledica Pitagorovega izreka.
Uporabimo zgornji postopek na točki P s koordinatami (5, −4, 6) in ravnini U
podani z enačbo x − 2y + 2z = 7.
Najprej poiščimo premico skozi točko P , ki je pravokotna na ravnino U . Enos-

tavno lahko iz enačbe ravnine U razberemo vektor, ki je nanjo pravokoten:
(1, −2, 2). Torej je premica, ki vsebuje točko P in smeni vektor (1, −2, 2) opisana
z enačbo
(5, −4, 6) + λ(1, −2, 2).
Naslednji korak je poiskati presečišče te premice z ravnino U . V ta namen us-

trezno vstavimo koordinate splošne točke na premici v enačbo ravnine U in do-
bimo: (5 + λ) − 2(−4 − 2λ) + 2(6 + 2λ) = 7. Izraz poenostavimo do 25 + 9λ = 7 in
dobimo λ = −2. Za λ = −2 dobimo točko Q = (5, −4, 6) − 2(1, −2, 2) = (3, 0, 2).
Torej je Q(3, 0, 2) točka na ravnini U , ki je najbližje točki P .
Končno lahko razdaljo

√ med premico
√ P in ravnino U izračunamo kot razdaljo med
točkama P in Q: 4 + 16 + 16 = 36 = 6 enot.
Če enačba ravnine ni podana v splošni obliki, ampak z npr. parametrično vek-
torskim opisom, je postopek enak kot zgoraj, le da moramo najprej izračunati splošno
obliko enačbe ravnine, kot smo to naredili v primeru 2.5.
Sedaj bomo opisali še, kako dobiti eksplicitno formulo za izračun razdalje med točko
in ravnino.
Naj bo R1 dana točka v prostoru in U ravnina podana z enačbo v splošni obliki.
Izračunati želimo razdaljo d med ravnino U in točko R1 . Razdaljo d lahko vidimo kot
dolžino projekcije vektorja →
−r1 − →
−
r0 na vektor →−n . Torej je
35
Razdalja med točko in ravnino

Naj bo R1 točka v prostoru in U ravnina. Potem je razdalja med R1 in U enaka
|h→
−
r1 − →
−
r0 , ni|
d= →
− ,
|n|
pri čemer je r1 krajevni vektor točke R1 , r0 krajevni vektor točke R0 , ki leži na

ravnini U in →−
n normala ravnine U .
Primer 2.12. Izračunajte razdaljo med točko P (4, 0, 1) in ravnino U podano z enačbo
2x − y + 2z = 3.
Rešitev. Naj bosta →
−
r1 = (4, 0, 1) in →
−
n = (2, −1, 2). Dalje, izberimo poljubno točko na
→
−
ravnini, npr. R (1, −1, 0) = r . Potem je
0 0
|h(3, 1, 1), (2, −1, 2)i| 6−1+2 7

d= √ = √ = enot.
4+1+4 9 3
Razdalja med dvema premicama

V R2 in v R3 je razdalja med dvema premicama enaka razdalji med točko na eni premici
in točko na drugi premici, ki je najmanjša.
Če se premici sekata, potem je razdalja med njima enaka 0. V R2 je edina druga
možnost, da sta premici vzporedni. V tem primeru je razdalja med premicama enaka
razdalji med poljubno točko na prvi premici in drugo premico. To pa že znamo
izračunati. V R3 imamo tri možne medsebojne lege dveh premic:
1.) Premici se sekata.
Potem je razdalja med njima enaka 0.
2.) Premici sta vzporedni.
Potem lahko razdaljo med njima izračunamo kot razdaljo med poljubno točko na eni
premici in drugo premico (to smo že naredili v poglavju 2.2).
Trditev 2.13. Premici v R3 sta vzporedni če in samo če je vektorski produkt njunih
→
−
smernih vektorjev enak 0 .
36
Dokaz. Premici sta vzporedni, če lahko eno dobimo iz druge z vzporednim premikom.
To je možno samo v primeru, ko njuna smerna vektorja kažeta v isto smer ali v
nasprotno smer. V tem primeru pa je vektorski produkt njunih smernih vektorjev
→
−
enak 0 .
Primer 2.14. Pokažite, da sta premici `1 = (3, 2, −2)+λ1 (2, 4, −2) in `2 = (1, 0, −1)+
λ2 (−1, −2, 1) vzporedni.
→
−
Rešitev. Glede na zgornjo trditev moramo pokazati, da je v1 × v2 = 0 . Res,

i j k

(2, 4, −2) × (−1, −2, 1) = 2
4 −2 = (0, 0, 0).
−1 −2 1
Posledica 2.15. Premici v R3 sta vzporedni če in samo če sta njuna smerna vektorja
linearno odvisna.
3.) Premici sta mimobežni, torej nista vzporedni in se ne sekata.
V tem primeru je izračun razdalje nekoliko bolj kompleksen. Predpostavimo, da

sta `1 in `2 mimobežni premici. Med vsemi točkami P na `1 in vsemi točkami Q na
`2 moramo poiskati tisti točki, za kateri je razdalja |P Q| najmanjša. podobno kot v
predhodnih primerih igraj tudi tokrat ključno vlogo pravokotnost: poiskati moramo
−→
takšni točki P na `1 in Q na `2 , da je vektor P Q pravokoten na obe premici `1 in `2 .
Postopek bomo prikazali na primeru.

Predpostavimo, da je premica `1 podana z enačbo (1, 3, 3) + λ1 (2, 0, 1) in premica `2
z enačbo (1, 6, −3) + λ2 (0, 1, 1). Premici zagotovo nista vzporedni, saj smerna vektorja
nista linearno odvisna. Lahko se sekata in v tem primeru bomo z izračunom razdalje
dobili 0.
Vzemimo neko splošno točko P na premici `1 , tj. (1 + 2λ1 , 3, 3 + λ1 ) in neko

splošno točko Q na `2 , recimo (1, 6 + λ2 , −3 + λ2 ).
−→
Sedaj moramo zagotoviti, da je P Q pravokoten na smerna vektorja obeh premic,
tj. na (2, 0, 1) in (0, 1, 1).
−→
Ker je P Q = (−2λ1 , 3 + λ2 , −6 − λ1 + λ2 ), dobimo iz pogoja za pravokotnost
naslednji dve enačbi:
−4λ1 + (−6 − λ1 + λ2 ) = 0
(3 + λ2 ) + (−6 − λ1 + λ2 ) = 0
37
Rešimo zgornji sistem linearnih enačb in dobimo natanko eno rešitev: λ1 = −1

in λ2 = 1.
Končno, s pomočjo rešitve sistema dobimo koordinate iskanih točk P (−1, 3, 2)
in Q(1, 7, −2). Razdalja med premicama `1 in `2 je torej enaka razdalji med
točkama P in Q: p √
22 + 42 + (−4)2 = 36 = 6 enot.
Da bi dibili eksplicitno formulo opazimo, da če sta premici `1 = → −

r1 + λ1 →−v1 in
`2 = →−
r2 + λ2 →
−
v2 mimobežni, potem je v1 × v2 6= 0. Torej je |hv1 × v2 , r2 − r1 i| enako
prostornini paralelepipeda, ki ga določajo vektorji →
−
v1 , →
−
v2 in →
−
r2 − →
−
r1 . Vektor v1 × v2
→
− →
−
je pravokoten na oba smerna vektorja v1 in v2 in zaradi tega je razdalja med `1 in `2
enaka dolžini projekcije vektorja →
−
r2 − →
−
r1 na vektor v1 × v2 . To nam poda eksplicitno
formulo:
Razdalja med dvema mimobežnima premicama

Nja bosta `1 = →−
r1 + λ1 →
−
v1 in `2 = →
−
r2 + λ2 →
−
v2 mimobežni premici. POtem je
razdalja med njima
|hv1 × v2 , r2 − r1 i|
d= .
|v1 × v2 |
Primer 2.16. Izračunajte razdaljo med premicama `1 = (3, −4, 4) + λ(−2, 7, 2) in

`2 = (−3, 4, 1) + µ(1, −2, −1).
Rešitev. Izračunamo
→
−
r2 − →−
r1 = (−6, 8, −3) in
v1 × v2 = (−3, 0, −3). √
Torej je razdalja d = |18+0+9|
√
9+0+9
= √27
18
= 3 2
2
enot.
Razdalja med premico in ravnino

Če se premica in ravnina sekata, je razdalja med njima enaka 0. Če se premica in
ravnina ne sekata, potem sta vzporedni in lahko razdaljo med njima izračunamo kot
razdaljo med poljubno točko na premici in ravnino.
38
2.3. KOTI 2. PREMICE IN RAVNINE V R3
Trditev 2.17. Naj bo ` = → −

r0 + λ→
−
v premica in ax + by + cz = d2 ravnina, poimenujmo
jo U . Premica ` in ravnina U sta vzporedni če in samo če je h(a, b, c), vi = 0.
Dokaz. Dokaz prepuščamo bralcu za vajo.
Primer 2.18. Izračunajte razdaljo med premico ` = (2, −1, 0) + λ(2, 0, 1) in ravnino
x − 2y − 2z = 0.
Rešitev. Naj bo →−
v = (2, 0, 1) in → −n = (1, −2, −2). Dalje, naj bo A(2, −1, 0) = − r→
A
točka na premici ` in B(0, 0, 0) = −
r→
B točka na ravnini. Ker je hn, vi = 0 sta premica in
ravnina vzporedni. Potem je − r→ −→ →
−
A − rB = (2, −1, 0), hrA − rB , ni = 4 in | n | = 3. Torej
je razdalja enaka d = 43 enot.
Razdalja med dvema ravninama

Za medsebojno lego dveh ravnin v prostoru imamo samo dve možnosti, kot smo že
opazili. Če se ravnini sekata, potem je razdalja med njima enaka 0. Če se ravnini ne
sekata, potem sta vzporedni in lahko razdaljo med njima izračunamo kot razdaljo med
poljubno točko na eni ravnini in drugo ravnino.
Trditev 2.19. Naj bosta a1 x + b1 y + c1 z = d1 in a2 x + b2 y + c2 z = d2 dve ravnini,

poimenujmo ju U in V , v tem vrstnem redu. Ravnini U in V sta vzporedni (ali celo
enaki) če in samo če je (a1 , b1 , c1 ) × (a2 , b2 , c2 ) = 0.
Dokaz. Trditev sledi iz dejstva, da sta dve ravnini vzporedni če in samo če njuni nor-
mali, poimenujmo ju − n→ −
→
U in nV , kažeta v isto ali nasprotno smer. To je ekvivalentno
trditvi, da je nU × nV = 0.
Posledica 2.20. Naj bosta a1 x + b1 y + c1 z = d1 in a2 x + b2 y + c2 z = d2 dve ravnini,

poimenujmo ju U in V ter naj bosta −
n→ −
→
U = (a1 , b1 , c1 ) in nV = (a2 , b2 , c2 ) njuni normali.
Potem sta ravnini U in V vzporedni če in samo če − n→ −
→
U = αnV za neko vrednost α ∈ R.
Primer 2.21. Izračunajte razdaljo med ravninama x + y = 1 in x + y = 3.
Rešitev. Ker je →
−
n1 = →
−
n2 = (1, 1, 0) sta ravnini vzporedni. Naj bo A(1, 0, 0) = −r→A točka
−
→
na prvi ravnini in B(2, 1, 0) = rB √ −
→ −
→
točka na drugi ravnini. Potem je rB − rA = (1, 1, 0)
→
− √in
hrB − rA , ni = 2. Dalje je | n | = 2 in torej je razdalja med ravninama enaka d = 2.
2.3 Relativni položaj premic in ravnin: koti

Kot med dvema premicama
Kot med premicama `1 = → −r1 + λ1 →
−
v1 in `2 = →
−
r2 + λ2 →
−
v2 , ki nista vzporedni, je definiran
kot ostri kot med njunima smernima vektorjema v1 in →
→
− −
v2 . Za izračun kota med →−
v1 in
→
−
v2 uporabimo skalarni produkt, vendar nam ta ne zagotavlja, da bo rezultat ostri kot.
zato formulo skalarnega produkta ustrezno prilagodimo.
39
Kot med dvema premicama

Če sta →
−
v1 in →
−
v2 smerna vektorja premic `1 in `2 , v tem vrstnem redu, potem kot
ϕ med `1 in `2 izračunamo s pomočjo formule
|hv1 , v2 i|
cos ϕ = → .
|−v1 | · |→
−
v2 |
Uporaba absolutne vrednosti v števcu nam zagotovi, da je ulomek nenegativen in s

tem bo ϕ ostri kot.
Primer 2.22. Izračunajte kot med `1 = (2, 7, −1) + λ1 (1, 0, 1) in `2 = (2, 0, −1) +
λ2 (1, 1, 2).
Rešitev.
√ √ √
hv1 , v2 i |1 + 0 + 2| 3 3 3 3
cos ϕ = →− →
− = √ √ =√ =√ √ √ =
| v1 | · | v2 | | 1 + 0 + 1| · | 1 + 1 + 4| 2·6 2 2 3 2
Torej je ϕ = 30◦ .
Kot med premico in ravnino

Obravnavajmo premico ` in ravnino U v prostoru, ki nista vzporedni. Ker nista vz-
poredni obstaja med nima nek kot. Če pomislimo, kateri kot bi to lahko bil, hitro
pridemo do zaključka, da ni najbolj jasno, kaj natanko predstavlja kot med premico `
in ravnino U . Težava je v tem, da ima ravnina veliko smeri. Katera smer ravnine bi
torej morali primerjati s smerjo premice?
Predpostavimo, da se premica ` in ravnina U srečata v točki P . Ravnina U vsebuje
celo družino (snop) premic, ki potekajo skozi točko P in vsaka od njih tvori s premico
` nek kot. Torej se kot med premico ` in neko premico iz snopa premic na ravnini
spreminja, v odvisnosti od izbrane premice na ravnini. Ali pri tem vidimo kakšno
izjemo?
“Izhod” iz te dileme je ugotovitev, da je smer ravnine karakterizirana (enolično

določena) s smerjo vektorja, ki je pravokoten na ravnino. Vzemimo torej premico m
skozi točko P , ki je pravokotna na ravnino U . Enostavno lahko sedaj vidimo, kaj je
kot med ` in m, toda ta kot ni ravno kot, ki ga iščemo. Izkaže se, da je 90◦ − ta kot
kot, ki ga želimo.
40
Ker dejansko tudi tokrat računamo kot med dvema premicama, lahko uporabimo
formulo, ki smo jo podali prej. Formulo pa lahko še nekoliko poenostavimo s pomočjo
opazke, da je cos(90 − ϕ) = sin ϕ. Če povzamemo,
Kot med premico in ravnino

Kot ϕ med premico ` = →
−
r0 + λ→
−
v in ravnino U izračunamo s pomočjo formule
|hv, ni|
sin ϕ = → ,
| v | · |→
− −
n|
kjer je →
−
n normala ravnine U .
Primer 2.23. Izračunajte kot√ϕ med premico ` = (2, 0, 3) + λ(0, 1, 1) in ravnino U

podano z enačbo x + y + 2z = 13.
Rešitev. Postopamo lahko na dva načina:
a) Z uporabo zgornje enačbe:

√
hv, ni |0 + 1 + 2| 3 3
sin ϕ = →− →
− = √ √ =√ =
|v |·|n| | 0 + 1 + 1| · | 1 + 1 + 4| 2·6 2
b) Z uporabo formule za kot β med dvema premicama in s pomočjo tega nato

izračunamo željeni kot:
√
hv, ni 3
cos β = →− →
− =
|v |·|n| 2
Torej je β = 30◦ in ϕ = 90◦ − 30◦ = 60◦ .
Kot med dvema ravninama

Predpostavimo, da sta U in V dve ravnini, ki se sečeta v neki premici `. Seveda je
med njima točno določen kot, toda ponovno moramo, za dobiti iskani kot, upoštevati
vektorja, ki sta pravokotna na vsako od ravnin. Torej lahko kot med ravninama U in
V z normalama − n→ −
→ −
→ − →
U in nV , v tem vrstnem redu, dobimo kot kot med nU in nV .
Opazimo tudi, da sta ravnini pravokotni, če sta njuni normali pravokotni.
41
Primer 2.24. Izračunajte kot ϕ med ravninama U in V , ki sta podani z enačbama

x − z = 7 in x − y − 2z = 25.
Rešitev. Najprej si izpišimo −n→ −

→ −
→ −
→
U in nV . Dobimo nU = (1, 0, −1) in nV = (1, −1, −2).
Dobimo
√
hnU , nV i 1+0+2 3 3
cos ϕ = − → −→ =√ √ =√ √ =
|nU | · |nV | 1+0+1· 1+1+4 2· 6 2
42
3
MATRIKE
Če sta m in n pozitivni celi števili, potem z matriko velikosti m krat n, ali m × n
matriko mislimo na pravokotno polje, ki vsebuje m · n števil razporejenih v m vrstic
in n stolpcev. Enostavni primeri takšnih objektov (tj. matrik) so:


1 2
velikosti 1 × 5: 10 9 8 7 6 velikosti 3 × 2:  3 4 
  5 6
1 2 3 4  
 2 0
3 4 5 
velikosti 4 × 4: 
 3
 velikosti 3 × 1:  2 
4 5 6 
4
4 5 6 7
V splošnem bomo m × n matriko predstavili kot:

 
x11 x12 x13 · · · x1n
 x21
 x22 x23 · · · x2n 

X =  x31
 x32 x33 · · · x3n .

 .. .. .. .. ..
.

 . . . . 
xm1 xm2 xm3 · · · xmn
Opazimo, da v splošnem zapisu matrike predstavlja prvo število v indeksu vrstico,

drugo število pa stolpec elementa matrike, torej se element xij pojavi na presečišču
i-te vrstice in j-tega stolca. Iz praktičnih razlogov podano predstavitev matrike krajše
zapišemo tudi kot X = (xij )m×n , kar pomeni, da je X matrika velikosti m × n katere
(i, j)-ti element (ali (i, j)-ti koeficient) je enak xij .
 
1 1 1
Primer 3.1. Naslednjo 3 × 3 matriko X =  2 22 23  lahko zapišemo kot X =
3 32 33
(xij )3×3 , kjer je xij = ij .
Primer 3.2. 3 × 3 matrika z elementi oblike xij = (−1)i−j je v razširjenem zapisu

3.1. RAČUNSKE OPERACIJE Z MATRIKAMI 3. MATRIKE
videti tako:  
1 −1 1
 −1 1 −1 
1 −1 1
.
Posebne vrste matrik

Nekatere matrike imajo posebno strukturo in so si zato prislužile tudi “ime”. Osnovne
takšne matrike so:
Vrstična matrika, tj. matrika velikosti 1 × n (ki ji običajno rečemo vrstica ali
tudi vektor).
Stolpična matrika, tj. matrika velikosti n × 1 (ki ji običajno rečemo stolpec).
Kvadratna matrika, tj. matrika, ki ima enako število vrstic in stolpcev, torej
matrika velikosti n × n.
Diagonalna matrika, tj. kvadratna matrika z aij = 0 za vse i 6= j (v skrajšani

obliki jo lahko podamo tudi kot diag(1,2,3))
Zgornje (ali Spodnje) trikotna matrika, tj. kvadratna matrika z elementi

aij = 0 za vse i > j (ali i < j), torej so v njej vsi elementi pod (ali nad) diagonalo
enaki 0. Trikotna matrika je bodisi zgornje trikotna bodisi spodnje trikotna.
Strogo trikotna matrika, tj. (zgornje ali spodnje) trikotna matrika, v kateri
so tudi vdi diagonalni elementi enaki 0.
Še nekaj posebnih vrst matrik bomo spoznali v nadaljevanju, v poglavjih ki sledijo.
Preden se posvetimo algebrskim operacijam z matrikami je ključnega pomena da
vemo, kdaj sta dve matriki enaki.
Definicija 3.3. Če sta A = (aij )m×n in B = (bij )p×q matriki, potem pravimo, da sta
A in B enaki, kar zapišemo kot A = B, če in samo če
(a) m = p in n = q
(b) aij = bij za vse i, j.
3.1 Računske operacije z matrikami

Računske operacije z matrikami so v veliki meri sorodne računskim operacijam, ki jih
pripisujemo realnim številom, obstaja pa tudi nekaj pomembnih razlik, kar bomo videli
v nadaljevanju.
44
3.1.1 Seštevanje dveh matrik

Najprej si bomo ogledali seštevanje dveh matrik.
Definicija 3.4. Če imamo dani dve m × n matriki A = (aij ) in B = (bij ), potem je
vsota A + B matrika velikosti m × n v kateri je (i, j)-ti element enak aij + bij .
Opazimo, da je vsota A+B definirana samo, ko sta matriki A in B enake velikosti in

da jo dobimo tako, da enostavno seštejemo istoležne elemente in s tem dobimo matriko,
ki je enake velikosti, kot sta bili A in B.

−1 0 1 2 0 2
Primer 3.5. + =
2 −2 −1 0 1 −2
Izrek 3.6. Naj bodo A = (aij ), B = (bij ) in C = (cij ) tri matrike velikosti m × n.
Potem je vsota matrik:
(1) komutativna: A + B = B + A
(2) asociativna: A + (B + C) = (A + B) + C
Dokaz. (1) Ker sta matriki A in B enake velikosti m × n bosta matriki A + B in

B + A obe tudi velikosti m × n. Po definiciji seštevanja je A + B = (aij + bij ) in
B + A = (bij + aij ). Ker je seštevanje realnih števil komutativno, je aij + bij =
bij + aij za vse i, j in posledično lahko iz definicije enakosti matrik sklepamo, da
je A + B = B + A.
(2) To lahko dokažemo z uporabo enakih argumentov kot v (1).
Definicija 3.7. Matriki velikosti m × n z vsemi elementi enakimi 0 pravimo m × n

ničelna matrika in jo označimo z 0m×n ali enostavno z 0.
Izrek 3.8. Obstaja enolično določena m × n matrika M , za za vsako m × n matriko

A velja A + M = A.
Dokaz. Naj bo M ničelna matrika. Potem za vsako matriko A = (aij )m×n velja
A + M = (aij + mij )m×n = (aij + 0)m×n = (aij )m×n = A.
Da bi dokazali enoličnost matrike M predpostavimo, da je tudi B = (bij )m×n takšna,

da velja A + B = A za vsako m × n matriko A. Torej velja tudi M + B = M . Toda,
če v prvotni enakosti A zamenjamo z B, dobimo B + M = B. Iz izreka 3.6 sedaj sledi,
da je B = M .
Zaradi te lastnosti ničelni matriki pravimo tudi identiteta za seštevanje.
Definicija 3.9. Naj bo A poljubna m × n matrika. Matriki B velikosti m × n za katero

velja A + B = 0 pravimo inverz za seštevanje matrike A in jo označimo z −A.
Izrek 3.10. Za vsako m × n matriko A obstaja enolično določena m × n matrika B,

da je A + B = 0.
45
Dokaz. Za poljubno matriko A = (aij )m×n , naj bo B = (−aij )m×n , tj. matrika katere
(i, j)-ti element je inverz za seštevanje (i, j)-tega elementa matrike A. Očitno je
A + B = (aij + (−aij ))m×n = 0.
Da bi dokazali enoličnost matrike B predpostavimo, da je tudi C = (cij )m×n takšna,

da velja A + C = 0. Potem za vsak koeficient i, j velja aij + cij = 0 in posledično je
cij = −aij , kar glede na definicijo pomeni ravno, da je C = B.
Če imamo števili x in y je razlika x − y definirana kot x + (−y). Za matrike A, B
enake velikosti lahko enako zapišemo A − B kot A + (−B), pri čemer tako definirani
operaciji “−” pravimo odštevanje matrik.
Do sedaj smo spoznali samo operacijo seštevanja. Gre za enostavno razširitev istega
koncepta na številih. Na to lahko gledamo tudi kot, da se 1 × 1 matrike v osnovi
obnašajo enako kot števila. Sedaj se bomo posvetili temu, kako lahko pojem množenja
prenesemo na matrike. Vendar imamo v tem primeru nekaj več dela. Poznamo namreč
dve različni vrsti množenja, ki ju lahko definiramo na matrikah. Prvo vključuje matriko
in število, drugo pa dve matriki.
3.1.2 Množenje matrike s skalarjem

Definicija 3.11. Za dano matriko A in število λ, je produkt matrike A z λ matrika,
označena z λA, ki jo iz matrike A dobimo tako, da pomnožimo vsak element matrike
A z λ. Torej, če je A = (aij )m×n , potem je λA = (λaij )m×n .
Tej operaciji običajno pravimo množenje matrike s skalarjem. Takšno množenje
lahko vidimo tudi kot na število, ki vpliva na matriko. Osnovne lastnosti takšnega
vpliva so sledeče.
Izrek 3.12. Naj bosta A, B dve m × n matriki in λ, µ dva skalarja. Potem je
(1) λ(A + B) = λA + λB
(2) (λ + µ)A = λA + µA
(3) λ(µA) = (λµ)A
(4) (−1)A = −A
(5) 0A = 0m×n
Dokaz. Naj bosta A = (aij )m×n in B = (bij )m×n . Potem zgornje enakosti sledijo iz
naslednjih opazk:
(1) λ(aij + bij ) = λaij + λbij
(2) (λ + µ)aij = λaij + µaij
(3) λ(µaij ) = (λµ)aij
(4) (−1)aij = −aij
(5) 0aij = 0
46
Primer 3.13. Za poljubni m × n matriki A in B rešite matrično enačbo

1 3
3 X+ A =5 X− B .
2 4
Rešitev.
1 3
3 X+ A =5 X− B
2 4
3 15
3X + A = 5X − B
2 4
3 15
A + B = 5X − 3X
2 4
3 15
2X = A + B
2 4
3 15
X = A+ B
4 8
3.1.3 Množenje matrik

Sedaj bomo opisali operacijo, ki ji pravimo množenje matrik. Gre za množenje ene
matrike z drugo matriko. Na prvi pogled je ta koncept (ki ga pripisujemo Cayleyju)
zelo zanimiv.
Definicija 3.14. Naj bosta A = (aij )m×n in B = (bij )n×p (opazite velikosti!). Potem
je zmnožek AB matrika velikosti m × p, v kateri je (i, j)-ti element enak
(AB)ij = ai1 b1j + ai2 b2j + ai3 b3j + · · · + ain bnj .
Povedano z besedami, dobimo (i, j)-ti element zmnožka AB tako, da seštejemo

zmnožke elementov iz i-te vrstice matrike A z ustreznimi elementi iz j-tega stolpca
matrike B.
Zgornji izraz za (AB)ij lahko krajše zapišemo z uporabo t.i. Σ-notacije:
n
(AB)ij = Σ aik bkj .
k=1
Zavedati se moramo, da pri tvorjenju teh vsot zmnožkov ne izpustimo nobenega

elementa, saj je v definiciji zmnožka AB število n stolpcev matrike A enako, kot je
število vrstic v matriki B.

0 1 0
Primer 3.15. Obravnavajmo matriki A = in
  2 3 1
2 0
B =  1 2 . Zmnožek AB je definiran, saj je matrika A velikosti 2 × 3 in je
1 1
matrika B velikosti 3 × 2; vemo tudi, da je AB velikosti 2 × 2. Imamo:

0·2+1·1+0·1 0·0+1·2+0·1 1 2
AB = = .
2·2+3·1+1·1 2·0+3·2+1·1 8 7
47
Opazimo, da je v tem primeru tudi zmnožek BA definiran (saj ima matrika B enako
število stolpcev, kot ima matrika A vrstic). Zmnožek BA je velikosti 3 × 3:
   
2·0+0·2 2·1+0·3 2·0+0·1 0 2 0
BA =  1 · 0 + 2 · 2 1 · 1 + 2 · 3 1 · 0 + 2 · 1  =  4 7 2  .
1·0+1·2 1·1+1·3 1·0+1·1 2 4 1
Zgornji primer prikazuje zanimivo dejstvo glede množenja matrik in sicer, če sta
AB in BA definirani, ti nista nujno enaki. Kot smo ravno videli, matriki AB in BA
nista niti enake velikosti. Tudi če sta matriki AB in BA definirani in enake velikosti,
sta lahko še vedno različni.
Definicija 3.16. Pravimo da matriki A, B comutirata če je AB = BA.
Opazimo, da zato, da lahko matriki A, B komutirata morata biti kvadratni in enake

velikosti. Naslednji primer nam pokaže, da ta dva pogoja še nista zadostna.

0 1 1 0
Primer 3.17. Matriki A in B = sta takšni, da jet AB = 0 in
0 0 0 0
BA = A.
Opazimo torej, da v splošnem množenje matrik ni komutativno. Še ena zanimiva

lastnost množenja matrik, ki jo lahko opazimo v zgornjem primeru je, da je zmnožek
dveh neničelnih matrik lahko ničelna matrika.
Posvetimo se sedaj osnovnim lastnostim množenja matrik.
Izrek 3.18. Množenje matrik je asociativno (tj. če so vsi relevantni zmnožki definirani,
potem velja A(BC) = (AB)C).
Dokaz. Da bo zmnožek A(BC) definiran, potrebujemo ustrezne velikosti matrik, npr.

m × n, n × p, p × q in v tem primeru sta zmnožka A(BC) in (AB)C oba velikosti m × q.
Če izračunamo (i, j)-ti element matrike A(BC), dobimo
n n p
(A(BC))ij = Σ aik (BC)kj = Σ aik ( Σ bkt ctj )
k=1 k=1 t=1
n p
= Σ Σ aik bkt ctj .
k=1t=1
Če sedaj izračunamo (i, j)-ti element matrike (AB)C, dobimo enak izraz:
p p n
((AB)C)ij = Σ (AB)it ctj = Σ ( Σ aik bkt )ctj
t=1 t=1 k=1
p n
= Σ Σ aik bkt ctj .
t=1k=1
Posledično je A(BC) = (AB)C.

Operaciji množenja in seštevanja matrik sta povezani z naslednjima distribu-
tivnostnima zakonoma.
48
Izrek 3.19. Ko so relevantne vsote in zmnožki definirani, velja
A(B + C) = AB + AC in
(B + C)A = BA + CA
Dokaz. Za prvo enakost mora biti matrika A velikosti m × n in matriki B, C velikosti

n × p, v tem primeru je
n n
(A(B + C))ij = Σ aik (B + C)kj = Σ aik (bkj + ckj )
k=1 k=1
n n
= Σ aik bkj + Σ aik ckj
k=1 k=1
= (AB)ij + (AC)ij
= (AB + AC)ij
Za drugo enakost morata biti matriki B, C velikosti m × n in matrika A velikosti

n × p, postopamo podobno, kot v dokazu prejšnje enakosti.
Množenje matrik je povezano tudi z množenjem matrike s skalarjem.
Izrek 3.20. Če je zmnožek AB definiran, potem za vse skalarje λ velja
λ(AB) = (λA)B = A(λB).
Dokaz. (i, j)-ti element vseh treh zmnožkov je

n n n
λ( Σ aik bkj ) = Σ (λaik )bkj = Σ aik (λbkj ),
k=1 k=1 k=1
in od tod sledi trditev v izreku.
Definicija 3.21. n × n diagonalni matriki, ki ima vse elemente enake 1 pravimo

identična matrika ali identiteta in jo označimo z In ali samo I.
Naš naslednji rezultat je analogija izreka 3.8(o enoličnosti inverza za seštevanje)

za množenje, vendar se moramo zavedati, da ga lahko uporabimo samo, ko imamo
opravka s kvadratnimi matrikami.
Izrek 3.22. Obstaja enolično določena n×n matrika M z lastnostjo, da za vsako n×n
matriko A velja AM = A = M A.
n
Dokaz. Naj bo M identična matrika. Če je A = (aij )n×n potem je [AM ]ij = Σ aik mkj =
k=1
aij , zadnja enakost sledi iz dejstva, da je vsak člen v vsoti enak 0 razen tistega, v
katerem je k = j in ta člen je aij · 1 = aij . Od tod sklepamo, da je AM = A. Na
podoben način lahko pokažemo, da je M A = A. S tem smo pokazali, da obstaja
matrika M z zahtevanimi lastnostmi. Da bi pokazali, da je matrika M enolična pred-
postavimo, da je P tudi n × n matrika, za katero velja AP = A = P A za vsako n × n
matriko A. Potem velja, da je M P = M = P M . Toda, iz iste lastnosti za M vemo,
da je P M = P = M P . Torej je P = M .
49
Zaradi te lastnosti (in po analogiji za identiteto za seštevanje), pravimo tej matriki

tudi identiteta za množenje.
Opazimo, da ne obstaja analogija izreka 3.10 (o aditivnem inverzu), npr. če je

0 1
A=
0 0
potem je
a b 0 1 0 a
· = ,
c d 0 0 0 c
torej ne obstaja taka matrika M , da bi imeli M A = I2 .
3.1.4 Transponiranje matrik

Definicija 3.23. Naj bo A matrika velikosti m × n. Potem je transponirana matrika
matrike A enaka n×m matriki AT v kateri je (i, j)-ti element enak (j, i)-temu elementu
matrike A. Natančneje, če je A = (aij )m×n potem je AT = (aji )n×m .
Osnovne lastnosti transponiranja matrik so povzete v naslednjem izreku.
Izrek 3.24. Ko so vse relevantne vsote in zmnožki definirani, velja
(1) (AT )T = A
(2) (A + B)T = AT + B T
(3) (λA)T = λAT
(4) (AB)T = B T AT
Dokaz. prve tri enakosti sledijo neposredno iz definicije. za dokazati, da je (AB)T =
B T AT predpostavimo, da sta A = (aij )m×n in B = (bij )n×p . Potem sta matriki (AB)T
in B T AT obe velikosti p × m. Ker je
n n
(B T AT )ij = Σ bki ajk = Σ ajk bki = (AB)ji
k=1 k=1
sklepamo, da je (AB)T = B T AT .
Sedaj bomo definirali še dve “posebni” vrsti matrik.
Definicija 3.25. Kvadratna matrika A je simetrična če je A = AT in poševno simetrična
če je A = −AT .
Primer 3.26. Za vsako kvadratno matriko A je matrika A + AT simetrična in matrika
A − AT poševno simetrična. Zaradi prejšnjega izreka namreč velja:
(A + AT )T = AT + (AT )T = AT + A = A + AT ,
−(A − AT )T = −(AT − (AT )T ) = −(AT − A) = −AT + A = A − AT .

Izrek 3.27. Vsako kvadratno matriko lahko enolično zapišemo kot vsoto simetrične in
poševnosimetrične matrike.
50
Preden se posvetimo dokazu izreka si oglejmo primer.

a b
Primer 3.28. Zapišite matriko A = kot vsoto simetrične in poševno simetrične
c d
matrike.

T a c T 2a b + c
Rešitev. najprej opazimo, da je A = in da je A + A =
b d c+b 2d
0 b−c
simetrična matrika ter, da je A − AT = poševno simetrična matrika.
c
− b 0
a b 2a b + c 0 b−c
Torej je =α +β .
c d c+b 2d c−b 0
Od tod dobimo sistem linearnih enačb:
a = 2aα + 0β
b = α(b + c) + β(b − c)
c = α(c + b) + β(c − b)
d = 2dα + 0β
Iz prve (in zadnje) enakosti dobimo α = 21 . Če to upoštevamo v tretji enakosti, dobimo
β = 12 . Dobljeni vrednosti ustrezata tudi četrti enakosti, torej je
1 1
A = (A + AT ) + (A − AT ).
2 2
Dokaz izreka 3.27. Enakost
1 1
A = (A + AT ) + (A − AT )
2 2
dokazuje, da takšen izraz obstaja. Da bi dokazali enoličnost predpostavimo, da je
A = B + C, pri čemer je B simetrična matrika in C poševno simetrična matrika.
potem je AT = B T + C T = B − C. Iz teh enakosti sledi, da je B = 21 (A + AT ) in
C = 12 (A − AT ).
Opazimo tudi, da je vsota dveh simetričnih (ali poševno simetričnih) matrik zopet
simetrična (ali poševno simetrična) matrika in da je zmnožek simetrične (ali poševno
simetrične) matrike s skalarjem zopet simetrična (ali poševno simetrična) matrika.
Toda zmnožek dveh simetričnih (ali poševno simetričnih) matrik ni nujno simetrična
(ali poševno simetrična) matrika, kot bomo videli v naslednjem primeru.

2 1 −1 1
Primer 3.29. Zmnožek matrik A = in B = je enak matriki
1 −1 1 0
−1 2
AB = , ki ni simetrična.
−2 1
Trditev 3.30. Če je A matrika velikosti m × n potem je matrika AAT simetrična.

Dokaz. Iz lastnosti transponiranja matrik imamo
(AAT )T = (AT )T AT = AAT .
Torej je AAT simetrična matrika.
51
3.2. SISTEMI LINEARNIH ENAČB 3. MATRIKE
3.2 Sistemi linearnih enačb

Sedaj si bomo bolj potanko ogledali sistematičen način za reševanje sistemov linearnih
enačb. Pri reševanju takšnih sistemov uporabljamo tri osnovne operacije:
(1) zamenjava (vrstnega reda) dveh enačb (običajno zgolj iz praktičnih razlogov);
(2) množenje ene enačbe z neničelnim skalarjem;
(3) tvorjenje nove enačbe tako, da eni enačbi prištejemo drugo enačbo.
Operacija dodajanja večkratnika ene enačbe drugi enačbi je kombinacija operacij

(2) in (3).
Za začetek si bomo pogledali naslednje tri primere.
Primer 3.31. Da bi prišli do rešitve sistema
y + 2z = 1 (e1 )
x − 2y + z = 0 (e2 )
3y − 4z = 23 (e3 )
najprej pomnožimo (e1 ) s 3 in novo dobljeno enačbo odštejemo od enačbe (e3 ) ter
tako dobimo −10z = 20 in zato je z = −2. Potem iz enačbe (e1 ) sledi, da je y = 5 in
nazadnje še iz enačbe (e2 ), da je x = 2y − z = 12.
Primer 3.32. Obravnavajmo naslednji sistem linearnih enačb
x − 2y − 4z = 0 (e1 )
−2x + 4y + 3z = 1 (e2 )
−x + 2y − z = 1 (e3 ).
Če seštejemo enačbi (e1 ) in (e2 ), dobimo enačbo (e3 ), ki je zato odveč. Torej imamo
samo dve enačbi in tri neznanke. Kaj je rešitev v tem primeru?
Primer 3.33. Oglejmo si še naslednji sistem linearnih enačb
x + y + z + t = 1 (e1 )
x − y − z + t = 3 (e2 )
−x − y + z − t = 1 (e3 )
−3x + y − 3z − 3t = 4 (e4 ).
Če seštejemo enačbi (e1 ) in (e2 ), dobimo x+t = 2, od tod pa sledi, da je y +z = −1.
Če seštejemo enačbi (e1 ) in (e3 ), dobimo z = 1 in posledično je y = −2. Če te vrednosti
vstavimo v enačbo (e4 ), dobimo −3x − 3t = 9 oz. x + t = −3, kar pa je v protislovju s
prej dobljeno enačbo x + t = 2. Ta sistem torej nima rešitve. Ponazorjeno drugače (v
jeziku matrik), če imamo dano 4 × 4 matriko
 
1 1 1 1
 1 −1 −1 1 
A=  −1 −1
,
1 −1 
−3 1 −3 −3
52
ne obstajajo števila x, y, z, t, ki bi ustrezala matrični enačbi

   
x 1
 y   3 
A·  z  =  1 .
  
t 4
Omenjeni trije primeri so bili izbrani, da bi nam porodili vprašanje: ali obstaja
neka sistematična metoda reševanja sistemov linearnih enačb, s katero
se izognemo naključni manipulaciji z enačbami;
dobimo vse rešitve sistema, če te obstajajo;
nedvoumno in jasno vemo, kdaj sistem nima rešitve?

S tem, kar sledi, je naš cilj dobiti popoln odgovor na zgornja vprašanja.
Najprej opazimo, da so “neznanke” v sistemih linearnih enačb sekundarnega pom-
ena. Dejansko so pomembni koeficienti, ki so običajno cela števila. Dejansko je vsak
sistem linearnih enačb popolnoma definiran s svojo razširjeno matriko. Da bomo lahko
sisteme reševali zgolj s pomočjo matrik, si bomo pomagali z naslednjimi elementarn-
imi operacijami nad vrsticami matrike:
(1) zamenjava dveh vrstic;
(2) množenje vrstice z neničelnim skalarjem;
(3) seštevanje dveh vrstic.
Elementarne operacije nad vrsticami očitno sovpadajo z osnovnimi operacijami na
enačbah, ki smo jih navedli zgoraj.
Naj poudarimo, da osnovne operacije nad vrsticami matrike ne vplivajo na rešitev
(če ta obstaja) sistema. Dejansko, če obstaja rešitev začetnega sistema linearnih enačb,
potem je to tudi rešitev sistema, ki ga dobimo z uporabo poljubne od osnovnih operacij
(1), (2), (3); in ker lahko v vsakem primeru izvedemo tudi “obratno” operacijo in tako
dobimo nazaj začetni sistem, drži tudi obrat te trditve.
Za začetek bomo pokazali, kao lahko zgornje operacije nad vrsticami matrike inter-
pretiramo s pomočjo produkta matrik.
Izrek 3.34. Naj bo P matrika velikosti n × n, ki jo iz identične matrike In dobimo
tako, da na nek način zamenjamo vrstni red vrstic. Potem je za vsako m × n matriko
A matrika P A dobljena iz matrike A tako, da na enak način zamenjamo vrstni red
vrstic.
Dokaz. Predpostavimo, da je i-ta vrstica matrike P enaka j-ti vrstici matrike In .
Potem velja
(k = 1, . . . , n) pik = δik .
Posledično je za vsako vrednost k
n n
[P A]ik = Σ pit atk = Σ δjt atk = ajk ,
t=1 t=1
opazimo torej, da je i-ta vrstica matrike P A enaka j-ti vrstici matrike A.
53
Primer 3.35. Obravnavajmo matriko

 
1 0 0 0
 0 0 1 0 
P =
 0
,
1 0 0 
0 0 0 1
ki smo jo iz matrike I4 dobili z zamenjavo druge in tretje vrstice. Če si sedaj ogledamo
poljubno 4 × 2 matriko
 
a1 b 1
 a2 b 2 
A=  a3 b 3 

a4 b 4
in izračunamo produkt
     
1 0 0 0 a1 b1 a1 b1
 0 0 1 0   a2
  b 2   a3
  b3 
PA = 
 0 · = ,
1 0 0   a3 b 3   a2 b2 
0 0 0 1 a4 b4 a4 b4
vidimo, da je učinek množenja matrike A z leve strani z matriko P ta, da se zamenjata
druga in tretja vrstica matrike A.
Izrek 3.36. Naj bo A matrika velikosti n×m in naj bo D naslednja diagonalna matrika
velikosti n × n  
λ1
 λ2 
D= .
 
 . . . 
λn
Potem je matrika DA dobljena iz matrike A tako, da i-to vrstico matrike A pomnožimo
z λi za i = 1, . . . , n.
Dokaz. Očitno imamo dij = λi δij . Posledično je

n n
[DA]ij = Σ dik akj = Σ λi δik akj = λi aij ,
k=1 k=1
in torej je i-ta vrstica matrike DA enaka ravno λi krat i-ta vrstica matrike A.

 
1 0 0 0
 0 α 0 0 
D=
 0
,
0 β 0 
0 0 0 1
ki smo jo iz I4 dobili tako, da smo drugo vrstico pomnožili z α in tretjo vrstico z β. Če
si sedaj ogledamo poljubno 4 × 2 matriko
54
 
a1 b1
 a2 b2 
A=
 a3

b3 
a4 b4
     
1 0 0 0 a1 b1 a1 b1
 0 α 0 0   a2 b2 
 =  αa2 αb2  ,
 
DA =  ·
 0 0 β 0   a3 b3   βa3 βb3 
0 0 0 1 a4 b4 a4 b4
Vidimo, da je učinek množenja matrike A z leve strani z matriko D ta, da se pomnožita
druga vrstica matrike A z α in tretja vrstica z β.
Izrek 3.38. Naj bo M matrika velikosti n × n, ki jo iz identične matrike In dobimo

tako, da eni vrstici prištejemo neko drugo vrstico. Potem je za vsako m × n matriko
A matrika M A dobljena iz matrike A z uporabo enake operacije.
Dokaz. Očitno imamo dij = λi δij . Posledično je

n n
[DA]ij = Σ dik akj = Σ λi δik akj = λi aij ,
k=1 k=1
in torej je i-ta vrstica matrike DA enaka ravno λi krat i-ta vrstica matrike A.

 
1 0 1
M =  0 1 0 ,
0 0 1
ki smo jo iz I3 dobili tako, da smo prvi vrstici prišteli tretjo vrstico. Če si sedaj ogledamo
poljubno 3 × 2 matriko
 
a1 b 1
A =  a2 b 2 
a3 b 3
     
1 0 1 a1 b 1 a1 + a3 b 1 + b 3
M A =  0 1 0  ·  a2 b 2  =  a2 b2  ,
0 0 1 a3 b 3 a3 b3
Vidimo, da je učinek množenja matrike A z leve strani z matriko M ta, da imamo v
prvi vrstici matrike M A vsoto prve in tretje vrstice matrike A.
Definicija 3.40. Elementarna matrika velikosti n × n je matrika, ki jo dobimo iz

identične matrike In z uporabo natanko ene od osnovnih operacij nad vrsticami.
V naslednjih poglavjih bomo z vi označevali “vrstico i”.
55
Primer 3.41. Primeri elementarnih 3 × 3 matrik:

     
1 0 0 1 0 0 1 0 1 v1 + v3
 0 0 1  v2 ↔ v3 ;  0 2 0  2v2 ;  0 1 0 
0 1 0 0 0 1 0 0 1
Definicija 3.42. V produktu AB pravimo, da je B pomnožen z leve z matriko A
ali, enakovredno, da je A pomnožen z desne z matriko B.
Sistem linearnih enačb lahko v matrični obliki zapišemo kot Ax = b. Jasno je, da
ko izvedemo neko osnovno operacijo nad enačbo iz sistema, je to enakovredno izvedbi
te iste operacije nad vrstico razširjene matrike sistema A | b. Iz zgornjih izrekov
torej sledi, da izvedba osnovnih operacij nad enačbami sistema ustreza spreminjanju
sistema Ax = b v sistem EAx = Eb, pri čemer je E neka elementarna matrika. Še več,
sistem linearnih enačb, ki ustreza matrični enačbi EAx = Eb je ekvivalenten začetnemu
(originalnemu) sistemu v smislu, da imata oba sistema enako množico rešitev (če ta
sploh obstaja).
Če nadaljujemo z razmišljanjem v tej smeri opazimo, da vsakemu zaporedju k os-
novnih operacij ustreza zaporedje elementarnih matrik E1 , . . . , Ek , pri čemer je končni
sistem,
Ek . . . E2 E1 Ax = Ek . . . E2 E1 b,
(ali krajše zapisano Bx = c) ekvivalenten začetnemu sistemu linearnih enačb.
Ideja uporabe matrik za reševanje sistemov linearnih enačb je v tem, da dobimo
enostavno in sistematično metodo s katero določimo ustrezno matriko B tako, da lahko
rešitve sistema Bx = c (če te obstajajo) najdemo hitro in te rešitve so tudi rešitve
začetnega sistema Ax = b.
Naš cilj je torej razviti omenjeno metodo, pri čemer želimo imeti zagotovljeno, da
nam ne bo potrebno eksplicitno zapisati vseh elementarnih matrik v posameznem
koraku;
bomo avtomatično znali povedati, ali rešitev sistema obstaja;
bomo dobili vse rešitve sistema.
V povezavi s tem se moramo soočiti z dvema vprašanjema in sicer
1. kakšne oblike naj bo matrika B?;
2. ali lahko v metodi zagotovimo, da se bomo znebili vseh morebitnih odvečnih
enačb?
Oglejmo si za začetek naslednji tip matrike.
Definicija 3.43. Matrika stopničaste oblike je matrika poljubne velikosti, v kateri so
vsi elementi “pod stopničkami” enaki 0, vsi “pivoti” (označeni na sliki z ?) so neničelni
in vsi ostali elementi so poljubni.
0 ...0 ?
?
?
?
...
56
Opazimo, da se “stopničke” spuščajo po eno vrstico naenkrat in da lahko obsega

“dolžina stopničke” več stolpcev.
Primer 3.44. Vsaka diagonalna matrika, v kateri so elementi na diagonali neničelni,
je stopničaste oblike.
Izrek 3.45. Z uporabo osnovnih operacij nad vrsticami lahko poljubno neničelno ma-
triko spremenimo v (ekvivalentno) matriko stopničaste oblike.
Dokaz. Dokaz izpustimo.
Postopek, ki poljubno matriko spremeni v matriko stopničaste oblike, se imenuje
Gaussova eliminacija.
Primer 3.46.
       
0 0 2 1 −1 1 1 −1 1 1 −1 1
 1 −1 1  ∼  0 0 2  ∼  0 0 2  ∼3  0 0 2 
v1 ↔v2 v3 +v1 v3 + 2 v2
−1 1 −4 −1 1 −4 0 0 −3 0 0 0
Opazimo, da stopničke ne segajo nujno do zadnje vrstice v matriki (kot je razvidno
iz zgornjega primera).
Povežimo Gaussovo eliminacijo še s sistemi linearnih enačb. Obravnavajmo nasled-
nji sistem:
x1 − 5x2 + 4x3 = −3
2x1 − 7x2 + 3x3 = −2
−2x1 + x2 + 7x3 = −1
V matrični obliki lahko dan sistem zapišemo kot:
 
1 −5 4 −3
 2 −7 3 −2 
−2 1 7 −1
V zgornji matriki vsebuje prvi stolpec koeficiente, ki pripradajo neznanki x1 , drugi
stolpec koeficiente, ki pripadajo x2 in tretji stolpec koeficiente, ki pripadajo x3 . Navpična
črta (lahko je polna ali črtkana), predstavlja simbol ‘=’ in zadnji stolpec vsebuje kon-
stante. Taki matriki pravimo razširjena matrika sistema.
Na dani matriki lahko sedaj uporabimo osnovne operacije nad vrsticami, ki smo jih
spoznali, ter tako dobimo enakovreden sistem, ki ima enake rešitve kot začetni sistem.
1. Zamenjava vrstnega reda dveh vrstic. Ker je vrstni red, v katerem so podane
enačbe v sistemu linearnih enačb nepomemben, lahko te poljubno premešamo. Z
zamenjavo druge in tretje enačbe dobimo sistem:
x1 − 5x2 + 4x3 = −3
−2x1 + x2 + 7x3 = −1 .
2x1 − 7x2 + 3x3 = −2
Razširjeno matriko tega sistema dobimo tako, da v začetni matriki zamenjamo
drugo in tretjo vrstico:
 
1 −5 4 −3
 −2 1 7 −1  .
2 −7 3 −2
57
2. Množenje vrstice z neničelnim skalarjem. Če drugo enačbo pomnožimo s 3 do-

bimo:
x1 − 5x2 + 4x3 = −3
−2x1 + x2 + 7x3 = −1 .
2x1 − 7x2 + 3x3 = −2
Razširjeno matriko tega sistema dobimo tako, da v začetni matriki drugo vrstico
pomnožimo s 3:
 
1 −5 4 −3
 6 −21 9 −6  .
−2 1 7 −1
3. Dodajanje večkratnika ene enačbe drugi enačbi: Dodajmo −2 kratnik prve enačbe
drugi enačbi:
−2x1 + 10x2 − 8x3 = 6

2x1 − 7x2 + 3x3 = −2
3x2 − 5x3 = 4
Nov sistem je v tem primeru

x1 − 5x2 + 4x3 = −3
3x2 − 5x3 = −4
2x1 − 7x2 + 3x3 = −2
in njegova razširjena matrika je
 
1 −5 4 −3
 0 3 −5 −4  .
2 −7 3 −2
Spremembo označimo z −2v1 + v2 = v2 , kar pomeni, da 1. vrstico pomnožimo

z −2 in jo prištejemo 2. vrstici ter rezultat zapišemo v 2. vrstico. Opazimo, da
smo s tem “izgubili” neznanko x1 iz te enačbe.
Naš cilj je, da z uporabo osnovnih operacij pridemo, če je le možno, do matrike
oblike
 
1 0 0 a
 0 1 0 b .
0 0 1 c
58
Definicija 3.47. Hermitska matrika je matrika stopničaste oblike v kateri je vsak

pivot enak 1 in so vis koeficienti nad pivoti enaki 0.
0 ...0 1 0 0 0
1 0 0
1 0
1
Izrek 3.48. Vsako neničelno matriko A lahko spremenimo v hermitsko matriko z

uporabo osnovnih operacij nad vrsticami.
Dokaz. Naj bo Z matrika stopničaste oblike, ki smo jo iz matrike A dobili s pomočjo
Gaussove eliminacije. Če najprej vsako neničelno vrstico matrike Z delimo z vrednostjo,
ki jo ima pivot, dobimo vse pivote enake 1. Če sedaj odštejemo ustrezen večkratnik
vsake neničelne vrstice od vsake vrstice, ki leži nad pivotom, bomo dobili hermitsko
matriko.
Postopek, opisan v dokazu si, oglejmo še na naslednjem primeru.
Primer 3.49.
     
1 2 1 2 1 ∼ 1 2 1 2 1 1 2 1 2 1
 2 4 4 8 4  v2 − 2v1  0 0 2 4 2  ∼  0 0 2 4 2 
3 6 5 7 7 v3 − 3v1 0 0 2 1 4 v3 − v2 0 0 0 −3 2
Sedaj imamo matriko stopničaste oblike. Nadaljujemo s postopkom opisanim v dokazu,
da bi prišli do hermitske matrike. Najprej drugo vrstico pomnožimo z 21 in tretjo z − 13 .
     
1 2 1 2 1 ∼ 1 2 1 2 1 v1 − v2 1 2 0 0 0
 0 0 2 4 2  · 12  0 0 1 2 1  v2 − 2v3  0 0 1 0 7 
3
.
1 2 2
0 0 0 −3 2 ·(− 3 ) 0 0 0 1 −3 ∼ 0 0 0 1 −3
Naj poudarimo, da stopničasta oblika matrike ni enolično določena. Na to nam
nakazuje že dejstvo, da lahko na začetku postopka poljubno neničelno vrstico postavimo
na prvo mesto tj. kot prvo vrstico. Za razliko od tega pa je hermitska matrika enolično
določena in je poglavitni razlog, da bomo pozornost namenili ravno tovrstnim ma-
trikam. Kar zadeva problem, s katerim se ukvarjamo, tj. iskanje ustrezne matrike
B za rešiti sistem linearnih enačb oblike Ax = b, naj sedaj izdamo, da je hermitska
oblika matrike A natanko matrika, ki zadošča lastnostim, ki smo jih prej našteli. Da bi
dokazali ta dejstva pa potrebujemo še nekaj novih idej. V ta namen uvedimo najprej
naslednjo notacijo:
Za dano matrikoA = (aij )m×n bomo z Ai = [ai1 ai2 . . . ain ] označevali i-to vrstico
a1i
 a2i 
matrike A in z ai =  ..  i-ti stolpec matrike A.
 
 . 
ami
Definicija 3.50. Linearna kombinacija vrstic (ali stolpcev) matrike A je izraz ob-
like
λ1 x1 + λ2 x2 + · · · + λp xp
v katerem je vsak xi vrstica (ali stolpec) matrike A.
59

Primer 3.51. Vrstično matriko 2 −3 1 lahko zapišemo kot

2 1 0 0 −3 0 1 0 +1 0 0 1
in je zato linearna kombinacija vrstic matrike I3 .

Stolpično matriko  
0
 4 
−2
lahko zapišemo kot    
0 0
4 1 −2 0 
  
0 1
in je zato linearna kombinacija stolpcev matrike I3 .
Definicija 3.52. Če so x1 , . . . , xp vrstice (stolpci) matrike A pravimo, da so x1 , . . . , xp
linearno neodvisni, če so edini skalarji λ1 , . . . , λp , ki zadoščajo enačbi
λ 1 x1 + λ 2 x2 + · · · + λ p xp = 0
enaki λ1 = λ2 = · · · = λp = 0. Če x1 , . . . , xp niso linearno neodvisni, potem so

linearno odvisni.
Drugače povedano, so vrstice (stolpci) x1 , . . . , xp linerano neodvisni, če edini način,
na katerega lahko izrazimo ničelno vrstico (stolpec) kot linearno kombinacijo x1 , . . . , xp
ustreza trivialnemu načinu, tj.
0 = 0x1 + 0x2 + · · · + 0xp .
Izrek 3.53. Če so vrstice/stolpci x1 , . . . , xp linearno neodvisni, potem so x1 , . . . , xp vsi

neničelni.
Dokaz. Če bi imeli xi = 0 potem bi lahko zapisali
0x1 + · · · + 0xi−1 + 1xi + 0xi+1 + · · · + 0xp = 0,
in x1 , . . . , xp ne bi bili linearno neodvisni.

Izrek 3.54. Naslednji trditvi sta ekvivalentni:
1. x1 , . . . , xp (p ≥ 2) so linearno neodvisni;
2. enega izmed xi lahko zapišemo kot linearno kombinacijo ostalih.
Dokaz. (1) ⇒ (2) : Predpostavimo, da so x1 , . . . , xp linearno odvisni, pri čemer je
p ≥ 2. Potem obstajajo vrednosti λ1 , . . . , λp , de je
λ1 x1 + · · · + λp xp = 0
in je vsaj ena vrednost λi različna od nič. Predpostavimo, da je λk 6= 0. Potem lahko

zgornjo enačbo zapišemo kot
λ1 λp
xk = − x1 − · · · − xp ,
λk λk
60
torej je xk linearna kombinacija vrstic (stolpcev) x1 , . . . , xk−1 , xk+1 , . . . , xp .

(2) ⇒ (1) : Predpostavimo, da je
xk = α1 x1 + · · · + αk−1 xk−1 + αk+1 xk+1 + · · · + αp xp .
To lahko zapišemo kot
α1 x1 + · · · + αk−1 xk−1 + (−1)xk + αk+1 xk+1 + · · · + αp xp = 0
pri čemer je leva stran enakosti netrivialna linearna kombinacija vrstic (stolpcev)
x1 , . . . , xp . Torej so x1 , . . . , xp linearno odvisni.
Posledica 3.55. Vrstice matrike so linearno odvisne če in samo če lahko eno dobimo
iz ostalih z uporabo osnovnih operacij nad vrsticami.
Primer 3.56. Vrstice matrike

 
1 2 0 0
A =  2 1 −1 1 
5 4 −2 2
so linearno odvisne. To sledi iz dejstva, da je A3 = A1 + 2A2 .
Sedaj bomo obravnavali še en pomemben koncept.
Definicija 3.57. Vrstični rang matrike je največje število linearno neodvisnih vrstic
v matriki.
Izkaže se, da vrstični rang razširjene matrike A | b sistema linearnih enačb Ax = b

natanko določa, koliko enačb v sistemu ni odvečnih. Zato je pomembno imeti enostavno
metodo za določanje vrstičnega ranga matrike. Naslednji rezultat je ključnega pomena.
Izrek 3.58. Elementarne operacije nad vrsticami ne vplivajo na vrstični rang matrike.
Dokaz. Očitno je, da zamenjava vrstnega reda vrstic nima nikakršnega učinka na na-
jvečje število linearno neodvisnih vrstic, tj. na vrstični rang. Če ke k-ta vrstica
Ak linearna kombinacija p drugih vrstic, predpostavimo lahko, da so te A1 , . . . , Ap,
potem enako velja tudi za λAk in vsak neničeln skalar λ. Po izreku 3.54 sledi, da
množenje vrstice z neničelnim skalarjem nima učinka na vrstični rang. Končno, pred-
postavimo, da prištejemo i-to vrstico j-ti vrstici in dobimo s tem novo j-to vrstico,
recimo A0j = Ai + Aj . Ker je
λ1 A1 +· · ·+λi Ai +· · ·+λj A0j +· · ·+λp Ap = λ1 A1 +· · ·+(λi +λj )Ai +· · ·+λj Aj +· · ·+λp Ap
je jasno, da če so A1 , . . . , Ai , . . . , Aj , . . . , Ap linearno neodvisne, potem so tudi

A1 , . . . , Ai , . . . , A0j , . . . , Ap linearno neodvisne. Torej prištevanje vrstice neki drugi
vrstici nima učinka na vrstični rang.
Definicija 3.59. Pravimo, da je matrika B vrstično ekvivalentna matriki A, če

lahko dobimo B iz A z uporabo končno mnogo osnovnih operacij nad vrsticami.
61
Ker lahko osnovne operacije “obrnemo” (torej lahko izvedemo tudi nasprotno op-
eracijo) velja, da če je neka m × n matrika B vrstično ekvivalentna m × n matriki
A potem je tudi A vrstično ekvivalentna B. Relacija vrstične ekvivalentnosti je torej
simetrična na množici m × n matrik. Relacija je trivialno refleksivna in je tudi tranzi-
tivna, saj če sta F in G obe produkta elementarnih matrik, potem je tudi F G produkt
elementarnih matrik. Torej je relacija vrstične ekvivalentnosti ekvivalenčna na množici
m × n matrik.
Izrek 3.60. Vrstično ekvivalentne matrike imajo enak vrstični rang.
Sedaj lahko vzpostavimo relacijo, na katero smo upali.
Izrek 3.61. Vsako neničelno matriko lahko s pomočjo osnovnih operacij nad vrsticami
spremenimo v enolično določeno Hermitsko matriko.
Dokaz. Dokaz opustimo.
Posledica 3.62. Vrstični rang matrike je število neničelnih vrstic v matriki stopničaste
oblike.
Dokaz. Naj bo B matrika stopničaste oblike, ki smo jo dobili iz matrike A s pomočjo
osnovnih operacij in naj bo H Hermitska matrika, ki smo jo dobili iz B. Ker je H
enolično določena je število neničelnih vrstic v B enako številu neničelnih vrstic v H,
kar je vrstični rang matrike A.
Enoličnost Hermitske matrike pomeni, da sta dve matriki vrstično ekvivalentni če
in samo če imata enako Hermitsko matriko. Hermitska matrika matrike A je zato
pomemben “predstavnik” v ekvivalenčnem razredu matrike A.
Podobo kot smo definirali osnovne operacije nad vrsticami matrike lahko defini-
ramo tudi elementarne operacije nad stolpci matrike. To dosežemo tako, da
v definiciji samo zamenjamo besedo vrstica z besedo stolpec. Vendar pa moramo pri
tem biti pozorni, da osnovnih operacij nad stolpci ne moremo uporabiti kot osnovnih
operacij nad vrsticami za reševanje sistemov linearnih enačb, saj pri tem ne bi dobili
ekvivalentnega sistema. Kljub temu pa kar nekaj lastnosti operaci nad stolpci ustreza
lastnostim operacij nad vrsticami. To pa zato, ker lahko operacije nad stolpci matrike
vidimo tudi kot operacije nad vrsticami transponirane matrike.
Izrek 3.63. Osnovna operacija nad stolpci m × n matrike M ustreza množenju z desne
z ustrezno elementarno matriko (tj. matriko, ki smo jo dobili iz In z uporabo natanko
enen osnovne operacije nad stolpci).
Koncept stolpične ekvivalentnosti je podoben konceptu vrstične ekvivalentnosti, ki
smo ga že spoznali.
Definicija 3.64. Stolpični rang matrike je največje število linearno neodvisnih stolpcev
matrike.
Izrek 3.65. Osnovne operacije nad stolpci matrike ne vplivajo na njen stolpični rang.
Jasno je, da osnovne operacije nad vrsticami nimajo učinka na linearno neodvisnost
vrstic matrike. Od tod sledi, da osnovne operacije nad stolpci ravno tako ne vplivajo
na vrstični rang. Od tod pa:
62
Izrek 3.66. Vrstični in stolpični rang se ne spremenita pri uporabi osnovnih operacij
nad vrsticami ali stolpci.
Sedaj je na mestu vprašanje, ali obstaja kakšna povezava med vrstičnim in stolpičnim
rangom matrike; tj. ali je maksimalno število linearno neodvisnih vrstic kakorkoli
povezano z maksimalnim številom linearno neodvisnih stolpcev. Odgovor je pritrdilen.
Izrek 3.67. Vrstični in stolpični rang sta enaka.
Dokaz. Obravnavajmo neničelno matriko A velikosti m × n in naj bo H(A) Hermitska
oblika matrike A. Ker smo H(A) dobili iz matrike A z uporabo osnovnih operacij
nad vrsticami, ima ta enak rang, recimo p, kot matrika A. Matriko H(A) lahko sedaj
dalje spreminjamo s pomočjo osnovnih operacij nad stolpci in pri tem se vrstični rang
ne spremeni. Matriki A in H(A) imata tudi enak stolpični rang, saj operacije nad
vrsticami (ki smo jih izvedli najprej) ne vplivajo na stolpični rang matrike.
Z ustreznim premeščanjem vrstic in stolpcev matrike H(A) lahko najprej dobimo
matriko oblike

Ip ?
A= ,
0m−p,p 0m−p,n−p
V kateri je podmatrika označena z ? neznana, vendar jo lahko z nadaljnjo uporabo
osnovnih operacij nad stolpci (s pomočjo prvih p stolpcev) spremenimo v ničelno ma-
triko. Torej lahko H(A) s pomočjo osnovnih operacij nad stolpci spremenimo v matriko
oblike
Ip 0
A= .
0 0
Po konstrukciji ima sedaj ta matrika enak vrstični rang in stolpični rang kot matrika
A. Očitno je tudi, da sta vrstični rang in stolpični rang te matrike oba enaka p. Od
tod sledi, da sta vrstični rang in stolpični rang matrike A enaka.
Zaradi zadnjega izreka lahko tako govorimo enostavno o rangu matrike, s čimer
mislimo tako na vrstični rang kot na stolpični rang. Naslednji izrek je direktna posledica
dosedanjih ugotovitev:
Posledica 3.68. r(A) = r(AT ).
Sedaj imamo v rokah dovolj znanja, da se posvetimo našemu začetnemu problemu,
tj. reševanju sistemov linearnih enačb.
Izrek 3.69. Če je A matrika velikosti m × n, potem ima homogen sistem linearnih
enačb Ax = 0 netrivialno rešitev če in samo če r(A) < n.
Dokaz. Naj bo ai i-ti stolpec matrike A. Potem obstaja tak neničelni stolpec x =
[x1 x2 . . . xn ]T , da je Ax = 0 če in samo če
x1 a1 + x2 a2 + · · · + xn an = 0;
saj je, očitno, leva stran enačbe enaka Ax. Torej netrivialna (= neničelna) rešitev x
obstaja če in samo če so stolpci matrike A linearno odvisni. Ker ima matrika A vsega
skupaj n stolpcev, se to zgodi če in samo če je (stolpični) rang matrike A manjši od
n.
63
Izrek 3.70. Nehomogen sistem linearnih enačb Ax = b je rešljiv če in samo če je
r(A) = r(A | b).
Dokaz. Če je matrika A velikosti m × n potem obstaja taka matrika x velikosti n × 1,
da je Ax = b če in samo če obstajajo skalarji x1 , . . . , xn , da je
xl al + x2 a2 + · · · + xn an = b.
To se zgodi če in samo če je b linearno odvisen od stolpcev matrike A, kar je res če in
samo če je razširjena matrika sistema A | b stolpično ekvivalentna matriki A, tj. ima
enak (stolpični) rang kot matrika A.
Definicija 3.71. Sistem linearnih enačb je konsistenten če ima rešitev (ki je v
primeru homogenega sistema netrivialna); sicer je nekonsistenten.
Izrek 3.72. Naj ima konsistenten sistem linearnih enačb za matriko sistema matriko
A velikosti m × n. Če je r(A) = p potem lahko n − p neznankam izberemo poljubno
vrednost in lahko sistem rešimo s temi neznankami kot parametri.
Dokaz. Obravnavajmo razširjeno matriko sistema A | b, ali samo matriko sistema A, če
imamo opravka s homogenim sistemom linearnih enačb. Z uporabo osnovnih operacij
nad vrsticami spremenimo A v Hermitsko obliko. Dobimo matriko oblike H(A) | c
v kateri lahko, če je rang matrike A enak p, tudi p neničelnih vrstic. Dobljen sistem
linearnih enačb H(A)x = c je ekvivalenten začetnemu sistemu in njegova oblika nam
dovoljuje, da prosto izberemo vrednosti n − p neznankam, ki nastopajo kot parametri
v rešitvi sistema.
Na zadnjo trditev v zgornjem dokazu vpliva oblika matrike H(A).
Sedaj si bomo ogledali, kako nam zadnji trije izreki pomagajo pri reševanju sistemov
linearnih enačb. Sisteme linearnih enačb, ki smo si jih ogledali na začetku poglavja,
bomo poskušali rešiti s pomočjo matrik.
Primer 3.73.
y + 2z = 1
x − 2y + z = 0
3y − 4z = 23
Ker smo ta sistem že rešili vemo, da je x = 12, y = 5 in z = −2. Poglejmo si, kako
do tega pridemo s pomočjo matrik.
Začnemo z razširjeno matriko sistema, naš cilj je priti do Hermitske oblike.
     
0 1 2 1 v1 ↔ v2 1 −2 1 0 1 −2 1 0
 1 −2 1 0  ∼  0 1 2 1  ∼  0 1 2 1 
0 3 −4 23 0 3 −4 23 v3 − 3v2 0 0 −10 20
Na tej točki opazimo, da je r(A) = 3 = r(A | b), torej ima dani sistem enolično
določeno rešitev. Nadaljujemo z osnovnimi operacijami nad vrsticami, najprej zadnjo
1
vrstico pomnižimo z − 10 (ali delimo z −10), da dobimo pivotni element v zadnji vrstici
enak 1 in nato:
     
1 −2 1 0 v1 + 2v2 1 0 5 2 v1 − 5v3 1 0 0 12
 0 1 2 1  v2 − 2v1  0 1 0 5  ∼  0 1 0 5 
0 0 1 −2 ∼ 0 0 1 −2 0 0 1 −2
64
Tako pridemo do oblike iz katere lahko neposredno preberemo rešitev začetnega sis-
tema linearnih enačb. Iz zapisa
     
1 0 0 x 12
 0 1 0 · y = 5 
0 0 1 z −2
vidimo, da je x = 12, y = 5 in z = −2.
Primer 3.74.
x − 2y − 4z = 0
−2x + 4y + 3z = 1
−x + 2y − z = 1.
Je bil primer v katerem smo obtičali z dvema enačbama in tremi neznankami. Pogle-
jmo kaj se zgodi, ko se sistema lotimo z matrikami.
     
1 −2 −4 0 ∼ 1 −2 −4 0 1 −2 −4 0
 −2 4 3 1  v2 + 2v1  0 0 −5 1  ∼  0 0 −5 1 
−1 2 −1 1 v3 + v1 0 0 −5 1 v3 − v2 0 0 0 0
Kot lahko opazimo, je r(A) = r(A | b), torej je sistem konsistenten. Ker pa je
r(A) = 2 < 3 = n bo rešitev 1-parametrična.
     
1 −2 −4 0 ∼ 1 −2 −4 0 v1 + 4v2 1 −2 0 −4/5
 0 0 −5 1  ·(−1/5 )  0 0 1 −1/5  ∼  0 0 1 −1/5 
0 0 0 0 0 0 0 0 0 0 0 0
Iz zgornjega zapisa tako razberemo, da je z = − 15 in da je x − 2y = − 54 od koder

dobimo, da je x = − 45 + 2y. Opazimo lahko, da rešitev ni enolično določena in je
odvisna od naše izbire vrednosti za parameter y.
Primer 3.75. Zadnji podan primer je bil sistem, ki ni bil konsistenten.
x + y + z + t = 1
x − y − z + t = 3
−x − y + z − t = 1
−3x + y − 3z − 3t = 4.
Z uporabo gaussove eliminacije na razširjeni matriki sistema dobimo:
     
1 1 1 1 1 ∼ 1 1 1 1 1 ∼ 1 1 1 1 1
−1

 1 −1 −1 1 3  v2 − v1  0 −2 −2 0 2  · /2  0 1 1
    0 −1 

 −1 −1 1 −1 1  v3 + v1  0 0 2 0 2  ·1/2  0 0 1 0 1 
−3 1 −3 −3 4 v4 + 3v1 0 4 0 0 7 0 4 0 0 7
   
1 1 1 1 1 1 1 1 1 1
∼  0 1
 1 0 −1   ∼  0 1 1 0 −1 
 
 0 0 1 0 1   0 0 1 0 1 
v4 − 4v2 0 0 −4 0 11 v4 + 4v3 0 0 0 0 15
Ker je v tem primeru r(A) = 3 6= r(A | b) = 2 sistem nima rešitve.
65
3.3. OBRNLJIVE MATRIKE 3. MATRIKE
Primer 3.76. Določite, za katere vrednosti α ∈ R je sistem linearnih enačb

x + y + z = 1
2x − y + 2z = 1
x + 2y + z = α
konsistenten.
Rešitev. Ker bo sistem imel rešitev če in samo če bo r(A) = r(A | b) se naloge lotimo
z uporabo gaussove eliminacije na razširjeni matriki sistema A | b.
     
1 1 1 1 ∼ 1 1 1 1 1 1 1 1
 2 −1 2 1  v2 − 2v1  0 −3 0 −1  ∼  0 −3 0 −1 
1
1 2 1 α v3 − v1 0 1 0 α−1 v3 + 3 v2 0 0 0 α − 43
Jasno je, da bosta ranga enaka (in s tem sistem konsistenten) če in samo če bo
α = 43 . Saj bo v tem primeru rang obeh matrik 2 in bo rešitev 1-parametrična.
3.3 Obrnljive matrike

Znotraj poglavja računske operacije z matrikami smo pokazali, da ima vsaka matrika A
velikosti m × n inverz za seštevanje, ki ga označimo z −A in je enak enolično določeni
matriki X velikosti m × n, za katero velja, da je A + X = 0. Podali smo tudi primer
ki pokaže, da inverz za množenje ne obstaja vedno. V tem poglavju si bomo pogledali,
kdaj inverz za množenje obstaja.
Definicija 3.77. Naj bo A matrika velikosti m × n. Potem je n × m matrika X
levi inverz matrike A, če zadošča enačbi XA = In ; in desni inverz matrike A, če
zadošča enačbi AX = Im .
Primer 3.78. Poglejmo si matriki
 
1 1
 4 3  −3 1 0 a
A=  3 4 ,
 X= .
−3 0 1 b
0 0
Enostaven izračun pokaže, da je XA = I2 in zato ima matrika A neskončno mnogo
levih inverzov (enega za vsako izbiro vrednosti a, b). Vendar A nima desnega inverza.
Da bi to videli zadostuje opaziti, da če bi obstajala matrika Y velikosti 2 × 4 za katero
bi veljalo AY = I4 , potem bi moralo veljati, da je [AY ]4,4 = 1, kar pa ni možno, ker so
vsi koeficienti v četrti vrstici matrike A enaki 0.
Primer 3.79. Matrika  
1 0 0
 0 2 0 
0 0 3
ima enolično določen levi inverz in enolično določen desni inverza in oba sta enaka
matriki  
1 0 0
 0 1 0 .
2
0 0 13
66
Izrek 3.80. Naj bo A matrika velikosti m × n. Potem ima
1. A desni inverz če in samo če je r(A) = m;
2. A levi inverz če in samo če je r(A) = n.
Dokaz. 1. Predpostavimo, da je n × m matrika X desni inverz matrike A in velja

AX = Im . Če xi označuje i-ti stolpec matrike X potem lahko to enakost zapišemo
z m enačbami oblike
Axi = ∆i ,
za i = 1, . . . , m, pri čemer označuje ∆i i-ti stolpec matrike Im .
Vsaka od enačb Axi = ∆i predstavlja konsistenten sistem linearnih enačb, ki
sestoji iz m enačb in n neznank in zato za vsak i velja r(A) = r(A | ∆i ).
Ker so ∆1 , . . . , ∆m linearno neodvisni, z upoštevanjem stolpičnega ranga dobimo:
r(A) = r(A | ∆1 )
= r(A | ∆1 | ∆2 )
= ...
= r(A | ∆1 | ∆2 | · · · | ∆n ) = r(A | Im ) = m.
Predpostavimo sedaj, da je rang matrike A enak m. Potem mora nujno veljati, da

je n ≥ m. Obravnavajmo Hermitsko obliko matrike AT . Ker je H(AT ) matrika
velikosti n × m in je
r(H(AT )) = r(AT ) = r(A) = m,
vidimo, da je H(AT ) oblike

T Im
H(A ) = .
0n−m,m
Ker je to vrstično ekvivalentno matriki AT , obstaja matrika Y velikosti n × n, da

velja
T Im
YA = .
0n−m,m
Z uporabo transponirank dobimo
AY T =

Im 0m,n−m .
Naj bo sedaj Z matrika velikosti n × m, ki sestoji iz prvih m stolpcev matrike

Y T . Potem iz oblike zadnje podane enačbe vidimo, da je AZ = Im in je torej Z
desni inverz matrike A.
2. Očitno ima matrika A levi inverz če in samo če ima njena transponiranka desni
inverz, lahko ta dokaz dobimo tako, da dokaz it točke (1) uporabimo na transponi-
ranki matrike A.
Izrek 3.81. Če ima matrika A tako levi inverz X kot desni inverz Y , potem je
67
1. A kvadratna matrika;
2. X = Y .
Dokaz. 1. Predpostavimo, da je A matrika velikosti m × n. Potem iz izreka 3.80,
obstoj levega inverza implicira, da je r(A) = m in podobno obstoj desnega inverza
implicira, da je r(A) = n. Torej je m = n in posledično je A kvadratna matrika.
2. Če je matrika A velikosti p × p potem iz XA = Ip = AY in zaradi asociativnosti

množenja matrik dobimo
X = XIp = X(AY ) = (XA)Y = Ip Y = Y.
Za kvadratne matrike imamo naslednji, močnejši rezultat.

Izrek 3.82. Če je A matrika velikosti n × n, potem so naslednje trditve ekvivalentne:
1. A ima levi inverz;
2. A ima desni inverz;
3. r(A) = n;
4. Hermitska oblika matrike A je enaka In ;
5. A je produkt elementarnih matrik.

Dokaz. Najprej bomo pokazali ekvivalenco med trditvami (1), (2), (3), (4). Ekvivalenca
med trditvami (1), (2), (3) sledi neposredno iz izreka 3.80.
(3) ⇒ (4): Če je r(A) = n potem mora imeti Hermitska oblika matrike A natanko n
neničelnih vrstic, torej n pivotnih elementov enakih 1. Edina možnost je ravno matrika
In .
(4) ⇒ (3): To jasno izhaja iz dejstva, da je r(In ) = n.
Dokaz zaklučimo z dokazom ekvivalence (3) ⇔ (5).
(3) ⇒ (5): Če je r(A) = n, potem (ker je (3) ⇒ (1)) ima A levi inverz X. Ker je
XA = In vidimo, da ima X desni inverz A. Ker je (2) ⇒ (4), obstaja končno mnogo
elementarnih matrik F1 , F2 , . . . , Fq , za katere velja
Fq . . . F2 F1 X = In .
Posledično imamo
A = In A = (Fq . . . F2 F1 X)A = Fq . . . F2 F1 (XA) = Fq . . . F2 F1
in torej je A produkt elementarnih matrik.

(5) ⇒ (3): Predpostavimo, da je A = E1 E2 . . . Ep, kjer je vsak Ei neka elementarna
matrika. Opazimo, da je r(Ep ) = n, saj smo elementarno matriko dobili iz In z uporabo
ene same elementarne operacije, ki ne vpliva na rang. Spomnimo se tudi, da množenje
z leve ustreza neki elementarni operaciji nad vrsticami, ki ne vpliva na rang. Od tod
sledi, da je rang produkta E1 E2 . . . Ep enak rangu matrike Ep in ta je enak n. Torej je
rang matrike A enak n.
68
Iz zgornjega rezultata torej opazimo, da če ima kvadratna matrika A enostranski

(levi ali desni) inverz, potem ima dvostranski inverz (tj. levi in desni inverz). V
nadaljevanju bomo za dvostranki inverz uporabljali kar besedo inverz. Iz zgornjega
izreka so inverzi, če obstajajo, enolično določeni. Ko ta obstaja, bomo enolično določen
inverz kvadratne matrike A označevali z A−1 .
Definicija 3.83. Če ima matrika A inverz pravimo, da je A obrnljiva.
Če je A obrnljiva matrika velikosti n × n, potem je obrnljiva tudi matrika A−1 .
Dejansko, ker je AA−1 = In = A−1 A in je inverz enolično določen, velja, da je A inverz
matrike A−1 in torej je (A−1 )−1 = A.
Na tej točki lahko opazimo, da iz izreka 3.82 sledi, da je vsak produkt elementarnih
matrik obrnljiv in lahko trdimo, da je matrika B vrstično ekvivalentna matriki A če in
samo če obstaja taka obrnljiva matrika E, da velja B = EA.
Še ena uporabna lastnost izreka 3.82 je, da nam poda relativno enostavno metodo,
s katero lahko ugotovimo, ali je matrika A obrnljiva ali ne in s katero lahko dobimo
A−1 , ko ta obstaja. Metoda predvideva transformacijo matrike A do njene Hermitske
oblike: če je ta enaka matriki In potem je A obrnljiva in če ta ni enaka In potem A ni
obrnljiva.
Da bi dobili inverzno matriko pa nam ni potrebno izračunati vseh potrebnih ele-
mentarnih matrik. Enostavno lahko postopek izvedemo na tabeli A | In in elementarne
operacije nad matrikami izvedemo sočasno na matriki A in na matriki In . Postopek
lahko torej opišemo na ta način:
A | In ∼ E1 A | E1 ∼ E2 E1 A | E2 E1 ∼ . . . .
V vsakem koraku imamo tabelo oblike
S | Q ≡ Ei . . . E2 E1 A | Ei . . . E2 E1
v kateri je QA = S. Če je matrika A obrnljiva, potem bo njena Hermitska oblika enaka
In in bo končna konfiguracija tabele enaka
In | Ep . . . E2 E1 ,
torej bo Ep . . . E2 E1 A = In in posledično je A−1 = Ep . . . E2 E1 .
Primer 3.84. Poiščite inverz matrike
 
1 2 3
A =  1 3 4 .
1 4 4
Rešitev. Z uporabo postopka, ki smo ga ravnokar opisali, dobimo
     
1 2 3 1 0 0 ∼ 1 2 3 1 0 0 1 2 3 1 0 0
 1 3 4 0 1 0  v2 − v1  0 1 1 −1 1 0  ∼  0 1 1 −1 1 0 
1 4 4 0 0 1 v3 − v1 0 2 1 −1 0 1 v3 − 2v2 0 0 −1 1 −2 1
   
∼ 1 0 1 3 −2 0 v1 − v3 1 0 0 4 −4 1
v1 − 2v2  0 1 1 −1 1 0  v2 − v3  0 1 0 0 −1 1 
·(−1) 0 0 1 −1 2 −1 ∼ 0 0 1 −1 2 −1
69
torej je matrika A obrnljiva in njen inverz je enak

 
4 −4 1
A−1 =  0 −1 1 
−1 2 −1
V nadaljevanju bomo poznali še nekaj lastnosti inverzov.

Najprej opazimo, da če sta A in B obrnljivi n × n matriki, potem v splošnem
matrika A + B ni nujno obrnljiva. To lahko enostavno preverimo z matrikama A = In
in B = −In , saj je A + B ničelna matrika, ki očitno ni obrnljiva. Za razliko od tega
pa je produkt dveh obrnljivih matrik vedno obrnljiv, kot bomo videli v naslednjem
rezultatu.
Izrek 3.85. Naj bosta A in B matriki velikosti n × n. Če sta A in B obrnljivi, potem
je obrnljiva tudi matrika AB in velja
(AB)−1 = B −1 A−1 .
Dokaz. Dovolj je opaziti, da je
ABB −1 A−1 = AIn A−1 = AA−1 = In
in je torej B −1 A−1 desni inverz matrike AB. Po izreku 3.82 je torej matrika AB
obrnljiva in (AB)−1 = B −1 A−1 .
Posledica 3.86. Če je A obrnljiva matrika, potem je obrnljiva tudi matrika Am za

vsako naravno število m in velja
(Am )−1 = (A−1 )m .
Dokaz. Trditev bomo dokazali z indukcijo. Za m = 1 trditev očitno drži. Za indukcijski

korak predpostavimo, da trditev drži za m. PŠotem z uporabo zadnjega izreka dobimo:
(A−1 )m+1 = A−1 (A−1 )m = A−1 (Am )−1 = (Am A)−1 = (Am+1 )−1 ,
torej trditev drži tudi za m + 1.
Izrek 3.87. Če je A obrnljiva matrika, potem je obrnljiva tudi njena transponiranka
AT in velja
(AT )−1 = (A−1 )T .
Dokaz. Iz izreka, ki obravnava produkt matrik imamo:
In = InT = (AA−1 )T = (A−1 )T AT
torej je (A−1 )T levi inverz, torej tudi inverz matrike AT .
Definicija 3.88. Pravimo, da je n × n matrika A ortogonalna, če je AAT = In =

AT A.
Iz izreka 3.82 vidimo, da zadostuje samo ena od podanih enakosti. Ortogonalna

matrika je torej obrnljiva matrika katere inverz je enak ravno transponiranki.
70
3.4. DETERMINANTA KVADRATNE MATRIKE 3. MATRIKE
Primer 3.89. Matrika velikosti 2 × 2 je ortogonalna če in samo če ima eno od nasled-
njih oblik:
a b a b
,
−b a b −a
v katerih je a2 + b2 = 1.
Da bi to videli, predpostavimo, da je

a b
A=
c d
ortogonalna. Potem iz enačbe

a b a c
· = AAT = I2
c d b d
dobimo
a2 + b2 = 1, ac + bd = 0, c2 + d2 = 1.
Iz prvih dveh enakosti vidimo, da če je a = 0 potem je d = 0, iz druge in tretje enakost
pa, da če je d = 0 potem je a = 0. Če sta torej a = d = 0 iz enakosti dobimo b = ±1
in c = ±1.
Po drugi strani, ko a in d nista enaka 0, iz srednje enakosti dobimo dc = − ab , torej
je bodisi c = −b in d = a bodisi c = b in d = −a.
Sledi, da ima v vsakem primeru matrika eno od podanih oblik.
3.4 Determinanta kvadratne matrike

Vsaki kvadratni matriki lahko priredimo število, ki mu pravimo determinanta. Morda
je najbolj presenetljiva lastnost determinante dejstvo, da nam pove, ali je matrika
obrnljiva. Po drugi strani pa je očitno količina informacije, ki jo lahko nosi eno število,
omejena. Zato se determinanti dandanes pripisuje manjša pomembnost, kot se ji je pred
npr. sto leti. Poleg tega obstajajo še drugi objekti, ki jih lahko priredimo poljubni
kvadratni matriki (npr. karakteristični polinom, o katerem boste več izvedeli pri Algebri
II), ki nosijo veliko informacij o matriki.
3.4.1 Permutacije in definicija determinante

Naj bo A = (aij ) matrika velikosti n × n. Naše prvo delo pokazati, kako je definirana
determinanta matrike A, ki jo označimo z
det(A)
ali v razširjeni obliki z

a11 a12 · · · a1n
a21 a22 · · · a2n
.. .. . . . .. .

. . .
an1 an2 · · · ann
Za n = 1 in n = 2 je definicija preprosta:

a a
|a11 | = a11 and 11 12

= a11 a22 − a12 a21 .
a21 a22
71
Primer 3.90.
det([−6]) = | − 6| = −6

2 −3
4 1 = 2 · 1 − (−3) · 4 = 14

Iz kje izhaja izraz a11 a22 − a12 a21 ? Motivacija izhaja iz sistemov linearnih enačb.
Predpostavimo, da želimo rešiti naslednji sistem linearnih enačb
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
za neznanki x1 in x2 . Znebimo se x2 tako, da odštejemo a12 kratnik druge enačbe od
a22 kratnika prve enačbe; s tem dobimo izraz
(a11 a22 − a12 a21 )x1 = b1 a22 − a12 b2 .
Iz te enačbe lahko izrazimo x1 kot kvocient dveh determinant velikosti 2 × 2:

b1 a12

b2 a22
x1 = ,
a11 a12

a21 a22
pod predpostavko, da je imenovalec različen od 0. Podoben izraz lahko dobimo za x2 .

Izračun nakazuje, da imajo 2 × 2 determinante najverjetneje nek pomen za sisteme
linearnih enačb. Domneva lahko potrdimo, če poskusimo podoben izračun narediti za
linearen sistem treh enačb s tremi neznankami. Sicer so konkretni izračuni nekoliko
bolj komplicirani, vendar nakazujejo naslednji definicijo det(A) za A = (aij )3×3 :
a11 a22 a33 + a12 a23 a31 + a13 a21 a32
−a12 a21 a33 − a13 a22 a31 − a11 a23 a32

Katere informacije lahko razberemo iz podanega izraza? Opazimo, da izraz vsebuje
šest členov, vsak od njih pa je produkt treh koeficientov matrike A. Drugi indeks
koeficientov v vsakem členu ustreza šestim možnostim razvrstitve števil 1, 2, 3, torej
1, 2, 3 2, 3, 1 3, 1, 2 2, 1, 3 3, 2, 1 1, 3, 2.
Čeprav je vsak člen produkt treh koeficientov iz matrike A, so trije členi pozitivni
in trije negativni. Vidimo torej nek vzorec, toda kako lahko določimo, kateri členi bodo
pozitivni in kateri negativni? Odgovor na to vprašanje nam podajo permutacije.
Permutacije
Naj bo n fiksno naravno ptevilo. S permutacijo števil 1, 2, . . . , n mislimo na neko
razporeditev teh števil v nek določen vrstni red. Naprimer, kot smo že opazili, imamo
šest možnih permutacij števil 1, 2, 3. V splošnem lahko permutacijo števil 1, 2, . . . , n
zapišemo v obliki
i1 , i2 , . . . , in
72
pri čemer so i1 , i2 , . . . , in števila 1, 2, . . . , n v nekem vrstnem redu.

Da bi dobili neko permutacijo moremo torej samo izbrati različna števila i1 , i2 , . . . , in
iz množice števil {1, 2, . . . , n}. Očitno imamo n možnosti za izbiro i1 , ko smo tega
izbrali, ga ne moremo izbrati ponovno, zato imamo samo še n|1 možnosti, za izbiro
i2 ; ker števil i1 in i2 ne moremo izbrati ponovno imamo sedaj n2 možnosti za izbiro i3
in tako naprej. Ko bomo prišli do in bomo imeli samo še eno možnost, saj bomo do
te točke že “porabili” n − 1 števil. Število možnosti, ki jih imamo, da skonstruiramo
permutacijo je enako zmnožku teh vrednosti
n(n − 1)(n − 2) · · · 2 · 1,
kar zapišemo krajše kot

n!
in poimenujemo “n fakulteta”. Torej imamo že prvi rezultat:
Izrek 3.91. Število permutacij števil 1, 2, . . . , n je enako
n! = n(n − 1) · · · 2 · 1.
Sode in lihe permutacije

Permutacija števil 1, 2, . . . , n je soda ali liha v odvisnosti od tega, ali je število zamenjav
glede na naravni vrstni red 1, 2, . . . , n, ki so prisotne v permutaciji sodo ali liho. Na
primer, permutacija 1, 3, 2 vsebuje eno samo zamenjavo, število 3 je pred številom 2;
zato gre za liho permutacijo. Za daljša zaporedja lahko število zamenjav preštejemo s
pomočjo t.i. diagrama križanja. Prikažimo to na primeru.
Primer 3.92. Ali je permutacija 8, 3, 2, 6, 5, 1, 4, 7 soda ali liha?
Rešitev. Postopek predvideva, da najprej zapišemo števila, v našem primeru od 1 do

8, v naravnem vrstnem redu v vodoravni vrsti in vrstico pod tem zapišemo še dano
permutacijo. Sedaj povežemo vsako število i iz zgornje vrstice z istim številom i v
spodnji vrstici, pri tem pazimo, da črte ne potegnemo čez že obstoječe presečišče.
Število presečišč oz. križanj je sedaj enako številu zamenjav, ki jih imamo v permutaciji:
1 2 3 4 5 6 7 8
8 3 2 6 5 1 4 7
Ker imamo 15 križanj v diagramu, je dana permutacija liha.

Transpozicija je permutacija, ki jo dobimo iz 1, 2, . . . , n tako, da zamenjamo samo
dve števili. Torej 2, 1, 3, 4, . . . , n je primer transpozicije. Transpozicija vedno vsebuje
samo eno zamenjavo.
Izrek 3.93. Transpozicija je vedno liha permutacija.
73
1 2 ... i i + 1 ... j − 1 j j + 1 ... n
1 2 ... j i + 1 ... j − 1 i j + 1 ... n
Dokaz. Obravnavajmo transpozicijo, v kateri sta zamenjani števili i in j, pri čemer je

npr. i < j. Diagram križanja za to permutacijo je
Vsako od j − i − 1 števil i + 1, i + 2, . . . , j − 1 nam porodi 2 križanji in tem dodamo
še eno križanje na račun zamenjave i z j. Torej je skupno število zamenjav enako
2(j − i − 1) + 1, kar je liho.
Pomembno je določiti število sodih in lihih permutacij.
1
Izrek 3.94. Če je n > 1, imamo 2
(n!) sodih permutacij števil 1, 2, . . . , n in enako
število lihih permutacij.
Dokaz. Če v permutaciji zamenjamo prvi dve števili je na podlagi diagrama križanja
razvidno, da s tem bodisi dodamo eno zamenjavo, ali jo odstranimo. Torej s to operacijo
spremenimo sodo permutacijo v liho in obratno. Iz tega je jasno, da mora biti število
sodih in lihih permutacij enako. Ker je število vseh permutacij n!, je rezultat očiten.
Primer 3.95. Sode permutacije števil 1, 2, 3 so
1, 2, 3 2, 3, 1 3, 1, 2;
medtem ko so lihe permutacije
2, 1, 3 3, 2, 1 1, 3, 2.
Definicija 3.96. Predznak permutacije i1 , i2 , . . . , in , z oznako sign(i1 , i2 , . . . , in ) je

+1, če je permutacija soda in −1 če je permutacija liha.
Primer 3.97. sign(3, 2, 1) = −1
Permutacijske matrike
Preden pridemo do formalne definicije determinante, pokažimo še, kako lahko per-
mutacije predstavimo z matrikami. Matrika velikosti n × n je permutacijska matrika,
če jo lahko iz identične matrike In dobimo tako, da preuredimo vrstice ali stolpce
matrike. Naprimer, permutacijsko matriko
 
0 1 0
 0 0 1 
1 0 0
dobimo iz I3 tako, da ciklično zamenjamo stolpce, S1 → S2 → S3 → S1 . Permutacijske

matrike zlahka prepoznamo, saj vsebujejo v vsaki vrstici in v vsakem stolpcu samo en
koeficient 1, medtek ko so vsi ostali koeficienti enaki 0.
74
Obravnavajmo permutacijo i1 , i2 , . . . , in števil 1, 2, . . . , n in naj bo P permutacijska

matrika v kateri je koeficient (j, ij ) enak 1 za j = 1, 2, . . . , n ter so vsi ostali koeficienti
enaki 0. To pomeni, da lahko P iz In dobimo tako, da preuredimo stolpce na način,
kot je podano v permutaciji i1 , i2 , . . . , in , tj. Cj → Cij . Potem je, z uporabo množenja
matrik
   
1 i1
 2   i2 
P ·  ..  =  ..  .
   
 .   . 
n in
Torej je učinek permutacije na vrstni red 1, 2, ..., n poustvarjen z množenjem z leve z
ustrezno permutacijsko matriko.
Primer 3.98. Permutacijsko matriko, ki ustreza permutaciji 4, 2, 1, 3 dobimo iz I4

tako, da zamenjamo stolpce S1 → S4 , S2 → S2 , S3 → S1 , S4 → S3 . Dobimo
 
0 0 0 1
 0 1 0 0 
P =  1 0 0 0 

0 0 1 0
in dejansko je

  
1 4
 2   2 
P ·
 3 = 1
  .

4 3
Opomba 3.99. Najlažji način za izračun permutacij (in običajen način za njihov za-
pis) je zapis oblike:
1 2 3 4
≡ (143)(2)
4 2 1 3
Definicija determinante
Sedaj lahko definiramo determinanto matrike velikosti n × n. Naj bo A = (aij )n×n
matrika velikosti n × n s celimi koeficienti. Potem je determinanta matrike A skalar,
definiran z enačbo
det(A) = Σ sign(i1 , i2 , . . . , in )a1i1 a2i2 · · · anin

i1 ,i2 ,...in
pri čemer vsota vsebuje vse permutacije i1 , i2 , . . . , in števil 1, 2, . . . , n.

Torej je det(A) vsota n! členov in vsak od njih je zmnožek n koeficientov matrike
A, po enega iz vsake vrstice in stolpca. Člen je pozitivno ali negativno predznačen v
odvisnosti od tega ali je ustrezna permutacija soda ali liha. Na podlagi definicije lahko
hitro izračunamo determinanto matrike In :
det(In ) = 1.
75
To pa zato, ker je edini neničelni člen v vsoti det(In ) tisti, ki vsebuje permutacijo
1, 2, . . . , n.
Če v zgornjo enačbo vstavimo vrednosti n = 1, 2, 3, dobimo izraze za det(A), ki
smo jih že videli na začetku poglavja. Naprimer, za n = 3 smo sode in lihe permutacije
podali v primeru 3.95. Če zapišemo člene determinante v enakem vrstnem redu, dobimo
a11 a22 a33 + a12 a23 a31 + a13 a21 a32
−a12 a21 a33 − a13 a22 a31 − a11 a23 a32

Na podoben način lahko zapišemo tudi determinanto matrike velikosti 4×4 kot vsoto
4! = 24 členov, 12 pozitivno predznačenih in 12 negativno predznačenih. Seveda pa je
iz tega jasno, da nam definicija ne podaja priročnega načina za računanje determinante,
ko imamo opravka z matrikami z velikim številom vrstic in stolpcev. V kratkem bomo
videli, da imamo na voljo tudi bolj učinkovite postopke.
Primer 3.100. Kateri člen v zapisu determinante matrike velikosti 8 × 8 ustreza per-
mutaciji 8, 3, 2, 6, 5, 1, 4, 7?
Rešitev. Ugotovili smo že, da je ta parmutacija liha, zato je negativno predznačena in

torej je ustrezen člen
−a18 a23 a32 a46 a55 a61 a74 a87 .
Minorji in kofaktorji
Pri preučevanju determinant so uporabne določene poddeterminante, ki jim pravimo
minorji. Naj bo A = (aij ) matrika velikosti n × n. (i, j)-ti minor Mij matrike A je
definiran kot determinanta podmatrike matrike A, ki jo dobimo tako, da iz matrike A
odstranimo vrstico i in stolpec j. (i, j)-ti kofaktor Aij matrike A je enostavno minor
z ustreznim predznakom:
Aij = (−1)i+j Mij .
Primer 3.101. Naj bo  

a11 a12 a13
A =  a21 a22 a23  .
a31 a32 a33
Potem je minor
a a
= 11 12

M23 = a11 a32 − a12 a31
a31 a32
in kofaktor
A23 = (−1)2+3 M23 = a12 a31 − a11 a32 .
Glavni razlog za uvedbo kofaktorjev je, da lahko s pomočjo teh izračunamo deter-
minanto s postopkom, ki mu pravimo razvoj po vrstici oz. razvoj po stolpcu. Gre
za veliko bolj enostaven postopek od računanja determinante po definiciji. Naslednji
rezultat nam pove, kako postopati.
Izrek 3.102. Naj bo A = (aij ) matrika velikosti n × n. Potem je
1. det(A) = Σnk=1 aik Aik , (razvoj po vrstici i);
76
2. det(A) = Σnk=1 akj Akj , (razvoj po stolpcu j).
Dokaz. Opustimo.
Izrek podaja praktičen postopek za izračun determinante, ki pa se ga da za velika
matrike še poenostaviti, kot bomo videli nekoliko kasneje.
Primer 3.103. Izračunajte determinanto

1 2 0

4 2 −1 .

6 2 2
Rešitev. Lahko, naprimer, razvijemo determinanto po 1. vrstici, da dobimo

2 2 −1 3 4 −1 4 4 2

1 · (−1) + 2 · (−1) + 0 · (−1)
2 2 6 2 6 2
= 6 − 28 + 0 = −22.
Determinanto lahko razvijemo tudi po 2. stolpcu:

3 4 −1 4 1 0 5 1 0

2 · (−1) + 2 · (−1) + 2 · (−1)
6 2 6 2 4 −1
= −28 + 4 + 2 = −22.
Opazimo, da je razvoj determinante smiselno narediti po vrstici/stolpcu, ki vsebuje
kar se da veliko ničel.
Determinanto trikotne matrike lahko zapišemo neposredno, zato je naslednji izrek
zelo uporaben pri računanju determinant.
Izrek 3.104. Determinanta zgornje ali spodnje trikotne matrike je enaka zmnožku
koeficientov na glavni diagonali matrike.
Dokaz. Predpostavimo, da je A = (aij )n×n zgornje trikotna in razvijmo det(A) po 1.

stolpcu. Potem je rezultat produkt koeficienta a11 in poddeterminante matrike velikosti
(n − 1) × (n − 1), ki je tudi zgornje trikotna. Postopek ponavljamo, dokler ne pridemo
do determinante matrike velikosti 1 × 1.
3.4.2 Osnovne lastnosti determinant

Sedaj bomo spoznali nekaj lastnosti determinant, ki nam bodo (med drugim) omogočale
tudi hiter izračun nekaterih determinant.
Izrek 3.105. Če je A matrika velikosti n × n, potem je
det(AT ) = det(A).
77
Dokaz. Uporabili bomo indukcijo po velikosti matrike. Trditev očitno drži za n = 1,

saj je v tem primeru AT = A. Naj bo n > 1 in predpostavimo, da trditev drži za vse
matrike z največ n − 1 vrstic in stolpcev. Za matriko velikosti n × n z razvojem po 1.
vrstici dobimo n
det(A) = Σ a1j A1j .
j=1
Označimo z B matriko AT . Potem je aij = bji . Po indukcijski predpostavki je determi-

nanta A1j enaka determinanti transponiranke. Toda ta je enaka (j, 1)-temu kofaktorju
Bj1 matrike B. Torej je A1j = Bj1 in zgornjo enakost lahko zapišemo kot
n
det(A) = Σ bj1 Bj1 .
j=1
Opazimo, da je desna stran enakosti enaka razvoju det(B) po 1. stolpcu; torej je

det(A) = det(B).
Na podlagi zgornje trditve lahko velikokrat sklepamo, da neka lastnost, ki velja za
vrstice determinante, velja tudi za stolpce.
Izrek 3.106. Determinanta, v kateri sta dve vrstici (ali dva stolpca) enaki, je enaka
0.
Dokaz. Predpostavimo, da ima matrika A velikosti n × n enaki vrstici j in k. Pokazati
moramo, da je det(A) = 0. Naj bo i1 , i2 , . . . , in neka permutacija števil 1, 2, . . . , n;
pripadajoči člen v razvoju vsote det(A) je sign(i1 , i2 , . . . , in )a1i1 a2i2 · · · anin . Če v tem
zmnožku zamenjamo ij in ik , se predznak člena sicer spremeni, zmnožek koeficientov
a pa ostane enak, saj je ajik = akik in akij = ajij . To pomeni, da se obravnavani člen v
vsoti za det(A) pojavi dvakrat, toda pojavitvi sta nasprotno predznačeni. Posledično
se vsi členi med samo odštejejo in je zato det(A) enaka 0.
Opomba 3.107. Determinanta v kateri so koeficienti ene vrstice (ali stolpca) vsi enaki
0 je enaka 0. Enako velja če vrstice (ali stolpci) niso linearno neodvisni.
Naslednji izrek opisuje učinek osnovnih operacij nad vrsticami (ali stolpci) matrike
A na determinanto matrike A.
Izrek 3.108. Naj bo A matrika velikosti n × n.
1. Če eno vrstico (ali stolpec) matrike A pomnožimo s skalarjem c, potem ima
dobljena matrika determinanto enako c(det(A)).
2. Če v matriki A zamenjamo vrstni red dveh vrstic (ali stolpcev), se predznak de-
terminante spremeni.
3. Determinanta matrike A se ne spremeni, če neki vrstici (ali stolpcu) prištejemo
večkratnik druge vrstice (ali stolpca).
Dokaz. 1. S to operacijo se vsak člen v vsoti, ki definira determinanto det(A),
pomnoži s c. Torej se tudi determinanta pomnoži s c.
2. S to operacijo se v vsaki permutaciji števil 1, 2, . . . , n zamenjata dve vrednosti;
videli smo že, da se s tem spremeni predznak vsakega člena, torej se tudi deter-
minanti spremeni predznak.
78
3. Predpostavimo, da v matriki A vrstici k dodamo c-kratnik vrstice j; pred-

postavimo tudi, da je j < k. Če s C označimo matriko, ki jo dobimo, potem
je det(C) enaka
Σsign(i1 , i2 , . . . , in )a1i1 · · · ajij · · · (akik + cajik ) · · · anin
, ki je enaka vsoti
Σsign(i1 , i2 , . . . , in )a1i1 · · · ajij · · · akik · · · anin
in
c · Σsign(i1 , i2 , . . . , in )a1i1 · · · ajij · · · ajik · · · anin .
Prva od teh vsot je kar det(A), medtem ko je druga vsota enaka determinanti
matrike v kateri sta vrstici j in k enaki in je zato enaka nič po enemu izmed
prejšnjih izrekov. Torej je det(C) = det(A).
Poglejmo si, kako nam lahko uporaba osnovnih operacij nad vrsticami olajša računanje
determinante. Naj bo A matrika velikosti n×n, katere determinanto želimo izračunati.
Osnovne operacije nad vrsticami lahko uporabimo kot pri Gaussovi eliminaciji in s tem
poenostavimo matriko A do stopničaste oblike, poimenujmo je B. Opazimo, da je B
zgornje trikotna matrika, recimo
 
b11 b12 · · · b1n
 0 b22 · · · b2n 
B=  ·
,
· ··· · 
0 0 · · · bnn
in za te vemo, da je det(B) = b11 b22 · · · bnn . Torej moramo samo paziti, da sledimo
spremembam v det(A), ki jih porodijo osnovne operacije nad vrsticami.
Primer 3.109. Izračunajte determinanto matrike

 
0 1 2 3
 1 1 1 1 
A=  −2 −2

3 3 
1 −2 −2 −3
Rešitev. Determinanto matrike A bomo izračunali na dva načina, najprej z uporabo

razvoja po vrstici in nato s pomočjo osnovnih operacij nad vrsticami.
1. Razvoj po 1. vrstici (kar vsebuje ta največ ničelnih koeficientov):

1 1 1 1 1 1 1 1 1

det(A) = 0 − 1 · −2 3 3 + 2 · −2 −2 3 − 3 · −2 −2 3

1 −2 −3 1 −2 −3 1 −2 −2
= −1 · (−9 + 3 + 4 − 3 − 6 + 6) + 2 · (6 + 3 + 4 + 2 − 6 + 6)
− 3 · (4 + 3 + 4 + 2 − 4 + 6)
= −1 · (−5) + 2 · 15 − 3 · 15 = 5 + 30 − 45 = −10
79
2. Uporaba osnovnih operacij nad vrsticami

     
0 1 2 3 v1 ↔ v2 1 1 1 1 1 1 1 1
 1
 1 1 1 

 0
 1 2 3 
 ∼  0
 1 2 3 

 −2 −2 3 3  ∼  −2 −2 3 3  v3 + 2v2  0 0 5 5 
1 −2 −2 −3 1 −2 −2 −3 v4 − v1 0 −3 −3 −4
   
1 1 1 1 1 1 1 1
∼  0
 1 2 3 
 ∼  0
 1 2 3 

· 15  0 0 1 1   0 0 1 1 
v4 + 3v2 0 0 3 5 v4 − 3v3 0 0 0 2
Uporabili smo eno zamenjavo vrstic in eno množenje vrstice z 15 . Torej je det(A) =
−5 · (1 · 1 · 1 · 2) = −10
3.4.3 Uporaba determinant

3.4.3.1 Obrnljive matrike
Pomembna lastnost determinante kvadratne matrike je ta, da nam pove ali je matrika
obrnljiva.
Izrek 3.110. Matrika A velikosti n × n je obrnljiva če in samo če je det(A) 6= 0.
Dokaz. Opustimo.
Posledica 3.111. Homogen sistem linearnih enačb Ax = 0 z n enačbami in n nez-

nankami ima netrivialno rešitev če in samo če je det(A) = 0.
Izrek 3.112. Naj bosta A in B poljubni matriki velikosti n × n, potem je
det(AB) = det(A) · det(B).
Posledica 3.113. Naj bosta A in B matriki velikosti n × n. če je AB = In , potem je

BA = In in posledično je B = A−1 .
Dokaz. Ker je 1 = det(AB) = det(A) · det(B), je det(A) 6= 0 in posledično je matrika

A obrnljiva. Torej velja BA = A−1 (AB)A = A−1 In A = In .
Posledica 3.114. Če je matrika A obrnljiva, potem je det(A−1 ) = 1

det(A)
.
Dokaz. Očitno je 1 = det(I) = det(AA−1 ) = det(A) · det(A− 1) in od tod sledi enakost

iz trditve.
Sedaj si bomo ogledali, kako nam lahko determinanta pomaga pri izračunu inverzne
matrike. Začnimo z definicijo.
Definicija 3.115. Naj bo A = (aij ) matrika velikosti n × n. Potem je adjungiranka

adj(A) matrike A matrika velikosti n × n v kateri je koeficient (i, j) enak (j, i)-temu
kofaktorju Aji matrike A.
80
Primer 3.116. Poiščite adj(A), če je

 
1 2 1
A =  6 −1 3 
2 −3 4
Rešitev. Najprej izračunamo
vseh 9 kofaktorjev:
−1 3 2 1 4 2
1
A11 = (−1)2 =5 A 21 = (−1) 3
= −11 A31 = (−1) =7
−3 4 −3 4 −1 3

3 6 3 1 1

4
1 1
A12 = (−1) = −18 A22 = (−1) =2 A32 = (−1)5 =3
2 4 2 4 6 3

4 6 −1 1 2 6 1 2

5

A13 = (−1) = −16 A23 = (−1) =7 A33 = (−1) = −13
2 −3 2 −3 6 −1
Torej je  
5 −11 7
adj(A) =  −18 2 3 
−16 7 −13
Pomen adjungiranke je jasen iz naslednjih dveh izrekov.
Izrek 3.117. Če je A matrika velikosti n × n, potem je
Aadj(A) = det(A) · In = adj(A)A.
Dokaz. (i, j)-ti koeficient v produktu Aadj(A) je
n n
Σ aik (adj(A))kj = Σ aik Ajk .
k=1 k=1
Če je i = j, gre zamo za razvoj det(A) po i-ti vrstici; po drugi strani, če je i 6= j,
potem vsota tudi predstavlja razvoj po vrstici, toda takšen, v katerem sta vrstici i in j
enaki. Vemo, da če ima matrika dve vrstici enaki, potem je njena determinanta enaka
0. To pomeni, da bodo koeficienti produkta Aadj(A), ki niso na diagonali, enaki 0,
medtem ko bodo diagonalni koeficienti enaki det(A). Torej je Aadj(A) enaka matriki
(det(A))In , kot smo trdili. Drugo enakost lahko dokažemo na podoben način.
Naslednji izrek nam poda formulo za izračun inverza obrnljive matrike.
Izrek 3.118. Če je A obrnljiva matrika, potem je A−1 = l
det(A)
adj(A).
Dokaz. Spomnimo se, da A−1 obstaja če in samo če je det(A) 6= 0. Iz Aadj(A) =
det(A) · In dobimo
1 1
A( adj(A)) = Aadj(A) = In
det(A) det(A)
in od tod sledi podana trditev.
Primer 3.119. Poiščite inverz matrike
 
2 −1 0
A =  −1 2 −1 
0 −1 2
na dva različna načina.
81
Rešitev. Najprej izračunajmo det(A) = 8 + 0 + 0 − 0 − 2 − 2 = 4, torej je A obrnljiva.

S kofaktorji:

2 2 −1 3 −1 0
4 −1
0
A11 = (−1) = 3 A21 = (−1) = 2 A31 = (−1) 2 −1 = 1
−1 2 −1 2

3 −1 −1 4 2 0
5 2
0
A12 = (−1) = 2 A22 = (−1) =4 A32 = (−1) =2
0 2 0 2 −1 −1

4 −1 2 2 −1
= 2 A33 = (−1)6 2 −1 = 3

A13 = (−1) = 1 A23 = (−1)5
0 −1
  3 1 1  0 −1
−1 2
3 2 1 4 2 4
Torej je A−1 = 4 2 4 2  =  12 1 21 
1
1 1 3
1 2 3 4 2 4
Z uporabo osnovnih operacij nad vrsticami razširjene matrike A | In

 1 
1 − 12 0 12 0 0
   
2 −1 0 1 0 0 2 −1 0 1 0 0 ·2
 −1 2 −1 0 1 0  v2 + 12 v1  0 3
2
−1 12 1 0  · 23  0 1 − 32 13 23 0 
0 −1 2 0 0 1 ∼ 0 −1 2 0 0 1 ∼ 0 −1 2 0 0 1
1 − 21 0 12 0 0 v1 + 12 v2 1 0 − 31 23 31 0 v1 + 31 v3
   
2 1 2 2 1 2
∼  0 1 −3 3 3 0  ∼  0 1 −
3 3 3
0  v2 + 23 v3
4 1 2
v3 + v2 0 0 3 3 3
1 · 43 0 0 1 14 21 34 ∼
1 0 0 34 12 41
 
 0 1 0 1 1 1 
2 2
0 0 1 14 12 43
Podana formula nam ponuja tudi hiter način za izračun inverza matrike velikosti
a b
2 × 2. Če je A = , potem je
c d

−1 1 d −b
A = .
det(A) −c a
Kljub podani formuli je za matrike s štirimi ali več vrsticami običajno hitreje, da inverz
izračunamo s pomočjo osnovnih operacij nad vsrticami razširjene matrike, saj moramo,
za poiskati adjungiranko matrike velikosti n × n izračunati n determinant in vsaka od
teh ima n − 1 vrstic in stolpcev.
Uporabo determinant v geometriji smo že videli, spomimo se formule za enačbo rav-
nine podane s tremi točkami. Sedaj si bomo pogledali še, kako uporabiti determinante
pri reševanju sistemov linearnih enačb.
3.4.3.2 Sistemi linearnih enačb - Cramerjevo pravilo

Obravnavajmo sistem linearnih enačb z n enačbami in n neznankami x1 , x2 , . . . , xn
Ax = b,
v katerem ima matrika sistema A neničelno determinanto. Sistem ima enolično določeno
rešitev, ta je enaka x = A−1 b. Za to enakost imamo enostaven izraz, ki uporabi deter-
minante. Z uporabo formule za inverz obrnljive matrike dobimo
1
x = A−1 b = (adj(A)b).
det(A)
82
Iz produkta adj(A)b lahko i-to neznanko preberemo kot

n n
xi = Σ ((adj(A))ij bj )/ det(A) = ( Σ bj Aji )/ det(A).
j=1 j=1
Opazimo, da je druga vsota enaka neki determinati, dejansko gre za determinanto

det(Mi ) kjer je Mi matrika, ki smo jo iz matrike A dobili tako, da smo i-ti stolpec
zamenjali z b. Torej lahko rešitev sistema linearnih enačb izrazimo v obliki xi =
det(Mi )/ det(A) za i = 1, 2, . . . , n. Dobili smo torej naslednji rezultat.
Izrek 3.120 (Cramer’s rule). Če je Ax = b sistem linearnih enačb z n enačbami in n
neznakami ter je det(A) različna od 0, potem lahko enolično določeno rešitev sistema
zapišemo v obliki
det(Mi )
xi =
det(A)
za i = 1, . . . , n, pri čemer je Mi matrika, ki jo dobimo tako, da v matriki A stolpec i
zamenjamo s stolpcem b.
Opomba 3.121. Opazimo, da lahko Cramerjevo pravilo uporabimo samo, ko je A
kvadratna matrika z det(A) 6= 0.
Primer 3.122. Rešite naslednji sistem linearnih enačb z uporabo Cramerjevega pravila,
če je možno.
2x1 + 3x2 + 5x3 = 10
3x1 + 7x2 + 4x3 = 3
x1 + 2x2 + 2x3 = 3
Rešitev. Matrika sistema A je kvadratna (velikosti 3×3), torej lahko izračunamo det(A).

2 3 5

det(A) = 3 7 4 = 28 + 12 + 30 − 35 − 18 − 16 = 1
1 2 2
Ker je det(A) 6= 0 lahko sistem rešimo z uporabo Cramerjevega pravila. Nadalju-
jemo z izračunom M1 , M2 in M3 .

10 3 5

det(M1 ) = 3 7 4 = 140 + 36 + 30 − 105 − 18 − 80 = 3
3 2 2
det(M1 )
Torej je x1 = = 31
det(A)
=3

2 10 5

det(M2 ) = 3 3 4 = 12 + 40 + 45 − 15 − 60 − 24 = −2
1 3 2
det(M2 )
Torej je x2 = = −2
det(A) 1
= −2

2 3 10

det(M3 ) = 3 7 3 = 42 + 9 + 60 − 70 − 27 − 12 = 2
1 2 3
det(M3 ) 2
Torej je x3 = det(A)
= 1
=2
83
3.4.3.3 Rang matrike

Za konec si bomo pogledali še, kako nam determinante pomagajo pri določanju ranga
matrike.
Trditev 3.123. Rang matrike A je enak velikosti največje kvadratne podmatrike A0

matrike A za katero velja det(A0 ) 6= 0.
 
3 1 2 5
Primer 3.124. Določite rang matrike A =  1 2 −1 2  zt uporabo determinant.
4 3 1 7
Rešitev. Ker ima matrika A tri vrstice, je r(A) ≤ 3. Torej moramo najprej ugotoviti,
ali obstaja podmatrika velikosti 3 × 3 z neničelno determinanto.

1 2 5

2 −1 2 = −7 + 12 + 10 + 15 − 28 − 2 = 37 − 37 = 0

3 1 7

3 2 5

1 −1 2 = −21 + 16 + 5 + 20 − 14 − 6 = 41 − 41 = 0

4 1 7

3 1 5

1 2 2 = 42 + 8 + 15 − 40 − 7 − 18 = 65 − 65 = 0

4 3 7

3 1 2

1 2 −1 = 6 − 4 + 6 − 16 − 1 + 9 = 21 − 21 = 0

4 3 1
Preverili smo vse štiri možne podmatrike velikosti 3 × 3 in ker so determinante od
vseh enake nič sklepamo, da je r(A) ≤ 2. Sedaj torej preverimo, ali obstaja podmatrika
velikosti 2 × 2 z neničelno determinanto.

3 1
1 2 =6−1=5

Ker smo našli matriko volikosti 2 × 2 z neničelno determinanto lahko zaključimo,

da je r(A) = 2.
84
3.5. UPORABA MATRIK 3. MATRIKE
3.5 Uporaba matrik

3.5.1 V analitični geometriji - primer
V analitični geometriji lahko različne transformacije koordinatnih osi opišemo s pomočjo
matrik. Za primer, predpostavimo, da v dvodimenzionalni kartezični ravnini zaroti-
ramo koordinatni osi v nasprotni smeri urinega kazalca za kot ϕ, kot prikazuje spodnja
slika.
Izračunajmo nove koordinate (x0 , y 0 ) točke P , s koordinatami enakimi (x, y) pred

rotacijo.
Iz slike lahko razberemo, da je x = r cos α in y = r sin α torej je
x0 = r cos(α − ϕ) = r cos α cos ϕ + r sin α sin ϕ

= x cos ϕ + y sin ϕ;
y 0 = r sin(α − ϕ) = r sin α cos ϕ + r cos α sin ϕ

= y cos ϕ − x sin ϕ.
Ti enačbi nam podata x0 in y 0 s pomočjo x, y ter ϕ. V matrični obliki jih lahko
ozrazimo kot
0
x cos ϕ sin ϕ x
0 = · .
y − sin ϕ cos ϕ y
Matriki velikosti 2 × 2
cos ϕ sin ϕ
Rϕ =
− sin ϕ cos ϕ
pravimo rotacijska matrika povezana z ϕ in ima naslednjo lastnost:
Rϕ RϕT = I2 = RϕT Rϕ .
85
3.5. UPORABA MATRIK 3. MATRIKE
Dejansko imamo

T cos ϕ sin ϕ cos ϕ − sin ϕ
Rϕ Rϕ = ·
− sin ϕ cos ϕ sin ϕ cos ϕ
2
2

cos ϕ + sin ϕ − cos ϕ sin ϕ + sin ϕ cos ϕ
=
− sin ϕ cos ϕ + cos ϕ sin ϕ sin2 ϕ + cos2 ϕ

1 0
= ,
0 1
in na podoben način lahko preverimo, da je RϕT Rϕ = I2 .
86

Algebra 1 Zapiski Predavanj

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra 1 Zapiski Predavanj

Uploaded by

Copyright:

Available Formats

UNIVERZA NA PRIMORSKEM

Fakulteta za matematiko, naravoslovje in informacijske tehnologije

Da bi lahko metode in rezultate iz matematične analize uporabili v življenjskih (resničnih)

1.1 Tridimenzionalni koordintni sistem

Slika 1.1: Kartezični koordinatni sistem v prostoru

običajno zapišemo z enačbo y = 0. Ravnine se stikajo v izhodišču (0, 0, 0). Izhodišče

V naslednjih primerih je opisano, katere množice točk v prostoru opisujejo določene

Primer 1.1. Dane enačbe in neenakosti interpretiramo iz geometrijskega vidika.

(a) z ≥ 0 Polravnina, ki sestoji iz točk na in nad ravnino xy.

Primer 1.2. Katere točke P (x, y, z) zadoščajo enačbi

Slika 1.2: Krožnica x2 + y 2 = 4 v ravnini z = 3 (Primer 1.2).

Razdalja med P1 (x1 , y1 , z1 ) in P2 (x2 , y2 , z2 ) je

Dokaz. Naj bosta P1 (x1 , y1 , z1 ) in P2 (x2 , y2 , z2 ) dve točki v prostoru. Skonstruirajmo

Slika 1.3: Iskanje razdalje med točkama P1 in P2 z uporabo Pitagorovega izreka na

|P1 A| = |x2 − x1 |, |AB| = |y2 − y1 |, |BP2 | = |z2 − z1 |.

|P1 P2 |2 = |P1 B|2 + |BP2 |2

Primer 1.3. Razdalja med P1 (2, 1, 5) in P2 (−2, 3, 0) je

Slika 1.4: Krogla v prostoru.

Standradna enačba za kroglo polmera a s središčem v (x0 , y0 , z0 ) je

Primer 1.4. Poiščite središče in polmer krogle

(x2 + 3x) + y 2 + (z 2 − 4z) = −1

Primer 1.5. Tukaj je podanih nekaj geometrijskih interpretacij enakosti in neenačb,

(a) x2 + y 2 + z 2 < 4 Notranjost krogle z enačbo x2 + y 2 + z 2 = 4.

Puščice, ki jih uporabljamo pri risanju vektorjev razumemo, da predstavljajo isti

1.2.1 Komponente vektorja in krajevni vektor

Torej je vektor v prostoru urejena trojica → −

1.2.2 Algebrske operacije z vektorji

Definicija 1.9. Naj bosta →

Vektorja seštejemo tako, da seštejemo njune istoležne komponente. Vektor pomnožimo

Slika 1.7: Geometrijska interpretacija vsote vektorjev (levo) in pravilo paralelograma

Slika 1.8 prikazuje geometrijsko interpretacijo množenja vektorja →

Slika 1.8: Večkratniki vektorja →

Slika 1.9: Če vektor → −u −→

Primer 1.10. Naj bosta →

Lastnosti operacij z vektorji

Lastnosti lahko enostavno preverimo s pomočjo seštevanja vektorjev in množenja

Sedaj bomo dokazali prvo od lastnosti pri distributivnosti:

Primer 1.13. Ugotovite, ali so naslednje množice vektorjev linearno neodvisne:

1.2.3 Enotski vektorji

enotski vektor v smeri vektorja →

1.3 Skalarni produkt

Algebrske lastnosti skalarnega produkta

1. Aditivnost: hu + v, wi = hu, wi + hv, wi

2. Homogenost: hau, vi = ahu, vi

3. Simetričnost: hu, vi = hv, ui

Dokaz. Naj bodo → −

Posledica 1.17. Naj bodo →

1.3.1 Geometrijski pomen skalarnega produkta

hv − u, v − ui = hu, ui + hv, vi − 2|→

Iz enakosti 1.1 sledi, da je

Od tod lahko dobimo geometrijski pomen skalarnega produkta (v R2 ).

Geometrijski pomen skalarnega produkta v R3 (in v vseh višjih dimenzijah) ni nič

Izrek 1.18. Naj bosta →

Opomba 1.19. Kot ϕ vedno izberemo na intervalu [0, π].

Primer 1.20. Poiščite kot med vektorjema →

Opazimo, da je za vektor → −u = (u1 , u2 , u3 ) skalarni produkt hu, ui = u21 + u22 + u23

Trditev 1.21. Naj bosta →

Primer 1.23. Preverite ali sta vektorja →−

Rešitev. Ker je hu, vi = 3 · (−1) + 2 · 1 + (−1) · (−1) = −3 + 2 + 1 = 0 sta vektorja → −

Izrek 1.24. Naj bosta → −

Izrek 1.25 (Cauchy-Schwarzeva neenakost). Za poljubna vektorja →

Dokaz. Dokaz pustimo bralcu za vajo.

Izrek 1.26 (Pitagorov izrek). Naj bosta →

Kanonična oblika: x − 2 = y−1

točko P0 , ki leži na ravnini in

njeno “smer” (ali “naklon” oz. orientacijo).

koeficienti pri x, y, z v enačbi x + 2y + 2z = 10 predstavljajo vektor, ki je enak

koordinate točke P0 zadoščajo enačbi ravnine, 2 + 2 · 1 + 2 · 3 = 10.