Linearna algebra i geometrija

Predavanje IV - Dio II

Novembar, 2023.
Sadržaj

Vektorski prostori i potprostori

▶ Prostori vektora
▶ Nulprostor matrice A: Rješavanje Ax = 0 i Rx = 0
▶ Potpuno rješenje sistema Ax = b
▶ Linearna nezavisnost
▶ Baze i dimenzije
▶ Dimenzije četiri potprostora

2/35
Potpuno rješenje sistema Ax = b

Podsjetnik: Prethodno smo rješavali sistem jednačina Ax = 0,

koji smo eliminacijom sveli na redukovanu echelon formu Rx = 0.
Slobodnim varijablama smo dodijelili vrijednosti nula i jedinica, a
pivot varijable smo odredili supstitucijom unatrag. Na desnu
stranu b nismo obraćali pozornost, budući da je b = 0. Rješenje x
je bilo u nulprostoru matrice A.

Sada desna strana više nije jednaka nuli (b ̸= 0). Operacije nad
redovima matrice na lijevoj strani će djelovati i na desnu stranu.
Sistem Ax = b ćemo svesti (redukovati) na jednostavniji sistem
Rx = d sa istim rješenjima.

3/35
Potpuno rješenje sistema Ax = b

Jedan način da to uradimo je da proširimo matricu A dodatnom

vektor kolonom b (da matrici A[ dodamo
] kolonu vektora b), čime
ćemo dobiti proširenu matricu A b :

 
  x    
1 3 0 2  1 1 Ima 1 3 0 2 1 [ ]
 0 0 1 4   x 2  =  6 proširenu 0 0 1 4 6 = A b
x3 
1 3 1 6 7 matricu 1 3 1 6 7
x4

Korake eliminacije koje primjenjujemo nad A da bismo dobili

redukovanu echelon formu R, sada primjenjujemo i nad b.

4/35
Potpuno rješenje sistema Ax = b

U ovom konkretnom slučaju, prvi korak je da od reda3 oduzmemo

red1 (želimo nule ispod prvog pivota), a zatim od novog reda3
oduzimamo red2 (želimo nule ispod drugog pivota). Sa ova dva
koraka smo dobili red nula u matrici R, i iz b smo dobili novu
desnu stranu d = (1, 6, 0):
 
  x1    
1 3 0 2   1 Ima 1 3 0 2 1 [ ]
 0 0 1 4   x 2  =  6 proširenu 0 0 1 4 6 = R d
x3 
0 0 0 0 0 matricu 0 0 0 0 0
x4

Posljednja nula je ključna. Treća jednačina je sada postala 0 = 0,

pa jednačine možemo riješiti.

5/35
Potpuno rješenje sistema Ax = b

U originalnoj matrici A, imamo red1 + red2 = red3. Ukoliko su

jednačine konzistentne, isto mora biti istinito i na desnoj strani
sistema jednačina. Vidimo da na desnoj strani, u b, imamo
1 + 6 = 7, što nas je i dovelo do 0 = 0.

U generalnom slučaju za neko uopšteno b = (b1 , b2 , b3 ):

   
[ ] 1 3 0 2 b1 1 3 0 2 b1 [ ]
A b = 0 0 1 4 b2  → 0 0 1 4 b2 = R d
1 3 1 6 b3 0 0 0 0 b3 − b1 − b2

Sada smo dobili 0 = 0 u trećoj jednačini, samo kada je

b3 − b1 − b2 = 0, odnosno b1 + b2 = b3 .

6/35
Partikularno rješenje Axp = b

Za jednostavno rješenje, koje ćemo obilježiti sa xp , odabrat ćemo

da su slobodne varijable jednake nulama: x2 = x4 = 0. Zatim
dvije ne-nulte jednačine daju vrijednosti pivot varijablama x1 = 1 i
x3 = 6. Pa partikularno rješenje sistema jednačina Ax = b (kao i
Rx = d) je xp = (1, 0, 6, 0).

Znači, partikularno rješenje xp dobijamo: slobodne varijable =

nula, pivot varijable određujemo iz d.

7/35
Partikularno rješenje Axp = b
Da bi rješenje postojalo, redovi nula u matrici R također
moraju biti nula u vektoru d. Budući da je jedinična matrica
I u pivot redovima i pivot kolonama matrice R, tako
vrijednosti pivot varijabli u partikularnom rješenju xp dolaze
iz d:
 
  1
1 3 0 2   [ ] Pivot varijable 1, 6
0
Rxp = 0 0 1 4 
 6 = 1 6 0 Slobodne varijable 0, 0
0 0 0 0 Rješenje xp = (1, 0, 6, 0).
0

Kada dobijemo redukovanu echelon formu R, i postavimo slobodne

varijable da su jednake nuli, vrijednosti pivot varijable u rješenju
xp su vidljive u desnoj strani, odnosno u vektoru d.

8/35
Partikularno rješenje Axp = b

xp Partikularno rješenje za Axp = b

xn n − r specijalnih rješenja za Axn = 0

Partikularno rješenje je (1, 0, 6, 0). Dva specijalna (nulprostor)

rješenja za Rx = 0 dolaze iz dvije slobodne kolone matrice R, tako
što ćemo promjeniti predznak vrijednostima 3, 2 i 4:
     
1 −3 −2
Potpuno rješenje  0 1 0
jedno xp x = xp + xn =      
6 + x2  0  + x4 −4
više xn
0 0 1

9/35
Partikularno rješenje Axp = b

Pitanje
Neka je A kvadratna, invertibilna matrica, m = n = r. Kako
izgledaju rješenja xp i xn ?

Odgovor

10/35
Partikularno rješenje Axp = b

Pitanje
Neka je A kvadratna, invertibilna matrica, m = n = r. Kako
izgledaju rješenja xp i xn ?

Odgovor
* Partikularno rješenje je jedno jedino rješenje xp = A−1 b.
* Specijalna rješenja i slobodne varijable ne postoje.
* Matrica R = I ne sadrži nula redove.
* Jedini vektor u nulprostoru je xn = 0.
* Potpuno rješenje je tada x = xp + xn = A−1 b + 0.

10/35
Partikularno rješenje Axp = b

U predavanju o eliminaciji nismo spominjali nulprostor, budući da

smo radili sa invertibilnom matricom A, pa je nulprostor matrice
N (A) sadržao samo nula vektor.

[ ] [ ]
Redukovanje nas je vodilo od A b do I A−1 b . Odnosno,
matricu A smo redukovali sve do jedinične matrice I, pa je sistem
jednačina Ax = b postao x = A−1 b, što predstavlja vektor d.

11/35
Partikularno rješenje Axp = b

Primjer Odrediti uslov koji vektor (b1 , b2 , b3 ) mora ispunjavati

kako bi sistem jednačina Ax = b bio rješiv ako je:

   
1 1 b1
A= 1 2 i b =  b2 
−2 −3 b3

Uslov koji želimo odrediti će “postaviti” vektor b u prostor kolona

matrice A. Pronaći ćemo potpuno rješenje x = xp + xn .

12/35
Partikularno rješenje Axp = b

Rješenje Koristit
[ ćemo
] proširenu matricu sa dodatnom kolonom
vektora b (tj. A b ), nad kojom radimo sljedeće korake da
dobijemo redukovanu formu R:
1. (1)red1 oduzeti od reda2
2. (−2)red1 oduzeti od reda3 (tj. (2)red1 dodati redu3)
3. (−1)red2 oduzeti od reda3 (tj. (1)red2 dodati redu3)
4. (1)red2 oduzeti od reda1

     
1 1 b1 1 1 b1 1 0 2b1 − b2
1 2 b2  →  0 1 b2 − b 1  →  0 1 b2 − b1 
−2 −3 b3 0 −1 b3 + 2b1 0 0 b3 + b1 + b2

13/35
Partikularno rješenje Axp = b

Rješenje  
1 0 2b1 − b2
0 1 b2 − b1 
0 0 b3 + b1 + b2

▶ Posljednja jednačina je 0 = 0 kada je b3 + b1 + b2 = 0.

▶ Ovo predstavlja uslov da se vektor b nalazi u prostoru kolona
matrice A.
▶ Za takvo b će sistem jednačina Ax = b imati rješenje.
▶ Redovi matrice A u sumi daju nula red. Zbog konzistentnosti
sistema jednačina, komponente vektora b također moraju
davati nulu u sumi.

14/35
Partikularno rješenje Axp = b

U ovom primjeru nemamo slobodnih varijabli, budući da je

n − r = 2 − 2, pa specijalna rješenja ne postoje.
Vektor u nulprostoru matrice A je xn = 0.
Partikularno rješenje sistema Ax = b i Rx = d je u vrhu vektor
kolone d.

[ ] [ ]
2b1 − b2 0
Jedino rješenje za Ax = b x = xp + xn = +
b2 − b1 0

Ukoliko b3 + b1 + b2 nije jednako nuli, rješenje sistema jednačina

neće postojati (xp i x ne postoje).

15/35
Partikularno rješenje Axp = b

Ovo je tipičan primjer jednog veoma važnog slučaja: matrica A

ima potpuni rang kolona. Odnosno, svaka kolona sadrži pivot
element. Rang je r = n, a matrica je “visoka i tanka” (m ≥ n).
Redukovonje redova dovodi do jedinične matrice koja se pojavljuje
u vrhu, kada A svodimo na R sa rangom n:

[ ] [ ]
I n × n jedinična matrica
Potpuni rang kolona R= =
0 m − n redova nula

Ne postoje slobodne kolone ili slobodne varijable. Nulprostor je

Z = {nula vektor}.

16/35
Partikularno rješenje Axp = b
Svaka matrica A sa potpunim rangom kolona ima sljedeća
svojstva:
1. Sve kolone matrice A su pivot kolone.
2. Ne posjeduje slobodne varijable, pa specijalna rješenja ne
postoje.
3. Nulprostor sadrži samo nula vektor x = 0.
4. Ako Ax = b ima rješenje (rješenje ne mora postojati) tada će
postojati jedinstveno rješenje.

Kolone ovakve matrice A su nezavisne. Ax = 0 je tačno samo

za x = 0. Nulprostor matrice A (i R) je smanjen na nula vektor.
Rješenje sistema Ax = b je jedinstveno (ukoliko postoji). Postojat
će m − n nula redova u matrici R, pa i m − n uslova koje vektor b
mora ispunjavati kako bi imali 0 = 0 u tim redovima, i vektor b u
prostoru kolona matrice A.

17/35
Potpuno rješenje

Drugi ekstreman slučaj je potpuni rang redova. U tom slučaju

Ax = b ima jedno ili beskonačno mnogo rješenja. U ovom slučaju
matrica A mora biti “kratka i široka” (m ≤ n).

Matrica ima potpuni rang redova ako je r = m. “Redovi su

nezavisni”. Svaki red ima pivot.

Primjer Sistem Ax = b ima tri nepoznate (n = 3), ali samo

dvije jednačine (m = 2):

x+y+z =3
Potpuni rang redova rang r = m = 2
x + 2y − z = 4

18/35
Potpuno rješenje
Dvije jednačine predstavljaju dvije (neparalelne) ravni u xyz
prostoru koje se sijeku u jednoj pravoj. Ova prava sadrži sva
rješenja sistema jednačina i otkrivamo je eliminacijom.

Partikularno rješenje je tačka na pravoj. Dodavanjem vektora

iz nulprostora xn pomjeramo se duž prave na slici 1. Pa
x = xp + xn daje cijelu pravu rješenja.

Prava rješenja Ax = b
x = xp + xn
xp
Prava rješenja Ax = 0
xn
0

Figure 1: Potpuno rješenje = jedno partikularno rješenje + sva

specijalna rješenja
19/35
Potpuno rješenje
[ ]
Rješenja xp i xn pronalazimo eliminacijom nad A b :
oduzimamo red1 od reda2, a zatim red2 od reda1:
[ ] [ ] [ ]
1 1 1 3 1 1 1 3 1 0 3 2 [ ]
→ → = R d
1 2 −1 4 0 1 −2 1 0 1 −2 1

Partikularno rješenje ima slobodnu varijablu x3 = 0, a specijalno

rješenje ima x3 = 1:

xp dolazi direktno iz d sa desne strane: xp = (2, 1, 0)

xn dolazi iz treće (slobodne) kolone matrice R: s = (−3, 2, 1)

Nije loše provjeriti da xp i s zadovoljavaju početne jednačine

Axp = b i As = 0:

2+1=3 −3 + 2 + 1 = 0
2+2=4 −3 + 4 − 1 = 0

20/35
Potpuno rješenje
Specijalno rješenje xn je bilo koji umnožak vektora s, te se
pomjera duž prave rješenja, sa početkom u tačci xp .

Obratimo pažnju kako se rješenje piše:

   
2 −3
Potpuno rješenje x = xp + xn = 1 + x3  2 
0 1

Ova prava rješenja je ilustrovana na slici 1. Bilo koja tačka na

pravoj je mogla biti izabrana kao partikularno rješenje. Mi smo
odabrali x3 = 0.

Partikularno rješenje nije pomnoženo sa nekom proizvoljnom

konstantom, budući da je konstanta potrebna kako bismo kreirali
sva nulprostor rješenja xn .

21/35
Potpuno rješenje
Da sumiramo: za “kratku široku” matricu sa potpunim rangom
redova, za koju je m < n, sistem jednačina Ax = b će biti
nedovoljno određen (imat će mnogo rješenja).

Svaka matrica A sa potpunim rangom redova (r = m) ima

sljedeća svojstva:
1. Svi redovi imaju pivot elemet, i R ne sadrži redove nula.
2. Sistem Ax = b ima rješenje za svaki vektor b na desnoj
strani.
3. Prostor kolona je cijeli prostor Rm .
4. Postoji n − r = n − m specijalnih rješenja u nulprostoru
matrice A.
U ovom slučaju sa m pivot elemenata, redovi su “linearno
nezavisni”. Pa su kolone matrice AT linearno nezavisne.
Nulprostor matrice AT je nula vektor.
22/35
Partikularno rješenje

Četiri moguće situacije za linearne jednačine u zavisnosti od

ranga r:

r=mir=n Kvadratna i invertibilna Ax = b ima 1 rješenje

r=mir<n “Kratka i široka” Ax = b ima ∞ rješenja
r<mir=n “Visoka i tanka” Ax = b ima 1 ili 0 rješenja
r<mir<n Nema puni rang Ax = b ima 0 ili ∞ rješenja

23/35
Partikularno rješenje

Redukovana matrica R će biti u istoj kategoriji kao matrica A.

Ukoliko su, nekim slučajem, pivot kolone na početku matrice R,
ove četiri situacije možemo vizualizirati i za R. Kako bi sistem
Rx = d (kao i Ax = b) bio rješiv, vektor d mora završavati sa
m − r redova nula. F predstavlja slobodni dio matrice R.

[ ] [ ] [ ] [ ]
Četiri tipa za R I I F I I F
0 0 0
Rang r=m=n r=m<n r=n<m r < m, r < n

Slučajevi 1 i 2 imaju potpuni rang redova r = m. Slučakevi 1 i 3

imaju potpuni rang kolona r = n. Slučaj 4 je najgeneralniji u
teoriji i najmanje vjerovatan u praksi.

24/35
Nezavisnost, baze i dimenzije
Važan dio ovog poglavlja se tiče “stvarne” veličine potprostora.

Neka postoji n kolona u matrici veličine m × n, ali stvarna

“dimenzionalnost” prostora kolona nije nužno n.

Dimenzionalnost se ustvari mjeri brojem nezavisnih kolona, tj.

realna dimenzionalnost prostora kolona rang r.

Ideja nezavisnosti je primjenjiva na bilo koje vektore v1 , ..., vn u

bilo kojem vektorskom prostoru. Posebno ćemo se posvetiti
potprostorima koji su nam već poznati, tj. prostor kolona i
nulprostor matrice A.

Cilj nam je razumijeti bazu: nezavisni vektori koji “obuhvataju

prostor”.
Svaki vektor u prostoru je jedinstvena kombinacija baznih
vektora.
25/35
Nezavisnost, baze i dimenzije

Četiri ključne ideje kojim ćemo se baviti u nastavku su:

1. Nezavisni vektori (nema dodatnih vektora)

(dovoljno vektora da
2. Obuhvatanje prostora
bismo proizveli sve ostale)
3. Baza prostora (ni previše ni premalo)

4. Dimenzionalnost prostora (broj vektora u bazi)

26/35
Linearna zavisnost

DEFINICIJA Kolone matrice A su linearno nezavisne kada je

jedino rješenje sistema jednačina Ax = 0 x = 0. Ni jedna druga
kombinacija kolona Ax ne proizvodi nula vektor.

Kolone su nezavisne kada nulprostor N (A) sadrži samo vektor

nula.

27/35
Linearna zavisnost
Linearnu nezavisnost ilustrujemo pomoću tri vektora u R3 :
1. Ukoliko tri vektora nisu u istoj ravni, oni su nezavisni1 .
2. Ukoliko su tri vektora w1 , w2 , w3 u istoj ravni, oni su zavisni.

v1

U ravni
w3
Nije u ravni
v2
w2
v3 w1
Figure 2: Nezavisni vektori v1 , v2 , v3 . Samo 0v1 + 0v2 + 0v3
kombinacija daje vektor 0. Zavisni vektori w1 , w2 , w3 . Kombinacija
w1 − w2 + w3 daje (0, 0, 0).

1
Ni jedna kombinacija vektora v1 , v2 , v3 ne daju nulu, osim
0v1 + 0v2 + 0v3 .
28/35
Linearna zavisnost

Sada ćemo koristiti malo drugačiju terminologiju kako bismo dali

definiciju nezavisnosti koja je primjenljiva na bilo koji skup vektora
u bilo kojem vektorskom prostoru. Kada su vektori kolone matrice
A, dvije definicije nam govore istu stvar.

DEFINICIJA Skup vektora v1 , ..., vn je linearno nezavisan

ako je 0v1 + 0v2 + ... + 0vn jedina kombinacija koja daje nula
vektor.

x1 v1 + x2 v2 + ... + xn vn = 0 samo kada su svi x-evi nula (1)

Ako kombinacija daje 0 kada svi x-evi nisu nula, vektori su zavisni.

29/35
Linearna zavisnost

TERMINOLOGIJA

Ispravan izraz je: “Skup vektora je linearno nezavisan”

Prihvatljiva skraćenica: “Vektori su nezavisni”.

Neprihvatljivo: “Matrica je nezavisna”.

30/35
Linearna zavisnost

Skup vektora je ili zavisan ili nezavisan. Vektori mogu biti

kombinovani da daju nula vektor (sa x vrijednostima različitim od
nule) ili ne mogu. Samim tim, ključno pitanje je: Koje kombinacije
vektora daju nula vektor?

Počet ćemo od jednostavnih primjera u R2 :

a Vektori (1, 0) i (0, 1) su nezavisni.
b Vektori (1, 0) i (0, 0.000001) su nezavisni.
c Vektori (1, 1) i (−1, −1) su zavisni.
d Vektori (1, 1) i (0, 0) su zavisni, zbog nula vektora.
e U R2 , svaka tri vektora (a, b), (c, d) i (e, f ) su zavisni.

31/35
Linearna zavisnost
Ako posmatramo geometrijski, vektori (1, 1) i (−1, −1) se nalaze
na pravoj koja prolazi kroz koordinatni početak. Vektori su zavisni.
Da bismo iskoristili definiciju, potrebno je odrediti vrijednosti x1 i
x2 , takve da je x1 (1, 1) + x2 (−1, −1) = (0, 0). Što predstavlja isto
što i rješavanje Ax = 0:

[ ][ ] [ ]
1 −1 x1 0
= za x1 = 1 i x2 = 1
1 −1 x2 0

Kolone matrice su zavisne tačno kada postoji vektor različit od

nula vektora u nulprostoru matrice.

Ukoliko je bilo koji vektor v nula vektor, neće postojati način da

vektori budu nezavisni.

32/35
Linearna zavisnost
Tri vektora u prostoru R2 ne mogu biti nezavisna!

Jedan način da ovo vidimo je: matrica A sa tri kolone (pri čemu
svaka kolona ima dvije komponente) mora imati slobodnu
varijablu, a samim tim i jedno specijalno rješenje za Ax = 0.

Drugi način da ovo vidimo: ukoliko su dva od tri vektora nezavisna,

treći vektor će sigurno biti neka kombinacija ta dva vektora!

Sada nas interesuju tri vektora u prostoru R3 . Ukoliko je jedan od

vektora umnožak jednog od druga dva vektora, ovi vektori će biti
zavisni. Medjutim, potpuni test podrazumijeva da posmatramo sva
tri vektora istovremeno. Stoga, tri vektora ćemo staviti u matricu
A i pokušati riješiti Ax = 0.

33/35
Linearna zavisnost
Primjer Kolone matrice A u ovom primjeru su zavisne. Ax = 0
ima rješenje različito od nule2 :
          
1 0 3 −3 1 0 3 0
Ax = 2 1 5  1  je −3 2+1 1+1 5 = 0
1 0 3 1 1 0 3 0

Rang matrice je r = 2. U slučaju da imamo nezavisne kolone, iste

bi kreirale potpuni rang kolona r = n = 3.

U matrici A i redovi su zavisni: kada oduzmemo red1 od reda3

dobit ćemo red nula. Želimo pokazati, za kvadratne matrice, da
zavisnost kolona implicira zavisnost redova.
2
Kako ćemo pronaći rješenje sistema Ax = 0? Očigledno eliminacijom, tj.
tako što redukujemo matricu A u matricu R. Pa je rješenje (−3, 1, 1)
specijalno rješenje (za x3 = 1) koje čitamo direktno iz matrice R i koje
pokazuje da je slobodna kolona (kolona3) kombinacija pivot kolona.
34/35
Linearna zavisnost
Potpuni rang kolona Kolone matrice A su nezavisne tačno kada
je rang r = n. Postoji n pivot elemenata i ni jedna slobodna
varijabla. Nulprostor čini samo vektor x = 0.

Jedan slučaj nam je od značajne važnosti: pretpostavimo da

imamo sedam vektor kolona sa pet komponenti (m = 5 je manje
od n = 7). Takve vektor kolone moraju biti zavisne. Bilo kojih
sedam vektora iz R5 su zavisni. Rang matrice A ne može biti veći
od 5, jer ne postoji način da postoji više od 5 pivot elemenata u 5
redova. Sistem Ax = 0 ima barem 7 − 5 = 2 slobodnih varijabli,
pa postoje rješenja različita od nule, što znači da su kolone zavisne.

Bilo koji skup n vektora u Rm prostoru, mora biti linearno zavisan

ako je n > m.

Kada je n ≤ m kolone mogu biti zavisne ili nezavisne. Eliminacija

će otkriti r pivot kolona koje su nezavisne.
35/35