Linearna Algebra i Analitiˇcka Geometrija

Predrag Tanovi´c
February 1, 2011
Contents
1 LINEARNE JEDNA
ˇ
CINE I SISTEMI 3
1.1 Osnovni pojmovi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Elementarne transformacije sistema jednaˇcina, Gausov postupak . . . . . . . . . . . . . . . . . . . . . 6
2 VEKTORI U R
n
6
2.1 Sabiranje vektora i mnoˇzenje skalarom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Linearne kombinacije, linearna zavisnost vektora u R
n
; veza sa sistemima linearnih jednaˇcina . . . . . 8
2.3 Norma vektora i skalarni proizvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Nejednakosti Cauchy-Shwartza i Minkowskog . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Rastojanje, ugao izmedju vektora, projekcija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.6 Povrˇsina paralelograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.7 Vektori u R
3
, vektorski i meˇsoviti proizvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.8 Prave i hiper-ravni u R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.9 Rastojanje taˇcke od prave u R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.10 Prava u ravni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.11 Poloˇzaj ravni u R
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.12 Medjusobni poloˇzaj pravih u R
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.13 Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni . . . . . . . . . . . . . . . . . . . . . . . 17
3 MATRICE 18
3.1 Sabiranje i mnoˇzenje matrica skalarom, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Mnoˇzenje matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Matriˇcni zapis sistema linearnih jednaˇcina, veza izmedju skupa reˇsenja sistema i skupa reˇsenja pridruˇzenog
homogenog sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Blok matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Transponovanje matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Kvadratne matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7 Elementarne transformacije vrsta matrice, elementarne matrice . . . . . . . . . . . . . . . . . . . . . . 26
3.8 Inverzna matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.9 Izraˇcunavanje inverzne matrice elementarnim transformacijama vrsta . . . . . . . . . . . . . . . . . . . 29
3.10 Elementarne transformacije kolona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.11 Ekvivalentnost matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.12 Smena promenljivih (promena koodinatnog sistema), sliˇcne matrice . . . . . . . . . . . . . . . . . . . . 33
3.13 Specijalni tipovi kvadratnih matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 VEKTORSKI PROSTORI 36
4.1 Primeri vektorskih prostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Potprostori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Linearne kombinacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4 Linearna zavisnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.5 Baza i dimenzija . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.6 Prostor vrsta matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.7 Odredjivanje baze i dimenzije potprostora u R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.8 Rang matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.9 Drugi algoritam za odredjivanje baze i dimenzije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.10 Linearne jednaˇcine i vektorski prostori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1
Linearna Algebra i Analitiˇcka Geometrija – 2 –
4.11 Suma i direktna suma potprostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.12 Koordinate vektora u odnosu na bazu, promena baze . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5 LINEARNI OPERATORI 50
5.1 Definicija i primeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2 Slika i jezgro linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3 Primena na sisteme linearnih jednaˇcina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.4 Izomorfizam vektorskih prostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U, V ) . . . . . . . . . . . . . . . . . . . 54
5.6 Algebra A(V ) (ili Hom(V )) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.7 Matriˇcno predstavljanje linearnih operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.8 Algoritam za formiranje matrice operatora u odnosu na bazu . . . . . . . . . . . . . . . . . . . . . . . 57
5.9 M
n
(F) i A(V ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.10 Promena baze i matrica operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 DETERMINANTE 58
6.1 Determinante reda 1, 2 i 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Permutacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.3 Definicija i osnovna svojstva determinanti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.4 Minori i kofaktori, izraˇcunavanje determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.5 Adjungovana matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.6 Kramerova teorema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.7 Determinante blok matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.8 Determinanta linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7 UNITARNI PROSTORI 67
7.1 Koˇsi-
ˇ
Svarcova nejednakost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2 Ortogonalnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.3 Ortogonalni skupovi i baze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
7.4 Furijeovi koeficijenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
7.5 Beselova nejednakost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.6 Gram-
ˇ
Smitov postupak ortogonalizacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
7.7 Ugao izmedju vektora i potprostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.8 Matriˇcno predstavljanje skalarnog proizvoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.9 Promena baze i Gramova matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.10 Ortogonalne matrice i skalarni proizvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.11 Gramova determinanta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7.12 NORMIRANI PROSTORI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
8 DIJAGONALIZACIJA 78
8.1 Karakteristiˇcni (sopstveni) polinom matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8.2 Teorema Kejli-Hamiltona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
8.3 Sopstvene vrednosti i sopstveni vektori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
8.4 Algebarska i geometrijska viˇsestrukost sopstvene vrednosti . . . . . . . . . . . . . . . . . . . . . . . . . 81
8.5 Dijagonalizabilnost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
8.6 Dijagonalizacija realnih simetriˇcnih matrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.7 Minimalni polinom matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.8 Dijagonalizacija linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
9 KANONSKE FORME OPERATORA 85
9.1 Invarijantni potprostori linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.2 Osnovna dekompozicija linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.3 Nilpotentni operatori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
9.4
ˇ
Zordanova forma linearnog operatora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
10 ISPITNA PITANJA 89
Linearna Algebra i Analitiˇcka Geometrija – 3 –
1 LINEARNE JEDNA
ˇ
CINE I SISTEMI
1.1 Osnovni pojmovi
Neka je K polje, ukoliko drugaˇcije nije naglaˇseno podrazumevamo K = R.
• Linearna jednaˇcina nad poljem K po promenljivim x
1
, x
2
, ..., x
n
je jednaˇcina koja se moˇze svesti na oblik
a
1
x
1
+a
2
x
2
+... +a
n
x
n
= b
gde su koeficijenti a
1
, a
2
, ..., a
n
i slobodni ˇclan b elementi polja K.
• Uredjena n-torka (k
1
, k
2
, ..., k
n
) ∈ K
n
je reˇsenje gornje jednaˇcine ako vaˇzi:
a
1
k
1
+a
2
k
2
+... +a
n
k
n
= b
• Sva njena reˇsenja ˇcine skup reˇsenja jednaˇcine:
{(k
1
, k
2
, ..., k
n
) ∈ K
n
| a
1
k
1
+a
2
k
2
+... +a
n
k
n
= b }
• Degenerisana linearna jednaˇcina je oblika:
0 x
1
+ 0 x
2
+... + 0 x
n
= b
Ako je b = 0 skup njenih reˇshenja je K
n
; ako je b ̸= 0 onda ona nema reˇsenja (skup reˇsenja je ∅).
• Sistem linearnih jednaˇcina po promenljivim x
1
, x
2
, ..., x
n
je
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
Uredjena n-torka (k
1
, k
2
, ..., k
n
) ∈ K
n
je reˇsenje sistema ako je reˇsenje svake od jednaˇcina sistema. Sva reˇsenja ˇcine
skup reˇsenja sistema.
• Ako sa S
i
oznaˇcimo skup reˇsenja i-te jednaˇcine gornjeg sistema a sa S skup reˇsenja sistema tada vaˇzi:
S = S
1
∩ S
2
∩ ... ∩ S
m
• Reˇsiti sistem jednaˇcina znaˇci odrediti njegov skup reˇsenja.
Definicija 1.1. Dva sistema su ekvivalentna ako imaju isti skup reˇsenja.
Definicija 1.2. Homogena linearna jednaˇcina je oblika
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
= 0 .
Neka su r = (r
1
, r
2
, ..., r
n
) i r

= (r

1
, r

2
, ..., r

n
) reˇsenja gornje homogene jednaˇcine i k ∈ R. Tada:
• (kr
1
, kr
2
, ..., kr
n
) je reˇsenje:
a
11
r
1
+ a
12
r
2
+ ... + a
1n
r
n
= 0
k(a
11
r
1
+ a
12
r
2
+ ... + a
1n
r
n
) = 0
a
11
(k r
1
) + a
12
(k r
2
) + ... + a
1n
(k r
n
) = 0 ;
oznaˇcavamo ga sa kr .
• (r
1
+r

1
, r
2
+r

2
, ..., r
n
+r

n
) je reˇsenje:
a
11
r
1
+ a
12
r
2
+ ... a
1n
r
n
= 0
Linearna Algebra i Analitiˇcka Geometrija – 4 –
+
a
11
r

1
+ a
12
r

2
+ ... a
1n
r

n
= 0
a
11
(r
1
+r

1
) + a
12
(r
2
+r

2
) + ... a
1n
(r
n
+r

n
) = 0 ;
oznaˇcavamo ga sa r +r

.
• Ako su r, r

, ... ,r
(n)
njena reˇsenja i k
0
, k
1
, ..., k
n
skalari (obiˇcni brojevi) tada je i k
0
r + k
1
r

+ ... + k
n
r
(n)
reˇsenje.
Isto vaˇzi i za sistem homogenih linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= 0
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= 0
• Ako su r, r

, ... ,r
(n)
njena reˇsenja i k
0
, k
1
, ..., k
n
skalari (obiˇcni brojevi) tada je i k
0
r + k
1
r

+ ... + k
n
r
(n)
reˇsenje.
Primer 1.1.
x + z = 0
y + 3z = 0
t = 0
ima parametarsko reˇsenje t = 0, z = a, y = −3a, x = −a ili (x, y, z, t) = (−a, −3a, a, 0) a ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
−a
−3a
a
0
_
_
_
_
= a
_
_
_
_
−1
−3
1
0
_
_
_
_
Primer 1.2.
x − 2y + t = 0
z − 3t = 0
ima parametarsko reˇsenje t = a, z = 3a, y = b, x = 2b −a ili (x, y, z, t) = (2b −a, b, 3a, a) a, b ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
2b −a
b
3a
a
_
_
_
_
=
_
_
_
_
2b
b
0
0
_
_
_
_
+
_
_
_
_
−a
0
3a
a
_
_
_
_
= b
_
_
_
_
2
1
0
0
_
_
_
_
+a
_
_
_
_
−1
0
3
1
_
_
_
_
(2, 1, 0, 0) je reˇsenje sistema i dobija se za a = 0 b = 1, reˇsenje (−1, 0, 3, 1) za a = 1 b = 0. Ova dva reˇsenja
ˇcine bazu skupa reˇsenja (ˇsto znaˇci da se svako reˇsenje sistema izraˇzava kao njihova linearna kombinacija). U sluˇcaju
proizvoljnog homogenog sistema bazu skupa reˇsenja dobijamo kada uzimamo da je vrednost jedne slobodne promenljive
1 a ostalih 0; na taj naˇcin dobijemo onoliko reˇsenja koliko homogeni sistem ima slobodnih promenljivih.
Zbir dva reˇsenja nehomogene linearne jednaˇcine
a
1
x
1
+... +a
n
x
n
= b
(gde je b ̸= 0!) ne daje reˇsenje: (1, 1) i (0, 2) su reˇsenja jednaˇcine x + y = 2 a (1, 3) nije. Reˇsenja ne smemo ni
mnoˇziti: k (1, 1) nije reˇsenje jednaˇcine za k ̸= 1.
• Ako je r reˇsenje nehomogene jednaˇcine a h reˇsenje odgovaraju´ce homogene jednaˇcine, tada je r + h takodje
reˇsenje nehomogene jednaˇcine:
Neka je r = (r
1
, r
2
, ..., r
n
) reˇsenje jednaˇcine
a
1
x
1
+ a
2
x
2
+ ... + a
n
x
n
= b
Linearna Algebra i Analitiˇcka Geometrija – 5 –
i neka je h = (h
1
, h
2
, ..., h
n
) reˇsenje odgovaraju´ce homogene jednaˇcine
a
1
x
1
+ a
2
x
2
+ ... + a
n
x
n
= 0
Tada je
a
1
r
1
+ a
2
r
2
+ ... + a
n
r
n
= b
a
1
h
1
+ a
2
h
2
+ ... + a
n
h
n
= 0
Sabiranjem dobijamo:
a
1
(r
1
+h
1
) + a
2
(r
2
+h
2
) + ... + a
n
(r
n
+h
n
) = b
• Ako je r

bilo koje reˇsenje nehomogene jednaˇcine tada se lako proveri da je r

− r = h

reˇsenje homogene
jednaˇcine. Zakljuˇcujemo: svako reˇsenje nehomogene jednaˇcine r

moˇzemo napisati kao zbir
r

= r +h

reˇsenja r i nekog reˇsenja homogene jednaˇcine.
• Ako sa W oznaˇcimo skup svih reˇsenja homogene jednaˇcine i ako je r bilo koje reˇsenje odgovaraju´ce nehomogene
jednaˇcine, tada je
r +W = {r +h| h ∈ W}
skup svih reˇsenja nehomogene jednaˇcine.
Isto vaˇzi i za sisteme: posmatrajmo sistem
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
i njemu odgovaraju´ci homogeni sistem:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= 0
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= 0
• Ako je r

bilo koje reˇsenje nehomogenog sistema tada je r

− r = h

reˇsenje homogenog sistema. Svako reˇsenje
nehomogenog sistema r

moˇzemo napisati kao zbir
r

= r +h

reˇsenja r i nekog reˇsenja homogene jednaˇcine.
• Ako sa W oznaˇcimo skup svih reˇsenja homogenog sistema i ako je r bilo koje reˇsenje odgovaraju´ceg nehomogenog
sistema tada je
r +W = {r +h| h ∈ W}
skup svih reˇsenja nehomogenog sistema.
Primer 1.3.
x + z = 2
y + 3z = 1
t = 3
ima parametarsko reˇsenje t = 3, z = a, y = −3a + 1, x = −a + 2 ili (x, y, z, t) = (−a + 2, −3a + 1, a, 0) a ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
=
_
_
_
_
−a + 2
−3a + 1
a
3
_
_
_
_
= a
_
_
_
_
−1
−3
1
0
_
_
_
_
+
_
_
_
_
2
1
0
3
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 6 –
Primer 1.4.
x − 2y + t = 1
z − 3t = 2
ima parametarsko reˇsenje t = a, z = 3a+2, y = b, x = 2b −a+1 ili (x, y, z, t) = (2b −a+1, b, 3a+2, a) a, b ∈ R.
_
_
_
_
x
y
z
t
_
_
_
_
= b
_
_
_
_
2
1
0
0
_
_
_
_
+a
_
_
_
_
−1
0
3
1
_
_
_
_
+
_
_
_
_
1
0
2
0
_
_
_
_
(1, 0, 2, 0) je reˇsenje nehomogenog sistema;
(2, 1, 0, 0) i (−1, 0, 3, 1) su reˇsenja homogenog sistema .
Skup svih reˇsenja homogenog sistema je
W = {b (2, 1, 0, 0) +a (−1, 0, 3, 1) | a, b ∈ R} ;
skup reˇsenja nehomogenog sistema je W + (1, 0, 2, 0) .
1.2 Elementarne transformacije sistema jednaˇcina, Gausov postupak
Oznaˇcimo sa (S) slede´ci sistem jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
L
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
L
2
. . . ... . . . . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
L
m
Elementarne transformacije sistema su:
(E
1
) Zamena mesta i-te i j-te jednaˇcine: L
i
↔L
j
(E
2
) Na mesto i-te jednaˇcine staviti nju pomnoˇzenu skalarom k ̸= 0: k L
i
→L
i
(E
2
) i-tu jednaˇcinu zameniti sa L
i
+a L
j
(a ∈ K, i ̸= j): L
i
+a L
j
→L
i
Teorema 1.1. Ako se sistem (S)

mozhe dobiti iz sistema (S) primenom konachnog niza elementarnih transformacija
tada su ta dva sistema ekvivalentna.
Dokaz. Videti Problem 1.46
• Trougaona i stepenasta forma sistema.
• Gausov postupak, svodjenje sistema na stepenastu formu
2 VEKTORI U R
n
• R
n
je n-prostor ;
• u = (u
1
, u
2
, ..., u
n
) ∈ R
n
je vektor (ili taˇcka) prostora. u
1
, u
2
, ..., u
n
su njegove komponente ili koordinate.
• a ∈ R je skalar .
• Dva vektora u = (u
1
, ..., u
n
) i v = (v
1
, ..., v
n
) su jednaka ako i samo ako je u
1
= v
1
, u
2
= v
2
, ... , u
n
= v
n
.
• Vektor u = (u
1
, ..., u
n
) piˇsemo i kao vektor-kolonu
_
_
_
_
u
1
u
2
...
u
n
_
_
_
_
• Ponekad vektor x oznaˇcavamo i sa ⃗x .
Linearna Algebra i Analitiˇcka Geometrija – 7 –
2.1 Sabiranje vektora i mnoˇzenje skalarom
Definicija 2.1. Neka su u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) vektori prostora R
n
. Definiˇsemo:
(a) sabiranje vektora:
u +v = (u
1
+v
1
, u
2
+v
2
, ..., u
n
+v
n
) (∈ R
n
)
(b) mnoˇzenje vektora skalarom (brojem) k ∈ R:
k u = (k u
1
, k u
2
, ..., k u
n
) (∈ R
n
)
• Ako je n = 2, 3 mnoˇzenje vektora poloˇzaja skalarom k je ’izduˇzivanje’ (ili ’skra´civanje’) po istom pravcu sa
koeficijentom k, ako je k < 0 onda imamo i promenu smera.
• Sabiranje vektora je ’sabiranje vektora poloˇzaja po pravilu paralelograma’.
• Nula-vektor je 0 = (0, 0, ..., 0).
• −u je (−1) u.
Teorema 2.1. Za sve vektore u, v, w ∈ R
n
i skalare k, k

∈ R vaˇzi:
1. (u +v) +w = u + (v +w)
2. u +0 = u
3. u + (−u) = 0
4. u +v = v +u
5. k (u +v) = k u +k v
6. (k +k

) u = k u +k

u
7. (k k

) u = k (k

u)
8. 1 u = u
Dokaz. Videti Problem 2.4
• Prethodna teorema opisuje R
n
kao vektorski prostor u odnosu na sabiranje vektora i mnoˇzenje skalarom (videti
Definiciju 4.1)
• Ako su vektori u, v ∈ R
n
i k ̸= 0 skalar takvi da je u = k v onda kaˇzemo da u i v imaju isti pravac (u is a
multiple of v).
• u i v imaju isti smer ako je k > 0;
• u i v imaju suprotan smer ako je k < 0.
Linearna Algebra i Analitiˇcka Geometrija – 8 –
2.2 Linearne kombinacije, linearna zavisnost vektora u R
n
; veza sa sistemima linearnih
jednaˇcina
Definicija 2.2. Vektor v je linearna kombinacija vektora u
1
, u
2
, ..., u
n
ako postoje skalari k
1
, k
2
, ..., k
n
takvi da vaˇzi
v = k
1
u
1
+k
2
u
2
+... +k
n
u
n
,
k
1
, k
2
, ..., k
n
su koeficijenti ove linearne kombinacije.
• v je linearna kombinacija vektora u
1
, u
2
, ..., u
n
ako i samo ako slede´ca ’vektorska jednaˇcina’ ima reˇsenje:
v = x
1
u
1
+x
2
u
2
+... +x
n
u
n
.
Primer 2.1. Dati su vektori
v =
_
_
2
3
−4
_
_
u
1
=
_
_
1
1
1
_
_
u
2
=
_
_
1
1
0
_
_
i u
3
=
_
_
1
0
0
_
_
Da li je v linearna kombinacija vektora u
1
, u
2
i u
3
? Ekvivalentno: da li postoje x, y, z ∈ R takvi da:
x
_
_
1
1
1
_
_
+y
_
_
1
1
0
_
_
+z
_
_
1
0
0
_
_
=
_
_
2
3
−4
_
_
Ekvivalentno, da li sistem
x + y + z = 2
x + y = 3
x = −4
ima reˇsenje?
Odgovor je: da. Isti je odgovor i za bilo koji vektor v

na mestu v.
ˇ
Sta viˇse: svaki vektor se na jedinstven naˇcin
izraˇzava kao linearna kombinacija vektora u
1
, u
2
i u
3
(u
1
, u
2
, u
3
je baza vektorskog prostora R
3
)
• Sistem linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
je isto ˇsto i ’vektorska jednaˇcina’
x
1
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
+x
2
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
+... +x
n
_
_
_
_
a
1n
a
2n
...
a
mn
_
_
_
_
=
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
ˇsto oznaˇcava da je vektor
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
linearna kombinacija vektora kolona
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
,
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
, ...,
_
_
_
_
a
1n
a
2n
...
a
mn
_
_
_
_
sa
koeficijentima x
1
, ..x
n
.
Definicija 2.3. Vektori u
1
, u
2
, ..., u
n
∈ R
n
su linearno zavisni ako postoje skalari k
1
, k
2
, ..., k
n
koji nisu svi nule takvi
da vaˇzi
k
1
u
1
+k
2
u
2
+... +k
n
u
n
= 0.
U suprotnom (ako ne postoje takvi k
i
-ovi) oni su linearno nezavisni.
Linearna Algebra i Analitiˇcka Geometrija – 9 –
Teorema 2.2. (a) Vektori u
1
, u
2
, ..., u
n
∈ R
n
su linearno zavisni ako i samo ako je jedan od njih linearna kombinacija
preostalih.
(b) Vektori u
1
, u
2
, ..., u
n
∈ R
n
su linearno zavisni ako je jedan od njih nula -vektor.
Primer 2.2.
• (1, 1) i (1, 0) su linearno nezavisni.
• (1, 1), (1, 0) i (3, 1) su linearno zavisni.
• (1, 1, 1), (1, 1, 0) i (1, 0, 0) su linearno nezavisni.
• (1, 1, 1), (1, 1, 0), (1, 0, 0) i (2, 3, 1) su linearno zavisni.
• Vektori
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
,
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
, ... ,
_
_
_
_
a
1n
a
2n
...
a
mn
_
_
_
_
su linearno nezavisni ako i samo ako homogeni sistem linearnih
jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= 0
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= 0
ima netrivijalno reˇsenje.
2.3 Norma vektora i skalarni proizvod
Definicija 2.4. Neka je u = (u
1
, u
2
, ..., u
n
) vektor u R
n
. Definiˇsemo normu vektora u (njegov intenzitet ili duˇzinu):
∥u∥ =

u
2
1
+u
2
2
+... +u
2
n
(∈ R
+
).
• ∥u∥ = 0 ako i samo ako u = 0.
• ∥k u∥ = |k| ∥u∥ (|k| je apsolutna vrednost broja k).
• u ∈ R
n
je jediniˇcni vektor ako i samo ako je ∥u∥ = 1 .
• Za svaki u ̸= 0 postoji taˇcno jedan jediniˇcni vektor koji ima isti smer kao i u. To je
1
∥u∥
u (ili
u
∥u∥
) .
Definicija 2.5. Neka su u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) vektori u R
n
. Definiˇsemo skalarni proizvod vektora u i v
(dot product, inner product or scalar product):
u · v = u
1
v
1
+u
2
v
2
+... +u
n
v
n
(∈ R)
Naredna teorema opisuje osnovna algebarska svojstva skalarnog proizvoda:
Teorema 2.3. Za sve vektore a, b, c ∈ R
n
vaˇzi:
1. a · b = b · a
2. (−a) · b = −(a · b)
3. (k a) · b = k (a · b)
4. a · a = ∥a∥
2
Linearna Algebra i Analitiˇcka Geometrija – 10 –
5. (a +b) · c = a · c +b · c i a · (b +c) = a · b +a · c
Dokaz. ...
• Na osnovu prethodne teoreme moˇzemo skalarno mnoˇziti dve linearne kombinacije vektora kao da se radi o
’obiˇcnim brojevima’; jedino za a · a umesto a
2
piˇsemo ∥a∥
2
:
(2 a +b) · (3 a −b + 2 c) = 6 a · a −2 a · b + 4 a · c + 3 b · a −b · b + 2 b · c =
= 6 ∥a∥
2
+a · b + 4 a · c −∥b∥
2
+ 2 b · c
ili
(a +b) · (a −b) = a · a − a · b +b · a −b · b = ∥a∥
2
−∥b∥
2
2.4 Nejednakosti Cauchy-Shwartza i Minkowskog
Teorema 2.4. (Cauchy- Shwartz) Za vektore u, v ∈ R
n
vaˇzi
|u · v| ≤ ∥u∥ ∥v∥ .
Dokaz: Za svaki realni broj t imamo
0 ≤ (tu +v) · (tu +v) = t
2
(u · u) + 2t(u · v) + (v · v) = ∥u∥
2
t
2
+ 2(u · v)t +∥v∥
2
Neka je
a = ∥u∥
2
, b = 2(u · v), c = ∥v∥
2
Tada, za svaku vrednost t, imamo at
2
+ bt + c ≥ 0. Ovo znaˇci da kvadratni polinom ne moˇze da ima dva realna
korena.
ˇ
Sto dalje implicira da diskriminanta D = b
2
−4ac ≤ 0, ili ekvivalentno tome, b
2
≤ 4ac. Tako
4 (u · v)
2
≤ 4 ∥u∥
2
∥v∥
2
Deljenjem sa 4 dobijamo naˇs rezultat.
Teorema 2.5. (Minkowski) Za vektore u, v ∈ R
n
vaˇzi
∥u +v∥ ≤ ∥u∥ +∥v∥ .
Dokaz: Po Cauchy- Shwartz-ovoj nejednakosti i drugim svojstvima proizvoda,
∥u +v∥
2
= (u +v) · (u +v) = (u · u) + 2(u · v) + (v · v) ≤ ∥u∥
2
+ 2∥u∥ ∥v∥ +∥v∥
2
= (∥u∥ +∥v∥)
2
Kada korenujemo obe strane dobijamo ˇzeljenu nejednakost.
2.5 Rastojanje, ugao izmedju vektora, projekcija
Definicija 2.6. Rastojanje (distance) izmedju taˇcaka (vektora) u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) je:
d(u, v) =

(u
1
−v
1
)
2
+ (u
2
−v
2
)
2
+... + (u
n
−v
n
)
2
.
• d(u, v) = d(v, u)
• Ako je n = 2, 3 sa d(u, v) je definisano uobiˇcajeno rastojanje (duˇzina duˇzi uv).
• Nejednakost Minkowskog za u = a −b i v = b −c daje:
d(a, c) ≤ d(a, b) +d(b, c)
ˇsto je nejednakost trougla za △abc: duˇzina stranice ac je manja od zbira duˇzina stranica ab i bc
Linearna Algebra i Analitiˇcka Geometrija – 11 –
Teorema 2.6. (a) Ako su u = (u
1
, u
2
) i v = (v
1
, v
2
) taˇcke u (ravni) R
2
i θ ugao izmedju njih (∠u0v) onda je
cos θ =
u
1
v
1
+u
2
v
2

u
2
1
+u
2
2

v
2
1
+v
2
2
=
u · v
∥u∥ ∥v∥
(b) Ako su u = (u
1
, u
2
, u
3
) i v = (v
1
, v
2
, v
3
) taˇcke u (obiˇcnom prostoru) R
3
i θ ugao izmedju njih (∠u0v) onda
je
cos θ =
u
1
v
1
+u
2
v
2
+u
3
v
3

u
2
1
+u
2
2
+u
2
3

v
2
1
+v
2
2
+v
2
3
=
u · v
∥u∥ ∥v∥
Dokaz.
-
6
0
v = (v
1
, v
2
)
u = (u
1
, u
2
)
x
y
∥u∥
∥v∥
θ
Primenimo kosinusnu teoremu na trougao 0uv ......
Definicija 2.7. Ugao izmedju ne-nula vektora u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) θ definiˇsemo sa:
cos θ =
u · v
∥u∥ ∥v∥
Primetimo da Cauchy-Shwartzova nejednakost povlaˇci:
−1 ≤
u · v
∥u∥ ∥v∥
≤ 1
pa postoji ugao θ ∈ [0, π) takav da je cos θ =
u · v
∥u∥ ∥v∥
.
Kako je cos
π
2
= 0 imamo da su vektori u R
n
(n = 2, 3) normalni ako i samo ako je njihov skalarni proizvod 0.
Definicija 2.8. Vektori u, v ∈ R
n
su ortogonalni (ili normalni) ako je u · v = 0 .
Definicija 2.9. Definiˇsemo projekciju vektora v = (v
1
, v
2
, ..., v
n
) na pravac vektora u = (u
1
, u
2
, ..., u
n
) :
proj(v, u) =
u · v
∥u∥
2
u (= cu)
- -

6
O u
v
c u
v −c u
c =
u · v
∥u∥
2
je jedinstven skalar takav da je (v −c u) · u = 0 :
(v −c u) · u = v · u −c u · u = v · u −c ∥u∥
2
= 0
Odavde sledi c =
u · v
∥u∥
2
.
Linearna Algebra i Analitiˇcka Geometrija – 12 –
2.6 Povrˇsina paralelograma
• Raˇcunamo povrˇsinu P paralelograma (u R
n
!) odredjenog vektorima a i b:
- -

6
0 a
b
c a
h = b −c a
Vektor visine je h = b −c a = b −
a · b
∥a∥
2
a
∥h∥
2
= (b −c a) · (b −c a) = ∥b∥
2
−2 c a · b +c
2
∥a∥
2
=
= ∥b∥
2
−2
a · b
∥a∥
2
(a · b) +
_
a · b
∥a∥
2
_
2
∥a∥
2
=
= ∥b∥
2
−2
(a · b)
2
∥a∥
2
+
(a · b)
2
∥a∥
2
=
= ∥b∥
2

(a · b)
2
∥a∥
2
Kako je P
2
= ∥a∥
2
∥h∥
2
dobijamo:
P
2
= ∥a∥
2
∥b∥
2
−(a · b)
2
=
¸
¸
¸
¸
a · a a · b
b · a b · b
¸
¸
¸
¸
2.7 Vektori u R
3
, vektorski i meˇsoviti proizvod
• i = (1, 0, 0) je jediniˇcni vektor u smeru x-ose;
• j = (0, 1, 0) je jediniˇcni vektor u smeru y-ose;
• k = (0, 0, 1) je jediniˇcni vektor u smeru z-ose.
• i, j, k je ortonormirana baza (to su jediniˇcni vektori koji su medjusobno normalni:
i · i = j · j = k · k = 1 i · j = j · k = k · i = 0
Svaki vektor u = (a, b, c) se na jedinstven naˇcin piˇse u obliku
u = a i +b j +ck .
Definicija 2.10. Vektorski proizvod (cross product) vektora a = (a
1
, a
2
, a
3
) i b = (b
1
, b
2
, b
3
) je vektor
a ×b = (a
2
b
3
−a
3
b
2
, −a
1
b
3
+a
3
b
1
, a
1
b
2
−a
2
b
1
) .
a ×b = (a
2
b
3
−a
3
b
2
)i −(a
1
b
3
−a
3
b
1
)j + (a
1
b
2
−a
2
b
1
)k =
=
¸
¸
¸
¸
a
2
a
3
b
2
b
3
¸
¸
¸
¸
i −
¸
¸
¸
¸
a
1
a
3
b
1
b
3
¸
¸
¸
¸
j +
¸
¸
¸
¸
a
1
a
2
b
1
b
2
¸
¸
¸
¸
k
a ×b =
¸
¸
¸
¸
¸
¸
i j k
a
1
a
2
a
3
b
1
b
2
b
3
¸
¸
¸
¸
¸
¸
Linearna Algebra i Analitiˇcka Geometrija – 13 –
• Neka je a = (a
1
, a
2
, a
3
), b = (b
1
, b
2
, b
3
), c = (c
1
, c
2
, c
3
). Kaˇzemo da je trojka (a, b, c) direktno (ili pozitivno)
orijentisana baza ako vaˇzi:
¸
¸
¸
¸
¸
¸
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
¸
¸
¸
¸
¸
¸
> 0
Teorema 2.7. a ×b je jedinstven vektor koji zadovoljava slede´ca tri uslova:
1. Ortogonalan je i na a i na b
2. ∥a ×b∥ je jednak povrˇsini paralelograma odredjenog sa a i b
3. (a, b, a ×b) je direktno orijentisana baza ukoliko su a i b nekolinearni.
Dokaz. ...
Osobine vektorskog proizvoda
1. a ×b = 0 ako i samo ako su a i b kolinearni.
2. a ×b = −b ×a
3. a ×(k b) = (k a) ×b = k (a ×b)
4. (a +b) ×c = a ×c +b ×c.
5. a ×(b +c) = a ×b +a ×c.
6. (α
1
a +β
1
b) ×(α
2
a +β
2
b) =
¸
¸
¸
¸
α
1
β
1
α
2
β
2
¸
¸
¸
¸
(a ×b).
7. (a ×b) ×c pripada potprostoru (ravni, pravi,...) generisanom sa a i b.
Definicija 2.11. Meˇsoviti proizvod vektora a, b i c se definiˇse na slede´ci naˇcin:
[a, b, c] = (a ×b) · c.
Teorema 2.8. Neka je a = (a
1
, a
2
, a
3
), b = (b
1
, b
2
, b
3
), c = (c
1
, c
2
, c
3
). Tada
[a, b, c] =
¸
¸
¸
¸
¸
¸
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
¸
¸
¸
¸
¸
¸
.
Takodje, [a, b, c] je po apsolutnoj vrednosti jednak zapremini paralelepipeda odredjenog vektorima a, b i c.
Dokaz. ...
Osobine meˇsovitog proizvoda
(1) [a, b, c] = [b, c, a] = [c, a, b]
(2) [a, b, c] = −[a, c, b] = −[c, b, a] = −[b, a, c].
(3) [αa +α

a

, b, c] = [αa, b, c] + [α

a

, b, c]; sliˇcno za b i c.
(4) Ako je m = α
1
a +α
2
b +α
3
c; n = β
1
a +β
2
b +β
3
c i p = γ
1
a +γ
2
b +γ
3
c tada je:
[m, n, p] =
¸
¸
¸
¸
¸
¸
α
1
α
2
α
3
β
1
β
2
β
3
γ
1
γ
2
γ
3
¸
¸
¸
¸
¸
¸
[a, b, c]
• Dvostruki vektorski proizvod je (a ×b) ×c. Raˇcuna se po formuli:
(a ×b) ×c = (a · c) b −(a · b) c
(i pripada potprostoru generisanom sa b i c).
Linearna Algebra i Analitiˇcka Geometrija – 14 –
2.8 Prave i hiper-ravni u R
n
• Neka su A(a
1
, a
2
, ..., a
n
) i B(b
1
, b
2
, ..., b
n
) taˇcke (vektori) u R
n
.
−−→
AB identifikujemo sa vektorom
B −A = (b
1
−a
1
, b
2
−a
2
, ..., b
n
−a
n
)
Definicija 2.12. Hiper-ravan je skup svih taˇcaka prostora R
n
koje zadovoljavaju nedegenerisanu linearnu jednaˇcinu
k
1
x
1
+k
2
x
2
+... +k
n
x
n
= b .
n = (k
1
, k
2
, ..., k
n
) je njen vektor normale.
• Vektor normale nije jedinstven, ali svaka dva su kolinearna.
Geometrijska motivacija za prethodnu definiciju dolazi iz R
3
.
Primer 2.3. Ravan (u R
3
) je odredjena jednom svojom taˇckom i vektorom normale.
Odredi´cemo jednaˇcinu ravni α koja sadrˇzi taˇcku A(x
0
, y
0
, z
0
) i normalna je na vektor n = (k
1
, k
2
, k
3
) ̸= 0.
:
X
6
n
A
α
Taˇcka X(x, y, z) pripada ravni α ako i samo ako je
−−→
AX · n = 0
(x −x
0
, y −y
0
, z −z
0
) · (k
1
, k
2
, k
3
) = 0
Jednaˇcina ravni koja sadrˇzi taˇcku A(x
0
, y
0
, z
0
) i normalna je na vektor n = (k
1
, k
2
, k
3
) je:
k
1
(x −x
0
) +k
2
(y −y
0
) +k
3
(z −z
0
) = 0
Ako oznaˇcimo b = k
1
x −0 +k
2
y −0 +k
3
z
0
imamo jednaˇcinu ravni α:
k
1
x +k
2
y +k
3
z = b
Primer 2.4. Neka je ravan α data jednaˇcinom 2 x + 3 y −2 z = 5.
Iz jednaˇcine odmah vidimo jedan vektor normale n
α
= (2, 3, −2), a taˇcka ravni je bilo koje reˇsenje ove jednaˇcine;
npr. A(2, 1, 1). Jednaˇcina ravni se transformiˇse u:
2 (x −2) + 3 (y −1) −2 (z −1) = 0
ˇsto oznaˇcava da taˇcka X(x, y, z) pripada ravni ako i samo ako
−−→
AX · n = 0 .
Definicija 2.13. Prava u R
n
koja sadrˇzi taˇcku A(a
1
, a
2
, .., a
n
) i ima pravac vektora v = (k
1
, k
2
, ..., k
n
) je skup svih
taˇcaka X(x
1
, x
2
, ..., x
n
) koje zadovoljavaju:
x
1
= a
1
+k
1
t, x
2
= a
2
+k
2
t, ..., x
n
= a
n
+k
n
t
gde t ∈ R.
• v je vektor pravca prave .
x
1
= a
1
+k
1
t, x
2
= a
2
+k
2
t, ..., x
n
= a
n
+k
n
t , t ∈ R
je parametarska jednaˇcina prave koja sadrˇzi taˇcku A(a
1
, a
2
, .., a
n
) i ima pravac (paralelna je) vektora v = (k
1
, k
2
, ..., k
n
) (̸=
0). Zapisujemo je i u obliku;
x
1
−a
1
k
1
=
x
2
−a
2
k
2
= ... =
x
n
−a
n
k
n
(= t)
• Vektor pravca prave nije jedinstveno odredjen pravom: ako je v
p
vektor pravca prave p onda je to i bilo koji
vektor kolinearan sa njim, na primer 2 v
p
, 3 v
p
, −5 v
p
...
Slede´ci primer daje geometrijsku motivaciju za prethodnu definiciju.
Linearna Algebra i Analitiˇcka Geometrija – 15 –
Primer 2.5. Odredimo jednaˇcinu prave p koja sadrˇzi taˇcku A(x
0
, y
0
, z
0
) i ima pravac vektora v
p
= (k
1
, k
2
, k
3
)
p X A
-
v
p
Y
1
O
Taˇcka X(x, y, z) pripada pravi p ako i samo ako postoji t ∈ R takav da je
−−→
AX = t v
p
(x −x
0
, y −y
0
, z −z
0
) = t (k
1
, k
2
, k
3
)
Odavde dobijamo parametarsku jednaˇcinu prave; x = x
0
+k
0
t y = y
0
+k
1
t z = z
0
+k
3
t koju zapisujemo i
p :
x −x
0
k
1
=
y −y
0
k
2
=
z −z
0
k
3
(= t)
Primer 2.6. Neka je data prava
p :
x −3
2
=
y −1
3
=
z + 1
−3
(= t)
Iz ove jednaˇcine odmah proˇcitamo njen vektor pravca v
p
= (2, 3, −3) i jednu njenu taˇcku A(3, 1, −1)
• Dve prave su paralelne ako i samo ako su im vektori pravaca kolinearni.
• Ugao izmedju dve prave je ugao izmedju njihovih vektora pravaca (definisan je iako se prave moˇzda i ne seku).
2.9 Rastojanje taˇcke od prave u R
n
Rastojanje taˇcke M od prave p (u R
n
) odredjene taˇckom A ∈ p i vektorom pravca v
p
, raˇcunamo kao u delu 2.7 kada
smo raˇcunali visinu paralelograma: Oznaˇcimo
−−→
AM sa m:
- -

6
A
v
p
M
m
c v
p
p
m−c v
p
M
p
−−−→
MM
p
= m−c v
p
, gde je c =
m· v
p
∥v
p

2
pa:

−−−→
MM
p

2
= ∥(m−c v
p
)∥
2
= ∥m∥
2

(v
p
· m)
2
∥v
p

2
• U R
2
i R
3
postoji alternativni naˇcin raˇcunanja rastojanja taˇcke od prave. Rastojanje taˇcke M od prave p
odredjene taˇckom A ∈ p i vektorom pravca v
p
moˇzemo izraˇcunati koriste´ci vektorski proizvod (povrˇsinu): Oznaˇcimo
−−→
AM sa m:
- -

6
A
v
p
-
M
m
p
M
p
Linearna Algebra i Analitiˇcka Geometrija – 16 –

−−−→
MM
p
∥ je duˇzina visine paralelograma odredjenog vektorima m i v
p
, pa je brojno jednaka povrˇsini paralelograma
podeljenoj duˇzinom njegove stranice v
p
:

−−−→
MM
p
∥ =
∥m×v
p

∥v
p

2.10 Prava u ravni
Imamo dve vrste jednaˇcina prave u R
2
. Moˇzemo je posmatrati kao:
1. pravu u R
n
(odredjenu taˇckom i vektorom pravca);
2. hiper-ravan u R
2
(odredjenu taˇckom i vektorom normale).
Primer 2.7. Neka je p : 2 x + 3 y = 5
Iz jednaˇcine odmah imamo vektor normale prave p: n
p
= (2, 3). Taˇcka A(1, 1) pripada pravi p.
Vektor pravca prave p moˇzemo odrediti na dva naˇcina:
1. v
p
je ma koji vektor normalan na n
p
; npr. v
p
= (−3, 2)
2. Taˇcka B(7, −3) pripada pravi p pa je njen vektor pravca i
−−→
AB = (10, −5).
Primer 2.8. Odrediti jednaˇcinu prave q koja sadrˇzi taˇcku M(2, 7) i normalna je na pravu p : 3 x −2 y = 4
Imamo vektor normale prave p: n
p
= (3, −2). Vektor pravca prave q je baˇs n
p
pa je jednaˇcina
q :
x −2
3
=
y −7
−2
ili q 3 x + 2 y = 20.
2.11 Poloˇzaj ravni u R
3
• Jednaˇcine ravni koja sadrˇzi 3 date nekolinearne taˇcke A, B, C moˇzemo na´ci na slede´ci naˇcin: kako ravan odredjuju
taˇcka i vektor normale, treba na´ci samo vektor normale, a to je
−−→
AB ×
−→
AC.
Primer 2.9. Jednaˇcina ravni koja sadrˇzi taˇcke A(1, 0, 2), B(3, 2, 1) i C(2, 1, 5). Nadjemo vektor normale:
n =
−−→
AB ×
−→
AC = (2, 2, −1) ×(2, 1, 3) =
¸
¸
¸
¸
¸
¸
i j k
2 2 −1
2 1 3
¸
¸
¸
¸
¸
¸
= (7, −8, −2)
Jednaˇcina ravni koja sadrˇzi taˇcku A(1, 0, 2) i normalna je na vektor n = (7, −8, −2) je:
7 (x −1) −8 y −2 (z −2) = 0
• Na´ci ´cemo jednaˇcinu ravni koja sadrˇzi (nekolinearne) taˇcke A(a
1
, a
2
, a
3
), B(b
1
, b
2
, b
3
) i C(c
1
, c
2
, c
3
). Prvo
nadjemo vektor normale na ravan, npr
n =
−−→
AB ×
−→
AC =
¸
¸
¸
¸
¸
¸

i

j

k
b
1
−a
1
b
2
−a
2
b
3
−a
3
c
1
−a
1
c
2
−a
2
c
3
−a
3
¸
¸
¸
¸
¸
¸
.
Primeti da je ⃗n ̸=

0 kako su taˇcke nekolinearne. Dalje, taˇcka X(x, y, z) pripada ravni akko
−−→
AX · n = 0 akko:
¸
¸
¸
¸
¸
¸
x −a
1
y −a
2
z −a
3
b
1
−a
1
b
2
−a
2
b
3
−a
3
c
1
−a
1
c
2
−a
2
c
3
−a
3
¸
¸
¸
¸
¸
¸
= 0 .
• Dve ravni α i β su paralelne ako i samo ako su im vektori normala kolinearni. Ekvivalentno: povrˇsina paralelo-
grama odredjenog sa ta dva vektora je 0 (ili n
α
×n
β
= 0).
• Iz prethodnog sledi da se dve ravni α i β seku akko n
α
×n
β
̸= 0. Da odredimo jednaˇcinu preseˇcne prave te dve
ravni treba na´c jednu taˇcku preseka i vektor pravca prave. Vektor pravca je normalan na svaki od vektora normala
ravni, pa moˇzemo uzeti
v
p
= n
α
×n
β
Linearna Algebra i Analitiˇcka Geometrija – 17 –
Primer 2.10. Jednaˇcina preseˇcne prave ravni α : 2x + 2y −z = 1 i β : 2x +y + 3z = 5.
v
p
= n
α
×n
β
=
¸
¸
¸
¸
¸
¸
i j k
2 2 −1
2 1 3
¸
¸
¸
¸
¸
¸
= (7, −8, −2)
Preseˇcna taˇcka je bilo koje reˇsenje sistema 2x + 2y −z = 1 2x +y + 3z = 5 npr. A(1, 0, 1).
p :
x −1
7
=
y
−8
=
z −1
−2
(= t)
• Neka je ravan α data taˇckom A i vektorom normale n. Rastojanje taˇcke M od ravni α je duˇzina duˇzi AM
1
.
Primetimo
−−−→
AM
1
= proj (
−−→
AM, n)

6
n
A
M
α
M
1
Prema tome, rastojanje raˇcunamo po formuli:
d(M, α) = |
−−−→
AM
1
| = |proj (
−−→
AM, n)| =
|(M −A) · n|
∥n∥
2
2.12 Medjusobni poloˇzaj pravih u R
3
• Prave p i q su paralelne akko su im vektori pravaca kolinearni; ekvivalentno v
p
×v
q
= 0.
• Kada su p i q mimoilazne?
Neka je p data taˇckom A i vektorom pravca v
p
a q taˇckom B i vektorom pravca v
q
.
B
A
p
q
v
p
v
q

-
:
Primetimo da su prave mimoilazne ako i samo ako je paralelepiped odredjen sa
−−→
AB, v
p
, v
q
nedegenerisan (zapremina
mu nije nula): [
−−→
AB, v
p
, v
q
] ̸= 0
• Sliˇcno: prave su u istoj ravni (paralelne su, ili se seku) ako i samo ako [
−−→
AB, v
p
, v
q
] = 0
• Rastojanje izmedju mimoilaznih pravih p i q (sa gornje slike) je jednako visini paralelepipeda. Primetimo da je
povrˇsina osnove paralelepipeda paralelogram odredjen sa v
p
i v
q
pa imamo:
d(p, q) =
[
−−→
AB, v
p
, v
q
]
|v
p
×v
q
|
2.13 Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni
Neka je prava p zadata taˇckom A i vektorom pravca v
p
, i neka je ravan α zadata taˇckom B i vektorom normale n
α
.
Linearna Algebra i Analitiˇcka Geometrija – 18 –
• p pripada ravni α akko A ∈ α (ekvivalentno
−−→
AB ⊥ n
α
) i v
p
⊥ n
α
:
−−→
AB · n
α
= 0 i v
p
×n
α
= 0
• p je paralelna ravni (ali joj ne pripada) α akko A / ∈ α i v
p
⊥ n
α
:
−−→
AB · n
α
̸= 0 i v
p
×n
α
= 0
• Iz prethodna dva sledi da p seˇce ravan α akko v
p
×n
α
̸= 0
• Ugao izmedju prave p i ravni α je (po definiciji) ugao θ izmedju p i njene ortogonalne projekcije na ravan α
(oznaˇcimo projekciju sa p

).
6
p
n
α
v
p
p

θ
ϕ

Ako je ϕ ugao izmedju vektora v
p
i n tada je: cos ϕ =
v
p
· n
∥n∥
2
pa, zbog ϕ +θ = 90
0
, imamo:
sin θ =
v
p
· n
∥n∥
2
3 MATRICE
Definicija 3.1. Matrica tipa m×n, ili formata m× n, (size, shape) nad poljem K je pravougaona tablica koja se
sastoji od m vrsta (horizontalnih redova, rows) i n kolona (vertikalnih redova, columns) ˇcija su polja popunjena
elementima skupa K:
_
_
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
a
31
a
32
a
33
... a
3n
. . . ... .
a
m1
a
m2
a
m3
... a
mn
_
_
_
_
_
_
.
Ovu matricu skra´ceno obeleˇzavamo sa (a
ij
)
m,n
ili samo sa (a
ij
) .
• Koristi se i oznaka [a
ij
] ;
• Matrice (a
ij
)
m,n
i (b
ij
)
m

,n
′ su jednake akko imaju isti tip (m = m

i n = n

) i svi parovi odgovaraju´cih
elemenata su jednaki (a
ij
= b
ij
za 1 ≤ i ≤ m , 1 ≤ j ≤ n)) ;
• Vektor i-te vrste je v
i
= (a
i1
, a
i2
, ..., a
in
) ; (a
ij
)
m,n
=
_
_
_
_
v
1
v
2
...
v
m
_
_
_
_
• Vektor j-te kolone je u
j
=
_
_
_
_
a
1j
a
2j
...
a
mj
_
_
_
_
; (a
ij
)
m,n
= (u
1
u
2
... u
n
)
Linearna Algebra i Analitiˇcka Geometrija – 19 –
3.1 Sabiranje i mnoˇzenje matrica skalarom,
• Skup svih m×n matrica nad poljem K se oznaˇcava sa M
m,n
(K).
• Sabiramo samo matrice istog formata
(a
ij
)
m,n
+ (b
ij
)
m,n
= (a
ij
+b
ij
)
m,n
;
• Matrice mnoˇzimo skalarom k po pravilu:
k (a
ij
)
m,n
= (k a
ij
)
m,n
;
• Nula-matrica tipa m×n ima sve elemente 0, oznaˇcavamo je sa 0
m,n
( ili samo sa 0).
Teorema 3.1. Za sve matrice A, B, C ∈ M
m,n
(K) i skalare k
1
, k
2
∈ K vaˇzi:
1. (A+B) +C = A+ (B +C)
2. A+0 = A
3. A+ (−A) = 0
4. A+B = B +A
5. k
1
(A+B) = k
1
A+k
1
B
6. (k
1
+k
2
) A = k
1
A+k
2
A
7. (k
1
k
2
) A = k
1
(k
2
A)
8. 1 A = A
Dokaz. ...
• Ove osobine znaˇche da je M
m,n
(K) vektorski prostor nad poljem K (videti Definiciju 4.1).
• Aksiome vektorskog prostora dozvoljavaju uobiˇcajeno linearno kombinovanje; na primer:
2 (3 A−4B) + 3(B + 2 A) = 6 A−8 B + 3 B + 6 A = 12 A−5 B
3.2 Mnoˇzenje matrica
Neka je A = (a
1
a
2
... a
n
) B =
_
_
_
_
b
1
b
2
...
b
n
_
_
_
_
. Definiˇsemo:
A· B = a
1
b
1
+a
2
b
2
+... +a
n
b
n
Ovo je skalarni proizvod vektora vrste (ili 1 × n matrice) i vektora kolone (ili n × 1 matrice). U rezultatu dobijamo
skalar (ili 1 ×1 matricu).
Linearna Algebra i Analitiˇcka Geometrija – 20 –
Definicija 3.2. Neka je A matrica tipa m×k i B matrica tipa k×n (vektori vrsta matrice A i vektori kolona matrice
B imaju istu duˇzinu k).
A =
_
_
_
_
A
1
A
2
...
A
m
_
_
_
_
B =
_
B
1
B
2
... B
n
_
Definiˇsemo proizvod A· B (koji je matrica tipa m×n) na slede´ci naˇcin:
AB =
_
_
_
_
A
1
· B
1
A
1
· B
2
... A
1
· B
n
A
2
· B
1
A
2
· B
2
... A
2
· B
n
. . ... .
A
m
· B
1
A
m
· B
2
... A
m
· B
n
_
_
_
_
• AB = (c
ij
)
m,n
gde je
c
ij
= a
i1
b
1j
+a
i2
b
3j
+... +a
ik
b
kj
ili: c
ij
=

k
s=1
a
is
b
sj
.
Primer 3.1.
_
2 1 6
3 5 4
_
_
_
6 3
1 7
0 1
_
_
=
_
2 · 6 + 1 · 1 + 6 · 0 2 · 3 + 1 · 7 + 6 · 1
3 · 6 + 5 · 1 + 4 · 0 3 · 3 + 5 · 7 + 4 · 1
_
=
_
13 19
23 48
_
.
• Ukoliko matricu B predstavimo preko vektora vrsta
_
_
_
_
a
11
a
12
... a
1k
a
21
a
22
... a
2k
. . ... .
a
m1
a
m2
... a
mk
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
b
k
_
_
_
_
_
_
=
_
_
_
_
a
11
b
1
+a
12
b
2
+... +a
1k
b
k
a
21
b
1
+a
22
b
2
+... +a
2k
b
k
...
a
m1
b
1
+a
m2
b
2
+... +a
mk
b
k
_
_
_
_
Primer 3.2.
_
_
1 2 3
4 5 6
7 8 9
_
_
_
_
b
1
b
2
b
3
_
_
=
_
_
b
1
+ 2b
2
+ 3b
3
4b
1
+ 5b
2
+ 6b
3
7b
1
+ 8b
2
+ 9b
3
_
_
Konkretno:
_
_
1 2 3
4 5 6
7 8 9
_
_
_
_
3 2
−2 0
1 −1
_
_
=
_
_
2 −1
8 2
14 5
_
_
1(3, 2) + 2(−2, 0) + 3(1, −1) = (2, −1)
4(3, 2) + 5(−2, 0) + 6(1, −1) = (8, 2)
7(3, 2) + 8(−2, 0) + 9(1, −1) = (14, 5)
Teorema 3.2. Slede´ca tvrdjenja vaˇze pretpostavljaju´ci da su formati matrica A, B, C takvi da su izrazi definisani:
1. (AB) C = A(BC) (asocijativnost);
2. A(B +C) = AB +AC (leva distributivnost);
3. (B +C) A = BA+C A (desna distributivnost);
4. k (AB) = (k A) B = A(k B) gde je k skalar.
Linearna Algebra i Analitiˇcka Geometrija – 21 –
• Mnoˇzenje matrica nije komutativno:
_
2 3
−1 2
_ _
1 0
4 3
_
=
_
14 9
7 6
_
_
1 0
4 3
_ _
2 3
−1 2
_
=
_
2 3
5 18
_
ili:
_
_
2 3
−1 2
4 0
_
_
_
1 0
4 3
_
=
_
_
14 9
7 6
4 0
_
_
_
1 0
4 3
_
_
_
2 3
−1 2
4 0
_
_
nije definisan !!!
Definicija 3.3. Jediniˇcna matrica reda n, u oznaci I
n
, je n ×n matrica:
_
_
_
_
1 0 ... 0
0 1 ... 0
. . ... .0
0 0 ... 1
_
_
_
_
• Ako je A matrica tipa m×n onda je:
I
m
A = AI
n
= A
• Ako je red jediniˇcne matrice jasan iz konteksta pishemo samo I.
3.3 Matriˇcni zapis sistema linearnih jednaˇcina, veza izmedju skupa reˇsenja sistema i
skupa reˇsenja pridruˇzenog homogenog sistema
Sistem linearnih jednaˇcina
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
moˇzemo zapisati u matriˇcnoj formi AX = B:
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
m1
a
m2
... a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
Matrica A je matrica sistema (coefficient matrx).
Primer 3.3. Sistem
2 x + 3 y + 5 z = −1
−x + 2 y + 4 z = 5
moˇzemo zapisati u matriˇcnoj formi AX = B:
_
2 3 5
−1 2 4
_
_
_
x
y
z
_
_
=
_
−1
5
_
Linearna Algebra i Analitiˇcka Geometrija – 22 –
Primer 3.4. Sistem
2 x + 3 y + 5 z = 0
−x + 2 y + 4 z = 0
moˇzemo zapisati u matriˇcnoj formi AX = 0:
_
2 3 5
−1 2 4
_
_
_
x
y
z
_
_
=
_
0
0
_
Teorema 3.3. Pretpostavimo da su u
1
, u
2
, ..., u
l
reˇsenja homogenog sistema AX = 0 (u
i
je vektor-kolona) . Tada
je svaka linearna kombinacija k
1
u
1
+k
2
u
2
+... +k
l
u
l
takodje reˇsenje sistema.
Dokaz: Dato nam je: Au
1
= 0, Au
2
= 0, ..., Au
n
= 0. Otuda:
A(k
1
u
1
+k
2
u
2
+... +k
n
u
n
) = k
1
Au
1
+k
2
Au
2
+... +k
n
Au
n
= k
1
0 +k
2
0 +... +k
n
0 = 0
Teorema 3.4. Pretpostavimo da je u
0
jedno reˇsenje sistema AX = B i neka je W skup svih reˇsenja (vektor kolona)
odgovaraju´ceg homogenog sistema AX = 0. Tada je
u
0
+W = {u
0
+w| w ∈ W}
skup svih reˇsenja nehomogenog sistema.
Dokaz: Kako je U = u
0
+W dobijeno dodavanjem u
0
svakom elementu W .............
Prime´cujemo da teorema ima geometrijsku interpretaciju u R
3
. Posebno, predpostavimo da je W linija koja prolazi
kroz poˇcetak O. Onda je, kao ˇsto se vidi sa slike, U = u
0
+ W linija koja je paralelna W dobijena dodavanjem v
0
svakom elementu W. Sliˇcno, za bilo koje W
U narednoj teoremi bitno je da je polje K beskonaˇcno:
Teorema 3.5. Svaki sistem linearnih jednaˇcina AX = B ili nema reˇsenja, ili ima taˇcno jedno reˇsenje, ili ima
beskonaˇcno mnogo reˇsenja .
Dokaz: Dovoljno je pokazati da ako AX = B ima viˇse od jednog reˇsenja, da ih onda ima beskonaˇcno mnogo.
Predpostavimo da u i v razliˇcita reˇsenja AX = B; onda je i Au = B i Av = b. Onda, za bilo koje k ∈ K,
A[u +k(u −v)] = Au +k(Au −Av) = B +k(B −B) = B
Drugim reˇcima, za bilo koje k ∈ K, u + k(u − v) je reˇsenje za AX = B. Kako su za razliˇcite k-ove ova reˇsenja
medjusobno razliˇcita (videti Problem 3.21), i kako imamo beskonaˇcno mnogo k-ova, zakljuˇcujemo da AX = B ima
beskonaˇcan broj reˇsenja.
3.4 Blok matrice
Blok matrice dobijamo deljenjem matrice horizontalnim i vertikalnim linijama na matrice manjeg formata (pod-
matrice). Na primer, ako je A = (a
ij
)
6,6
moˇzemo je deliti na blok matrice na viˇse naˇcina:
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
.
.
. a
13
a
14
.
.
. a
15
a
16
a
21
a
22
.
.
. a
23
a
24
.
.
. a
25
a
26
. . . . . .
.
.
. . . . . . .
.
.
. . . . . . .
a
31
a
32
.
.
. a
33
a
34
.
.
. a
35
a
36
a
41
a
42
.
.
. a
43
a
44
.
.
. a
45
a
46
. . . . . .
.
.
. . . . . . .
.
.
. . . . . . .
a
51
a
52
.
.
. a
53
a
54
.
.
. a
55
a
56
a
61
a
62
.
.
. a
63
a
64
.
.
. a
65
a
66
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
A
11
A
12
A
13
A
21
A
22
A
23
A
31
A
32
A
33
_
_
Linearna Algebra i Analitiˇcka Geometrija – 23 –
Matrice A
i,j
su tipa 2 ×2
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
.
.
. a
13
a
14
.
.
. a
15
a
16
a
21
a
22
.
.
. a
23
a
24
.
.
. a
25
a
26
a
31
a
32
.
.
. a
33
a
34
.
.
. a
35
a
36
. . . . . .
.
.
. . . . . . .
.
.
. . . . . . .
a
41
a
42
.
.
. a
43
a
44
.
.
. a
45
a
46
a
51
a
52
.
.
. a
53
a
54
.
.
. a
55
a
56
a
61
a
62
.
.
. a
63
a
64
.
.
. a
65
a
66
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
A

11
A

12
A

13
A

21
A

22
A

23
_
Matrice A

i,j
su tipa 3 ×2
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
.
.
. a
13
a
14
a
15
.
.
. a
16
a
21
a
22
.
.
. a
23
a
24
a
25
.
.
. a
26
a
31
a
32
.
.
. a
33
a
34
a
35
.
.
. a
36
a
41
a
42
.
.
. a
43
a
44
a
45
.
.
. a
46
. . . . . .
.
.
. . . . . . . . . .
.
.
. . . .
a
51
a
52
.
.
. a
53
a
54
a
55
.
.
. a
56
a
61
a
62
.
.
. a
63
a
64
a
65
.
.
. a
66
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
C D E
F G H
_
C je tipa 4 ×2, D je 4 ×3, E je 4 ×1, F je 2 ×2, G je 2 ×3 i H je tipa 2 ×1 .
• Dijagonalna blok matrica je blok matrica oblika
_
_
_
_
A
11
0 ... 0
0 A
22
... 0
. . ... .
0 0 ... A
nn
_
_
_
_
gde su svi blokovi A
ii
kvadratne matrice (mogu´ce razliˇcitih formata). Primetimo da blokovi 0 ne moraju biti
kvadratni i mogu biti razliˇcitih tipova. Na primer:
_
A
11
0
0 A
22
_
=
_
_
_
_
_
_
_
2 3
.
.
. 0
1 5
.
.
. 0
. . . . . . . . . . . .
0 0
.
.
. 4
_
_
_
_
_
_
_
• Trougaona blok matrica je blok matrica oblika
_
_
_
_
A
11
A
12
... A
1n
0 A
22
... A
2n
. . ... .
0 0 ... A
nn
_
_
_
_
gde su svi blokovi A
ii
kvadratne matrice.
• Ako su blok-matrice
A =
_
_
_
_
A
11
A
12
... A
1n
A
21
A
22
... A
2n
. . ... .
A
m1
A
m2
... A
mn
_
_
_
_
i B =
_
_
_
_
B
11
B
12
... B
1n
B
21
B
22
... B
2n
. . ... .
B
m1
B
m2
... B
mn
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 24 –
istog ‘tipa’ (t.j. A
ij
i B
ij
su istog tipa za sve i, j) tada je
A+B =
_
_
_
_
A
11
+B
11
A
12
+B
12
... A
1n
+B
1n
A
21
+B
21
A
22
+B
22
... A
2n
+B
2n
. . ... .
A
m1
+B
m1
A
m2
+B
m2
... A
mn
+B
mn
_
_
_
_
• k
_
_
_
_
A
11
A
12
... A
1n
A
21
A
22
... A
2n
. . ... .
A
m1
A
m2
... A
mn
_
_
_
_
=
_
_
_
_
k A
11
k A
12
... k A
1n
k A
21
k A
22
... k A
2n
. . ... .
k A
m1
k A
m2
... k A
mn
_
_
_
_
• Ako su blok-matrice
A =
_
_
_
_
A
11
A
12
... A
1p
A
21
A
22
... A
2p
. . ... .
A
q1
A
q2
... A
qp
_
_
_
_
B =
_
_
_
_
B
11
B
12
... B
1r
B
21
B
22
... B
2r
. . ... .
B
p1
B
p2
... B
pr
_
_
_
_
takve da je svaki (matriˇcni) zbir
C
ij
= A
i1
B
1j
+A
i2
B
2j
+... +A
in
B
nj
definisan, tada je
AB =
_
_
_
_
C
11
C
12
... C
1r
C
21
C
22
... C
2r
. . ... .
C
q1
C
q2
... C
qr
_
_
_
_
Primer 3.5. Neka je A =
_
2 3
1 4
_
. Tada je AA =
_
7 18
6 19
_
_
_
_
_
0 0 2 3
0 0 1 4
2 3 0 0
1 4 0 0
_
_
_
_
_
_
_
_
2 3 2 3
1 4 1 4
0 0 2 3
0 0 1 4
_
_
_
_
=
_
0 A
A 0
_ _
A A
0 A
_
=
_
0 A+A0 0 A+AA
AA+ 0 AA+ 0 A
_
=
_
_
_
_
0 0 7 18
0 0 6 19
7 18 7 18
6 19 6 19
_
_
_
_
3.5 Transponovanje matrice
Transponovanu matricu matrice A, u oznaci A
T
, dobijamo tako ˇsto vrste matrice A piˇsemo kao kolone matrice A
T
:
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
. . . ... .
a
m1
a
m2
a
m3
... a
mn
_
_
_
_
T
=
_
_
_
_
_
_
a
11
a
21
... a
m1
a
12
a
22
... a
m2
a
13
a
23
... a
m3
. . ... .
a
1n
a
2n
... a
mn
_
_
_
_
_
_
• Ako je A = (a
ij
)
m,n
matrica tipa m×n tada je A
T
matrica tipa n ×m i A
T
= (a
ji
)
n,m
.
• Ako je A vektor vrsta (1 ×n matrica) tada je A
T
vektor kolona (n ×1 matrica); vaˇzi i obrnuto.
Linearna Algebra i Analitiˇcka Geometrija – 25 –
Teorema 3.6. Pretpostavljaju´ci da su matrice takvih formata da su izrazi definisani vaˇzi:
1. (A+B)
T
= A
T
+B
T
2. (A
T
)
T
= A
3. (k A)
T
= k A
T
4. (AB)
T
= B
T
A
T
.
3.6 Kvadratne matrice
Kvadratne matrice su one koje imaju isti broj vrsta i kolona (t.j. tip im je oblika n × n); za matrice tipa n × n
kaˇzemo i da su matrice reda n . M
n
(K) (umesto M
n,n
(K)) oznaˇcava skup svih kvadratnih matrica reda n nad poljem
K.
• Skup M
n
(K) je zatvoren za sabiranje, mnoˇzenje i mnoˇzenje skalarima:
1. Ako A, B ∈ M
n
(K) tada i A+B, AB ∈ M
n
(K);
2. Ako k ∈ K i A ∈ M
n
(K) tada k A ∈ M
n
(K).
• Vaˇze osobine iz Teoreme 3.1 za M
n
(K) (ˇcini vektorski prostor nad poljem K).
• Prema Teoremi 3.2 za sve A, B, C ∈ M
n
(K) i k ∈ K vaˇzi:
1. (AB) C = A(BC)
2. A(B +C) = AB +AC
3. (B +C) A = BA+C A
4. k (AB) = (k A) B = A(k B) gde je k skalar.
Vektorski prostor u kome je definisana i operacija mnoˇzenja vektora koja zadovoljava ove uslove naziva se algebra.
• Za skup A ⊆ M
n
(R) kaˇzemo da je algebra matrica ukoliko je zatvoren za sabiranje, mnoˇzenje i mnoˇzenje
skalarima; primetimo da tada on ima sve osobine pobrojane u teoremama 3.1 i 3.2
Primer 3.6. 1. AB +AC +A
2
= A(A+B +C) (izvlaˇcenje ‘levog’ A)
2. BA+C A+A
2
= (B +C +A)A (izvlaˇcenje ‘desnog’ A)
3. (A+B)(C +D) = AC +AD +BC +BD
4. (A+B)
2
= (A+B)(A+B) = A
2
+AB +BA+B
2
5. AB +C A ̸= A(B +C) (mnoˇzenje nije komutativno) .
• Matrice A, B reda n komutiraju ako vaˇzi AB = BA .
• Induktivno definiˇsemo stepen kvadratne matrice:
A
0
= I, A
1
= A, A
2
= AA, .... A
n+1
= A
n
A
• Opˇstije, za svaki polinom p(t) = a
n
t
n
+ a
n−1
t
n−1
... +a
1
t +a
0
definiˇsemo matriˇcni polinom:
p(A) = a
n
A
n
+ a
n−1
A
n−1
... +a
1
A+a
0
I
Linearna Algebra i Analitiˇcka Geometrija – 26 –
Teorema 3.7. Ako su f(t) i g(t) polinomi tada je:
1. (f +g)(A) = f(A) +g(A)
2. (f g)(A) = f(A) g(A)
3. f(A) g(A) = g(A) f(A).
Dokaz. Videti Problem 4.11
• Glavna dijagonala kvadratne matrice (main diagonal) ide iz gornjeg levog u donji desni ugao; ona sadrˇzi elemente
a
11
a
22
... a
nn
• tr(A), ili trag kvadratne matrice (trace) A = (a
ij
)
n,n
je skalar definisan kao suma elemenata glavne dijagonale:
tr(A) = a
11
+a
22
+... +a
nn
Teorema 3.8. Ako je k skalar i A, B ∈ M
n
(R) tada vaˇzi:
1. tr(A+B) = tr(A) + tr(B)
2. tr(k A) = k tr(A)
3. tr(AB) = tr(BA)
Dokaz. Videti Problem 4.10
3.7 Elementarne transformacije vrsta matrice, elementarne matrice
Elementarne transformacije vrsta matrice su:
(E
1
) Zamena mesta dve vrste ; v
i
↔ v
j
(E
2
) Mnoˇzenje jedne vrste skalarom k ̸= 0 ; v
i
→ k v
i
(E
3
) Dodavanje i-toj vrsti k puta j-ta vrsta (i ̸= j!); v
i
→ v
i
+k v
j
• Svaka od ovih operacija ima inverznu operaciju istog tipa:
(1) v
i
↔ v
j
je inverzna sama sebi ;
(2) v
i

1
k
v
i
je inverzna za v
i
→ k v
i
;
(3) v
i
→ v
i

1
k
v
j
je inverzna za v
i
→ v
i
+k v
j
.
• Matrice istog formata A i B su ekvivalentne (po vrstama), u zapisu A ∼
v
B, ako B moˇze biti dobijena iz A
primenom niza elementarnih transformacija vrsta.
• ∼
v
je relacija ekvivalencije (na skupu matrica fiksiranog tipa):
(1) A ∼
v
A
(2) A ∼
v
B povlaˇci B ∼
v
A
(3) A ∼
v
B i B ∼
v
C povlaˇci A ∼
v
C
Teorema 3.9. Svaka matrica je ekvivalentna stepenastoj matrici istog formata.
Dokaz. ...
Kanonske matrice su stepenaste matrice sa jedinicama na prvom ne-nula mestu u svakoj vrsti, a u koloni svake
takve jedinice moraju se nalaziti joˇs samo nule. Kasnije ´cemo dokazati jaˇce tvrdjenje od prethodnog :
Teorema 3.10. Svaka matrica je ekvivalentna jedinstvenoj kanonskoj matrici istog formata.
Linearna Algebra i Analitiˇcka Geometrija – 27 –
Neka e oznaˇcava elementarnu transformaciju matrice (neku od (E
1
), (E
2
), (E
3
)) i neka je e(I) matrica dobijena pri-
menom operacije e na jediniˇcnu matricu I. Takve matrice su elementarne matrice koje odgovaraju el.transformacijama
vrsta.
• Svaka elementarna operacija na vrstama matrice je mnoˇzenje odgovaraju´com elementarnom matricom s’ leva.
Primer 3.7. Prethodno tvrdjenje na primeru 3 ×3 matrica:
(1) e je ‘zameni mesta druge i tre´ce vrste’ : e(I) =
_
_
1 0 0
0 0 1
0 1 0
_
_
:
_
_
1 0 0
0 0 1
0 1 0
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
=
_
_
a
1
a
2
a
3
c
1
c
2
c
3
b
1
b
2
b
3
_
_
(2) e je ‘pomnoˇzi drugu vrstu sa k’ : e(I) =
_
_
1 0 0
0 k 0
0 0 1
_
_
:
_
_
1 0 0
0 k 0
0 0 1
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
=
_
_
a
1
a
2
a
3
kb
1
kb
2
kb
3
c
1
c
2
c
3
_
_
(3) e je ‘dodati drugoj vrsti k puta tre´ca’: e(I) =
_
_
1 0 0
0 1 k
0 0 1
_
_
:
_
_
1 0 0
0 1 k
0 0 1
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
=
_
_
a
1
a
2
a
3
b
1
+kc
1
b
2
+kc
2
b
3
+kc
3
c
1
c
2
c
3
_
_
Teorema 3.11. Neka je e elementarna transformacija vrsta i neka je e(I
m
) njena odgovaraju´ca elementarna matrica.
1. Primenom operacije e na matricu A (koja ima m vrsta) dobijamo matricu e(I) A .
2. A ∼
v
B ako i samo ako postoji matrica P koja je proizvod elementarnih matrica takva da je A = P B
Dokaz.
3.8 Inverzna matrica
Definicija 3.4. Kvadratna matrica A je inverzibilna (invertible or nonsingular) ako postoji matrica B istog tipa takva
da je
AB = BA = I
• Ako je Ainverzibilna tada postoji taˇcno jedna matrica koja zadovoljava gornji uslov; zovemo je inverzna matrica matrice
A (ili inverz od A) i obeleˇzavamo sa A
−1
:
AA
−1
= A
−1
A = I
• Ako je B inverz za A onda je A inverz za B ((A
−1
)
−1
= A).
• Ako su A i B inverzibilne tada je i AB inverzibilna i vaˇzi:
(AB)
−1
= B
−1
A
−1
Opˇstije: (A
1
A
2
...A
n
)
−1
= A
−1
n
...A
−1
2
A
−1
1
• Ako A ima nula-vrstu onda nije inverzibilna.
Linearna Algebra i Analitiˇcka Geometrija – 28 –
Primer 3.8.
_
2 5
1 3
_ _
3 −5
−1 2
_
=
_
3 −5
−1 2
_ _
2 5
1 3
_
= I
Znaˇci:
_
2 5
1 3
_
−1
=
_
3 −5
−1 2
_
i
_
3 −5
−1 2
_
−1
=
_
2 5
1 3
_
• Ako je A inverzibilna i B takva da vaˇzi BA = I (ili AB = I) tada je B = A
−1
:
BA = I pomnoˇzimo s’ desna sa A
−1
:
BAA
−1
= I A
−1
BI = A
−1
B = A
−1
• Elementarne matrice su inverzibilne.
• Proizvod elementarnih matrica je inverzibilna matrica.
• A ∼
v
B ako i samo ako postoji niz elementarnih matrica E
1
, ...., E
m
takvih da je
E
m
E
m−1
... E
1
A = B
Teorema 3.12. Neka je A kvadratna matrica reda n. Tada su slede´ca tvrdjenja ekvivalentna:
(1) A je inverzibilna;
(2) A ∼
v
I ili: primenom niza elementarnih transformacija vrsta matricu A moˇzemo svesti na jediniˇcnu;
(3) A je proizvod elementarnih matrica (koje odgovaraju el. trans. vrsta).
Dokaz: Predpostavimo da je A inverzibilna i predpostavimo da je A ekvivalentna matrici B koja je u kanonskoj
formi. To znaˇci da postoje elementarne matrice E
1
, E
2
, ..., E
n
, takve da E
1
, E
2
, ..., E
n
A = B. Kako su A i svaka
elementarna matrica inverzibilne, B je takodje inverzibilna. Ali ako B ̸= I, onda B ima nula-vrstu; odakle sledi da B
nije inverzibilna. Tako da B = I pa (1) implicira (2). Ako (2) vaˇzi, onda postoje elementarne matrice E
1
, E
2
, ..., E
n
takve da E
1
, E
2
, ..., E
n
A = I. Kako je A = (E
n
, ..., E
1
)
−1
= E
−1
1
...E
−1
n
. Ali E
−1
i
je isto elementarna matrica. Odavde
sledi da (2) implicira (3). Ako (3) vaˇzi, onda A = E
1
E
2
...E
n
. E
i
je inverzibilna matrica; zbog njihovog proizvoda i A
je inverzibilna, a odatle sledi da (3) implicira (1). Prema tome, teorema je dokazana.
Teorema 3.13. Ako je AB = I tada je i BA = I (prema tome A
−1
= B)
Dokaz
Teorema 3.14. B ∼
v
A ako i samo ako postoji inverzibilna matrica P takva da je B = P A .
Dokaz: Predpostavimo B ∼
v
A, tj. B = e
n
(...(e
1
(A))...) = E
s
...E
1
A = PA gde je P = E
n
...E
1
inverzi-
bilna matrica. Prema Teoremi 3.12, P je proizvod elementarnih matrica, pa se B moze dobiti iz A elementarnim
transformacijama vrsta ˇsto znaˇci B ∼
v
A.
Posledica 3.1. Ako je A ∼
v
B i B ima nula-vrstu onda A nije inverzibilna.
Dokaz. Neka je A ∼
v
B . Tada postoji inverzibilna P takva da je B = P A. Ako je A inverzibilna onda je i P A
inverzibilna; ali B = P A nije inverzibilna. Prema tome A nije inverzibilna.
Znaˇci: ako (kvadratnu) matricu A moˇzemo elementarnim transformacijama vrsta svesti na matricu sa nula-vrstom
tada A nije inverzibilna!
• Vide´cemo kasnije i drugi naˇcin ispitivanja postojanja i izraˇcunavanja inverzne matrice: dokaza´cemo da je A
inverzibilna ako i samo ako je det(A) ̸= 0 i u tom sluˇcaju je A
−1
=
1
det(A)
adj(A).
Linearna Algebra i Analitiˇcka Geometrija – 29 –
3.9 Izraˇcunavanje inverzne matrice elementarnim transformacijama vrsta
Teorema 3.12 (1) ⇔ (2) kaˇze: A je inverzibilna ako i samo ako se moˇze svesti na jediniˇcnu matricu. Neka je A
inverzibilna reda n. Tada postoji niz elementarnih matrica takvih da je
E
m
... E
2
E
1
A = I
Pomnoˇzimo s’ desna sa A
−1
:
E
m
... E
2
E
1
AA
−1
= IA
−1
E
m
... E
2
E
1
= A
−1
Strategija izraˇcunavanja A
−1
: (I) Formiramo blok matricu
_
A I
_
(II) Svodimo je na kanonsku formu (t.j. na I) elemetarnim transformacijama vrsta (mnoˇzenjem s’leva elementarnim
matricama E
1
, E
2
, ..., E
m
)
_
A I
_
_
E
1
A E
1
I
_
_
E
2
E
1
A E
2
E
1
_
...
_
E
m
...E
1
A E
m
...E
1
_
=
=
_
I A
−1
_
Algoritam za izraˇcunavanje A
−1
Korak 1. Formirati n ×2n blok matricu M = (A I) ;
Korak 2. Elementarnim transformacijama vrsta svesti matricu M na stepenastu formu (i tada je A-blok gornje-
trougaon, t.j. ima nule ispod glavne dijagonale); ako stepenasta forma ima nula-vrstu u A-bloku STOP (A nije
inverzibilna);
Korak 3. Elementarnim transformacijama produˇziti svodjenje do kanonske forme: ona je oblika (I B);
Korak 4. A
−1
= B.
Objaˇsnjenje STOP u koraku 2 je zbog Posledice 3.1: ako A ∼
v
B i B ima nula-vrstu tada A nije inverzibilna!
Primer 3.9. Neka je A =
_
1 2
3 5
_
_
_
1 2
.
.
. 1 0
3 5
.
.
. 0 1
_
_

v
_
_
1 2
.
.
. 1 0
0 −1
.
.
. −3 1
_
_

v

v
_
_
1 2
.
.
. 1 0
0 1
.
.
. 3 −1
_
_

v
_
_
1 0
.
.
. −5 2
0 1
.
.
. 3 −1
_
_
Prema tome A
−1
=
_
−5 2
3 −1
_
Linearna Algebra i Analitiˇcka Geometrija – 30 –
Primer 3.10. Neka je A =
_
_
1 0 2
2 −1 3
4 1 8
_
_
_
_
_
_
_
1 0 2
.
.
. 1 0 0
2 −1 3
.
.
. 0 1 0
4 1 8
.
.
. 0 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 1 0
.
.
. −4 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 0 −1
.
.
. −6 1 1
_
_
_
_
_
nema nula-vrste u A-bloku pa produˇzavamo:
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 0 −1
.
.
. −6 1 1
_
_
_
_
_

v
_
_
_
_
_
1 0 0
.
.
. −11 2 1
0 −1 0
.
.
. 4 0 −1
0 0 −1
.
.
. −6 1 1
_
_
_
_
_

v
_
_
_
_
_
1 0 0
.
.
. −11 2 1
0 1 0
.
.
. −4 0 1
0 0 1
.
.
. 6 −1 −1
_
_
_
_
_
Prema tome A
−1
=
_
_
−11 2 1
−4 0 1
6 −1 −1
_
_
Primer 3.11. Neka je A =
_
_
1 0 2
2 −1 3
4 1 9
_
_
_
_
_
_
_
1 0 2
.
.
. 1 0 0
2 −1 3
.
.
. 0 1 0
4 1 9
.
.
. 0 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 1 1
.
.
. −4 0 1
_
_
_
_
_

v
_
_
_
_
_
1 0 2
.
.
. 1 0 0
0 −1 −1
.
.
. −2 1 0
0 0 0
.
.
. −6 1 1
_
_
_
_
_
Dobili smo nula-vrstu: STOP! A nije inverzibilna.
3.10 Elementarne transformacije kolona
Posmatrajmo proizvod
_
_
_
_
a
11
a
12
... a
1k
a
21
a
22
... a
2k
. . ... .
a
m1
a
m2
... a
mk
_
_
_
_
_
_
_
_
_
_
b
11
b
12
... b
1n
b
21
b
22
... b
2n
b
31
b
32
... b
3n
. . ... .
b
k1
b
k2
... b
kn
_
_
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 31 –
Prva kolona u proizvodu je
_
_
_
_
a
11
b
11
+a
12
b
21
+... +a
1n
b
n1
a
21
b
11
+a
22
b
21
+... +a
2n
b
n1
...
a
m1
b
11
+a
m2
b
21
+... +a
mn
b
n1
_
_
_
_
=
b
11
_
_
_
_
a
11
a
21
...
a
m1
_
_
_
_
+b
21
_
_
_
_
a
12
a
22
...
a
m2
_
_
_
_
+... +b
k1
_
_
_
_
a
1k
a
2k
...
a
mk
_
_
_
_
= b
11
A
1
+b
21
A
2
+... +b
k1
A
k
gde je A =
_
A
1
A
2
... A
k
_
predstavljena preko vektora kolona
• Ukoliko matricu A predstavimo preko vektora kolona tada je mnoˇzenje matricom B (s’ desna) delovanje njenih
kolona na kolone matrice A.
_
A
1
A
2
... A
k
_
_
_
_
_
_
_
b
11
b
12
... b
1n
b
21
b
22
... b
2n
b
31
b
32
... b
3n
. . ... .
b
k1
b
k2
... b
kn
_
_
_
_
_
_
=
=
_
b
11
A
1
+b
21
A
2
+... +b
k1
A
k
... b
1n
A
1
+b
2n
A
2
+... +b
kn
A
k
_
Elementarne transformacije kolona matrice su:
(F
1
) Zamena mesta dve kolone ; k
i
↔ k
j
(F
2
) Mnoˇzenje jedne kolone skalarom k ̸= 0 ; k
i
→ k k
i
(F
3
) Dodavanje i-toj koloni k puta j-ta kolona (i ̸= j!);
k
i
→ k
i
+k k
j
• Svaka od ovih operacija ima inverznu operaciju istog tipa:
(1) k
i
↔ k
j
je inverzna sama sebi ;
(2) k
i

1
k
k
i
je inverzna za k
i
→ k k
i
;
(3) k
i
→ k
i
−k k
j
je inverzna za k
i
→ k
i
+k k
j
.
Neka f oznaˇcava elementarnu transformaciju kolona matrice (neku od F
1
, F
2
, F
3
) i neka je f(I) matrica dobijena pri-
menom operacije f na jediniˇcnu matricu I. Takve matrice su elementarne matrice koje odgovaraju el.transformacijama
kolona. Svaka elementarna operacija je mnoˇzenje odgovaraju´com elementarnom matricom s’ desna
Primer 3.12. Elementarne matrice koje odgovaraju operacijama na kolonama 3 ×3 matrica
(1) Zamena mesta druge i tre´ce kolone: f(I) =
_
_
1 0 0
0 0 1
0 1 0
_
_
:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
1 0 0
0 0 1
0 1 0
_
_
=
_
_
a
1
a
3
a
2
b
1
b
3
b
2
c
1
c
3
c
2
_
_
(2) Mnoˇzenje druge kolone sa k: f(I) =
_
_
1 0 0
0 k 0
0 0 1
_
_
:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
1 0 0
0 k 0
0 0 1
_
_
=
_
_
a
1
ka
2
a
3
b
1
kb
2
b
3
c
1
kc
2
c
3
_
_
Linearna Algebra i Analitiˇcka Geometrija – 32 –
(3) Dodati drugoj koloni k puta tre´ca: e(I) =
_
_
1 0 0
0 1 0
0 k 1
_
_
:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
1 0 0
0 1 0
0 k 1
_
_
=
_
_
a
1
a
2
+ka
3
a
3
b
1
b
2
+kb
3
b
3
c
1
c
2
+kc
3
c
3
_
_
Teorema 3.15. Neka je f elementarna transformacija kolona i F njena odgovaraju´ca matrica. Tada je f(A) = AF.
• Matrica operacije f: dodati drugoj koloni k puta tre´ca
F =
_
_
1 0 0
0 1 0
0 k 1
_
_
Matrica operacije e: dodati drugoj vrsti k puta tre´ca
E =
_
_
1 0 0
0 1 k
0 0 1
_
_
• Neka je f bilo koja el. trans. kolona i e odgovaraju´ca transformacija vrsta. Vaˇzi: F = E
T
f moˇzemo primeniti na bilo koju matricu A na slede´ci naˇcin:
(1) prebacimo kolone u vrste: A →A
T
(2) izvrˇsimo e: A
T
→e(A
T
)
(3) vratimo vrste u kolone: e(A
T
) →(e(A
T
))
T
f(A) = (e(A
T
))
T
Kako je f(A) = AF i e(A
T
) = E A
T
, koriste´ci osbine transponovanja, imamo:
AF = (EA
T
)
T
AF = (A
T
)
T
E
T
AF = AE
T
Za A = I imamo: F = E
T
• Matrica B je ekvivalentna (po kolonama) (column equivalent) matrici A ako B moˇzemo dobiti uzastopnom
primenom elementarnih transformacija kolona.
Teorema 3.16. B je ekvivalentna (po kolonama) sa A ako i samo ako postoji inverzibilna matrica Q takva da je
B = AQ .
• Podsetimo: B je ekvivalentna po vrstama sa A (moˇze se dobiti transformacijama vrsta) ako i samo ako postoji
inverzibilna matrica P takva da je B = PA .
3.11 Ekvivalentnost matrica
Matrice A i B su ekvivalentne ako se A primenom el. transformacija vrsta i kolona moˇze svesti na B.
• Ekvivalentnost je relacija ekvivalencije.
• B je ekvivalentna sa A ako i samo ako postoje inverzibilne matrice P i Q takve da je B = P AQ.
Teorema 3.17. Svaka m×n matrica je ekvivalentna taˇcno jednoj blok matrici oblika
_
I
r
0
0 0
_
gde je I
r
jediniˇcna
r ×r matrica. (r je rang matrice A)
Linearna Algebra i Analitiˇcka Geometrija – 33 –
Dokaz: Dokaz se sastoji iz sledeceg algoritma:
Korak 1. Matricu A svedemo na kanonsku formu, sa vode´cim ne nula ˇclanovima a
1j
1
, a
2j
2
, ..., a
mj
m
.
Korak 2. Zamenimo C
1
i C
1j
1
, zamenimo C
2
i C
2j
2
,..., i zamenimo C
m
i C
j
n
. Ovo daje matricu u formi
_
I
r
B
0 0
_
,
sa vode´cim ne nula ˇclnom a
1 1
, a
2 2
, ..., a
mm
.
Korak 3. Iskoristiti operacije nad kolonama, sa a
ii
kao pivotima, da bi zamenili ˇclan u B sa nulom, npr. za
i = 1, 2, ..., r i j = r + 1, r + 2, ..., n, primeniti operacije −b
ij
C
i
+ C
j
→ C
j
. Konacna matrica treba da izgleda
_
I
r
0
0 0
_
.
3.12 Smena promenljivih (promena koodinatnog sistema), sliˇcne matrice
Neka je
x
i
= p
i1
y
1
+p
i2
y
2
+... +p
in
y
n
i = 1, 2, ..., n
linearna smena promenljivih. Ona je inverzibilna ako je matrica P = (p
ij
)
n,n
inverzibilna.
X = P Y ako i samo ako Y = P
−1
X
(X je vektor kolona (x
1
x
2
... x
n
)
T
a Y = (y
1
y
2
... y
n
)
T
)
Geometrijsko tumaˇcenje linearne inverzibilne smene: promena koordinatnog sistema. Posmatrajmo standardan
i j-koordinatni sistem u R
2
i neka je P =
_
2 3
1 2
_
. Definiˇsemo
p : R
2
−→R
2
sa p(X) = P X
gde je X =
_
x
1
x
2
_
vektor kolona . Neka je p(X) = Y (Y su koordinate taˇcke p(X) u standardnom koordinatnom
sistemu):
p(X) =
_
2 3
1 2
__
x
1
x
2
_
=
_
y
1
y
2
_ _
=
_
2x
1
+ 3x
2
x
1
+ 2x
2
__
_
2 3
1 2
__
x
1
_
1
0
_
+x
2
_
0
1
__
=
= x
1
_
2 3
1 2
__
1
0
_
+x
2
_
2 3
1 2
__
0
1
_
p(X) = x
1
_
2
1
_
+x
2
_
3
2
_
= x
1
r +x
2
s
gde su r =
_
2
1
_
= p(i) i s =
_
3
2
_
= p(j) vektori koji odredjuju ‘novi koordinatni sistem’ u ravni (slika ...) (r s-
koordinatni sistem): svaki (vektor) taˇcka se moˇze na jedinstven naˇcin napisati kao linearna kombinacija a
1
r +a
2
s;
u tom sluˇcaju kaˇzemo da su (a
1
, a
2
) koordinate te taˇcke u r, s-koordinatnom sistemu.
• Svaku kvadratnu matricu P moˇzemo posmatrati i kao uvodjenje novog koordinatnog sistema.
• Gornji raˇcun pokazuje da taˇcka X u standardnom ima iste koordinate kao taˇcka Y = p(X) u novom koordinatnom
sistemu. Znaˇci: ako imamo koordinate taˇcke u novom sistemu taˇcke X, njene koordinate u starom sistemu raˇcunamo
po formuli Y = P X.
• Svaka taˇcka ravni ima koordinate (y
1
, y
2
) u odnosu na standardni koordinatni sistem i (x
1
, x
2
) u odnosu na
‘novi’. Kako izraˇcunati (y
1
, y
2
) preko (x
1
, x
2
):
_
y
1
y
2
_
=
_
2 3
1 2
__
x
1
x
2
_
ili Y = P X
• Kako izraˇcunati (x
1
, x
2
) preko (y
1
, y
2
) :
_
x
1
x
2
_
=
_
2 3
1 2
_
−1
_
y
1
y
2
_
Linearna Algebra i Analitiˇcka Geometrija – 34 –
_
x
1
x
2
_
=
_
2 −3
−1 2
__
y
1
y
2
_
ili Y = P
−1
X
• Sliˇcno vaˇzi i u R
n
!
Neka je P inverzibilna matrica kojom uvodimo novi koordinatni sistem:
p : R
n
−→R
n
p(X) = P X
• Neka je preslikavanje (zvano linearni operator) f : R
n
−→ R
n
dato sa f(X) = AX gde je matrica A
inverzibilna (naravno da je ovo sve u starim koordinatama kako raˇcunamo f(X)).
• Kako izraˇcunati f(Z) preko Z u novim koordinatama (ili za date nove koordinate taˇcke Z, kojom formulom
izraˇcunavamo f(Z) u novim koordinatama):
(1) izraˇcunamo stare koordinate taˇcke Z (to je P Z)
(2) pomnoˇzimo stare koordinate s’leva matricom A, dobili smo stare koordinate taˇcke f(Z) (rezultat je AP Z)
(3) Pomnoˇzimo s’leva matricom P
−1
da dobijemo nove koordinate taˇcke f(Z). Rezultat je:
f(Z) = (P
−1
AP)Z
Definicija 3.5. Matrice A i B su sliˇcne ako i samo ako postoji matrica P takva da je B = P
−1
AP .
3.13 Specijalni tipovi kvadratnih matrica
1. Dijagonalne matrice Kvadratna matrica je dijagonalna ako su joj svi elementi van glavne dijagonale jednaki
nuli. Dijagonalnu matricu (a
ij
) reda n oznaˇcavamo sa diag(a
11
, a
22
, ..., a
nn
).
_
2 0
0 3
_
= diag(2, 3)
_
_
3 0 0
0 0 0
0 0 −9
_
_
= diag(3, 0, −9)
Skup svih dijagonalnih matrica reda n ˇcini algebru matrica (zatvoren je za sabiranje, mnoˇzenje i mnoˇzenje
skalarom); svake dijagonalne matrice istog reda komutiraju pa je to komutativna algebra matrica.
2. Trougaone matrice Kvadratna matrica je gornje trougaona ili samo trougaona (upper triangular or trian-
gular) ako su joj svi elementi ispod glavne dijagonale nule; na primer:
_
a
11
a
12
0 a
22
_
,
_
_
3 0 3
0 6 34
0 0 4
_
_
i
_
_
_
_
2 1 2 5
0 0 6 0
0 0 0 7
0 0 0 6
_
_
_
_
• Skup svih gornje trougaonih matrica reda n ˇcini algebru matrica (zatvoren je za sabiranje, mnoˇzenje i mnoˇzenje
skalarom) .
Teorema 3.18. Neka su A = (a
ij
) i B = (b
ij
) gornje trougaone matrice reda n.
1. A+B je trougaona sa dijagonalom (a
11
+b
11
, ..., a
nn
+b
nn
) ;
2. k A je trougaona sa dijagonalom (ka
11
, ka
22
, ..., ka
nn
) ;
3. AB je trougaona sa dijagonalom (a
11
b
11
, a
22
b
22
, ..., a
nn
b
nn
) ;
Linearna Algebra i Analitiˇcka Geometrija – 35 –
4. Za svaki polinom f(x) matrica f(A) je trougaona sa dijagonalom (f(a
11
), f(a
22
), ..., f(a
nn
)) ;
5. A je inverzibilna ako i samo ako je svaki dijagonalni element a
ii
razliˇcit od nule .
Dokaz ...
• Donje trougaona (lower triangular) matrica je kvadratna matrica koja ima sve elemente iznad glavne dijagonale
jednake nuli. Za njih vaˇzi analog Teoreme 3.18.
3. Simetriˇcne matrice Kvadratna matrica A = (a
ij
) je simetriˇcna ako je A
T
= A; simetrija je u odnosu na
glavnu dijagonalu: a
ij
= a
ji
.
_
1 0
0 −3
_
,
_
_
0 4 −1
4 3 2
−1 2 0
_
_
,
_
_
_
_
... 3 1 0
3 ... 7 5
1 7 ... 9
0 5 9 ...
_
_
_
_
(... je bilo ˇsta).
• Skup svih simetriˇcnih matrica reda n je zatvoren za sabiranje i mnoˇzenje skalarom ali nije za mnoˇzenje:
_
1 2
2 3
_ _
4 5
5 6
_
=
_
14 17
23 28
_
Matrica A = (a
ij
) je koso-simetriˇcna ako vaˇzi A
T
= −A; ekvivalentno a
ij
= −a
ji
. Elementi na glavnoj
dijagonali moraju biti nule zbog a
ii
= −a
ii
.
Teorema 3.19. Neka je A (bilo koja) kvadratna matrica reda n. Tada:
1. A+A
T
je simetriˇcna;
2. A−A
T
je koso simetriˇcna;
3. A se moˇze napisati u obliku A = B +C gde je B simetriˇcna a C koso simetriˇcna matrica.
4. Ortogonalne matrice Kvadratna matrica A reda n je ortogonalna ako vaˇzi
AA
T
= A
T
A = I
• Ortogonalna matrica A je inverzibilna i vaˇzi A
−1
= A
T
.
Primer 3.13. A =
_
_
_
_
1
9
8
9

4
9
4
9

4
9

7
9
8
9
1
9
4
9
_
_
_
_
je ortogonalna:
Matrica
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
je ortogonalna ako i samo ako:
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
_
_
_
_
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
ˇsto je ekvivalentno sa :
a
2
1
+a
2
2
+a
2
3
= 1 a
1
b
1
+a
2
b
2
+a
3
b
3
= 0 a
1
c
1
+a
2
c
2
+a
3
c
3
= 0
b
1
a
1
+b
2
a
2
+b
3
a
3
= 0 b
2
1
+b
2
2
+b
2
3
= 1 b
1
c
1
+b
2
c
2
+b
3
c
3
= 0
c
1
a
1
+c
2
a
2
+c
3
a
3
= 0 c
1
b
1
+c
2
b
2
+c
3
b
3
= 0 c
2
1
+c
2
2
+c
2
3
= 1
Linearna Algebra i Analitiˇcka Geometrija – 36 –
Oznaˇcimo vektore vrsta a = (a
1
, a
2
, a
3
) b = (b
1
, b
2
, b
3
) a = (c
1
, c
2
, c
3
)
a · a = 1 a · b = 0 a · c = 0
b · a = 0 b · b = 1 b · c = 0
c · a = 0 c · b = 0 c · c = 1
Ovo znaˇci da je {a, b, c} ortonormirani skup vektora (t.j. da je to skup jediniˇcnih vektora koji su medjusobno
normalni).
Teorema 3.20. Neka je A kvadratna matrica reda n. Slede´ca tvrdjenja su ekvivalentna:
(1) A je ortogonalna matrica;
(2) Vektori vrsta matrice A ˇcine ortonormirani skup vektora;
(3) Vektori kolona matrice A ˇcine ortonormirani skup vektora.
Teorema 3.21. Ortogonalna 2 ×2 matrica ima oblik
_
cos θ sin θ
−sin θ cos θ
_
5. Normalne matrice Kvadratna matrica A je normalna ako komutira sa svojom transponovanom matricom:
AA
T
= A
T
A .
• Dijagonalne, simetriˇcne, koso simetriˇcne i ortogonalne matrice su normalne. Postoje normalne matrice koje
nisu ni u jednoj od ovih klasa, na primer
_
6 −3
3 6
_ _
6 3
−3 6
_
=
_
45 0
0 45
_ _
6 3
−3 6
_
=
_
6 −3
3 6
_
Teorema 3.22. Svaka normalna 2 ×2 matrica je ili skalarna matrica ili je zbir skalarne i koso simetriˇcne matrice.
4 VEKTORSKI PROSTORI
Definicija 4.1. Neka je K polje (obiˇcno je K = R) i V neprazan skup na kome su definisane operacije sabiranja i
mnoˇzenja skalarom. V je vektorski prostor nad poljem K ukoliko su zadovoljene slede´ce aksiome:
(A
1
) Za sve u, v, w ∈ V vaˇzi
(u +v) +w = u + (v +w)
(A
2
) Postoji 0 ∈ V tako da za sve u ∈ V vaˇzi:
u +0 = u
(A
3
) Za svaki u ∈ V postoji -u ∈ V takav da
u + (-u) = 0
(A
4
) Za sve u, v ∈ V
u +v = v +u
(M
1
) Za sve u, v ∈ V i sve k ∈ K
k (u +v) = k u +k v
(M
2
) Za sve u ∈ V i sve k, k

∈ K
(k +k

) u = k u +k

u
(M
3
) Za sve u ∈ V i sve k, k

∈ K
(k k

) u = k (k

u)
(M
4
) Za sve u ∈ V 1 u = u
Linearna Algebra i Analitiˇcka Geometrija – 37 –
• (A
1
) −(A
4
) se odnose iskljuˇcivo na sabiranje (addition): (V, +) je komutativna grupa.
• Elemente skupa V nazivamo vektorima, vektor v ∈ V oznaˇcavamo i sa ⃗v; elementi polja su skalari ili brojevi,
obiˇcno je K = R.
• Sve ukupno, ovo su ‘aksiome za linearno kombinovanje’.
Teorema 4.1. Za sve vektore u, v, w ∈ R
n
i skalare k, k

∈ R vaˇzi:
1. Za sve k ∈ K : k 0 = 0 .
2. Za sve u ∈ V : 0 u = 0 .
3. Ako je k u = 0 tada je u = 0 ili k = 0.
4. Za sve k ∈ K i u ∈ V : (−k) u = k (-u) = -(ku)
Dokaz:
1. Prema aksiomi (A
2
), sa u = 0, imamo 0 +0 = 0. Otuda iz aksiome (M
1
),
k 0 = k (0 +0) = k 0 +k 0
Dodavanjem −(k 0) na obe strane dobijamo trazeni rezultat.
2. U polju vaˇzi: 0 + 0 = 0; otuda po aksiomi (M
2
),
0 u = (0 + 0) u = 0 u + 0 u
Dodavanjem −(0u) na obe strane dobijamo ˇzeljeni rezultat.
3. Predpostavimo da je k u = 0 i k ̸= 0. Onda postoji skalari k
−1
takav da je k
−1
k = 1; otuda
u = 1 u = (k
−1
k) u = k
−1
(k u) = k
−1
0 = 0
4. Koriste´ci deo 1. ove teoreme i (A3) u + (−u) = 0 i imamo
0 = k 0 = k (u + (−u)) = k u +k (−u)
Dodavanjem −(k u) na obe strane dobijamo −(k u) = k (−u). Dalje, koriste´ci k + (−k) = 0 i 2., imamo
0 = 0 u = (k + (−k)) u = k u + (−k) u
Dodavanjem −(k u) na obe strane dolazimo do −(k u) = (−k) u. Odatle (−k) u = k (−u) = −(k u)
4.1 Primeri vektorskih prostora
1. Prostor R
n
R
n
je skup svih n-torki realnih brojeva (vektora) koje se sabiraju po pravilu
u +v = (u
1
+v
1
, u
2
+v
2
, ..., u
n
+v
n
) (∈ R
n
)
i mnoˇze skalarom po pravilu: mnoˇzenje vektora skalarom (brojem) k ∈ R:
k u = (k u
1
, k u
2
, ..., k u
n
) (∈ R
n
)
0 vektor je (0, 0, ..., 0) dok je -(u
1
, ..., u
n
) = (−u
1
, ..., −u
n
).
2. Prostor matrica M
m,n
Linearna Algebra i Analitiˇcka Geometrija – 38 –
M
m,n
(R) je skup svih m×n matrica (elementi su realni brojevi). M
m,n
(R) je vektorski prostor nad R u odnosu
na uobiˇcajeno sabiranje matrica i mnoˇzenje matrice skalarom. 0 je nula-matrica a -A je −A.
3. Prostor polinoma P(t)
Neka je P(t) skup svih polinoma
a
0
+a
1
t +... +a
n
t
n
n = 0, 1, ....
gde su koeficijenti iz nekog polja K (obiˇcno K = R). P(t) je vektorski prostor u odnosu na uobiˇcajeno sabiranje
polinoma i mnoˇzenje polinoma skalarom (brojem). 0 vektor je konstantni polinom 0 i
-(a
0
+a
1
t +... +a
n
t
n
) je −a
0
−a
1
t −... −a
n
t
n
4. Prostor funkcija F(X)
Neka je X proizvoljan skup i neka je F(X) skup svih funkcija f : X −→R . Definiˇsemo zbir f-ja (+) i mnoˇzenje
f-je skalarom na ‘prirodan’ naˇcin:
(f+g)(x) = f(x) +g(x) (k f)(x) = k f(x)
0-funkcija je definisana 0(x) = 0 za sve x ∈ X dok je (-f)(x) = −f(x)
4.2 Potprostori
Neka je V vektorski prostor i W ⊂ V . W je potprostor prostora V ako i samo ako je W vektorski prostor u odnosu
na sabiranje i mnoˇzenje skalarom.
Teorema 4.2. Neka je V vektorski prostor i W ⊂ V . W je potprostor prostora V ako i samo ako vaˇze slede´ci uslovi:
1. 0 ∈ W
2. W je zatvoren za sabiranje vektora:
ako u, v ∈ W tada i u +v ∈ W.
3. W je zatvoren za mnoˇzenje vektora skalarom:
ako v ∈ W tada k v ∈ W za svaki skalar k.
Dokaz. Videti Problem 5.4
Posledica 4.1. W je potprostor prostora V ako i samo ako
1. 0 ∈ W i
2. Za sve skalare a, b i vektore u, v ∈ W vaˇzi a u +b v ∈ W
Dokaz. Videti Problem 5.5
Primer 4.1. Primeri potprostora
1. 0 i V su potprostori prostora V .
2. W = {(x, y, 0) | x, y ∈ R} je potprostor prostora R
3
3. Skup svih (gornje) trougaonih matrica reda n je potprostor od M
n,n
(isto i za donje trougaone, simetriˇcne,
dijagonalne, ...)
4. Skup svih polinoma stepena ≤ n je potprostor prostora P(t).
5. Prava ili ravan koja sadrˇzi koordinatni poˇcetak je potprostor prostora R
3
.
Linearna Algebra i Analitiˇcka Geometrija – 39 –
Teorema 4.3. Presek (viˇse) potprostora je potprostor.
Dokaz ...
Teorema 4.4. Skup reˇsenja homogenog sistema AX = 0 po n promenljivih je potprostor od R
n
.
Dokaz ...
• Skup reˇsenja nehomogenog sistema AX = B gde je B ̸= 0 nije potprostor od R
n
poˇsto ne sadrˇzi 0.
4.3 Linearne kombinacije
Neka je V vektorski prostor i v
1
, v
2
, ..., v
n
∈ V . Vektor koji se moˇze napisati u obliku
a
1
v
1
+a
2
v
2
+... +a
n
v
n
je linearna kombinacija vektora v
1
, v
2
, ..., v
n
. Skup svih takvih linearnih kombinacija je linearni omotaˇc ili lineal
skupa v
1
, v
2
, ..., v
n
(linear span) i oznaˇcava se sa
span(v
1
, v
2
, ..., v
n
)
Teorema 4.5. Neka je S ⊂ V .
(1) span(S) je potprostor prostora V .
(2) span(S) je najmanji potprostor prostora V koji sadrˇzi S:
ako je W potprostor prostora V i S ⊆ W tada je span(S) ⊆ W.
Vektori v
1
, v
2
, ..., v
n
generiˇsu prostor V (generate or span) ako je
V = span(v
1
, v
2
, ..., v
n
)
Drugim reˇcima v
1
, v
2
, ..., v
n
generiˇsu V ako i samo ako je svaki u ∈ V linearna kombinacija vektora v
1
, v
2
, ..., v
n
:
u = a
1
v
1
+a
2
v
2
+... +a
n
v
n
Primer 4.2. 1. Vektori i, j generiˇsu R
2
.
2. Vektori i, j, k generiˇsu R
3
.
3. P(t) = span(1, t, t
2
, t
3
, ...)
4.4 Linearna zavisnost
Definicija 4.2. Neka je V vektorski prostor. Vektori v
1
, v
2
, ..., v
n
su linearno zavisni (linearly dependent) ukoliko
postoje skalari a
1
, a
2
, ..., a
n
koji nisu svi jednaki nuli tako da
a
1
v
1
+a
2
v
2
+... +a
n
v
n
= 0 .
U suprotnom, oni su linearno nezavisni (linearly independent).
• v
1
, v
2
, ..., v
n
su linearno zavisni ako je 0 medju njima.
• Jedan ne-nula vektor ˇcini linearno nezavisan skup.
• Ako su dva od vektora v
1
, v
2
, ..., v
n
jednaka onda su linearno zavisni.
• Svaki podskup linearno nezavisnog skupa je linearno nezavisan; svaki nadskup linearno zavisnog skupa je
linearno zavisan.
• Dva vektora u, v su linearno zavisna ako i samo ako je jedan od njih jednak drugom pomnoˇzen nekim skalarom:
u = k v ili v = k u
Linearna Algebra i Analitiˇcka Geometrija – 40 –
Primer 4.3. Vektori (2, 1, 1), 2(1, 2, 1) i (4, −1, 1) su linearno zavisni:
3 (2, 1, 1) −2(1, 2, 1) −(4, −1, 1) = (0, 0, 0)
Primer 4.4. Ispitujemo da li su vektori (6, 2, 3, 4), (0, 5, −3, 1) i
(0, 0, 7, −2) linearno zavisni: da li postoje x, y, z koji nisu svi jednaki nuli takvi da je:
x(6, 2, 3, 4) +y (0, 5, −3, 1) +z (0, 0, 7, −2) = (0, 0, 0, 0)
6 x = 0
2 x + 5 y = 0
3 x − 3 y + 7 z = 0
4 x + y − 2 z = 0
Reˇsavanjem dobijamo x = y = z = 0 pa su vektori linearno nezavisni.
• Iz prethodna dva primera zakljuˇcujemo da se ispitivanje linearne zavisnosti konkretnog skupa vektora u R
n
svodi na ispitivanje postojanja netrivijalnog reˇsenja homogenog sistema linearnih jednaˇcina.
Lema 4.1. Pretpostavimo da su ne-nula vektori v
1
, v
2
, ..., v
n
linearno zavisni. Tada je jedan od njih linearna kom-
binacija prethodnih: postoji k ≤ n i a
1
, ..., a
k−1
takvi da
a
1
v
1
+a
2
v
2
+... +a
k−1
v
k−1
= v
k
.
Dokaz. Videti Problem 5.36
• U prostoru R
3
:
(a) Dva vektora su linearno zavisna ako i samo ako pripadaju istoj pravi koja sadrˇzi i 0.
(b) Tri vektora su linearno zavisna ako i samo ako pripadaju istoj ravni koja sadrˇzi i 0.
Teorema 4.6. Svi ne-nula vektori vrsta matrice u stepenastoj formi ˇcine linearno nezavisan skup.
Dokaz. Videti Problem 5.37
4.5 Baza i dimenzija
Definicija 4.3. v
1
, v
2
, ..., v
n
je baza (basis) prostora V ako vaˇzi:
(1) v
1
, v
2
, ..., v
n
je linearno nezavisan; i
(2) span(v
1
, v
2
, ..., v
n
) = V.
Definicija 4.4. v
1
, v
2
, ..., v
n
je baza ako i samo ako se svaki vektor prostora V na jedinstven naˇcin predstavlja
kao linearna kombinacija vektora v
1
, v
2
, ..., v
n
.
• Prethodne dve definicije su ekvivalentne (za dokaz videti Problem 5.30)
• Prema Definiciji 4.4 svaki vektor v se na jedinstven naˇcin piˇse u obliku:
v = a
1
v
1
+a
2
v
2
+... +a
n
v
n
1
(a
1
, a
2
, ..., a
n
) su koordinate vektora v u odnosu na bazu v
1
, v
2
, ..., v
n
.
Primer 4.5. (1) Neka je e
i
∈ R
n
vektor kome je i-ta koordinata 1 a ostale su nule. Tada je e
1
, e
2
, ..., e
n
baza za
R
n
.
(2)
_
1 0
0 0
_ _
0 1
0 0
_ _
0 0
1 0
_
i
_
0 0
0 1
_
ˇcine bazu M
2,2
(R) zato ˇsto se svaka matrica na jedinstven
naˇcin predstavlja kao linearna kombinacija:
_
a b
c d
_
= a
_
1 0
0 0
_
+b
_
0 1
0 0
_
+c
_
0 0
1 0
_
+d
_
0 0
0 1
_
Linearna Algebra i Analitiˇcka Geometrija – 41 –
• V je konaˇcno dimenzioni ili n-dimenzioni vektorski prostor ako ima bazu od n elemenata. Oznaka:
dim(V ) = n
U suprotnom V je beskonaˇcno dimenzioni prostor.
• Naredna teorema utvrdjuje da su svake dve baze konaˇcno dimenzionog prostora jednakobrojne; taj broj je
dimenzija vektorskog prostora.
Teorema 4.7. Svake dve baze konaˇcno dimenzionog vektorskog prostora imaju isti broj elemenata.
Dokaz. Naredna lema je kljuˇcna ...
Lema 4.2. Pretpostavimo:
- span(v
1
, v
2
, ..., v
n
) = V i
- vektori w
1
, w
2
, ..., w
m
∈ V su linearno nezavisni. Tada:
(1) Vaˇzi m ≤ n i moˇzemo izabrati taˇcno n −m v
i
-ova: v
i
1
, v
i
2
, ..., v
i
n−m
tako da je:
span(w
1
, w
2
, ..., w
m
, v
i
1
, v
i
2
, ..., v
i
n−m
) = V
(2) Svakih n + 1 vektora su linearno zavisni.
Dokaz. Videti Problem 5.39
Teorema 4.8. Neka je dim(V ) = n.
(1) Svaki skup koji sadrˇzi bar n + 1 vektor je linearno zavisan.
(2) Svaki linearno nezavisan skup od n vektora je baza za V .
(3) Ako je span(v
1
, v
2
, ..., v
n
) = V tada je v
1
, v
2
, ..., v
n
baza.
Dokaz. Videti Problem 5.41
Teorema 4.9. Neka je span(S) = V gde je S = {v
1
, v
2
, ..., v
n
}.
(1) Svaki maksimalan linearno nezavisan podskup od S je baza.
(2) Ako iz S izbacimo svaki vektor koji je linearna kombinacija prethodnih, dobi´cemo bazu za V .
Dokaz. Videti Problem 5.42
Teorema 4.10. Neka je V konaˇcno dimenzioni vektorski prostor i neka je S njegov linearno nezavisan podskup. Tada
S moˇzemo produˇziti do baze.
Dokaz. Videti Problem 5.43
• dim(R
n
) = n
Primer 4.6. Vektori (1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 1, 1), (0, 0, 0, 1) ˇcine stepenastu matricu. Prema Teoremi 4.6 oni su
linearno nezavisni, pa su i baza za R
4
prema Teoremi 4.8(3).
Potprostor vektorskog prostora je za sebe vektorski prostor, pa je baza i dimenzija dobro definisana.
Teorema 4.11. Neka je W potprostor n-dimenzionog prostora V . Tada je dim(W) ≤ dim(V ) i: ako je dim(W) = n
onda je W = V .
Dokaz...
Primer 4.7. Neka je W potprostor prostora R
3
:
(1) dim(W) = 0 ako i samo ako je W = {0)
(2) dim(W) = 1 ako i samo ako je W prava koja sadrˇzi koordinatni poˇcetak.
(3) dim(W) = 2 ako i samo ako je W ravan koja sadrˇzi koordinatni poˇcetak.
(4) dim(W) = 3 ako i samo ako je W = R
3
.
Linearna Algebra i Analitiˇcka Geometrija – 42 –
4.6 Prostor vrsta matrice
Vektori vrsta matrice
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
m1
a
m2
... a
mn
_
_
_
_
v
1
= (a
11
, a
12
, ..., a
1n
) v
2
= (a
11
, a
12
, ..., a
1n
) ..... v
m
= (a
m1
, a
m2
, ..., a
mn
)
posmatrani kao vektori u R
n
generiˇsu potprostor prostora R
n
; to je prostor vrsta matrice A (rowspace of A):
rowsp(A) = span(v
1
, v
2
, ..., v
m
)
• Rang vrsta matrice A je dimenzija prostora njenih vrsta.
Teorema 4.12. Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta.
Dokaz ...
Teorema 4.13. Kanonske matrice imaju isti prostor vrsta ako i samo ako su jednake.
Dokaz. Videti Problem 5.51
Slede´cu teoremu smo ve´c koristili iako je tek sada dokazujemo
Teorema 4.14. Svaka matrica je ekvivalentna (po vrstama) jedinstvenoj kanonskoj matrici.
Dokaz. Videti Problem 5.52
Primer 4.8. Neka je V potprostor od R
3
generisan vektorima
(1, 2, 3), (4, 5, 6), (7, 8, 9)
_
_
1 2 3
4 5 6
7 8 9
_
_

v
_
_
1 2 3
0 −3 −6
0 −6 −12
_
_

v
_
_
1 2 3
0 1 2
0 1 2
_
_

v

v
_
_
1 2 3
0 1 2
0 0 0
_
_

v
_
_
1 0 −1
0 1 2
0 0 0
_
_
Zakljuˇcci:
(1) V je potprostor generisan vektorima (1, 0, −1) i (0, 1, 2).
(2) V je potprostor generisan vektorima (1, 2, 3) i (0, 1, 2).
(3) V je potprostor generisan vektorima (1, 2, 3) i (0, −3, −6).
4.7 Odredjivanje baze i dimenzije potprostora u R
n
Podsetimo se:
• Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta.
• Vektori vrsta stepenaste matrice su linearno nezavisni. Oni ˇcine bazu prostora vrsta (poˇsto svaki linearno
nezavisan skup predstavlja bazu potprostora generisanog njima).
Linearna Algebra i Analitiˇcka Geometrija – 43 –
Algoritam za odredjivanje baze i dimenzije potprostora generisanog datim vektorima (strana 154.)
Korak 1. Od datih vektora, kao vektora vrsta, formirati matricu.
Korak 2. Svesti matricu na stepenastu formu.
Korak 3. Vektori ne-nula vrsta stepenaste matrice ˇcine bazu; koliko ih je tolika je dimenzija.
Primer 4.9. Neka je V potprostor prostora R
5
generisan vektorima
(1, 1, 1, 1, 1), (1, 0, 2, 1, 1), (0, 0, 1, 1, 1),
(2, 1, 5, 4, 4), (3, 2, 3, 2, 2), (1, −1, 2, 0, 0)
_
_
_
_
_
_
_
_
1 1 1 1 1
1 0 2 1 1
0 0 1 1 1
2 1 5 4 4
3 2 3 2 2
1 −1 2 0 0
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1 1
0 −1 1 0 0
0 0 1 1 1
0 −1 3 2 2
0 −1 0 −1 −1
0 −2 1 −1 −1
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1 1
0 1 1 0 0
0 0 1 1 1
0 0 2 2 2
0 0 −1 −1 −1
0 0 −1 −1 −1
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1 1
0 1 1 0 0
0 0 1 1 1
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
_
_
_
_
_
_
_
_
(1, 1, 1, 1, 1), (0, 1, 1, 0, 0), (0, 0, 1, 1, 1) je baza za V i dim(V ) = 3.
• Algoritam koristimo i da odredimo da li je dati skup vektora linearno nezavisan: odredimo bazu i dimenziju
potprostora generisanog tim vektorima. Ako je dimenzija jednaka broju vektora (t.j. ako u stepenastoj matrici nema
nula vrsta), oni su linearno nezavisni.
4.8 Rang matrice
Rang vrsta matrice je dimenzija njenog prostora vrsta ( t.j. maksimalan broj linearno nezavisnih vektora vrsta).
Ako A svedemo na stepenastu formu tada je broj ne-nula vrsta te stepenaste matrice jednak rangu vrsta matrice (ovo
smo dokazali u Teoremi 4.6.
Sliˇcno prostoru vrsta definiˇsemo i prostor kolona matrice A: to je potprostor generisan vektorima kolona, ili skup
svih vektora kolona koji se mogu izraziti kao linearna kombinacija vektora kolona matrice A; rang kolona matrice je
dimenzija njenog prostora kolona.
Teorema 4.15. Rang vrsta matrice jednak je rangu njenih kolona.
Dokaz: Neka je A proizvoljna m×n matrica:
A =
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . . . . . . . . . . .
a
m1
a
m2
... a
mn
_
_
_
_
Neka R
1
, R
2
, . . . , R
m
oznaˇcavaju vektore vrsta:
R
1
= (a
1 1
, a
1 2
, . . . , a
1 n
), . . . , R
m
= (a
m1
, a
m2
, . . . , a
mn
)
Predpostavimo da je rang vrsta r i da slede´ci vektori ˇcine bazu prostora vrsta:
S
1
= (b
1 1
, b
1 2
, . . . , b
1 n
), S
2
= (b
2 1
, b
2 2
, . . . , b
2 n
), . . . , S
r
= (b
r 1
, b
r 2
, . . . , b
r n
)
Linearna Algebra i Analitiˇcka Geometrija – 44 –
Svaka vektor vrste matrice A je linearna kombinacija baznih vrsta:
R
1
= k
11
S
1
+ k
12
S
2
+· · · +k
1r
S
r
R
2
= k
21
S
1
+ k
22
S
2
+· · · +k
2r
S
r
· · · · · · · · · · · · · · · · · · · · · · · · · · ·
R
m
= k
m1
S
1
+k
m2
S
2
+· · · +k
mr
S
r
gde su k
ij
skalari. Fiksirajmo i ≤ n i u svakoj od ovih jednakosti izjednaˇcimo i-te koordinate vektora s leve i desne
strane, dobijamo slede´ce jednakosti:
a
1i
= k
11
b
1i
+k
12
b
2i
+· · · +k
1r
b
ri
a
2i
= k
21
b
1i
+k
22
b
2i
+· · · +k
2r
b
ri
· · · · · · · · · · · · · · · · · · · · · · · · · · ·
a
mi
= k
m1
b
1i
+k
m2
b
2i
+· · · +k
mr
b
ri
ˇsto zapisujemo na drugi naˇcin kao:
_
_
_
_
a
1i
a
2i
. . .
a
mi
_
_
_
_
= b
1i
_
_
_
_
k
11
k
21
. . .
k
m1
_
_
_
_
+b
2i
_
_
_
_
k
12
k
22
. . .
k
m2
_
_
_
_
+· · · +b
ri
_
_
_
_
k
1r
k
2r
. . .
k
mr
_
_
_
_
Drugim reˇcima, i-ta kolona matrice A je linearna kombinacija slede´cih r vektora
_
_
_
_
k
11
k
21
. . .
k
m1
_
_
_
_
,
_
_
_
_
k
12
k
22
. . .
k
m2
_
_
_
_
, · · · ,
_
_
_
_
k
1r
k
2r
. . .
k
mr
_
_
_
_
Kako ovi vektori ne zavise od izbora i ≤ n zakljuˇcujemo da je svaki vektor kolone matrice A linearna kombinacija
ovih r vektora, ˇsto znaˇci da oni generiˇsu ceo prostor kolona pa je njegova dimenzija najviˇse r, odnosno rang kolona
matrice A je ≤ r.
Ovim smo dokazali da je rang kolona matrice A nije ve´ci od ranga vrsta. Ako primenimo ovo na matricu A
T
dobi´cemo obrnutu nejednakost, pa zakljuˇcujemo da su ova dva ranga jednaka.
• Alternativni dokaz prethodne teoreme je zasnovan na kasnije dokazanim lemama 4.3 i 4.4: Neka je A ∼
v
B
gde je B stepenasta matrica koja ima r ne-nula vrsta. Prema Teoremi 4.12 A i B imaju isti prostor vrsta, a prema
Teoremi 4.6 vektori ne-nula vrste matrice B su linearno nezavisni pa chine bazu prostora vrsta. Znachi rang vrsta
matrice A je r.
Predstavimo sada matrice preko vektora kolona:
A = (A
1
A
2
... A
n
) B = (B
1
B
2
... B
n
)
Iz Leme 4.3 sledi da ako A
i
1
, A
i
2
, ..., A
i
r
ˇcine bazu prostora kolona matrice A, onda B
i
1
, B
i
2
, ..., B
i
r
ˇcine bazu
prostora kolona matrice B. Zakljuˇcujemo da matrice A i B imaju isti rang kolona (iako mogu imati razliˇcite prostore
kolona)! S druge strane, prema Lemi 4.4, rang kolona matrice B je jednak broju ‘pivota’ t.j. broju ne-nula vrsta
matrice B. Zakljuˇcujemo da je rang prostora kolona matrice B jednak r, pa je i rang kolona matrice A jednak r.
Definicija 4.5. Rang matrice A, u oznaci rang(A), je rang njenih vrsta (ili kolona).
U Teoremi 3.17 (Teorema 4.16 u knjizi) smo dokazali da je svaka m × n matrica ekvivalentna (moˇze se svesti
elementarnim transformacijama vrsta i kolona) taˇcno jednoj blok matrici oblika
_
I
r
0
0 0
_
gde je I
r
jediniˇcna r ×r
matrica. Primetimo da je r = rang(A).
4.9 Drugi algoritam za odredjivanje baze i dimenzije
Elementarne transformacije vrsta matrice ne utiˇcu na linearnu zavisnost kolona matrice:
Linearna Algebra i Analitiˇcka Geometrija – 45 –
Lema 4.3. Neka su A
1
, A
2
, ..., A
n
vektori kolona matrice A i neka su B
1
, B
2
, ..., B
n
vektori kolona matrice B.
Pretpostavimo A ∼
v
B (B se moˇze dobiti iz A elementarnim transformacijama vrsta). Tada za skalare α
1
, ...., α
n
vaˇzi:
α
1
A
1

2
A
2
+... +α
n
A
n
= 0
ako i samo ako
α
1
B
1

2
B
2
+... +α
n
B
n
= 0
Dokaz. Dovoljno je proveriti tvrdjenje za sluˇcaj kada se B dobija iz A primenom samo jedne elementarne
transformacije vrsta, ˇsto nije teˇsko.
Lema 4.4. Bazu prostora kolona stepenaste matrice ˇcine vektori kolona koji sadrˇze pivote. Posebno, svaka kolona
bez pivota je linearna kombinacija kolona sa pivotima.
Dokaz. Neposredno se proveri da su kolone koje sadrˇze pivote linearno nezavisne i da je svaka kolona bez pivota
njihova linearna kombinacija.
Primer 4.10.
_
_
_
_
1 2 1 5 0 3 −1
0 0 2 4 1 5 4
0 0 0 0 1 1 −2
0 0 0 0 0 0 0
_
_
_
_
_
_
_
_
5
4
0
0
_
_
_
_
= 3
_
_
_
_
1
0
0
0
_
_
_
_
+ 2
_
_
_
_
1
2
0
0
_
_
_
_
_
_
_
_
3
5
1
0
_
_
_
_
=
_
_
_
_
1
0
0
0
_
_
_
_
+ 2
_
_
_
_
1
2
0
0
_
_
_
_
+
_
_
_
_
0
1
1
0
_
_
_
_
_
_
_
_
−1
4
−2
0
_
_
_
_
= −4
_
_
_
_
1
0
0
0
_
_
_
_
+ 3
_
_
_
_
1
2
0
0
_
_
_
_
−2
_
_
_
_
0
1
1
0
_
_
_
_
Na prethodne dve leme zasnovan je slede´ci algoritam. Koristimo ga da iz datog skupa vektora izdvojimo maksimalan
linearno nezavisan podskup; t.j. da iz datog skupa vektora izdvojimo bazu potprostora generisanog datim skupom.
Neka je dat skup (spisak) vektora S = {v
1
, v
2
, ..., v
n
}
Korak 1. Od datih vektora, kao vektora kolona, formirati matricu.
Korak 2. Elementarnim transformacijama vrsta svesti matricu na stepenastu formu.
Korak 3. Izbrisati iz S sve v
i
-ove takve da se u i-toj koloni stepenaste matrice ne nalazi pivot.
Korak 4. Preostali vektori ˇcine maksimalan linearno nezavisan podskup.
Primer 4.11. Neka je V potprostor prostora R
6
generisan vektorima
v
1
= (1, 1, 0, 2, 3, 1), v
2
= (1, 0, 0, 1, 2, −1)
v
3
= (1, 2, 1, 5, 3, 2), v
4
= (1, 1, 1, 4, 2, 0)
Pronadjimo bazu za V koja je podskup skupa {v
1
, v
2
, v
3
, v
4
}
_
_
_
_
_
_
_
_
1 1 1 1
1 0 2 1
0 0 1 1
2 1 5 4
3 2 3 2
1 −1 2 0
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1
0 −1 1 0
0 0 1 1
0 −1 3 2
0 −1 0 −1
0 −2 1 −1
_
_
_
_
_
_
_
_

v
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 0
0 0 1 1
0 0 2 2
0 0 −1 −1
0 0 −1 −1
_
_
_
_
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 46 –

v
_
_
_
_
_
_
_
_
1 1 1 1
0 1 1 0
0 0 1 1
0 0 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
Jedino u ˇcetvrtoj koloni nema pivota pa je v
1
, v
2
, v
3
baza za V i dim(V ) = 3.
4.10 Linearne jednaˇcine i vektorski prostori
Sistem linearnih jednaˇcina
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
moˇzemo zapisati u matriˇcnoj formi AX = B:
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
m1
a
m2
... a
mn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
b
1
b
2
...
b
m
_
_
_
_
Matrica A je matrica sistema (coefficient matrx).
(A, B) =
_
_
_
_
a
11
a
12
... a
1n
b
1
a
21
a
22
... a
2n
b
2
. . ... .
a
m1
a
m2
... a
mn
b
m
_
_
_
_
je proˇsirena matrica sistema (augmented matrix).
• Ako linearne jednaˇcine posmatramo kao vektore vrsta, moˇzemo definisati pojam linearne zavisnosti:
sistem je linearno nezavisan ukoliko su vektori vrsta proˇsirene matrice linearno nezavisni. Sistem u stepenastoj formi
je nezavisan.
• Dva sistema linearnih jednaˇcina su ekvivalentna (imaju isti skup reˇsenja) ako i samo ako su im proˇsirene matrice
ekvivalentne po vrstama.
• Svaki sistem je ekvivalentan nezavisnom sistemu (npr. u stepenastoj formi); nezavisni sistem moˇze imati manje
jednaˇcina od polaznog. Broj jednaˇcina tog nezavisnog sistema je jednak rangu matrice proˇsirenog sistema.
Teorema 4.16. Slede´ca tvrdjenja su ekvivalentna:
(a) Sistem linearnih jednaˇcina AX = B ima reˇsenje.
(b) B je linearna kombinacija vektora kolona matrice A (vektor kolona B pripada prostoru kolona matrice A).
(v) Rang matrice sistema jednak je rangu proˇsirene matrice.
Dokaz ...
• (a)⇔(v) u gornjoj teoremi je Kroneker-Kapelijeva teorema.
• (a)⇔(b) u gornjoj teoremi opisuje prostor kolona matrice A:
v pripada prostoru kolona matrice A ako i samo ako AX = v ima reˇsenje.
• Podsetimo: skup svih reˇsenja homogenog sistema AX = 0 sa n promenljivih je potprostor prostora R
n
.
Teorema 4.17. Dimenzija prostora reˇsenja homogenog sistema AX = 0 je n −r gde je n broj nepoznatih a r rang
matrice sistema.
Linearna Algebra i Analitiˇcka Geometrija – 47 –
Dokaz. Predpostavimo da vektori u
1
, u
2
, ..., u
r
ˇcine bazu prostora kolona matrice A (postoji taˇcno r takvih
vektora poˇsto je rang(A)=r). Po Teoremi 4.16 (b)⇒(a), svaki sistem AX = u
i
ima reˇsenje v
i
:
Av
1
= u
1
, Av
2
= u
2
, ..., Av
r
= u
r
(1)
Neka je W prostor reˇsenja, dim(W) = s i neka je w
1
, w
2
, ..., w
s
baza za W. Neka je
B = {v
1
, v
2
, ..., v
r
, w
1
, w
2
, ..., w
s
}
Tvrdimo da je B baza prostora K
n
a potrebno je dokazati da je B linearno nezavisan i da je span(B) = K
n
.
Dokaz za span(B) = K
n
. Pretpostavimo da v ∈ K
n
i Av = u. Kako u pripada prostoru kolona matrice A moˇze
se izraziti kao linearna kombinacija vektora u
i
:
Av = k
1
u
1
+k
2
u
2
+· · · +k
r
u
r
(2)
Neka je v

= v −k
1
u
1
−k
2
u
2
−· · · −k
r
u
r
. Onda, koriste´ci (1) i (2) sledi:
A(v

) = A(v −k
1
u
1
−k
2
u
2
−· · · −k
r
u
r
)
= Av −k
1
Av
1
−k
2
Av
2
−· · · −k
r
Av
r
= Av −k
1
u
1
−k
2
u
2
−· · · −k
r
u
r
= Av −Av = 0
Tako v

pripada reˇsenju W i odatle sledi da je v

linearna kombinacija w
i
-ova:
v

= c
1
w
1
+c
2
w
2
+· · · +c
s
w
s
Onda
v = v

+
r

i=1
k
i
v
i
=
r

i=1
k
i
v
i
+
r

i=1
c
j
w
j
Tako v je linearna kombinacija elemenata iz B, i odatle sledi da span(B) = K
n
.
Dokaz da je B linearno nezavisan. Pretpostavimo da
a
1
v
1
+a
2
v
2
+· · · +a
r
v
r
+b
1
w
1
+· · · +b
s
w
s
= 0 (3)
Kako w
i
pripada W, svaki Aw
i
= 0. Koriste´ci ˇcinjenicu i ove formule, dobijamo
0 = A(0) = A
_
_
r

i=1
a
i
v
i
+
s

j=0
b
j
w
j
_
_
=
r

i=1
a
i
Av
i
+
s

j=1
b
j
Aw
j
=
r

i=1
a
i
u
i
+
s

j=1
b
j
0 = a
1
u
1
+a
2
u
2
+· · · +a
r
u
r
Kako su u
1
, u
2
, . . . , u
r
linearno nezavisni , svaki a
i
= 0. Zamenom u (3) dobija se
b
1
w
1
+b
2
w
2
+· · · +b
s
w
s
= 0
Ipak, w
1
, w
2
, . . . , w
s
su linearno nezavisni, tako da je svako b
i
= 0. Odatle sledi, B je linearno nezavisan. Prema
tome, B je baza za K
n
. Kako B ima r +s elemenata, imamo r +s = n. Kao posledica, dim(W) = s = n −r, kao ˇsto
je i reˇceno.
• Za ekvivalentnu formulaciju prethodne teoreme, kao i alternativni dokaz, videti Teoremu 5.4.
• Ukoliko je sistem u stepenastoj formi broj slobodnih promenljivih je n −r.
4.11 Suma i direktna suma potprostora
Neka su U i W potprostori prostora V . Njihova suma U +W sa sastoji od svih zbirova u+w gde u ∈ U i w ∈ W:
U +W = {u +w| u ∈ U w ∈ W}
Teorema 4.18. Ako su U i W potprostori prostora V tada je i U +W potprostor od V .
Linearna Algebra i Analitiˇcka Geometrija – 48 –
Dokaz:
Lema 4.5. Ako je U
1
= span(S
1
) i U
2
= span(S
2
) tada je U
1
+U
2
= span(S
1
∪ S
2
).
Dokaz. ...
Teorema 4.19. (Grassmanova formula) Ako su U i W potprostori konaˇcno dimenzionog prostora V tada je:
dim(U +W) = dim(U) + dim(W) −dim(U ∩ W)
Dokaz: Uoˇcimo da je U ∩ W potprostor oba, U i W. Predpostavimo da je
dim(U) = m dim(W) = n dim(U ∩ W) = r
i neka je {v
1
, ..., v
r
} baza za U ∩ W. Prema Teoremi 4.10 svaku bazu za U ∩ W moˇzemo raˇsiriti do baze za W (kao i
do baze za U); Neka su
B
U
= {v
1
, ..., v
r
, u
1
, ..., u
m−r
} i B
W
= {v
1
, ..., v
r
, w
1
, ..., w
n−r
}
baze za U i W respektivno i neka je B = B
U
∪ B
W
:
B = {v
1
, ..., v
r
, u
1
, ..., u
m−r
, w
1
, ..., w
n−r
}
Primetimo da B ima taˇcno m+n −r elemenata. Teorema je dokazana ako pokaˇzemo da je B baza U +W. Kako je
span(B
U
) = U i span(B
W
) = W, prema Lemi 4.5 je:
span(B
U
) + span(B
W
) = span(B
U
∪ B
W
) = span(B)
ili U +W = span(B). Preostaje da pokaˇzemo da je B nezavisan. Predpostavimo
a
1
v
1
+... +a
r
v
r
+b
1
u
1
+... +b
m−r
u
m−r
+c
1
w
1
+... +c
n−r
w
n−r
= 0 (1)
gde su a
i
, b
j
, c
k
skalari. Neka je
v = a
1
v
1
+· · · +a
r
v
r
+b
1
u
1
+· · · +b
m−r
u
m−r
(2)
Po (1) takodje imamo
v = −c
1
w
1
−· · · −c
n−r
w
n−r
(3)
Kako je v
i
, u
j
∈ U iz (2) dobijamo v ∈ U; a kako je w
k
∈ W iz (3) dobijamo v ∈ W. Prema tome, v ∈ U ∩W. Kako
je {v
1
, ..., v
r
} baza za U ∩ W postoje skalari d
1
, . . . , d
r
takvi da je:
v = d
1
v
1
+d
2
v
2
+· · · +d
r
v
r
Ubacimo ovo u (3) i dobijamo:
d
1
v
1
+· · · +d
r
v
r
+c
1
w
1
+· · · +c
n−r
w
n−r
= 0
Ali poˇsto je B
W
= {v
1
, ..., v
r
, w
1
, ..., w
n−r
} baza za W njeni vektori su linearno nezavisni pa zakljuˇcujemo:
c
1
= 0 c
2
= 0 . . . c
n−r
= 0
Zamenom u (1) dobijamo
a
1
v
1
+· · · +a
r
v
r
+b
1
u
1
+· · · +b
m−r
u
m−r
= 0
Poˇsto je B
U
= {v
1
, ..., v
r
, u
1
, ..., u
m−r
} baza za U zakljuˇcujemo;
a
1
= 0 . . . a
r
= 0 b
1
= 0, . . . , b
m−r
= 0
Dokazali smo da iz (1) sledi da su a
i
, b
j
, i c
k
svi 0 pa je B linearno nezavisan skup.
Definicija 4.6. Vektorski prostor V je direktna suma potprostora U i W, u oznaci
V = U ⊕W
ako se svaki vektor v ∈ V na jedinstven naˇcin moˇze napisati u obliku v = u +w gde u ∈ U i w ∈ W.
Teorema 4.20. V je direktna suma potprostora U i W ako i samo ako vaˇzi:
(i) V = U +W i (ii) U ∩ W = {0}
Dokaz. Videti Problem 5.70
• Ako je V = U ⊕W tada Grasmanova formula postaje:
dim(V ) = dim(U) + dim(W)
Linearna Algebra i Analitiˇcka Geometrija – 49 –
4.12 Koordinate vektora u odnosu na bazu, promena baze
Podsetimo da je S = {v
1
, v
2
, ..., v
n
} baza prostora V ako i samo ako se svaki vektor u ∈ V na jedinstven naˇcin
predstavlja kao linearna kombinacija vektora
u = a
1
v
1
+a
2
v
2
+... +a
n
v
n
a
1
, a
2
, ..., a
n
su koordinate vektora u u odnosu na bazu S.
Koordinatni vektor vektora u u odnosu na bazu S je
[u]
S
= (a
1
, a
2
, ..., a
n
) ∈ K
n
Primetimo da koordinatni vektor vektora v ∈ V pripada prostoru K
n
(a ne V ).
Teorema 4.21. Neka je V konaˇcno dimenzioni vektorski prostor nad K. Tada:
(1) [u]
S
+ [v]
S
= [u+v]
S
(2) [k u]
S
= k [u]
S
• Prethodna teorema, u smislu definicije 5.3, znaˇci da je svaki n-dimenzioni vektorski prostor V nad poljem K
izomorfan sa K
n
(u oznaci V

= K
n
).
Neka je S = {u
1
, u
2
, ..., u
n
} baza prostora V . Koordinatne vektore [w]
S
∈ K
n
posmatramo kao vektor-kolone:
[w]
S
=
_
_
_
_
a
1
a
2
...
a
n
_
_
_
_
Neka je S

= {v
1
, v
2
, ..., v
n
} druga (‘nova’) baza prostora V . Kako izraˇcunati koordinate vektora w u odnosu
na novu bazu S

?
v
1
= c
11
u
1
+c
12
u
2
+... +c
1n
u
n
v
2
= c
21
u
1
+c
22
u
2
+... +c
2n
u
n
....................................
v
n
= c
n1
u
1
+c
n2
u
2
+... +c
nn
u
n
Neka je P transponovana matrica ovog ‘sistema’:
P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
P je matrica promene baze sa baze S na bazu S

.
Teorema 4.22. Neka je P matrica promene baze sa baze S na bazu S

. Tada je P inverzibilna i za svaki vektor
w ∈ V vaˇzi:
P [w]
S
′ = [w]
S
i P
−1
[w]
S
= [w]
S

Dokaz ...
Linearna Algebra i Analitiˇcka Geometrija – 50 –
5 LINEARNI OPERATORI
5.1 Definicija i primeri
Definicija 5.1. Neka je U vektorski prostor u odnosu na sabiranje +
U
i V vektorski prostor u odnosu na +
V
vektorski
prostori nad poljemF. Preslikavanje F : U −→V je linearno preslikavanje, (linearni operator, linearna transformacija
ili homomorfizam vektorskih prostora) ako vaˇzi:
(1) F(u
1
+
U
u
2
) = F(u
1
) +
V
F(u
2
) za sve u
1
, u
2
∈ U; i
(2) F(k u) = k F(u) za sve u ∈ U i k ∈ F .
• Ako je F : U −→V linearni operator onda:
(a) F(0
U
) = F(0
V
);
(b) Za sve u
1
, u
2
∈ U i a
1
, a
2
∈ F:
F(a
1
u
1
+a
2
u
2
) = a
1
F(u
1
) +a
2
F(u
2
)
(v) Za sve u
1
, ..., u
n
∈ U i a
1
, ..., a
n
∈ F
F(a
1
u
1
+... +a
n
u
n
) = a
1
F(u
1
) +... +a
n
F(u
n
)
• F : U −→V je linearni operator ako i samo ako:
F(a
1
u
1
+a
2
u
2
) = a
1
F(u
1
) +a
2
F(u
2
)
vaˇzi za sve u
1
, u
2
∈ U i a
1
, a
2
∈ F.
Primer 5.1. (1) Neka je A matrica tipa m×n. Definiˇsemo
F : R
n
−→R
m
sa F(X) = AX
(X je vektor-kolona). F je linearno preslikavanje.
(2) Neka je F : R
3
−→R
3
‘projekcija na ravan Oxy’: F(x, y, z) = (x, y, 0). F je linearno preslikavanje.
(3) Neka je F : R
2
−→R
2
translacija za vektor (1, 2): F(x, y) = (x + 1, y + 2). F nije linearno preslikavanje.
(4) Neka su U, V vektorski prostori i F : V −→U definisano sa F(x) = 0
U
. F je linearno preslikavanje.
(5) F : P(t) −→R definisano sa
F(a
0
+a
1
t +... +a
n
t
n
) = a
0
F je linearno preslikavanje.
(6) F : P(t) −→R
2
definisano sa
F(a
0
+a
1
t +... +a
n
t
n
) = (a
0
, a
1
)
F je linearno preslikavanje.
(7) ‘Izvod’ polinoma (derivacija) je linearno preslikavanje
D : P(t) −→P(t) definisano sa
D(a
0
+a
1
t +... +a
n
t
n
) = a
1
+ 2a
2
t +... +na
n−1
t
n−1
(8) Neka su U, V vektorski prostori i F : V −→U linearno preslikavanje koje je bijekcija (1-1 i ‘na’). Tada je i
F
−1
linearno preslikavanje.
Teorema 5.1. Neka su U i V vektorski prostori, neka je {v
1
, v
2
, ..., v
n
} baza za V i neka su {u
1
, u
2
, ..., u
n
}
proizvoljni vektori iz U. Tada postoji jedinstveno linearno preslikavanje F : V −→ U takvo da je F(v
1
) =
u
1
, F(v
2
) = u
2
, ..., F(v
n
) = u
n
Linearna Algebra i Analitiˇcka Geometrija – 51 –
5.2 Slika i jezgro linearnog operatora
Definicija 5.2. Neka je F : V −→U linearno preslikavanje. Njegova slika (image of F) je:
Im(F) = {u ∈ U | F(v) = u za neki v ∈ V }
Jezgro (kernel) preslikavanja F je
Ker(F) = {v ∈ V | F(v) = 0}
Teorema 5.2. Neka su U i V vektorski prostori i F : V −→U linearno preslikavanje. Tada je Im(F) potprostor od
U i Ker(F) je potprostor od V .
Dokaz ...
Primer 5.2. Neka je F : R
3
−→R
3
‘projekcija na ravan Oxy’: F(x, y, z) = (x, y, 0). Tada je
Im(F) = {(a, b, 0) | a, b ∈ R} i Ker(F) = {(0, 0, c) | c ∈ R}
ili: Im(F) je ravan Oxy a Ker(F) je z-osa.
Primer 5.3. Neka je A =
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
d
1
d
2
d
3
_
_
_
_
koju posmatramo kao linearno preslikavanje A : R
3
−→R
4
(definisano
sa A(x) = Ax, za vektor-kolone x). Neka je e
1
, e
2
, e
3
standardna baza (vektor-kolona) za R
3
.
A(e
1
) = Ae
1
=
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
d
1
d
2
d
3
_
_
_
_
e
1
=
_
_
_
_
a
1
a
2
a
3
b
1
b
2
b
3
c
1
c
2
c
3
d
1
d
2
d
3
_
_
_
_
_
_
1
0
0
_
_
=
_
_
_
_
a
1
b
1
c
1
d
1
_
_
_
_
Sliˇcno:
Ae
2
=
_
_
_
_
a
2
b
2
c
2
d
2
_
_
_
_
i Ae
3
=
_
_
_
_
a
3
b
3
c
3
d
3
_
_
_
_
Kako je
A(x
1
e
1
+x
2
e
2
+x
3
e
3
) = x
1
A(e
1
) +x
2
A(e
2
) +x
3
A(e
3
)
zakljuˇcujemo:
(a) Im(A) skup svih linearnih kombinacija kolona matrice A (prostor kolona matrice A, ili colsp(A));
(b) dim(Im(A)) je jednaka rangu matrica A.
(v) Ker(A) je potprostor svih reˇsenja homogenog sistema AX = 0 .
• Isto vaˇzi i za m×n matrice.
Teorema 5.3. (Teorema o rangu i defektu linearnog operatora)
Neka je V konaˇcno dimenzioni vektorski prostor i F : V −→U linearno preslikavanje. Tada je
dim(V ) = dim(Ker(F)) + dim(Im(F))
Dokaz ...
• dim(Im(F)) je rang operatora F; oznaka ρ(F)
• dim(Ker(F)) je defekt operatora F (nullity); oznaka δ(F)
• dim(V ) = ρ(F) +δ(F)
• Ako m×n matricu A posmatramo kao linearni operator
A : R
n
−→R
m
tada je dim(Im(A)) = rang(A)
Linearna Algebra i Analitiˇcka Geometrija – 52 –
Primer 5.4. Neka je f : R
4
−→R
3
definisano sa:
f(x, y, z, t) = (x −3y +z + 2t, x −y + 2t, −x −3y + 2z −2t)
i neka je e
1
, e
2
, e
3
, e
4
standardna baza za R
4
.
(a) Odredjujemo bazu za Im(f). Im(f) je potprostor generisan vektorima f(e
1
), f(e
2
), f(e
3
), f(e
4
):
f(e
1
) = f(1, 0, 0, 0) = (1, 1, −1) f(e
2
) = (−3, −1, −3)
f(e
3
) = (1, 0, 2) f(e
4
) = (2, 2, −2)
Bazu moˇzemo odrediti na dva naˇcina
Prvi naˇcin: koriste´ci Prvi algoritam
_
_
_
_
1 1 −1
−3 −1 −3
1 0 2
2 2 −2
_
_
_
_

_
_
_
_
1 1 −1
0 2 −6
0 −1 3
0 0 0
_
_
_
_

_
_
_
_
1 1 −1
0 2 −6
0 0 0
0 0 0
_
_
_
_
Zakljuˇcujemo da je (1, 1, −1), (0, 2, −6) baza za Im(f). Takodje
ρ(f) = dim(Im(f)) = 2 .
Drugi naˇcin: Na´ci ´cemo ne bilo koju bazu nego maksimalan linearno nezavisan podskup skupa
(1, 1, −1), (−3, −1, −3), (1, 0, 2), (1, 1, −1)
Koristimo Drugi algoritam:
_
_
1 −3 1 2
1 −1 0 2
−1 −3 2 −2
_
_

_
_
1 −3 1 2
0 2 −1 0
0 −6 3 0
_
_

_
_
1 −3 1 −1
0 2 −1 2
0 0 0 0
_
_
Kako u tre´coj i ˇcetvrtoj koloni nema pivota, izbriˇsemo ih iz polazne matrice i zakljuˇcujemo da je
(1, 1, −1) (−3, −1, −3)
baza za Im(f).
(b) Raˇcunamo defekt δ(f) = dim(R
4
) −ρ(f) = 4 −2 = 2 .
(v) Odredjujemo bazu za Ker(f).
Ker(f) = {v ∈ R
4
| f(v) = (0, 0, 0)}
f(x, y, z, t) = (x −3y +z + 2t, x −y + 2t, −x −3y + 2z −2t) = (0, 0, 0)
Dobijamo sistem linearnih jednaˇcina:
x − 3y + z + 2t = 0
x − y + 2t = 0
−x − 3y + 2z − 2t = 0
Svedemo ga na stepenasti:
x − 3y + z + 2t = 0
2y − z = 0
− 6y + 3z = 0
x − 3y + z + 2t = 0
2y − z = 0
Njegov skup reˇsenja je {(
a
2
−2b,
a
2
, a, b) | a, b ∈ R} (= Ker(f)).
(
a
2
−2b,
a
2
, a, b) = a(
1
2
,
1
2
, 1, 0) +b(−2, 0, 0, 1)
Zakljuˇcujemo da je (
1
2
,
1
2
, 1, 0), (−2, 0, 0, 1) baza za Ker(f).
Linearna Algebra i Analitiˇcka Geometrija – 53 –
5.3 Primena na sisteme linearnih jednaˇcina
Posmatrajmo sistem linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
m1
x
1
+ a
m2
x
2
+ ... a
mn
x
n
= b
m
i njegov matriˇcni zapis AX = B gde je A = (a
ij
)
m,n
matrica sistema a X = (x
i
) ∈ R
m
i B = (b
i
) ∈ R
n
vektor-kolone. Posmatrajmo A kao linearni operator A : R
n
−→R
m
. Primetimo:
(1) Ker(A) je prostor reˇsenja homogenog sistema AX = 0.
(2) Im(A) se sastoji od svih vektora B za koje sistem AX = B ima reˇsenje. Prema Teoremi 4.16 Im(A) je prostor
kolona matrice A; dimenzija ovog prostora je rang(A).
Kako je dim(Ker(A)) = dim(R
n
) −dim(Im(A)) zakljuˇcujemo:
dim(Ker(A)) = n −rang(A)
Ovim je dat alternativni dokaz Teoreme 4.17
Teorema 5.4. Dimenzija skupa reˇsenja homogenog sistema AX = 0 je n −r gde je r rang matrice A.
5.4 Izomorfizam vektorskih prostora
Definicija 5.3. Vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→ U .
Izomorfizam je bijektivno linearno preslikavanje.
• Ako su U i V izomorfni to oznaˇcavamo sa U

= V .


= je relacija ekvivalencije (refleksivna, simetriˇcna i tranzitivna).
• Teorema 4.21 glasi: svaki n-dimenzioni vektorski prostor nad poljem K je izomorfan sa vektorskim prostorom
K
n
.
Primer 5.5. .
1. M
2,2
(R)

= R
4
Definiˇsemo F : M
2,2
(R) −→R
4
sa F(
_
a b
c d
_
) = (a, b, c, d) Direktno se proveri da je F izomorfizam.
2. Sliˇcno: M
m,n
(R)

= R
mn
.
3. Neka je P
n
(t) prostor svih polinoma stepena ≤ n nad poljem K. Tada je F : P
n
(t) −→ R
n+1
definisano sa:
F(a
n
t
n
+... +a
1
t +a
0
) = (a
n
, ..., a
1
, a
0
) izomorfizam.
Linearno preslikavanje F : U −→ V je singularno ako postoji u ∈ U takav da je F(u) = 0 (ekvivalentno:
Ker(F) ̸= {0}). U suprotnom je nesingularno (kada je Ker(F) = {0}).
Teorema 5.5. Ako je linearno preslikavanje nesingularno tada je slika svakog linearno nezavisnog skupa linearno
nezavisan skup.
Podsetimo: vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→U . U
tom sluˇcaju F je izomorfizam.
Teorema 5.6. Pretpostavimo da je dim(U) = dim(V ) = n i da je F : U −→V linearno preslikavanje. Tada je F
izomorfizam ako i samo ako je nesingularno preslikavanje.
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 54 –
5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U, V )
Neka su F : U −→V i G : U −→V linearni operatori. Definiˇsemo sabiranje operatora i mnoˇzenje operatora skalarom:
(1) F+G : U −→V
(F+G)(u) = F(u) +G(u)
(2) (k F) : U −→V
(k F)(u) = k F(u)
• F+G i k F su linearni operatori.
Definicija 5.4. Ako su U i V vektorski prostori nad istim poljem tada Hom(U, V ) oznaˇcava skup svih linearnih
operatora F : U −→V .
Teorema 5.7. Hom(U, V ) je vektorski prostor u odnosu na sabiranje i mnoˇzenje skalarom.
Dokaz...
Teorema 5.8. Ako dim(U) = m, dim(V ) = n onda dim(Hom(U, V )) = mn.
Dokaz...
Neka su U, V, W vektorski prostori nad istim poljem skalara i F : U −→ V , G : V −→ W linearni operatori.
Kompozicija (ili slaganje) linearnih operatora G◦ F : U −→W je definisana sa:
(G◦ F)(u) = G(F(u))
Teorema 5.9. Neka su F, F

: U −→V i G, G

: V −→W linearni operatori. Tada:
(1) G◦ (F +F

) = G◦ F +G◦ F

(2) (G+G

) ◦ F = G◦ F +G

◦ F
(3) k (G◦ F) = (kG) ◦ F = G◦ (kF).
Dokaz...
5.6 Algebra A(V ) (ili Hom(V ))
Neka je V vektorski prostor nad poljem F. Posmatramo linearne operatore F : V −→ V ; zovemo ih: linearni
operatori na V , ili linearne transformacije prostora V . Sa A(V ) (ili Hom(V )) oznaˇcavamo skup svih linearnih
operatora na V .
• Algebra nad poljem F je vektorski prostor A nad F u kome postoji binarna operacija ‘mnoˇzenje’ takva da i za
sve F, G, H ∈ A vaˇzi:
(1) F (G+H) = FG+FH
(2) (G+H) F = GF +HF
(3) k(GF) = (kG)F = G(kF).
Ukoliko vaˇzi i asocijativni zakon za ‘mnoˇzenje’
(4) F(GH) = (FG)H
onda kaˇzemo da je algebra A asocijativna.
Linearna Algebra i Analitiˇcka Geometrija – 55 –
Teorema 5.10. Ako je V n-dimenzioni vektorski prostor tada je A(V ) asocijativna algebra u odnosu na operaciju
slaganja operatora. Ako je dim(V ) = n onda je dim(A(V )) = n
2
Dokaz...
• Definiˇsemo stepen operatora F : V −→V :
F
0
= I, F
n+1
= F ◦ F
n
• Ako je p(x) = a
0
+a
1
x+... +a
n
x
n
polinom sa koeficijentima iz polja skalara vektorskog prostora V i F ∈ A(V )
onda:
p(F) = a
0
I +a
1
F +... +a
n
F
n
∈ A(V )
Linearni operator F : V −→V je inverzibilan ako postoji F
−1
∈ A(V ) takav da je
F ◦ F
−1
= F
−1
◦ F = I
• Linearni operator je inverzibilan ako i samo ako je, kao funkcija, 1 −1 i ‘na’ (t.j bijekcija).
Teorema 5.11. Neka je F linearni operator na konaˇcno dimenzionom prostoru V . Tada su slede´ca ˇcetiri uslova
ekvivalentna:
(1) F je nesingularan (t.j Ker(F) = {0});
(2) F je 1 −1;
(3) F je ‘na’;
(4) F je inverzibilan (t.j. ‘1-1’ i ‘na’).
Dokaz...
Posmatrajmo sistem linearnih jednaˇcina:
a
11
x
1
+ a
12
x
2
+ ... a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ ... a
2n
x
n
= b
2
. . . ... . .
a
n1
x
1
+ a
n2
x
2
+ ... a
nn
x
n
= b
n
i njegov matriˇcni zapis AX = B gde je A = (a
ij
)
n,n
matrica sistema a X = (x
i
) ∈ R
n
i B = (b
i
) ∈ R
n
vektor-kolone.
Posmatrajmo A kao linearni operator A : R
n
−→R
n
. Tada:
Teorema 5.12. (a) Ako homogeni sistem AX = 0 ima jedinstveno reˇsenje (trivijalno), tada i AX = B ima
jedinstveno reˇsenje.
(b) Ako homogeni sistem ima netrivijalno reˇsenje tada:
- Postoje vrednosti b
1
, ..., b
n
takve da sistem AX = B nema reˇsenje.
- Ako sistem AX = B ima reˇsenje onda ono nije jedinstveno.
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 56 –
5.7 Matriˇcno predstavljanje linearnih operatora
Neka je S = {v
1
, v
2
, ..., v
n
} baza vektorskog prostora V . Tada se svaki vektor u ∈ V na jedinstven naˇcin
predstavlja kao linearna kombinacija
u = a
1
v
1
+a
2
v
2
+... +a
n
v
n
a
1
, a
2
, ..., a
n
su koordinate vektora u u odnosu na bazu S a
[u]
S
= (a
1
, a
2
, ..., a
n
) ∈ R
n
je koordinatni vektor vektora u u odnosu na bazu S. Vaˇzi:
[a u+b v]
S
= a [u]
S
+b [v]
S
• Preslikavanje f : V −→F
n
definisano sa
f(v) = [v]
S
je linearno; ono je i izomorfizam vektorskih prostora V i F
n
.
Neka je T linearni operator na vektorskom prostoru V (t.j. T : V −→ V ), neka je S = {v
1
, v
2
, ..., v
n
} baza
vektorskog prostora V i neka je:
T(v
1
) = a
11
v
1
+a
12
v
2
+... +a
1n
v
n
T(v
2
) = a
21
v
1
+a
22
v
2
+... +a
2n
v
n
....................................
T(v
n
) = a
n1
v
1
+a
n2
v
2
+... +a
nn
v
n
Matriˇcna reprezentacija operatora T u odnosu na bazu S, ili matrica operatora T u odnosu na S, je transponovana
matrica koeficijenata. Ovu matricu oznaˇcavamo sa m
S
(T) ili [T]
S
. Praktiˇcno:
[T]
S
=
_
_
_
_
a
11
a
21
... a
n1
a
12
a
22
... a
n2
. . ... .
a
1n
a
2n
... a
nn
_
_
_
_
Ukoliko vektore T(v
1
), T(v
2
), ..., T(v
n
) predstavimo kao vektore kolona onda:
[T]
S
= (T(v
1
), T(v
2
), ..., T(v
n
))
• Ove matrice zavise od baze; u odnosu na razliˇcite baze moˇzemo dobiti razliˇcite matrice operatora.
• Transponovana matrica koeficijenata (a ne matrica koeficijenata) se uzima zato ˇsto raˇcunaju´ci u koordinatama
u odnosu na bazu S:
T je ‘mnoˇzenje s leva matricom [T]
S
’.
Preciznije:
Teorema 5.13. Neka je T : V −→ V linearni operator na vektorskom prostoru V i neka je S = {v
1
, v
2
, ..., v
n
}
baza. Za svaki u ∈ V :
[T(u)]
S
= [T]
S
[u]
S
(Koordinatni vektori [u]
S
i [T(u)]
S
su vektori-kolona.)
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 57 –
5.8 Algoritam za formiranje matrice operatora u odnosu na bazu
Neka je S = {v
1
, v
2
, ..., v
n
} baza prostora V i T : V −→V linearni operator. Matricu operatora T u odnosu na
bazu S formiramo na slade´ci naˇcin:
Korak 1 Za i = 1, 2, ..., n izraˇcunamo T(v
i
) u obliku:
T(v
i
) = a
i1
v
1
+a
i2
v
2
+... +a
in
v
n
Korak 2 Formiramo matricu od vektora T(v
i
) kao vektora kolona.
Primer 5.6. Neka je F : R
2
−→R
2
definisano sa
F(x, y) = (3x −5y, x −2y)
(1) Odredjujemo matricu preslikavanja u odnosu na standardnu bazu S = {e
1
= (1, 0), e
2
= (0, 1)}
Korak 1. T(e
1
) = (3, 1) = 3e
1
+e
2
T(e
2
) = (−5, −2) = −5e
1
−2e
2
Korak 2. [T]
S
= (T(e
1
) T(e
2
)) =
_
3 −5
1 −2
_
(2) Odredjujemo matricu preslikavanja u odnosu na
S
1
= {v
1
= (2, 1), v
2
= (1, 1)}
Korak 1. T(v
1
) = T(2, 1) = (1, 0) = v
1
−v
2
T(v
2
) = T(1, 1) = (−2, −1) = −v
1
Korak 2. [T]
S
1
= ([T(e
1
)]
S
1
[T(e
2
))]
S
1
=
_
1 1
−1 0
_
(3) Bitan je i redosled elemenata baze! U odnosu na
S
2
= {v
2
= (1, 1), v
2
= (2, 1)}
matrica je
[T]
S
2
= ([T(e
2
)]
S
2
[T(e
1
))]
S
2
=
_
1 1
0 −1
_
5.9 M
n
(F) i A(V )
• Podsetimo da M
n
(F) oznaˇcava skup svih kvadratnih matrica reda n nad poljem F. M
n
(F) je algebra matrica u
odnosu na sabiranje matrica, mnoˇzenje skalarom i mnoˇzenje.
Teorema 5.14. Neka je S = {v
1
, v
2
, ..., v
n
} baza vektorskog prostora V nad poljem K i neka je m : A(V ) −→
M
n
(K) preslikavanje definisano sa m(T) = [T]
S
. Tada je m izomorfizam vektorskih prostora:
(1) m(F +G) = m(F) +m(G) (ili [F +G]
S
= [F]
S
+ [G]
S
)
(2) m(k F) = k m(F) (ili [k F]
S
= k [F]
S
)
(3) m je bijekcija (1-1 i ‘na’).
Dokaz...
Teorema 5.15. m(G◦ F) = m(G) m(F)
Dokaz...
Linearna Algebra i Analitiˇcka Geometrija – 58 –
5.10 Promena baze i matrica operatora
Neka je S = {u
1
, u
2
, ..., u
n
} baza prostora V i neka je S

= {v
1
, v
2
, ..., v
n
} druga (‘nova’) baza prostora V .
v
1
= c
11
u
1
+c
12
u
2
+... +c
1n
u
n
v
2
= c
21
u
1
+c
22
u
2
+... +c
2n
u
n
....................................
v
n
= c
n1
u
1
+c
n2
u
2
+... +c
nn
u
n
Neka je P matrica promene baze sa baze S na bazu S

; podsetimo, to je transponovana matrica koeficijenata gornjeg
‘sistema’:
P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
P je inverzibilna i za svaki vektor w ∈ V vaˇzi:
P [w]
S
′ = [w]
S
i P
−1
[w]
S
= [w]
S

Teorema 5.16. Neka je P matrica promene baze sa baze S na bazu S

vektorskog prostora V i neka je T linearni
operator na V . Tada je
[T]
S
′ = P
−1
[T]
S
P
Dokaz. Videti Problem 10.19.
Podsetimo da su matrice A i B sliˇcne ako postoji inverzibilna matrica P takva da je
B = P
−1
AP
• Ako su A i B matrice istog linearnog operatora u odnosu na neke baze tada su A i B sliˇcne.
• Fiksirajmo bazu S prostora V . Svaka inverzibilna matrica je matrica promene baze sa S na neku drugu bazu
S

.
Teorema 5.17. Kvadratne matrice A i B su sliˇcne ako i samo ako postoji linearni operator koga one reprezentuju .
Dokaz...
6 DETERMINANTE
Za svaku kvadratnu matricu A = (a
ij
)
n×n
sa elementima iz polja F (obiˇcno je F = R) definisa´cemo njenu determi-
nantu, oznaka det(A) ili |A|. Vrednost determinante je skalar!
det(a
ij
)
n×n
obiˇcno oznaˇcavamo i sa:
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
¸
¸
¸
¸
¸
¸
¸
¸
Determinante se javljaju prirodno kod reˇsavanja sistema linearnih jednaˇcina.
Linearna Algebra i Analitiˇcka Geometrija – 59 –
6.1 Determinante reda 1, 2 i 3
|a| = a .
¸
¸
¸
¸
a b
c d
¸
¸
¸
¸
= ad −bc =
+



a b
c d
• Posmatrajmo sistem:
a
11
x +a
12
y = b
1
a
21
x +a
22
y = b
2
Mnoˇze´ci prvu sa a
22
pa oduzimaju´ci drugu pomnoˇzenu sa −a
12
:
(a
11
a
22
−a
21
a
12
)x = (b
1
a
22
−b
2
a
12
)
Sliˇcno
(a
11
a
22
−a
21
a
12
)y = (a
11
b
2
−b
1
a
21
)
• Ako je (a
11
a
22
−a
21
a
12
) ̸= 0 imamo jedinstveno reˇsenje sistema:
x =
¸
¸
¸
¸
b
1
a
12
b
2
a
22
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
y =
¸
¸
¸
¸
a
11
b
1
a
21
b
2
¸
¸
¸
¸
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
Ovaj • je jednostavnije zapisati uz slede´ce oznake:
∆ =
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
je determinanta sistema

x
=
¸
¸
¸
¸
b
1
a
12
b
2
a
22
¸
¸
¸
¸
je determinanta po x

y
=
¸
¸
¸
¸
a
11
b
1
a
21
b
2
¸
¸
¸
¸
je determinanta po y
• Ako je ∆ ̸= 0 tada sistem ima jedinstveno reˇsenje koje raˇcunamo po formulama:
x =

x

y =

y

Primer 6.1. Metodom determinanti reˇsavamo sistem:
3x + 2y = 11
2x −y = 5
∆ =
¸
¸
¸
¸
3 2
2 −1
¸
¸
¸
¸
= −7 ∆
x
=
¸
¸
¸
¸
11 2
5 −1
¸
¸
¸
¸
= −21 ∆
y
=
¸
¸
¸
¸
3 11
2 5
¸
¸
¸
¸
= −7
kako je ∆ ̸= 0 sistem ima jedinstveno reˇsenje:
x =

x

= 3 y =

y

= 1
• Reˇsavaju´ci 3 ×3 sistem dolazi se do slede´ce definicije:
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
= a
11
¸
¸
¸
¸
a
22
a
23
a
32
a
33
¸
¸
¸
¸
−a
12
¸
¸
¸
¸
a
21
a
23
a
31
a
33
¸
¸
¸
¸
+a
13
¸
¸
¸
¸
a
21
a
22
a
31
a
32
¸
¸
¸
¸
=
= a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
21
a
32
−a
31
a
22
a
13
−a
32
a
23
a
11
−a
33
a
21
a
12

ˇ
Cesto se izraˇcunava koriˇs´cenjem Sarusovog pravila:
Linearna Algebra i Analitiˇcka Geometrija – 60 –
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
=
+ + +
↘ ↘ ↘
↗ ↗ ↗
− − −
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
a
11
a
12
a
21
a
22
a
31
a
32
• Ako je ∆ =
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
̸= 0 sistem
a
11
x +a
12
y +a
13
z = b
1
a
21
x +a
22
y +a
23
z = b
2
a
31
x +a
32
y +a
33
z = b
3
ima jedinstveno reˇsenje:
x =

x

y =

y

z =

z

gde se ∆
x
(∆
y
, ∆
z
) dobija zamenom kolone koeficijaenata uz x (y, z) kolonom b-ova:

x
=
¸
¸
¸
¸
¸
¸
b
1
a
12
a
13
b
2
a
22
a
23
b
3
a
32
a
33
¸
¸
¸
¸
¸
¸

y
=
¸
¸
¸
¸
¸
¸
a
11
b
1
a
13
a
21
b
2
a
23
a
31
b
3
a
33
¸
¸
¸
¸
¸
¸

z
=
¸
¸
¸
¸
¸
¸
a
11
a
12
b
1
a
21
a
22
b
2
a
31
a
32
b
3
¸
¸
¸
¸
¸
¸
Primer 6.2. Reˇsavamo sistem
2x +y +z = 5
−x −3y + 5z = 4
3x −y +z = 4
∆ =
¸
¸
¸
¸
¸
¸
2 1 1
−1 −3 5
3 −1 1
¸
¸
¸
¸
¸
¸
= −30 ∆
x
=
¸
¸
¸
¸
¸
¸
5 1 1
4 −3 5
4 −1 1
¸
¸
¸
¸
¸
¸
= −30

y
=
¸
¸
¸
¸
¸
¸
2 5 1
−1 4 5
3 4 1
¸
¸
¸
¸
¸
¸
= 0 ∆
z
=
¸
¸
¸
¸
¸
¸
2 1 5
−1 −3 4
3 −1 4
¸
¸
¸
¸
¸
¸
= −30
kako je δ ̸= 0 sistem ima jedinstveno reˇsenje:
x =
−30
−30
= 1 y =
0
−30
= 0 z =
−30
−30
= 1
• Ovo su specijalni sluˇcajevi Kramerove teoreme (n = 2, 3). Vaˇzi i uopˇstenje ali se za n ≥ 4 determinante teˇze
raˇcunaju jer NEMA PRAVILA SLI
ˇ
CNOG SARUSOVOM ZA n ≥ 4 !!!
6.2 Permutacije
Permutacija skupa {1, 2, ..., n} je bijekcija tog skupa u samog sebe; permutaciju π : {1, 2, ..., n} −→ {1, 2, ..., n}
zapisujemo u obliku:
π =
_
1 2 ... n
π(1) π(2) ... π(n)
_
Zapisujemo je i kao ‘preraspodelu’ elemenata skupa {1, 2, ..., n} i oznaˇcavamo je kao:
π(1), π(2), ..., π(n)
Linearna Algebra i Analitiˇcka Geometrija – 61 –
Na primer 3,2,4,1 oznaˇcava permutaciju π : {1, 2, 3, 4} −→{1, 2, 3, 4} takvu da je π(1) = 3, π(2) = 2, π(3) = 4, π(4) =
1.
• Ima ukupno n! = 1 · 2 · ... · n permutacija skupa {1, 2, ..., n}.
• Inverzija u permutaciji π(1), π(2), ..., π(n) je (svaki) par (π(i), π(j) takav da je i > j.
Primer 6.3. U permutaciji 32541 ima ukupno 6 inverzija:
- 2 je na prvom mestu u (2,1)
- 3 je na prvom mestu u (3,2), (3,1)
- 4 je na prvom mestu u (4,1)
- 5 je na prvom mestu u (5,4), (5,1)
• Permutacija π je parna ako ima paran broj inverzija, oznaka sgn(π) = 1; u suprotnom ona je neparna ili
sgn(π) = −1.
• 32541 i 3412 su parne permutacije dok su 32451 i 2413 neparne.
6.3 Definicija i osnovna svojstva determinanti
Definicija 6.1. Determinanta matrice A = (a
ij
)
n×n
oznaka |A| ili det(A) je
|A| =

π
sgn(π) a
1π(1)
a
2π(2)
... a
nπ(n)
gde se sumiranje vrˇsi po svim permutacijama skupa {1, 2, ..., n}.
• Za n = 2, 3 definicija se slaˇze sa prethodnom.
• Sabirke a
1π(1)
a
2π(2)
... a
nπ(n)
moˇzemo opisati kao proizvode a
ij
-ova takve da je iz svake vrste i svake kolone
uzet taˇcno po jedan!
Teorema 6.1. Za svaku kvadratnu matricu vaˇzi det(A) = det(A
T
) .
Dokaz ...
Teorema 6.2. Neka je A kvadratna matrica.
(1) Ako A ima nula-vrstu (ili kolonu) tada je |A| = 0 .
(2) Ako A ima dve jednake vrste (kolone) tada je |A| = 0.
(3) Ako je A trougaona (gornje ili donje) tada je |A| jednaka proizvodu elemenata na glavnoj dijagonali.
Dokaz ...
Teorema 6.3. Pretpostavimo da je kvadratna matrica B dobijena iz A primenom elementarne transformacije vrsta
(ili kolona).
(1) Ako su dve vrste (kolone) zamenile mesta u A tada je
|B| = −|A|
(2) Ako je neka vrsta (kolona) matrice A pomnoˇzena sa k tada je
|B| = k |A|
(3) Ako je neka vrsta (kolona) pomnoˇzena nekim skalarom dodata nekoj drugoj vrsti (koloni) tada je
|B| = |A|
Linearna Algebra i Analitiˇcka Geometrija – 62 –
Dokaz ...
Prethodne dve teoreme daju jednu od strategija za izraˇcunavanje determinanti: koriste´ci elementarne transformacije
svedemo determinantu na trougaoni oblik pa primenimo teoremu 6.2(3).
Primer 6.4. Izraˇcuna´cemo
¸
¸
¸
¸
¸
¸
¸
¸
5 1 1 1
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
.
Prvo saberemo sve vrste u prvu (determinanta se ne menja prema teoremi 6.3(3)), pa izvuˇcemo 8 iz prve vrste
(teorema 6.3(2)), onda Gaus:
¸
¸
¸
¸
¸
¸
¸
¸
5 1 1 1
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
¸
¸
8 8 8 8
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
= 8
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
1 5 1 1
1 1 5 1
1 1 1 5
¸
¸
¸
¸
¸
¸
¸
¸
= 8
¸
¸
¸
¸
¸
¸
¸
¸
1 1 1 1
0 4 0 0
0 0 4 0
0 0 0 4
¸
¸
¸
¸
¸
¸
¸
¸
= 8 · 4
3
• Ako je E matrica neke elementarne transformacije vrsta (ili kolona) tada je
|E A| = |E| |A|
• Neka se matrica B dobija iz A primenom elementarnih transformacije vrsta i kolona. Tada je
|A| = 0 ako i samo ako |B| = 0
Teorema 6.4. Kvadratna matrica A je inverzibilna ako i samo ako je det(A) ̸= 0.
Dokaz Videti Problem 7.27
Teorema 6.5. (Binet-Cauchy) |AB| = |A| |B| .
Dokaz Videti Problem 7.28
6.4 Minori i kofaktori, izraˇcunavanje determinante
Neka je A = (a
ij
) kvadratna matrica reda n i neka M
ij
oznaˇcava matricu koja se dobija iz A brisanjem i-te vrste i
j-te kolone.
• Minor polja (i, j) (ili elementa a
ij
) matrice A je (skalar) |M
ij
|
• Kofaktor polja (i, j) matrice A je:
A
ij
= (−1)
i+j
|M
ij
|
Primer 6.5. Neka je A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
.
A
11
=
¸
¸
¸
¸
3 4
−2 −3
¸
¸
¸
¸
= −1, A
12
= −
¸
¸
¸
¸
6 4
5 −3
¸
¸
¸
¸
= 38, A
13
=
¸
¸
¸
¸
6 3
5 −2
¸
¸
¸
¸
= −27, A
21
= −
¸
¸
¸
¸
5 7
−2 −3
¸
¸
¸
¸
= 1,
A
22
=
¸
¸
¸
¸
2 7
5 −3
¸
¸
¸
¸
= −41, A
23
= −
¸
¸
¸
¸
2 5
5 −2
¸
¸
¸
¸
= 29, A
31
=
¸
¸
¸
¸
5 7
3 4
¸
¸
¸
¸
= −1, A
32
= −
¸
¸
¸
¸
2 7
6 4
¸
¸
¸
¸
= 34,
A
33
=
¸
¸
¸
¸
2 5
6 3
¸
¸
¸
¸
= −24.
Linearna Algebra i Analitiˇcka Geometrija – 63 –
Teorema 6.6. Neka je A = (a
ij
) kvadratna matrica reda n.
(1) Vaˇzi formula za razvoj po i-toj vrsti:
|A| = a
i1
A
i1
+a
i2
A
i2
+... +a
in
A
in
(2) Vaˇzi formula za razvoj po i-toj koloni:
|A| = a
1j
A
1j
+a
2j
A
2j
+... +a
nj
A
nj
Primer 6.6. Neka je A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
. Tada je:
A
11
=
¸
¸
¸
¸
3 4
−2 −3
¸
¸
¸
¸
= −1 A
12
= −
¸
¸
¸
¸
6 4
5 −3
¸
¸
¸
¸
= 38 A
13
=
¸
¸
¸
¸
6 3
5 −2
¸
¸
¸
¸
= −27
Razvoj po prvoj vrsti:
|A| = a
11
A
11
+a
12
A
12
+a
13
A
1n
=
= 2 · (−1) + 5 · 38 + 7 · (−27) = −1
Za praktiˇcno izraˇcunavanje determinante Koristimo razvoj po vrstama (kolonama) i pravila za elementarne trans-
formacije (Teorema 6.3):
(1) Ako zamenimo mesta dvema vrstama (kolonama) determinanta menja znak.
(2) Ako jednu vrstu (ili kolonu) pomnoˇzimo sa k ̸= 0 determinanta se uve´ca k puta.
(3) Ako jednoj vrsti dodamo k puta neku drugu vrstu determinanta se ne menja!
Korak 1 Prona´ci ‘zgodnu vrstu i pivota’ u njoj (ili kolonu).
Korak 2 Koriste´ci pivota elementarnim transformacijama napraviti sve ostale nule u toj vrsti (koloni).
Korak 3 Primenom Teoreme 6.6 razviti determinantu po toj vrsti (koloni). Dobijamo matricu za red kra´cu, pa
ponavljamo postupak dok ...
Primer 6.7. A =
_
_
2 5 7
3 1 1
5 −2 −3
_
_
. Zgodan je a
23
= 1 u drugoj vrsti:
¸
¸
¸
¸
¸
¸
2 5 7
3 1 1
5 −2 −3
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
¸
¸
−19 −2 7
0 0 1
14 1 −3
¸
¸
¸
¸
¸
¸
= (−1)
2+3
· 1 ·
¸
¸
¸
¸
−19 −2
14 1
¸
¸
¸
¸
=
Sad moˇze i da se izraˇcuna 2 ×2 determinanta:
= −1((−19)1 −14(−2)) = 1
6.5 Adjungovana matrica
Neka je A = (a
ij
) kvadratna matrica reda n. Adjungovana matrica matrice A (adjunct of A) je:
adj(A) =
_
_
_
_
A
11
A
21
... A
n1
A
12
A
22
... A
n2
. . ... .
A
1n
A
2n
... A
nn
_
_
_
_
Linearna Algebra i Analitiˇcka Geometrija – 64 –
Teorema 6.7. (Laplas) Za svaku kvadratnu matricu A vaˇzi:
A· adj(A) = adj(A) · A = det(A) I
Dokaz Videti Problem 7.33
Primer 6.8. Uzmimo matricu iz primera 6.5: A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
. Izraˇcunali smo:
A
11
= −1 A
12
= 38 A
13
= −27
A
21
= 1 A
22
== −41 A
23
= 29
A
31
= −1 A
32
= 34 A
33
= −24
Prema tome adjA =
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
Laplasova teorema (u primeru 6.6 imamo |A| = −1):
_
_
2 5 7
6 3 4
5 −2 −3
_
_
·
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
=
_
_
−1 0 0
0 −1 0
0 0 −1
_
_
= |A| I
Teorema 6.8. Neka je A kvadratna matrica.
(a) A je inverzibilna ako i samo ako det(A) ̸= 0.
(b) Ako je A inverzibilna tada je A
−1
=
1
det(A)
adj(A).
Primer 6.9. Uzmimo matricu iz primera 6.5: A =
_
_
2 5 7
6 3 4
5 −2 −3
_
_
. U primeru 6.6 smo izraˇcunali |A| = −1 a u
primeru 6.8
adjA =
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
Prema teoremi 6.8(2)
A
−1
= −
_
_
−1 1 −1
38 −41 34
−27 29 −24
_
_
• Kvadratna matrica A je inverzibilna ako i samo ako je adj(A) inverzibilna. U sluˇcaju inverzibilnosti vaˇzi:
|adj(A)| = |A|
n−1
6.6 Kramerova teorema
Posmatrajmo sistem linearnih jednaˇcina AX = B :
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
_
_
_
_
·
_
_
_
_
x
1
x
2
.
x
n
_
_
_
_
=
_
_
_
_
b
1
b
2
.
b
n
_
_
_
_
.
Linearna Algebra i Analitiˇcka Geometrija – 65 –
Neka je ∆ = det(A) i neka je ∆
x
i
dobijena zamenom i-te kolone u ∆ sa B:

x
1
=
¸
¸
¸
¸
¸
¸
¸
¸
b
1
a
12
... a
1n
b
2
a
22
... a
2n
. . ... .
b
n
a
n2
... a
nn
¸
¸
¸
¸
¸
¸
¸
¸
; ∆
x
2
=
¸
¸
¸
¸
¸
¸
¸
¸
a
11
b
1
... a
1n
a
21
b
2
... a
2n
. . ... .
a
n1
b
n
... a
nn
¸
¸
¸
¸
¸
¸
¸
¸
; ....
Kramerova teorema
(1) Sistem ima jedinstveno reˇsenje ako i samo ako je ∆ ̸= 0; u tom sluˇcaju je
x
1
=

x
1

; x
2
=

x
2

; ... ; x
n
=

x
n

.
(2) Ako je ∆ = 0 i za bar jedno i je ∆
x
i
̸= 0 onda sistem nema reˇsenja.
• Primetimo da o sluˇcaju
∆ = ∆
x
1
= ∆
x
2
= ... = ∆
x
n
= 0
Kramer ne kaˇze niˇsta. U ovom sluˇcaju sistem reˇsavamo nekom drugom metodom i nekad dobijamo da ima reˇsenja, a
nekad da ih nema.
Dokaz Kramerove teoreme (1) Pretpostavimo da je ∆ ̸= 0 (tada je i adj(A) inverzibilna). Iz AX = B sledi
adj(A) · A· X = adj(A) · B
Vaˇzi i obrnuto: mnoˇzenjem sleva sa adj(A)
−1
dobijamo AX = B
Primenom Laplasove teoreme
(det(A) · I) · X = adj(A) · B
∆·
_
_
_
_
x
1
x
2
.
x
n
_
_
_
_
=
_
_
_
_
A
11
b
1
+A
21
b
2
+... +A
n1
b
n
A
12
b
1
+A
22
b
2
+... +A
n2
b
n
....
A
1n
b
1
+A
2n
b
2
+... +A
nn
b
n
_
_
_
_
=
_
_
_
_

x
1

x
2
...

x
n
_
_
_
_
_
_
_
_
∆· x
1
∆· x
2
...
∆· x
n
_
_
_
_
=
_
_
_
_

x
1

x
2
...

x
n
_
_
_
_
.
Zakljuˇcujemo da je prethodna jednakost ekvivalentna sa AX = B.
(2) Neka je ∆ = 0 i za bar jedno i je ∆
x
i
̸= 0. Ako je X reˇsenje AX = B mnoˇzenjem sleva sa adj(A) dobijemo
_
_
_
_
∆· x
1
∆· x
2
...
∆· x
n
_
_
_
_
=
_
_
_
_

x
1

x
2
...

x
n
_
_
_
_
ˇsto nije mogu´ce. Nema reˇsenja.
Teorema 6.9. Homogeni kvadratni sistem
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
_
_
_
_
·
_
_
_
_
x
1
x
2
.
x
n
_
_
_
_
=
_
_
_
_
0
0
.
0
_
_
_
_
ima netrivijalno reˇsenje ako i samo ako je det(a
ij
) = 0.
Dokaz ...
Primer 6.10. Koriste´ci Kramerovo pravilo, reˇsi´cemo sistem:
Linearna Algebra i Analitiˇcka Geometrija – 66 –
x +y +z = 0
x + 2y +z = 1
2x +y +az = 1.
gde je a realan parametar.
∆ =
¸
¸
¸
¸
¸
¸
1 1 1
1 2 1
2 1 a
¸
¸
¸
¸
¸
¸
= a −2 ∆
x
=
¸
¸
¸
¸
¸
¸
0 1 1
1 2 1
1 1 a
¸
¸
¸
¸
¸
¸
= −a

y
=
¸
¸
¸
¸
¸
¸
1 0 1
1 1 1
2 1 a
¸
¸
¸
¸
¸
¸
= a −2 ∆
z
=
¸
¸
¸
¸
¸
¸
1 1 0
1 2 1
2 1 1
¸
¸
¸
¸
¸
¸
= 2
Reˇsenja sistema zavise od vrednosti parametra a (da li je ∆ = 0 ili ∆ ̸= 0). Imamo dva sluˇcaja:
(1) a ̸= 2
U ovom sluˇcaju je ∆ ̸= 0 pa, prema Krameru, sistem ima jedinstveno reˇsenje:
x =

x

=
−a
a −2
y =
a −2
a −2
= 1 z =
2
a −2
(2) a = 2
U ovom sluˇcaju je ∆ = 0 a ∆
x
= −2 ̸= 0; prema Krameru sistem nema reˇsenja.
Primer 6.11. Koriste´ci Kramerovo pravilo, reˇsi´cemo sistem:
mx +y +z = 1
x +my +z = 1
x +y +mz = 1.
gde je m realan parametar.
∆ = (m+ 2)(m−1)
2

x
= ∆
y
= ∆
z
= (m−1)
2
(1) m ̸= −2, 1 Tada je ∆ ̸= 0 pa, prema Krameru, sistem ima jedinstveno reˇsenje: x = y = z =
1
m+ 2
.
(2) m = 1 Tada je ∆ = ∆
x
= ∆
y
= ∆
z
= 0; Kramer ne kaˇze niˇsta u ovom sluˇcaju, ali sistem postaje:
x +y +z = 1
x +y +z = 1
x +y +z = 1.
i reˇsenja su: x = 1 −a −b y = b z = a (a, b ∈ R)
(3) m = −2 tada je ∆ = 0, ali ∆
x
̸= 0 pa prema Krameru naˇs sistem nema reˇsenja.
Primer 6.12. Reˇsavamo sistem:
mx +y +z = 1
x +my +z = m+ 1
x +my +mz = 1.
∆ = (m+ 1)(m−1)
2

x
= (m−1)
2

y
= (m−1)(m
2
+ 2m−1)

z
= −m(m
2
−1)
(1) m ̸= ±1 Tada je ∆ ̸= 0 pa Kramer kaˇze da sistem ima jedinstveno reˇsenje:
x =
1
m+ 1
; y =
m
2
+ 2m−1
(m−1)
2
; z =
−m
m−1
(2) m = 1 U ovom sluˇcaju ∆ = ∆
x
= ∆
y
= ∆
z
= 0, pa Kramer ne pomaˇze, ali sistem je zapravo:
x +y +z = 1
x +y +z = 2
x +y +z = 1,
i oˇcito nema reˇsenja.
(3) m = −1 U ovom sluˇcaju ∆ = 0, ali ∆
x
= 1 ̸= 0; prema Krameru, sistem nema reˇsenja.
Linearna Algebra i Analitiˇcka Geometrija – 67 –
6.7 Determinante blok matrica
Teorema 6.10. Neka je M trougaona (gornje ili donje) blok matrica sa dijagonalnim blokovima A
1
, A
2
, ..., A
n
. Tada
je
det(M) = det(A
1
) det(A
2
) ... det(A
n
)
Dokaz ...
Primer 6.13. Determinantu
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
3 2 67 7 90
4 5 23 −8 65
0 0 5 2 82
0 0 3 1 31
0 0 0 0 2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
razloˇzimo na blokove:
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
3 2
.
.
. 67 7
.
.
. 90
4 5
.
.
. 23 −8
.
.
. 65
. . . . . . . . . . . . . . . . . . . . .
0 0
.
.
. 5 2
.
.
. 82
0 0
.
.
. 3 1
.
.
. 31
. . . . . . . . . . . . . . . . . . . . .
0 0
.
.
. 0 0
.
.
. 2
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
¸
¸
3 2
4 5
¸
¸
¸
¸
¸
¸
¸
¸
5 2
3 1
¸
¸
¸
¸
¸
¸
2
¸
¸
= 7(−1)2 = −14
6.8 Determinanta linearnog operatora
Neka je T : V −→V linearni operator na n-dimenzionom vektorskom prostoru V . Neka su S
1
i S
2
baze za V i neka
su T
1
i T
2
matrice operatora u odnosu na njih.
Lema 6.1. det(T
1
) = det(T
2
) .
Dokaz. Neka je P matrica prelaska sa baze S
1
na bazu S
2
. Tada je T
2
= P T
1
P
−1
. Primenimo Koˇsi-Binea:
det(T
2
) = det(P) det(T
1
) det(P
−1
) = det(P) det(T
1
) det(P)
−1
= det(T
1
)
ˇsto je i trebalo pokazati.
• Determinanta linearnog operatora je determinanta njene matrice u odnosu na neku bazu.
7 UNITARNI PROSTORI
Neka je V vektorski prostor nad R (realni vektorski prostor).
Definicija 7.1. (Realni) skalarni proizvod ((real) inner product) na V je funkcija koja svakom paru vektora u, v ∈ V
dodeljuje broj < u, v >∈ R i koja zadovoljava slede´ce uslove:
(1) Linearnost (po prvom argumentu):
< au
1
+bu
2
, v >= a < u
1
, v > +b < u
2
, v >
(2) Komutativnost: < u, v >=< v, u >
(3) Pozitivna definitnost: < u, u >≥ 0 i
< u, u >= 0 ako i samo ako u = 0.
Linearna Algebra i Analitiˇcka Geometrija – 68 –
(Realni) unitarni prostor je vektorski prostor snabdeven skalarnim proizvodom.
• Aksioma (1) je ekvivalentna sa:
< u
1
+u
2
, v >=< u
1
, v > + < u
2
, v > i < a u, v >= a < u, v >
• Skalarni proizvod oznaˇcavamo i sa u ◦ v . Pri ovakvom zapisu linearnost (prema prethodnoj primedbi) se
razlaˇze na distributivnost + u odnosu na skalarno mnoˇzenje
(u
1
+u
2
) ◦ v = u
1
◦ v +u
2
◦ v
i na izvlaˇcenje skalara ispred skalarnog proizvoda:
(a u) ◦ v = a (u ◦ v)
• Linearnost izraˇzena preko ◦ je:
(a u
1
+bu
2
) ◦ v = au
1
◦ v +bu
2
◦ v
• < 0, u >=< v, 0 >= 0
• Iz linearnosti po prvoj promenljivoj i komutativnosti sledi linearnost i po drugoj promenljivoj:
u ◦ (cv
1
+dv
2
) = c u ◦ v
1
+d u ◦ v
2
• Linearnost nam omogu´cuje da linearne kombinacije vektora mnoˇzimo kao linearne kombinacije brojeva po
principu ‘svaki sa svakim’ pri ˇcemu skalare izdvajamo ispred:
(u
1
+u
2
) ◦ (v
1
+v
2
) = u
1
◦ v
1
+u
1
◦ v
2
+u
2
◦ v
1
+u
2
◦ v
2
(a u
1
+b u
2
) ◦ (c v
1
+d v
2
) = ac(u
1
◦ v
1
) +ad(u
1
◦ v
2
) +bc(u
2
◦ v
1
) +bd(u
2
◦ v
2
)
• Opˇstije:
(
n

i=1
a
i
u
i
) ◦ (
m

j=1
b
j
v
j
) =
n

i=1
m

j=1
a
i
b
j
(u
i
◦ v
j
)
ili
<
n

i=1
a
i
u
i
,
m

j=1
b
j
v
j
>=
n

i=1
m

j=1
a
i
b
j
< u
i
, v
j
>

ˇ
Cesto se v ◦ v oznaˇcava i sa v
2
. Na primer:
(u + 2 v) ◦ (u + 3 v) = u
2
+ 5 u◦, v + 6 v
2
Paˇznja: u
n
nema smisla za n ≥ 3!!!
Definicija 7.2. Norma vektora u = (u
1
, u
2
, ..., u
n
) je:
∥u∥ =

< u, u >
• ∥u∥ =

u
2
je direktna asocira na apsolutnu vrednost broja.
Primer 7.1. Standardni skalarni proizvod vektora u = (u
1
, u
2
, ..., u
n
) i v = (v
1
, v
2
, ..., v
n
) u R
n
smo definisali sa:
u · v = u
1
v
1
+u
2
v
2
+... +u
n
v
n
(∈ R)
Linearna Algebra i Analitiˇcka Geometrija – 69 –
Primer 7.2. Neka je V prostor m×n realnih matrica. Tada je:
< A, B >= tr(B
T
A)
skalarni proizvod; tr(C), ili trag kvadratne matrice C, je zbir elemenata glavne dijagonale.
Primer 7.3. Neka je V prostor neprekidnih realnih funkcija na intervalu [a, b]. Tada je:
< f, g >=

b
a
f(t)g(t)dt
skalarni proizvod.
7.1 Koˇsi-
ˇ
Svarcova nejednakost
Teorema 7.1. (Cauchy-Shwartz)
|u ◦ v| ≤ ∥u∥ ∥v∥ .
Dokaz Problem 6.10
Teorema 7.2. Za vektore u, v ∈ R
n
vaˇzi
(1) ∥v∥ ≥ 0; ∥v∥ = 0 ako i samo ako v = 0
(2) ∥k v∥ = |k| ∥v∥
(3) ∥u +v∥ ≤ ∥u∥ +∥v∥
Dokaz Problem 6.11
• Ako je ∥u∥ = 1 onda je u jediniˇcni vektor (unit vector) ili normiran (normalized).
• Normiranje ne-nula vektora u je v =
1
∥u∥
u (∥v∥ = 1)
• d(u, v) = ∥u −v∥ je rastojanje izmedju taˇcaka u i v unitarnog prostora.
• Ugao izmedju vektora u i v unitarnog prostora je:
cos θ =
< u, v >
∥u∥ ∥v∥
7.2 Ortogonalnost
Vektori u i v unitarnog prostora su ortogonalni ili normalni ako vaˇzi
< u, v >= 0
Primer 7.4. Traˇzimo vektor u = (x, y, z) koji je normalan na vektore (2, 1, −1) i (0, 1, 1) standardnog R
3
:
2x +y −z = 0 y +z = 0
Svako reˇsenje ovog sistema odgovara, na primer (−1, 1, −1).
Linearna Algebra i Analitiˇcka Geometrija – 70 –
Neka je S bilo koji skup vektora unitarnog prostora. Svi vektori koji su normalni na svaki vektor iz S ˇcine
ortogonalni komplement skupa S:
S

= {u ∈ V | < u, s >= 0 za svaki s ∈ S}
• ‘< u, s >= 0 za svaki s ∈ S’ piˇsemo kra´ce i u ⊥ S:
S

= {u ∈ V | u ⊥ S}
• S

je potprostor prostora V .
• Naˇs cilj u narednom delu je dokaz slede´ce vaˇzne teoreme, koji zahteva nekoliko prethodnih tvrdjenja.
Teorema 7.3. Ako je U potprostor konaˇcno-dimenzionog prostora V tada je
V = U ⊕U

• Ekvivalentno: svaki vektor v se na jedinstven naˇcin piˇse kao
v = u +u

;
gde je u ∈ U ortogonalna projekcija vektora v na potprostor U, a u

∈ U

je ortogonalna dopuna vektora v u odnosu
na potprostor U.
• u

je i ortogonalna projekcija vektora v na potprostor U

• Teorema 7.3 ne vaˇzi u proizvoljnom beskonaˇcno-dimenzionom prostoru!
7.3 Ortogonalni skupovi i baze
Skup vektora je ortogonalan ako je svaki par njegovih vektora ortogonalan. Ortonormiran skup vektora je ortogo-
nalan skup ˇciji su svi elementi jediniˇcni vektori.
• Normiranje ortogonalnog skupa ne-nula vektora je normiranje svakog u u njemu (zamena sa v =
1
∥u∥
u koji
je jediniˇcni). Normalizacijom ortogonalnog skupa dobijamo ortonormirani skup.
• Ortogonalna baza vektorskog prostora je baza koja je ortogonalan skup. Sliˇcno za ortonormiranu bazu.
Teorema 7.4. Svaki ortogonalan skup ne-nula vektora je linearno nezavisan.
Dokaz Problem 6.20
Teorema 7.5. (Pitagorina teorema) Ako je {u
1
, u
2
, ..., u
n
} ortogonalan skup vektora tada je:
∥u
1
+...u
n

2
= ∥u
1

2
+... +∥u
n

2
Dokaz Problem 6.21
7.4 Furijeovi koeficijenti
Koordinate vektora u odnosu na ortogonalnu bazu se raˇcunaju lakˇse nego u sluˇcaju proizvoljne baze. To pokazuje
i naredni primer.
Linearna Algebra i Analitiˇcka Geometrija – 71 –
Primer 7.5. Posmatrajmo vektore u
1
= (1, 2, 1) u
2
= (2, 1, −4) u
3
= (3, −2, 1). Proverimo da oni ˇcine ortogonalnu
bazu standardnog R
3
:
u
1
· u
2
= (1, 2, 1) · (2, 1, −4) = 1 · 2 + 2 · 1 + 1 · (−4) = 0
Sliˇcno u
3
· u
2
= u
1
· u
3
= 0. Znaˇci oni ˇcine ortogonalan skup. Prema teoremi 7.4 oni su linearno nezavisni pa ˇcine
bazu (dimenzija je 3). To je ortogonalna baza, ali nije ortonormirana:
∥u
1
∥ =

1
2
+ 2
2
+ 1
2
=

6 ∥u
2
∥ =

21 ∥u
3
∥ =

14
Izrazimo vektor v = (7, 3, −1) kao linearnu kombinaciju:
v = xu
1
+yu
2
+zu
3
Pomnoˇzimo skalarno sa u
1
:
u
1
· v = xu
1
· u
1
+y u
1
· u
2
+zu
1
· u
3
u
1
· v = xu
1
· u
1
+ 0 + 0
Odatle je x =
u
1
· v
u
1
· u
1
=
u
1
· v
∥u
1

2
=
(1, 2, 1) · (7, 3, −1)
6
= 2
Sliˇcno, mnoˇzenjem sa u
2
i u
3
dobijamo y = 1 i z = 1.
v = 2 u
1
+u
2
+u
3
Naredna definicija je motivisana situacijom u prostoru R
n
sa standardnim skalarnim proizvodom.
Definicija 7.3. Vektor proj(v, u) =
< v, u >
∥u∥
2
u je projekcija vektora v na vektor u unitarnog prostora.
• Motivacija za prethodnu definiciju je sledec1a ˇcinjenica:
c =
< v, u >
∥u∥
2
je jedinstven skalar koji zadovoljava: u ◦ (v −c u) = 0
- -

6
0 u
v
c u
v −c u
u ◦ (v −c u) = u ◦ v −c u ◦ u = u ◦ v −c ∥u∥
2
= 0 povlaˇci c =
v ◦ u
∥u∥
2
Teorema 7.6. Neka je {u
1
, ..., u
n
} ortogonalna baza vektorskog prostora V . Tada je za svaki v ∈ V :
v =
< v, u
1
>
∥u
1

2
u
1
+
< v, u
2
>
∥u
2

2
u
2
+... +
< v, u
n
>
∥u
n

2
u
n
Dokaz ....
• Furijeov koeficijent ili komponenta vektora v u odnosu na u je skalar:
c =
< v, u >
< u, u >
=
< u, v >
∥u∥
2
Prethodna formula postaje:
v = c
1
u
1
+c
2
u
2
+... +c
n
u
n
gde je c
i
komponenta vektora v u odnosu na u
i
.

< v, u
i
>
∥u
i

2
u
i
je projekcija vektora v na vektor u
i
, pa teoremu 7.6 moˇzemo izraziti i na slede´ci naˇcin:
Ako je {u
1
, ..., u
n
} ortogonalna baza vektorskog prostora V tada je svaki v ∈ V jednak zbiru svojih projekcija na
bazne vektore.
Linearna Algebra i Analitiˇcka Geometrija – 72 –
Teorema 7.7. Neka vektori {u
1
, ..., u
n
} ˇcine ortogonalan skup ne-nula vektora u vektorskom prostoru V i neka je
U potprostor generisan njima.
(1) Za svaki v ∈ V postoji jedinstven v

∈ U takav da je
v −v

⊥ U ( t.j. v −v

∈ U

)
(2) v

= c
1
u
1
+c
2
u
2
+... +c
n
u
n
gde su c
i
Furijeovi koeficijenti:
c
1
=
< v, u
1
>
∥u
1

2
c
2
=
< v, u
2
>
∥u
2

2
... c
n
=
< v, u
n
>
∥u
n

2
Dokaz ....
• v

je ortogonalna projekcija vektora v na potprostor U; oznaˇcavamo ga sa proj(v, U)
• Projekciju vektora v na potprostor generisan ortogonalnim skupom vektora {u
1
, ..., u
n
} raˇcunamo po formuli:
proj(v, U) =
< v, u
1
>
∥u
1

2
u
1
+
< v, u
2
>
∥u
2

2
u
2
+... +
< v, u
n
>
∥u
n

2
u
n
Projekcija na potprostor je zbir projekcija na vektore ortogonalne baze tog potprostora:
proj(v, U) = proj(v, u
1
) + proj(v, u
2
) +... + proj(v, u
n
)
• Prethodna teorema dokazuje V = U ⊕ U

ˇsto je specijalan sluˇcaj teoreme 7.3 (dodata je pretpostavka da
U ima ortogonalnu bazu). Da kompletiramo dokaz teoreme 7.3 preostaje da dokaˇzemo da svaki konaˇcno-dimenzioni
unitarni prostor ima ortogonalnu bazu.
• Prethodna teorema garantuje da svaki vektor ima ortogonalnu projekciju na konaˇcno-dimenzioni potprostor. To
nije taˇcno u opˇstem sluˇcaju beskonaˇcno dimenzionih potprostora.
7.5 Beselova nejednakost
Teorema 7.8. Neka vektori {w
1
, ..., w
n
} ˇcine ortogonalan skup ne-nula vektora u vektorskom prostoru V . Neka je
v ∈ V i neka su c
i
Furijeovi koeficijenti v u odnosu na w
i
. Tada za sve skalare a
1
, a
2
, ..., a
n
:
∥v −
n

i=1
c
i
w
i
∥ ≤ ∥v −
n

i=1
a
i
w
i

Dokaz Problem 6.31
Teorema 7.9. (Beselova nejednakost) Neka vektori {e
1
, ..., e
n
} ˇcine ortogonormiran skup vektora u vektorskom
prostoru V . Neka je v ∈ V i neka je c
i
Furijeov koeficijent vektora v u odnosu na e
i
. Tada :
n

i=1
c
2
i
≤ ∥v∥
2
Dokaz Problem 6.32
7.6 Gram-
ˇ
Smitov postupak ortogonalizacije
Neka je {v
1
, v
1
, ..., v
n
} baza unitarnog prostora V . Gram-
ˇ
Smitovim postupkom nalazimo ortogonalan skup
{w
1
, w
1
, ..., w
n
} takav da je:
w
1
= v
1
w
2
= a
21
v
1
+ v
2
Linearna Algebra i Analitiˇcka Geometrija – 73 –
......................
w
n
= a
n1
v
1
+... +a
n,n−1
v
n−1
+ v
n
Primetimo da je svaki ovakav skup baza prostora V (poˇsto se svaki v
i
moˇze izraziti kao linearna kombinacija w
i
-ova)
pa je {w
1
, w
1
, ..., w
n
} ortogonalna baza prostora V .
Postupak je zasnovan na teoremi 7.7:
w
1
= v
1
w
2
= v
2

< v
2
, w
1
>
∥w
1

2
w
1
w
3
= v
3

_
< v
3
, w
1
>
∥w
1

2
w
1
+
< v
3
, w
2
>
∥w
2

2
w
2
_
......................
w
n
= v
n

_
< v
n
, w
1
>
∥w
1

2
w
1
+... +
< v
n
, w
n−1
>
∥w
n−1

2
w
n−1
_
• Iz konstrukcije sledi:
w
k
= a
k1
v
1
+... +a
k,k−1
v
k−1
+ v
k
pa je {w
1
, w
1
, ..., w
n
} baza za V .
• Primetimo da je
w
k
= v
k
−proj(v
k
, span(w
1
, ..., w
k−1
))
pa je zbog teoreme 7.7:
w
k
⊥ span(w
1
, ..., w
k−1
)
Sledi da je {w
1
, w
1
, ..., w
n
} ortogonalan, pa, prema gornjem, je ortogonalna baza.
• Ukoliko normiramo svaki w
i
:
u
i
=
1
∥w
i

w
i
dobijemo ortonormiranu bazu {u
i
} (jediniˇcni vektori).
Teorema 7.10. Ako je {v
1
, v
2
, ..., v
n
} baza unitarnog prostora V tada postoji ortonormirana baza {u
1
, u
2
, ..., u
n
}
takva da je matrica promene baze sa {v
i
} na {u
i
} trougaona; t.j. za svaki k je:
u
k
= a
k1
v
1
+a
k2
v
2
+... +a
kk
v
k
Dokaz Problem 6.32
Teorema 7.11. Svaki ortogonalan skup ne-nula vektora konaˇcnodimrnzionog unitarnog prostora V {w
1
, w
2
, ..., w
k
}
moˇze biti proˇsiren do ortogonalne baze.
Dokaz Problem 6.33
• Iz prethodne teoreme sledi da svaki konaˇcno-dimenzioni unitarni prostor ima ortogonalnu bazu ˇsto u kombinaciji
sa teoremom 7.7 daje dokaz teoreme 7.3:
Teorema 7.3. Ako je U potprostor konaˇcno-dimenzionog prostora V tada je
V = U ⊕U

Dokaz Problem 6.35
• Alternativni naˇcin formulacije prethodne teoreme je:
Svaki vektor v konaˇcno-dimenzionog prostora V se na jedinstven naˇcin piˇse u obliku
v = proj(v, W) + proj(v, W

)
Linearna Algebra i Analitiˇcka Geometrija – 74 –
7.7 Ugao izmedju vektora i potprostora
Ugao izmedju vektora i potprostora definiˇsemo kao ugao izmedju vektora i njegove ortogonalne projekcije na taj
potprostor.
Primer 7.6. U standardnom vektorskom prostoru R
4
izraˇcuna´cemo ugao izmedju vektora v = (6, 3, 6, 3) i potpros-
tora U generisanog vektorima u
1
= (1, 1, 0, 1) i u
2
= (1, 2, 1, 3).
(1) Gram-
ˇ
Smitovim postupkom odredjujemo ortogonalnu bazu potprostora U:
w
1
= u
1
= (1, 1, 0, 1)
w
2
= u
2

< u
2
, w
1
>
∥w
1

2
w
1
=
= (1, 2, 1, 3) −
< (1, 2, 1, 3), (1, 1, 0, 1) >
∥(1, 1, 0, 1)∥
2
(1, 1, 0, 1) =
= (1, 2, 1, 3) −6/3 (1, 1, 0, 1) = (−1, 0, 1, 1)
(2) Raˇcunamo projekciju vektora v na potprostor U (koji je generisan ortogonalnim vektorima w
1
, w
2
):
proj(v, U) =
< v, w
1
>
∥w
1

2
w
1
+
< v, w
2
>
∥w
2

2
w
2
proj(v, U) =
< (6, 3, 6, 3), (1, 1, 0, 1) >
∥(1, 1, 0, 1)∥
2
(1, 1, 0, 1)+
+
< (6, 3, 6, 3), (−1, 0, 1, 1)) >
∥(−1, 0, 1, 1)∥
2
(−1, 0, 1, 1) =
proj(v, U) = 4(1, 1, 0, 1) + (−1, 0, 1, 1) = (3, 4, 1, 5)
(3) Raˇcunamo ugao θ izmedju v i v

= proj(v, U):
cos θ =
< (2, 1, 2, 1), (3, 4, 1, 5) >
∥(2, 1, 2, 1)∥ ∥(3, 4, 1, 5)∥
=
=
< (2, 1, 2, 1), (3, 4, 1, 5) >
∥(2, 1, 2, 1)∥ ∥(3, 4, 1, 5)∥
=
=
17

10

51
=
17

510
7.8 Matriˇcno predstavljanje skalarnog proizvoda
Neka je {v
1
, v
2
, ..., v
n
} baza unitarnog prostora V . Gramova matrica je:
G(v
1
, v
2
, ..., v
n
) =
_
_
_
_
v
1
◦ v
1
v
1
◦ v
2
... v
1
◦ v
n
v
2
◦ v
1
v
2
◦ v
2
... v
2
◦ v
n
. . ... .
v
n
◦ v
1
v
n
◦ v
2
... v
n
◦ v
n
_
_
_
_
• Gramovu matricu definiˇsemo na isti naˇcin i za bilo koji skup vektora {v
1
, v
2
, ..., v
n
} (koji nije obavezno baza).
• {v
1
, v
2
, ..., v
n
} je ortogonalna baza ako i samo ako
G(v
1
, v
2
, ..., v
n
) je dijagonalna matrica.
Linearna Algebra i Analitiˇcka Geometrija – 75 –
• {v
1
, v
2
, ..., v
n
} je ortonormirana baza ako i samo ako
G(v
1
, v
2
, ..., v
n
) = I
• Gramova matrica predstavlja ‘tablicu mnoˇzenja’ u odnosu na bazu:
<
n

i=1
a
i
v
i
,
n

j=1
b
j
v
j
>=
n

i=1
n

j=1
a
i
b
j
< v
i
, v
j
>=
(kao proizvod matrica)
= (a
1
a
2
... a
n
) G(v
1
, v
2
, ..., v
n
) (b
1
b
2
... b
n
)
T
Ovo je formalizovano u narednoj teoremi, uzimaju´ci vektore kolona:
Teorema 7.12. Ako je {v
1
, v
2
, ..., v
n
} baza unitarnog prostora i [u] [v] koordinatni vektori kolona u odnosu na tu
bazu tada je:
u ◦ v = [u]
T
G(v
1
, v
2
, ..., v
n
) [v]
Dokaz. Videti Problem 6.41
• Za kvadratnu matricu A reda n kaˇzemo da je pozitivno definitna ako za svaki ne-nula vektor kolonu v ∈ R
n
vaˇzi:
v
T
Av > 0
Teorema 7.13. G(v
1
, v
2
, ..., v
n
) je simetriˇcna i pozitivno definitna.
Dokaz. Videti Problem 6.42.
Vaˇzi i tvrdjenje obrnuto teoremi 7.12:
Teorema 7.14. Ako je matrica A simetriˇcna i pozitivno definitna tada je sa
uAv
T
definisan skalarni proizvod na R
n
.
Dokaz. Videti Problem 6.40.
7.9 Promena baze i Gramova matrica
Neka su S = {s
1
, s
2
, ..., s
n
} i S = {s

1
, s

2
, ..., s

n
} baze prostora V . Koordinatne vektore [v]
S
∈ R
n
posmatramo
kao vektor-kolone. Neka je
P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
matrica promene baze sa baze S na bazu S

, ili
s

1
= c
11
s
1
+c
12
s
2
+... +c
1n
s
n
s

2
= c
21
s
1
+c
22
s
2
+... +c
2n
s
n
....................................
s

n
= c
n1
s
1
+c
n2
s
2
+... +c
nn
s
n
Neka je P transponovana matrica ovog ‘sistema’:
• Podsetimo (videti teoremu 5.27 u knjizi): P je inverzibilna i za svaki vektor v ∈ V vaˇzi:
P [v]
S
′ = [v]
S
i P
−1
[v]
S
= [v]
S

Teorema 7.15. G(s

1
, s

2
, ..., s

n
) = P
T
G(s
1
, s
2
, ..., s
n
) P
Linearna Algebra i Analitiˇcka Geometrija – 76 –
Dokaz. Prema teoremi 7.12 imamo:
u ◦ v = [u]
T
S
G(s
1
, s
2
, ..., s
n
) [v]
S
u ◦ v = [u]
T
S
′ G(s

1
, s

2
, ..., s

n
) [v]
S

u ◦ v = [u]
T
S
G(s
1
, s
2
, ..., s
n
) [v]
S
=
= (P[u]
S
′ )
T
G(s
1
, s
2
, ..., s
n
) P[v]
S
′ =
= [u]
T
S
′ P
T
G(s
1
, s
2
, ..., s
n
) P[v]
S
′ =
= [u]
T
S

_
P
T
G(s
1
, s
2
, ..., s
n
) P
_
[v]
S
′ =
Sledi:
G(s

1
, s

2
, ..., s

n
) = P
T
G(v
1
, v
2
, ..., v
n
) P
7.10 Ortogonalne matrice i skalarni proizvod
Podsetimo da je kvadratna matrica A ortogonalna ako i samo ako je A
T
= A
−1
; dokazali smo i slede´cu teoremu:
• Neka je A kvadratna matrica reda n. Slede´ca tri tvrdjenja su ekvivalentna:
(1) A je ortogonalna matrica;
(2) Vektori vrsta matrice A ˇcine ortonormirani skup vektora;
(3) Vektori kolona matrice A ˇcine ortonormirani skup vektora.
Teorema 7.16. Ako je P matrica prelaska sa ortonormirane baze S = {e
1
, e
2
, ..., e
n
} na ortonormiranu bazu
S

= {e

1
, e

2
, ..., e

n
} tada je P ortogonalna matrica.
Dokaz. Videti Problem 6.48. Alternativni dokaz je: kako su S i S

ortonormirani imamo
G(s
1
, s
2
, ..., s
n
) = G(s

1
, s

2
, ..., s

n
) = I
Prema Teoremi 7.15 imamo:
G(s

1
, s

2
, ..., s

n
) = P
T
G(v
1
, v
2
, ..., v
n
) P
I = P
T
I P P
T
= P
−1
Vaˇzi i obrnuto tvrdjenje:
Teorema 7.17. Ako je P =
_
_
_
_
c
11
c
21
... c
n1
c
12
c
22
... c
n2
. . ... .
c
1n
c
2n
... c
nn
_
_
_
_
ortogonalna matrica i S = {e
1
, e
2
, ..., e
n
} ortonormirana
baza tada je i S

= {e

1
, e

2
, ..., e

n
} ortonormirana baza gde je:
s

1
= c
11
s
1
+c
12
s
2
+... +c
1n
s
n
s

2
= c
21
s
1
+c
22
s
2
+... +c
2n
s
n
....................................
s

n
= c
n1
s
1
+c
n2
s
2
+... +c
nn
s
n
Dokaz. Videti Problem 6.48 (ili napraviti dokaz sliˇcan prethodnom).
Linearna Algebra i Analitiˇcka Geometrija – 77 –
7.11 Gramova determinanta
• Za bilo koji skup vektora {v
1
, v
2
, ..., v
n
} unitarnog prostora Gramova determinanta je
det G(v
1
, v
2
, ..., v
n
)
Teorema 7.18. det G(v
1
, v
2
, ..., v
n
) = 0 ako i samo ako su {v
1
, v
2
, ..., v
n
} linearno zavisni.
Dokaz. Prvo, pretpostavimo da su linearno zavisni i dokaˇzimo da je determinanta jednaku nuli. Zbog linearne
zavisnosti jedan od v
i
-ova (npr. v
1
) je linearna kombinacija preostalih:
v
1
=
n

i=2
a
i
v
i
Ako u determinanti
det G(v
1
, v
2
, ..., v
n
) =
¸
¸
¸
¸
¸
¸
¸
¸
v
1
◦ v
1
v
1
◦ v
2
... v
1
◦ v
n
v
2
◦ v
1
v
2
◦ v
2
... v
2
◦ v
n
. . ... .
v
n
◦ v
1
v
n
◦ v
2
... v
n
◦ v
n
¸
¸
¸
¸
¸
¸
¸
¸
od prve vrstu oduzmemo baˇs tu linearnu kombinaciju preostalih vrsta i primenimo linearnost po prvoj promenljivi
dobijamo:
¸
¸
¸
¸
¸
¸
¸
¸
(v
1


n
i=2
a
i
v
i
) ◦ v
1
(v
1


n
i=2
a
i
v
i
) ◦ v
2
... (v
1


n
i=2
a
i
v
i
) ◦ v
n
v
2
◦ v
1
v
2
◦ v
2
... v
2
◦ v
n
. . ... .
v
n
◦ v
1
v
n
◦ v
2
... v
n
◦ v
n
¸
¸
¸
¸
¸
¸
¸
¸
U ovoj determinanti je prva vrsta nula-vrsta, pa je Gramova determinanta jednaka nuli.
Drugi smer se dokazuje sliˇcno ...
Teorema 7.19. Za linearno nezavisne vektore vaˇzi:
det G(v
1
, v
2
, ..., v
n
) > 0
U prostoru R
n
sa standardnim skalarnim proizvodom det G(v
1
, v
2
, ..., v
n
) je kvadrat zapremine generalisanog par-
alelepipeda odredjenog vektorima {v
1
, v
2
, ..., v
n
} .
Dokaz. Pretpostavimo da je S = {v
1
, v
2
, ..., v
n
} linearno nezavisan skup i neka je E = {e
1
, e
2
, ..., e
n
}
ortonormirana baza potprostora span(v
1
, v
2
, ..., v
n
). Neka je P matrica prelaska sa baze E na bazu S. Prema
teoremi 7.15 vaˇzi:
G(v
1
, v
2
, ..., v
n
) = P
T
G(e
1
, e
2
, ..., e
n
) P
Kako je E ortonormirana, imamo G(e
1
, e
2
, ..., e
n
) = I pa je:
G(v
1
, v
2
, ..., s
n
) = P
T
P
Primenimo Koˇsi-Binea i det(P
T
) = det(P):
det G(v
1
, v
2
, ..., v
n
) = det(P)
2
> 0
Da dokaˇzemo drugi deo (u R
n
) primetimo da je P
T
matrica u kojoj su vektori vrsta v
i
-ovi...
7.12 NORMIRANI PROSTORI
Definicija 7.4. Neka je V vektorski prostor i neka je svakom v ∈ V odredjen realan broj ∥v∥. Funkcija ∥ − ∥ je
norma ukoliko su zadovoljeni slede´ci uslovi:
(1) ∥v∥ ≥ 0 i ∥v∥ = 0 ako i samo ako v = 0.
(2) ∥k v∥ = |k| ∥v∥
(3) ∥v +u∥ ≤ ∥v∥ +∥u∥
U tom sluˇcaju V je normirani vektorski prostor.
Linearna Algebra i Analitiˇcka Geometrija – 78 –
Primer 7.7. Slede tri vaˇzna primera normi na R
n
:
(1) ∥(a
1
, a
2
, ..., a
n
)∥

= max (|a
1
|, |a
2
|, ..., |a
n
|)
(2) ∥(a
1
, a
2
, ..., a
n
)∥
1
= |a
1
| +|a
2
| +... +|a
n
|
(3) ∥(a
1
, a
2
, ..., a
n
)∥
2
=

|a
1
|
2
+|a
2
|
2
+... +|a
n
|
2
Rastojanje izmedju vektora u i v u normiranom prostoru je
d(u, v) = ∥u −v∥
Teorema 7.20. Rastojanje zadovoljava slede´ce uslove:
(1) d(u, v) ≥ 0 i d(u, v) = 0 ako i samo ako u = v.
(2) d(u, v) = d(v, u)
(3) d(u, v) ≤ d(u, w) +d(w, v)
Primer 7.8. Odredjujemo skup taˇcaka C prostora R
2
koje su na rastojanju 1 od koordinatnog poˇcetka u odnosu na
norme iz prethodnog primera:
(1) ∥(a
1
, a
2
)∥

= max (|a
1
|, |a
2
|)
C je kvadrat sa temenima u taˇckama (1, 1), (−1, 1), (1, −1), (−1, −1)
(2) ∥(a
1
, a
2
)∥
1
= |a
1
| +|a
2
|
C je kvadrat sa temenima u taˇckama (1, 0), (0, 1), (−1, 0), (0, −1)
(3) ∥(a
1
, a
2
)∥
2
=

|a
1
|
2
+|a
2
|
2
Ovo je ‘obiˇcno’ rastojanje i C je jediniˇcna kruˇznica.
8 DIJAGONALIZACIJA
Primer 8.1. Posmatrajmo linearno preslikavanje T : R
2
−→R
2
definisano sa:
T(x, y) = (5x −6y, 2x −2y)
U odnosu na standardnu bazu ono je predstavljeno sa
T (
_
x
y
_
) =
_
5 −6
2 −2
__
x
y
_
Neka je v
1
= (2, 1) i v
2
= (3, 2) . Tada je
T(v
1
) = (4, 2) = 2 v
1
T(v
2
) = v
2
pa je
T(a v
1
+b v
2
) = 2 a v
1
+b v
2
U odnosu na bazu v
1
, v
2
T je predstavljeno dijagonalnom matricom
_
2 0
0 1
_
• Podsetimo da skup svih kvadratnih matrica reda n sa elementima iz polja F, u oznaci M
n
(F), u odnosu na
sabiranje, mnoˇzenje i mnoˇzenje skalarima ˇcini algebru matrica:
Linearna Algebra i Analitiˇcka Geometrija – 79 –
1. Ako A, B ∈ M
n
(F) tada i A+B, AB ∈ M
n
(F);
2. Ako k ∈ F i A ∈ M
n
(F) tada k A ∈ M
n
(F).
• Ako je f(t) = a
n
t
n
+... +a
1
t +a
0
polinom sa koeficijentima iz F i A ∈ M
n
(F) tada f(A) oznaˇcava matricu
f(A) = a
n
A
n
+... +a
1
A+a
0
I
gde f(A) ∈ M
n
(F) .
• Matrica A je nula polinoma p(t) ako vaˇzi p(A) = 0; utom sluˇcaju kaˇzemo i da A poniˇstava polinom p(t).
Teorema 8.1. Ako su f i g polinomi i A kvadratna matrica, tada vaˇzi:
(1) (f +g)(A) = f(A) +g(A)
(2) (f g)(A) = f(A) g(A)
(3) (k f)(A) = k f(A)
(4) f(A) g(A) = g(A) f(A) .
Dokaz. Videti Problem 8.26
8.1 Karakteristiˇcni (sopstveni) polinom matrice
Definicija 8.1. Neka je A =
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
. . ... .
a
n1
a
n2
... a
nn
_
_
_
_
kvadratna matrica. Njena karakteristiˇcna matrica je:
t I
n
−A =
_
_
_
_
t −a
11
−a
12
... −a
1n
−a
21
t −a
22
... −a
2n
. . ... .
−a
n1
−a
n2
... t −a
nn
_
_
_
_
Karakteristiˇcni polinom (ili sopstveni polinom) matrice A, u oznaci ∆
A
(t), je determinanta njene karakteristiˇcne
matrice:

A
(t) = det(t I
n
−A)
Primer 8.2. Neka je A =
_
1 3
4 2
_
. Njena karakteristiˇcna matrica je:
t I −A =
_
t −1 −3
−4 t −2
_
Karakteristiˇcni polinom matrice A je

A
(t) =
¸
¸
¸
¸
t −1 −3
−4 t −2
¸
¸
¸
¸
= (t −1)(t −2) −12 = t
2
−3 t −10
• ∆
A
(t) je ‘obiˇcan’ polinom.
• ∆
A
(t) je moniˇcan (monic) t.j. koeficijent uz najve´ci stepen je 1 i vaˇzi:

A
(t) = t
n
−tr(A) t
n−1
+... + (−1)
n
det(A)
Linearna Algebra i Analitiˇcka Geometrija – 80 –
Teorema 8.2. Sliˇcne matrice imaju isti karakteristiˇcni polinom.
Dokaz. Pretpostavimo da su kvadratne matrice (istog reda) A i B sliˇcne:
A = P
−1
BP
Tada je:

A
(t) = det(t I −A) = det(t I −P
−1
BP)
= det(t P
−1
I P −P
−1
BP) = det(P
−1
(t I −B) P)
= det P
−1
det(t I −B) det P = ∆
B
(t)
(zbog det P
−1
det P = det(P
−1
P) = det I = 1)
Teorema 8.3. Ako je A gornje-trougaona blok matrica tada je njen karakteristiˇcni polinom jednak proizvodu
karakteristiˇcnih polinoma njenih dijagonalnih blokova.
Dokaz. Sledi iz ˇcinjenice da je determinanta dijagonalne blok matrice jednaka proizvodu determinanti dijago-
nalnih blokova.
8.2 Teorema Kejli-Hamiltona
Teorema 8.4. (Kejli-Hamilton) Svaka kvadratna matrica je nula svog karakteristiˇcnog polinoma.
Dokaz. Videti Problem 8.27
Primer 8.3. Neka je A =
_
1 3
4 2
_
iz prethodnog primera. Tada je

A
(t) = t
2
−3 t −10
pa Kejli-Hamilton tvrdi da je
A
2
−3 A−10 I = 0
Ovo moˇze i neposredno da se proveri:
_
1 3
4 2
_
2
−3
_
1 3
4 2
_
−10 I =
_
13 9
12 16
_

_
3 9
12 6
_

_
10 0
0 10
_
= 0
8.3 Sopstvene vrednosti i sopstveni vektori
Neka je A kvadratna matrica reda n. Skalar λ ∈ F je sopstvena vrednost matrice A (eigenvalue) ako postoji
ne-nula vektor kolona v ∈ R
n
takav da je:
Av = λv
Ovakav v ∈ R
n
je sopstveni vektor matrice A koji odgovara sopstvenoj vrednosti λ (eigenvector), kaˇze se i karakter-
istiˇcna vrednost, karakteristiˇcni vektor.
• Neka je λ sopstvena vrednost matrice A. Tada je skup svih sopstvenih vektora koji odgovaraju λ potprostor
od R
n
; nazivamo ga sopstveni potprostor za A i λ i oznaˇcavamo sa E
λ
.
Teorema 8.5. Za kvadratnu matricu A reda n slede´ci uslovi su ekvivalentni:
(1) Skalar λ je sopstvena vrednost matrice A;
(2) det(λI −A) = 0 (t.j. matrica M = λI −A je singularna);
(3) λ je koren karakteristiˇcnog polinoma matrice A (∆
A
(λ) = 0).
Linearna Algebra i Analitiˇcka Geometrija – 81 –
Dokaz. Videti problem 8.28
• (1) ⇔(2) daje recept za izraˇcunavanje sopstvenih vrednosti: to su reˇsenja jednaˇcine ∆
A
(t) = 0.
• (3) ⇒(1) znaˇci da svakoj sopstvenoj vrednosti odgovara bar jedan sopstveni (ne-nula) vektor.
8.4 Algebarska i geometrijska viˇsestrukost sopstvene vrednosti
• Ako se karakteristiˇcni polinom razlaˇze na proizvod razliˇcitih nerastavljivih faktora:

A
(t) = (t −λ
1
)
m
1
...(t −λ
k
)
m
k
q
1
(t)...q
s
(t)
tada je m
k
algebarska viˇsestrukost sopstvene vrednosti λ
k
.
Geometrijska viˇsestrukost sopstvene vrednosti je dimenzija njenog sopstvenog potprostora.
Teorema 8.6. Algebarska viˇsestrukost sopstvene vrednosti nije manja od njene geometrijske viˇsestrukosti.
Dokaz. Ostavljema za kasnije (videti Problem 11.12) .
• Drugim reˇcima ne moˇzemo imati viˇse od m
i
linearno nezavisnih sopstvenih vektora koji odgovaraju sopstvenoj
vrednosti λ
i
.
8.5 Dijagonalizabilnost
Kvadratna matrica A je dijagonalizabilna ako postoji inverzibilna matrica P takva da je P
−1
AP dijagonalna
matrica (t.j. van glavne dijagonale ima samo nule).
Naredna teorema daje osnovu za praktiˇcno reˇsavanje pitanja dijagonalizabilnosti date matrice.
Teorema 8.7. (1) Kvadratna matrica A reda n je dijagonalizabilna ako i samo ako A ima n linearno nezavisnih
sopstvenih vektora.
(2) U tom sluˇcaju dijagonalni elementi te dijagonalne matrice D odgovaraju sopstvenim vrednostima matrice A i
D = P
−1
AP
gde je P matrica sastavljena od sopstvenih vektora-kolona matrice A.
Dokaz. Videti Problem 8.29
• U matrici P iz prethodne teoreme redosled redjanja sopstvenih vektora (kolona) nije bitan!
Primer 8.4. Neka je A =
_
_
2 1 1
1 2 1
1 1 2
_
_
. Ispitujemo da li je A dijagonalizabilna.
Prvo izraˇcunamo ∆
A
(t):

A
(t) = det(t I −A) =
¸
¸
¸
¸
¸
¸
t −2 −1 −1
−1 t −2 −1
−1 −1 t −2
¸
¸
¸
¸
¸
¸
= (t −1)
2
(t −4)
Traˇzimo sopstvene vektore za λ = 4 i λ = 1:
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
x
y
z
_
_
= 4
_
_
x
y
z
_
_
Linearna Algebra i Analitiˇcka Geometrija – 82 –
Reˇsavanjem sistema dobijamo skup reˇsenja (sopstveni potprostor):
E
4
= {(a, a, a) | a ∈ R}
koji je generisan sopstvenim vektorom (1, 1, 1).
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
x
y
z
_
_
=
_
_
x
y
z
_
_
Reˇsavanjem sistema dobijamo skup reˇsenja (sopstveni potprostor):
E
1
= {(−a −b, b, a) | a, b ∈ R} = {a(−1, 0, 1) +b(−1, 1, 0) | a, b ∈ R}
koji je generisan sopstvenim vektorima (−1, 0, 1) i (−1, 1, 0).
(−1, 0, 1), (−1, 1, 0) i (1, 1, 1) su linearno nezavisni pa, prema Teoremi 8.7(1), matrica A je dijagonalizabilna.
Poredjamo ove vektore u kolone matrice P:
P =
_
_
−1 −1 1
0 1 1
1 0 1
_
_
Prema teoremi 8.7(2) matrica P
−1
AP je dijagonalna. Izraˇcunamo
P
−1
= −
1
3
_
_
1 1 −2
1 −2 1
−1 −1 −1
_
_
P
−1
AP = −
1
3
_
_
1 1 −2
1 −2 1
−1 −1 −1
_
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
−1 −1 1
0 1 1
1 0 1
_
_
=
= −
1
3
_
_
−3 0 0
0 −3 0
0 0 −12
_
_
=
_
_
1 0 0
0 1 0
0 0 4
_
_
Primer 8.5. Matrica A =
_
1 1
0 1
_
nije dijagonalizabilna:

A
(t) = det(t I −A) =
¸
¸
¸
¸
t −1 −1
0 t −1
¸
¸
¸
¸
= (t −1)
2
Jedina sopstvena vrednost je λ = 1. Traˇzimo sopstvene vektore:
_
1 1
0 1
_
·
_
x
y
_
=
_
x
y
_
se svodi na sistem
x +y = x y = y
ˇcije je reˇsenje (a, −a) | a ∈ R} pa ova matrica nema dva linearno nezavisna sopstvena vektora. Prema teoremi 8.7
ona nije dijagonalizabilna.
Na sliˇcan naˇcin se moˇze videti i da
ˇ
Zordanova matrica
_
_
_
_
_
_
_
_
a 1 0 ... 0 0
0 a 1 ... 0 0
0 0 a ... 0 0
. . . ... . .
0 0 0 ... a 1
0 0 0 ... 0 a
_
_
_
_
_
_
_
_
nije dijagonalizabilna ni za jedan a ∈ R
Linearna Algebra i Analitiˇcka Geometrija – 83 –
• Stepen dijagonalne matrice se lako raˇcuna:
_
_
_
_
a
1
0 ... 0
0 a
2
... 0
. . ... .
0 0 ... a
n
_
_
_
_
m
=
_
_
_
_
a
m
1
0 ... 0
0 a
m
2
... 0
. . ... .
0 0 ... a
m
n
_
_
_
_
Sliˇcno, ako je p(t) polinom tada je:
p(A) =
_
_
_
_
p(a
1
) 0 ... 0
0 p(a
2
) ... 0
. . ... .
0 0 ... p(a
n
)
_
_
_
_
• Za dijagonalizabilnu matricu A izraˇcunavanje A
m
se svodi na izraˇcunavanje stepena dijagonalne matrice. Neka
je D = P
−1
AP tada je A = P DP
−1
i vaˇzi:
A
m
= (P DP
−1
)
m
= P DP
−1
P DP
−1
...P DP
−1
= P D
m
P
−1
Za svaki polinom p(t) vaˇzi:
p(A) = P
−1
p(D) P
Teorema 8.8. Ako su v
1
, v
2
, ..., v
m
sopstveni vektori koji odgovaraju razliˇcitim sopstvenim vrednostima λ
1
, λ
2
, ..., λ
m
matrice A tada su oni linearno nezavisni.
Dokaz. Videti Problem 8.30
Teorema 8.9. Ako karakteristiˇcni polinom kvadratne matrice A reda n ima n razliˇcitih korena a
1
, a
2
, ..., a
n
u polju
skalara tada je

A
(t) = (t −a
1
)(t −a
2
)...(t −a
n
)
i A je sliˇcna dijagonalnoj matrici kojoj su dijagonalni elementi (u nekom rasporedu) a
1
, a
2
, ..., a
n
.
Dokaz. Videti Problem 8.31
8.6 Dijagonalizacija realnih simetriˇcnih matrica
Osnovna teorema algebre tvrdi da se svaki polinom sa kompleksnim koeficijentima moˇze napisati kao proizvod
linearnih polinoma sa kompleksnim koeficijentima. Sliˇcno vaˇzi za karakteristiˇcne polinome simetriˇcnih realnih matrica:
Teorema 8.10. Karakteristiˇcni polinom realne simetriˇcne matrice se moˇze rastaviti na proizvod realnih linearnih
polinoma.
Teorema 8.11. Sopstveni vektori koji odgovaraju razliˇcitim sopstvenim vrednostima realne simetriˇcne matrice su
medjusobno ortogonalni.
8.7 Minimalni polinom matrice
Neka je A kvadratna matrica reda n nad poljem F i neka je I(A) skup svih polinoma p(t) takvih da je p(A) = 0.
Kejli-Hamilton teorema garantuje da sadrˇzi karakteristiˇcan polinom matrice A. Minimalan polinom matrice A je
moniˇcan polinom najmanjeg stepena koji pripada I(A).
Narednu teorema opisuje vezu dijagonalizacije i minimalnog polinoma. Njen dokaz ostavljamo za naredno preda-
vanje
Linearna Algebra i Analitiˇcka Geometrija – 84 –
Teorema 8.12. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇse na proizvod
razliˇcitih linearnih faktora:
m
A
(t) = (t −λ
1
)(t −λ
2
)...(t −λ
n
)
gde su λ
i
-ovi razliˇciti.
Naredne teoreme opisuju vezu minimalnog i sopstvenog polinoma matrice.
Teorema 8.13. Neka je m(t) minimalan polinom matrice A, koja je reda n i ∆
A
(t) njen karakteristiˇcan polinom.
Tada m(t) deli svaki polinom iz I, pa i karakteristiˇcni polinom ∆
A
(t) (oznaka za ‘deli’ je | ; m
A
(t) | ∆
A
(t)).
Dokaz. Videti Problem 8.32.
Teorema 8.14. Neka je m(t) minimalan polinom matrice A, koja je reda n i ∆
A
(t) njen karakteristiˇcan polinom.
Tada :

A
(t) | (m(t))
n
m(t) i ∆
A
(t) imaju iste nerastavljive faktore.
Dokaz. Videti Problem 8.33
• Sopstvene vrednosti matrice A su koreni minimalnog polinoma.
8.8 Dijagonalizacija linearnog operatora
Neka je V n-dimenzioni vektorski prostor nad poljem F. Linearni operator T : V −→V je dijagonalizabilan ako
se moˇze predstaviti dijagonalnom matricom u odnosu na neku bazu: postoji baza v
1
, v
2
, ..., v
n
i skalari λ
i
tako da
je:
T(v
i
) = λv
i
za ı = 1, 2, ..., n
Slede´ci niz definicija i teorema je analogan odgovaraju´cim tvrdjenjima za matrice.
Skalar λ ∈ F je sopstvena vrednost operatora T ako postoji ne-nula vektor v ∈ V takav da je T(v) = λv . U tom
sluˇcaju v je sopstveni vektor preslikavanja T. Skup svih sopstvenih vektora koji odgovaraju sopstvenoj vrednosti λ je
sopstveni potprostor operatora T koji odgovara sopstvenoj vrednosti λ, u oznaci E
λ
.
E
λ
= Ker(λI −T)
Svake dve matrice koje predstavljaju operator u odnosu na neke baze su sliˇcne; prema teoremi 8.2 one imaju isti
karakteristiˇcan polinom. Taj polinom ne zavisi od izbora baze, ve´c zavisi samo od operatora i naziva se karakteristiˇcni
polinom operatora (ili sopstveni).
Teorema 8.15. T je dijagonalizabilan (moˇze biti predstavljen dijagonalnom matricom D) ako i samo ako V ima bazu
sastavljenu od sopstvenih vektora. U tom sluˇcaju dijagonalni elementi matrice D su odgovaraju´ce sopstvene vrednosti.
Teorema 8.16. Ako su v
1
, v
2
, ..., v
m
sopstveni (ne-nula) vektori koji odgovaraju razliˇcitim sopstvenim vrednostima
tada su oni linearno nezavisni.
Teorema 8.17. T je nula svog karakteristiˇcnog polinoma.
Teorema 8.18. λ ∈ F je sopstvena vrednost ako i samo ako je nula karakteristiˇcnog polinoma.
Linearna Algebra i Analitiˇcka Geometrija – 85 –
Teorema 8.19. Geometrijska viˇsestrukost sopstvene vrednosti nije ve´ca od algebarske viˇsestrukosti.
Dokaz. Videti Problem 11.12
Teorema 8.20. Ako je A matrica koja predstavlja T u odnosu na neku bazu tada je A dijagonalizabilna ako i samo
ako je T dijagonalizabilan.
• Minimalan polinom operatora T je moniˇcan polinom najmanjeg stepena m(t) takav de je m(T) nula-preslikavanje.
• Minimalan polinom operatora je i minimalan polinom bilo koje matrice koja ga predstavlja.
9 KANONSKE FORME OPERATORA
Polinom f(t) ∈ F[t] se rastavlja na proizvod linearnih ˇcinilaca ako postoje a
i
∈ F takvi da je
f(t) = (t −a
1
)(t −a
2
).....(t −a
k
)
(gde neki od a
i
-ova mogu biti jednaki).
Primer matrica (linearnog operatora) ˇciji se karakteristiˇcni polinom rastavlje na proizvod linearnih ˇcinilaca su
gornje-trougaone matrice; polinom matrice
_
_
_
_
a
11
a
12
... a
1n
0 a
22
... a
2n
. . ... .
0 0 ... a
nn
_
_
_
_
je ∆(t) = (t −a
11
(t −a
22
)...(t −a
nn
) .
U ovom delu ´cemo, izmedju ostaloga, dokazati i obrnuto tvrdjenje: ako se karakteristiˇcni polinom linearnog op-
eratora rastavlja na proizvod linearnih ˇcinilaca tada on mozhe biti predstavljen trougaonom matricom (u odnosu na
neku bazu).
Dokaza´cemo i jaˇce tvrdjenje:
ˇ
Zordanova kanonska forma Neka je V konaˇcno-dimenzioni vektorski prostor i T : V −→V linearni operator ˇciji
se karakteristiˇcni polinom rastavlja na proizvod linearnih ˇcinilaca. Tada postoji baza prostora V u odnosu na koju je
T predstavljen dijagonalnom blok matricom oblika
_
_
_
_
J
1
0 ... 0
0 J
2
... 0
. . ... .
0 0 ... J
m
_
_
_
_
gde su J
i
oblika
_
_
_
_
_
_
λ
i
1 0 ... 0 0
0 λ
i
1 ... 0 0
. . . ... . .
0 0 0 ... λ
i
1
0 0 0 ... 0 λ
i
_
_
_
_
_
_
(Matrice istog oblika kao J
i
se nazivaju Zhordanove matrice).
Ekvivalentne formulacije su:
• Svaka matrica ˇciji se karakteristiˇcni polinom faktoriˇse na proizvod linearnih ˇcinilaca je sliˇcna trougaonoj matrici.
• Svaka matrica ˇciji se karakteristiˇcni polinom faktoriˇse na proizvod linearnih ˇcinilaca je sliˇcna dijagonalnoj blok
matrici ˇciji su dijagonalni blokovi
ˇ
Zordanove matrice.
Linearna Algebra i Analitiˇcka Geometrija – 86 –
9.1 Invarijantni potprostori linearnog operatora
Neka je T : V −→V linearni operator na konaˇcno dimenzionom vektorskom prostoru V .
• Potprostor W ⊂ V je T-invarijantan (ili invarijantan u odnosu na T) ako T preslikava W u samog sebe (t.j
T(w) ∈ W za svaki w ∈ W). Ako je W invarijantan onda je restrikcija operatora T na W, u oznaci T W ili
ˆ
T,
linearni operator na W:
ˆ
T : W −→W definisan sa
ˆ
T(w) = T(w) za w ∈ W
Teorema 9.1. Ako je T : V −→V linearni operator i f(t) ma koji polinom tada je Ker(f(T)) invarijantan u odnosu
na T.
Dokaz. Videti Problem 11.3
Teorema 9.2. Ako je potprostor W invarijantan u odnosu na T : V −→ V tada se T mozhe predstaviti blok
matricom oblika
_
A B
0 C
_
gde je A matrica linearnog operatora
ˆ
T.
Dokaz. Videti Problem 11.5
• U prethodnoj teoremi baza prostora V u odnosu na koju je T predstavljen matricom gornjeg oblika biramo tako
da prvo izaberemo bazu za W a potom je produzhimo do baze za V . Pri tome mozhemo uzeti proizvoljnu bazu za
W.
Podsetimo: vektorski prostor V je direktna suma svojih potprostora W
1
, W
2
, ..., W
k
ako se svaki v ∈ V na jedinstven
naˇcin mozhe napisati u obliku:
v = w
1
+w
2
+... +w
k
w
i
∈ W
i
ı = 1, 2, ..., k
Oznaka: V = ⊕
k
i=1
W
i
Teorema 9.3. Neka su W
1
, W
2
, ..., W
k
potprostori vektorskog prostora V i neka je B
i
= w
i1
, w
i2
, ..., w
im
i
baza
prostora W
i
(za i = 1, 2, ..., k). Tada je V = ⊕
k
i=1
W
k
ako i samo ako je B = B
1
B
2
...B
k
baza za V :
B = w
11
, ..., w
1m
1
, w
21
, ..., w
2m
2
, ...., w
k1
, ..., w
km
k
Dokaz. Videti Problem 11.7
Teorema 9.4. Neka je T : V −→V linearni operator i neka su W
1
, W
2
, ..., W
k
invarijantni potprostori takvi da je
V = ⊕
k
i=1
W
i
. Ako je B
i
baza potprostora W
i
i matrica A
i
predstavlja T W
i
tada matrica
_
_
_
_
A
1
0 ... 0
0 A
2
... 0
0 0 ... 0
0 0 ... A
k
_
_
_
_
predstavlja T u odnosu na bazu B
1
B
2
...B
k
.
9.2 Osnovna dekompozicija linearnog operatora
Podsetimo da su polinomi g(t) i h(t) uzajamno prosti ako ne postoji nekonstantan polinom p(t) koji deli i g(t) i h(t).
Teorema 9.5. Neka je T : V −→ V linearni operator, f(T) = 0 i f(t) = g(t) h(t) gde su polinomi g(t) i h(t)
uzajamno prosti. Tada je V = U ⊕W gde je U = ker(g(T)) i W = Ker(h(t)) .
Linearna Algebra i Analitiˇcka Geometrija – 87 –
Dokaz. Videti Problem 11.9
Teorema 9.6. Ako je f(t) u prethodnoj teoremi minimalni polinom operatora T i ako su g(t) i h(t) moniˇcni tada je
g(t) minimalni polinom operatora T U, a h(t) minimalni polinom operatora T W
Dokaz. Videti Problem 11.10
Teorema 9.7. (Osnovna dekompozicija linearnog operatora) neka je T : V −→V linearni operator ˇciji je minimalan
polinom
m(t) = f
1
(t)
n
1
f
2
(t)
n
2
...f
k
(t)
n
k
gde su f
i
(t) razliˇciti moniˇcni nerastavljivi polinomi. Tada je V direktna suma invarijantnih potprostora W
i
=
Ker(f(T)
n
i
) . Shtaviˇse f
i
(t)
n
i
je minimalni polinom operatora T W
i
.
Dokaz. Videti Problem 11.11
Prva posledica ove teoreme je Teorema 8.13 ˇciji smo dokaz ostavili za kasnije:
Teorema 9.8. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇse na proizvod razliˇcitih
linearnih faktora:
m
A
(t) = (t −λ
1
)(t −λ
2
)...(t −λ
n
)
gde su λ
i
-ovi razliˇciti.
Dokaz. Videti Problem 11.12
• Ekvivalentna formulacija ove teoreme je: Linearni operator je dijagonalizabilan ako i samo ako je njegov
minimalan polinom proizvod linearnih ˇcinilaca.
9.3 Nilpotentni operatori
Linearni operator T : V V je nilpotentan ako je T
n
= 0 (t.j. nula-operator, koji sve preslika u 0) za neki
prirodan broj n. U tom sluˇcaju, najmanji takav n je indeks nilpotentnosti operatora T. Sliˇcno, kvadratna matrica A
je nilpotentna ako postoji prirodan broj n takav da je A
n
= 0, a najmanji takav broj je indeks nilpotentnosti matrice.
• Ako je T
n
= 0 tada je T
n+1
= 0, T
n+2
= 0,...
• Neka je T
n
= 0 i neka je m(t) je minimalan polinom operatora T. Znamo da m(t) deli t
n
(deli svaki polinom
koji poniˇstava operator T). Zakljuˇcak je: minimalni polinom nilpotentnog operatora indeksa n je m(t) = t
n
.
Primer 9.1. Kvadratna matrica reda n koja, na glavnoj dijagonali i ispod nje, ima sve nule je nilpotentna reda ≤ n.
Matrica (reda n):
N =
_
_
_
_
_
_
0 1 0 ... 0 0
0 0 1 ... 0 0
. . . ... . .
0 0 0 ... 0 1
0 0 0 ... 0 0
_
_
_
_
_
_
(ima jedinice odmah iznad glavne dijagonale i sve ostale nule) je nilpotentna reda n.
Teorema 9.9. Neka je T : V −→ V nilpotentan linearni operator linearni operator indeksa k. Tada T ima
dijagonalnu reprezentaciju:
_
_
_
_
A
1
0 ... 0
0 A
2
... 0
. .. ... .
0 0 ... A
m
_
_
_
_
gde su A
i
-ovi oblika
_
_
_
_
_
_
0 1 0 ... 0 0
0 0 1 ... 0 0
. . . ... . .
0 0 0 ... 0 1
0 0 0 ... 0 0
_
_
_
_
_
_
Pri tome sve matrice A
i
su reda ≤ k a bar jedna je reda = k.
Dokaz. Videti Problem 11.16
Linearna Algebra i Analitiˇcka Geometrija – 88 –
9.4
ˇ
Zordanova forma linearnog operatora
Teorema 9.10. Neka je T : V −→V linearni operator ˇciji su karakteristiˇcni i minimalni polinom redom:
∆(t) = (t −λ
1
)
n
1
(t −λ
2
)
n
2
...(t −λ
r
)
n
r
m(t) = (t −λ
1
)
m
1
(t −λ
2
)
m
2
...(t −λ
r
)
m
r

i
-ovi su razliˇciti). Tada postoji baza prostora V u odnosu na koju je T predstavljen dijagonalnom blok matricom J
ˇciji su dijagonalni blokovi oblika
J
ij
=
_
_
_
_
_
_
λ
i
1 0 ... 0 0
0 λ
i
1 ... 0 0
. . . ... . .
0 0 0 ... λ
i
1
0 0 0 ... 0 λ
i
_
_
_
_
_
_
Pri tome za svaki λ
i
, odgovaraju´ci dijagonalni blokovi zadovoljavaju:
(1) Za bar jedan j je J
ij
reda m
i
, ostali J
ij
-evi su reda ≤ m
i
;
(2) Za fiksno i suma redova svih J
ij
-ova je n
i
;
(3) Za fiksno i ima J
ij
-ova kolika je geometrijska viˇsestrukost sopstvene vrednosti λ
i
;
Ovo predstavljanje je jedinstveno do na permutaciju dijagonalnih blokova.
Dokaz. Videti Problem 11.18
• Matrica J je
ˇ
Zordanova kanonska matrica operatora T a matrice J − ij su
ˇ
Zordanovi blokovi koji odgovaraju
sopstvenoj vrednosti λ
i
.
• Primetimo da je J
ij
= λ
i
I +N gde je N nilpotentna matrica iz primera 9.1
Linearna Algebra i Analitiˇcka Geometrija – 89 –
10 ISPITNA PITANJA
1. Linearne jednaˇcine i sistemi (osnovni pojmovi)
2. Elementarne transformacije sistema jednaˇcina, Gausov postupak
3. Vektorski prostor R
n
: sabiranje, mnoˇzenje skalarom, baza, koordinate u odnosu na bazu
4. Linearne kombinacije, linearna zavisnost vektora u R
n
; veza sa sistemima linearnih jednaˇcina
5. Norma vektora i skalarni proizvod u R
n
6. Nejednakosti Koˇsi-
ˇ
Svarca i Minkovskog u R
n
7. Rastojanje, ugao izmedju vektora
8. Projekcija vektora, povrˇsina paralelograma u R
n
9. Vektorski proizvod, meˇsoviti proizvod
10. Prave i hiper-ravni
11. Rastojanje taˇcke od prave u R
n
, prava u R
2
12. Medjusobni poloˇzaj ravni
13. Medjusobni poloˇzaj pravih u R
3
14. Medjusobni poloˇzaj prave i ravni, ugao izmedju prave i ravni
15. Sabiranje i mnoˇzenje matrica skalarom, mnoˇzenje matrica
16. Matriˇcni zapis sistema linearnih jednaˇcina, veza izmedju skupa reˇsenja sistema i skupa reˇsenja pridruˇzenog
homogenog sistema
17. Blok matrice, determinanta trougaone blok matrice
18. Kvadratne matrice, trag kvadratne matrice
19. Transponovanje matrice, elementarne transformacije vrsta (kolona) matrice
20. Inverzna matrica, izrachunavanje inverzne matrice elementarnim transformacijama vrsta
21. Specijalni tipovi kvadratnih matrica
22. Vektorski prostori, definicija i osnovni primeri
23. Potprostori, linearne kombinacije vektora, lineal
24. Linearna zavisnost, baza, koordinate vektora, dimenzija
25. Jednakobrojnost baza konaˇcno dimenzionog prostora
26. Prostor vrsta matrice, odredjivanje baze i dimenzije potprostora od R
n
27. Rang matrice
28. Sistemi linearnih jednaˇcina i vektorski prostori, Kroneker-Kapelijeva teorema
29. Presek, suma i direktna suma potprostora
30. Grasmanova formula
31. Koordinate vektora u odnosu na bazu, promena baze
32. Linearni operatori, definicija i primeri
33. Izomorfizam vektorskih prostora
34. Slika i jezgro linearnog operatora
Linearna Algebra i Analitiˇcka Geometrija – 90 –
35. Operacije sa linearnim preslikavanjima, Hom(U, V )
36. Algebra A(V )
37. Matriˇcno predstavljanje linearnog operatora
38. Uticaj promene baze na matricu linearnog operatora, sliˇcnost matrica
39. Determinante, definicija i osnovna svojstva
40. Bine-Koˇsijeva teorema
41. Minori i kofaktori, izraˇcunavanje determinante
42. Adjungovana matrica, Laplasova teorema, izraˇcunavanje inverzne matrice
43. Kramerova teorema
44. Unitarni prostor, definicija i primeri
45. Koˇsi-
ˇ
Svarcova nejednakost, ugao izmedju vektora i potprostora
46. Ortogonalnost, ortogonalni komplement
47. Ortogonalni skupovi i baze, Pitagorina teorema
48. Fourijeovi koeficijenti
49. Beselova nejednakost
50. Gram-
ˇ
Smitov postupak ortogonalizacije
51. Ugao izmedju vektora i potprostora
52. Gramova matrica
53. Veza ortogonalnih matrica i baza unitarnih prostora
54. Pozitivnost Gramove determinante
55. Normirani prostori
56. Karakteristiˇcni polinom, sopstvene vrednosti i sopstveni vektori linearnog operatora (matrice)
57. Teorema Kejli-Hamiltona
58. Dijagonalizabilnost linearnog operatora (matrice)
59. Minimalni polinom, veza sa karakteristiˇcnim polinomom linearnog operatora (matrice)
60. Invarijantni potprostori linearnog operatora, direktna suma invarijantnih potprostora
61. Osnovna dekompozicija linearnog operatora
62. Nilpotentni operatori,
ˇ
Zordanova forma

Linearna Algebra i Analitiˇka Geometrija – 2 – c

4.11 Suma i direktna suma potprostora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.12 Koordinate vektora u odnosu na bazu, promena baze . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 LINEARNI OPERATORI 5.1 Definicija i primeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Slika i jezgro linearnog operatora . . . . . . . . . . . . . . . . . . . . 5.3 Primena na sisteme linearnih jednaˇina . . . . . . . . . . . . . . . . c 5.4 Izomorfizam vektorskih prostora . . . . . . . . . . . . . . . . . . . . 5.5 Operacije sa linearnim preslikavanjima, vektorski prostor Hom(U, V ) 5.6 Algebra A(V ) (ili Hom(V )) . . . . . . . . . . . . . . . . . . . . . . 5.7 Matriˇno predstavljanje linearnih operatora . . . . . . . . . . . . . . c 5.8 Algoritam za formiranje matrice operatora u odnosu na bazu . . . . 5.9 Mn (F ) i A(V ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.10 Promena baze i matrica operatora . . . . . . . . . . . . . . . . . . . 6 DETERMINANTE 6.1 Determinante reda 1, 2 i 3 . . . . . . . . . . . . 6.2 Permutacije . . . . . . . . . . . . . . . . . . . . 6.3 Definicija i osnovna svojstva determinanti . . . 6.4 Minori i kofaktori, izraˇunavanje determinante c 6.5 Adjungovana matrica . . . . . . . . . . . . . . . 6.6 Kramerova teorema . . . . . . . . . . . . . . . . 6.7 Determinante blok matrica . . . . . . . . . . . 6.8 Determinanta linearnog operatora . . . . . . . 7 UNITARNI PROSTORI 7.1 Koˇi-Svarcova nejednakost . . . . . . . . . . s ˇ 7.2 Ortogonalnost . . . . . . . . . . . . . . . . . 7.3 Ortogonalni skupovi i baze . . . . . . . . . 7.4 Furijeovi koeficijenti . . . . . . . . . . . . . 7.5 Beselova nejednakost . . . . . . . . . . . . . ˇ 7.6 Gram-Smitov postupak ortogonalizacije . . 7.7 Ugao izmedju vektora i potprostora . . . . 7.8 Matriˇno predstavljanje skalarnog proizvoda c 7.9 Promena baze i Gramova matrica . . . . . . 7.10 Ortogonalne matrice i skalarni proizvod . . 7.11 Gramova determinanta . . . . . . . . . . . . 7.12 NORMIRANI PROSTORI . . . . . . . . .

47 49 50 50 51 53 53 54 54 56 57 57 58 58 59 60 61 62 63 64 67 67 67 69 69 70 70 72 72 74 74 75 76 77 77 78 79 80 80 81 81 83 83 84 85 86 86 87 88 89

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

. . . . . . . . . . . .

8 DIJAGONALIZACIJA 8.1 Karakteristiˇni (sopstveni) polinom matrice . . . . . . . . c 8.2 Teorema Kejli-Hamiltona . . . . . . . . . . . . . . . . . . 8.3 Sopstvene vrednosti i sopstveni vektori . . . . . . . . . . . 8.4 Algebarska i geometrijska viˇestrukost sopstvene vrednosti s 8.5 Dijagonalizabilnost . . . . . . . . . . . . . . . . . . . . . 8.6 Dijagonalizacija realnih simetriˇnih matrica . . . . . . . . c 8.7 Minimalni polinom matrice . . . . . . . . . . . . . . . . . 8.8 Dijagonalizacija linearnog operatora . . . . . . . . . . . . 9 KANONSKE FORME OPERATORA 9.1 Invarijantni potprostori linearnog operatora . 9.2 Osnovna dekompozicija linearnog operatora 9.3 Nilpotentni operatori . . . . . . . . . . . . . ˇ 9.4 Zordanova forma linearnog operatora . . . . . 10 ISPITNA PITANJA

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

Linearna Algebra i Analitiˇka Geometrija – 3 – c

1
1.1

ˇ LINEARNE JEDNACINE I SISTEMI
Osnovni pojmovi

Neka je K polje, ukoliko drugaˇije nije naglaˇeno podrazumevamo K = R. c s • Linearna jednaˇina nad poljem K po promenljivim x1 , x2 , ..., xn je jednaˇina koja se moˇe svesti na oblik c c z a1 x1 + a2 x2 + ... + an xn = b gde su koeficijenti a1 , a2 , ..., an i slobodni ˇlan b elementi polja K. c • Uredjena n-torka (k1 , k2 , ..., kn ) ∈ K n je reˇenje gornje jednaˇine ako vaˇi: s c z a1 k1 + a2 k2 + ... + an kn = b • Sva njena reˇenja ˇine skup reˇenja jednaˇine: s c s c {(k1 , k2 , ..., kn ) ∈ K n | a1 k1 + a2 k2 + ... + an kn = b } • Degenerisana linearna jednaˇina je oblika: c 0 x1 + 0 x2 + ... + 0 xn = b Ako je b = 0 skup njenih reˇhenja je K n ; ako je b ̸= 0 onda ona nema reˇenja (skup reˇenja je ∅). s s s • Sistem linearnih jednaˇina po promenljivim x1 , x2 , ..., xn je c a11 x1 a21 x1 . am1 x1 + + . + a12 x2 a22 x2 . am2 x2 + ... + ... ... . + ... a1n xn a2n xn . amn xn = = = b1 b2 bm

Uredjena n-torka (k1 , k2 , ..., kn ) ∈ K n je reˇenje sistema ako je reˇenje svake od jednaˇina sistema. Sva reˇenja ˇine s s c s c skup reˇenja sistema. s • Ako sa Si oznaˇimo skup reˇenja i-te jednaˇine gornjeg sistema a sa S skup reˇenja sistema tada vaˇi: c s c s z S = S1 ∩ S2 ∩ ... ∩ Sm • Reˇiti sistem jednaˇina znaˇi odrediti njegov skup reˇenja. s c c s Definicija 1.1. Dva sistema su ekvivalentna ako imaju isti skup reˇenja. s Definicija 1.2. Homogena linearna jednaˇina je oblika c a11 x1 + a12 x2 + ... + a1n xn = 0 .

′ ′ ′ Neka su r = (r1 , r2 , ..., rn ) i r′ = (r1 , r2 , ..., rn ) reˇenja gornje homogene jednaˇine i k ∈ R. Tada: s c

• (kr1 , kr2 , ..., krn ) je reˇenje: s a11 r1 k(a11 r1 a11 (k r1 ) + oznaˇavamo ga sa kr . c
′ ′ ′ • (r1 + r1 , r2 + r2 , ..., rn + rn ) je reˇenje: s

+ a12 r2 + a12 r2 a12 (k r2 )

+ ... + a1n rn

= 0 0 = 0 ;

+ ... + a1n rn ) = + ... + a1n (k rn )

a11 r1

+ a12 r2

+ ... a1n rn

=

0

. c s Zbir dva reˇenja nehomogene linearne jednaˇine s c a1 x1 + .2. c • Ako su r.. a2n xn ... a) a. t) = (2b − a.. z = 3a. . r2 .. 2) su reˇenja jednaˇine x + y = 2 a s s c mnoˇiti: k (1. . 1) i (0... x − 2y z + − t 3t  −1  −3     1  0  = 0 = 0 ima parametarsko reˇenje t = a.. am1 x1 + a12 x2 + a22 x2 . z.. 3a. y = −3a.. s    x 2b − a  y   b     z  =  3a t a    2b −a   b   0 =      0  +  3a 0 a    2    =b  1 +a   0  0    −1  0     3  1 (2. kn skalari (obiˇni brojevi) tada je i k0 r + k1 r′ + . r′ . + kn r(n) s c reˇenje..r(n) njena reˇenja i k0 ..... + am2 x2 + . . ′ a11 (r1 + r1 ) + ′ a12 (r2 + r2 ) + . rn ) reˇenje jednaˇine s c a1 x1 + a2 x2 + ... a.. 0... y. −3a.. + kn r(n) s c reˇenje.. amn xn = 0 = 0 = 0 • Ako su r. .. Reˇenja ne smemo ni s • Ako je r reˇenje nehomogene jednaˇine a h reˇenje odgovaraju´e homogene jednaˇine. 1.. x = 2b − a ili (x. a1n rn = 0 = 0 . z. . y = b. 3) nije. . tada je r + h takodje s c s c c reˇenje nehomogene jednaˇine: s c Neka je r = (r1 . na taj naˇin dobijemo onoliko reˇenja koliko homogeni sistem ima slobodnih promenljivih. Ova dva reˇenja s s s ˇine bazu skupa reˇenja (ˇto znaˇi da se svako reˇenje sistema izraˇava kao njihova linearna kombinacija). r′ .1.r(n) njena reˇenja i k0 . 1) nije reˇenje jednaˇine za k ̸= 1. t) = (−a. ′ a1n (rn + rn ) oznaˇavamo ga sa r + r′ .. s    x −a  y   −3a       z = a =a t 0  Primer 1. b ∈ R. s Primer 1.. + . z = a. b. a1n xn + . y. kn skalari (obiˇni brojevi) tada je i k0 r + k1 r′ + . U sluˇaju c s s c s z c proizvoljnog homogenog sistema bazu skupa reˇenja dobijamo kada uzimamo da je vrednost jedne slobodne promenljive s 1 a ostalih 0. .. x y + z + 3z t = = = 0 0 0 ima parametarsko reˇenje t = 0. z s c (1. k1 . k1 . + an xn = b . + an xn = b (gde je b ̸= 0!) ne daje reˇenje: (1. . 0. x = −a ili (x. reˇenje (−1. 0) a ∈ R.Linearna Algebra i Analitiˇka Geometrija – 4 – c + ′ a11 r1 ′ + a12 r2 ′ + .. . s Isto vaˇi i za sistem homogenih linearnih jednaˇina: z c a11 x1 a21 x1 .. 3.. 1) za a = 1 b = 0... 0) je reˇenje sistema i dobija se za a = 0 b = 1. .

z = a. + . s s c • Ako sa W oznaˇimo skup svih reˇenja homogenog sistema i ako je r bilo koje reˇenje odgovaraju´eg nehomogenog c s s c sistema tada je r + W = {r + h | h ∈ W } skup svih reˇenja nehomogenog sistema. a2n xn . a1n xn + .. x = −a + 2 ili (x. y. + an xn = 0 • Ako je r′ bilo koje reˇenje nehomogene jednaˇine tada se lako proveri da je r′ − r = h′ reˇenje homogene s c s jednaˇine. t) = (−a + 2... + + ..3. ...... 0) a ∈ R.... −3a + 1. ... s s c • Ako sa W oznaˇimo skup svih reˇenja homogene jednaˇine i ako je r bilo koje reˇenje odgovaraju´e nehomogene c s c s c jednaˇine.. s Primer 1. Zakljuˇujemo: svako reˇenje nehomogene jednaˇine r′ moˇemo napisati kao zbir c c s c z r′ = r + h′ reˇenja r i nekog reˇenja homogene jednaˇine. y = −3a + 1. h2 ... am1 x1 i njemu odgovaraju´i homogeni sistem: c a11 x1 a21 x1 . a. + am2 x2 + . am2 x2 + . s c Isto vaˇi i za sisteme: posmatrajmo sistem z a11 x1 a21 x1 .. z.. + a12 x2 a22 x2 .Linearna Algebra i Analitiˇka Geometrija – 5 – c i neka je h = (h1 . am1 x1 + a12 x2 + a22 x2 . amn xn = = = b1 b2 bm • Ako je r′ bilo koje reˇenje nehomogenog sistema tada je r′ − r = h′ reˇenje homogenog sistema.. amn xn = 0 = 0 = 0 + + .. . x y + z + 3z t = = = 2 1 3 ima parametarsko reˇenje t = 3. tada je c r + W = {r + h | h ∈ W } skup svih reˇenja nehomogene jednaˇine. + .. . + an rn an hn = b = 0 + a2 x2 + . + an (rn + hn ) = b + a2 r2 + a2 h2 + . hn ) reˇenje odgovaraju´e homogene jednaˇine s c c a1 x1 Tada je a1 r1 a1 h1 Sabiranjem dobijamo: a1 (r1 + h1 ) + a2 (r2 + h2 ) + . Svako reˇenje s s s nehomogenog sistema r′ moˇemo napisati kao zbir z r′ = r + h′ reˇenja r i nekog reˇenja homogene jednaˇine. a1n xn a2n xn .. s    x −a + 2  y   −3a + 1     z = a t 3    −1 2   −3   1 =a     1 + 0 0 3      .. + . ... ..

b. s Skup svih reˇenja homogenog sistema je s W = {b (2. 0.Linearna Algebra i Analitiˇka Geometrija – 6 – c Primer 1. 1.. un su njegove komponente ili koordinate. s   x  y     z =b t (1. u2 . vn ) su jednaka ako i samo ako je u1 = v1 . . . 2. am1 x1 + + ... = b1 b2 .. a) a. Gausov postupak c Oznaˇimo sa (S) slede´i sistem jednaˇina: c c c a11 x1 a21 x1 .. u = (u1 . 0) . un ) i v = (v1 . 0... 3. un = vn .. u2 . • Dva vektora u = (u1 . + a12 x2 a22 x2 . x − 2y z + −  t 3t = 1 = 2 ima parametarsko reˇenje t = a. x = 2b − a + 1 ili (x. 1) | a. y... + . 0) + a (−1. 0.. s   2  1     0 +a 0   −1 1  0   0  +  3   2 1 0     1. Lm Elementarne transformacije sistema su: (E1 ) Zamena mesta i-te i j-te jednaˇine: Li ↔ Lj c (E2 ) Na mesto i-te jednaˇine staviti nju pomnoˇenu skalarom k ̸= 0: c z (E2 ) i-tu jednaˇinu zameniti sa Li + a Lj (a ∈ K. Dokaz. 1.   u1  u  s • Vektor u = (u1 .. c a ∈ R je skalar .. b ∈ R.. 3a + 2. . 0. skup reˇenja nehomogenog sistema je W + (1.. y = b. • Gausov postupak. . s (2.46 • Trougaona i stepenasta forma sistema. . 0) je reˇenje nehomogenog sistema.. 0.1. Videti Problem 1. z = 3a + 2. amn xn = = . z. i ̸= j): c ′ k Li → Li Li + a Lj → Li Teorema 1. un ) piˇemo i kao vektor-kolonu  2   . .. 2. 1) su reˇenja homogenog sistema . .. 0. am2 x2 + ... a2n xn . t) = (2b − a + 1.. b ∈ R} ....2 Elementarne transformacije sistema jednaˇina. 0) i (−1.... u2 = v2 . u1 . bm L1 L2 . . c x . Ako se sistem (S) mozhe dobiti iz sistema (S) primenom konachnog niza elementarnih transformacija tada su ta dva sistema ekvivalentna.4. un ) ∈ Rn je vektor (ili taˇka) prostora. svodjenje sistema na stepenastu formu 2 • • • VEKTORI U Rn Rn je n-prostor . . 3. a1n xn + .  un • Ponekad vektor x oznaˇavamo i sa ⃗ .

un ) i v = (v1 . .Linearna Algebra i Analitiˇka Geometrija – 7 – c 2. w ∈ Rn i skalare k... ako je k < 0 onda imamo i promenu smera. • • u i v imaju isti smer ako je k > 0. z • Sabiranje vektora je ’sabiranje vektora poloˇaja po pravilu paralelograma’.... (a) sabiranje vektora: (b) mnoˇenje vektora skalarom (brojem) k ∈ R: z k u = (k u1 . Definiˇemo: u + v = (u1 + v1 . • Nula-vektor je 0 = (0. vn ) vektori prostora Rn .1 Sabiranje vektora i mnoˇenje skalarom z s Neka su u = (u1 . u i v imaju suprotan smer ako je k < 0. . 8. 0). . v. 7. v ∈ Rn i k ̸= 0 skalar takvi da je u = k v onda kaˇemo da u i v imaju isti pravac (u is a z multiple of v). 3 mnoˇenje vektora poloˇaja skalarom k je ’izduˇivanje’ (ili ’skra´ivanje’) po istom pravcu sa z z z c koeficijentom k. 6. k u2 . .. u2 . 3... 2. un + vn ) (∈ Rn ) Definicija 2..1... 1.. 5.4 • Prethodna teorema opisuje Rn kao vektorski prostor u odnosu na sabiranje vektora i mnoˇenje skalarom (videti z Definiciju 4. • −u je (−1) u.. 4. . Videti Problem 2. k ′ ∈ R vaˇi: z (u + v) + w = u + (v + w) u+0=u u + (−u) = 0 u+v =v+u k (u + v) = k u + k v (k + k ′ ) u = k u + k ′ u (k k ′ ) u = k (k ′ u) 1u = u Dokaz. ... Teorema 2. 0. u2 + v2 . v2 .1) • Ako su vektori u. k un ) (∈ Rn ) • Ako je n = 2.1. Za sve vektore u.

. u2 . .. am2 x2 + ..  .. + kn un . kn takvi da vaˇi z v = k1 u1 + k2 u2 + . U suprotnom (ako ne postoje takvi ki -ovi) oni su linearno nezavisni... kn su koeficijenti ove linearne kombinacije. amn xn = = =  b1 b2 bm         a12  a22       .... y.. Sta viˇe: svaki vektor se na jedinstven naˇin s c izraˇava kao linearna kombinacija vektora u1 . Dati su vektori        2 1 1 1 v =  3  u1 =  1  u2 =  1  i u3 =  0  −4 1 0 0  Da li je v linearna kombinacija vektora u1 . u2 i u3 ? Ekvivalentno: da li postoje x. da li sistem x + y x + y x + z = 2 = 3 = −4 ima reˇenje? s ˇ Odgovor je: da... veza sa sistemima linearnih jednaˇina c Definicija 2.. a1n xn a2n xn ... am1 Definicija 2... kn koji nisu svi nule takvi da vaˇi z k1 u1 + k2 u2 + . ... Vektor v je linearna kombinacija vektora u1 . • v je linearna kombinacija vektora u1 .. k1 . z ∈ R takvi da:         2 1 1 1 x  1 +y  1 +z  0 = 3  −4 0 0 1 Ekvivalentno.  + .. ..Linearna Algebra i Analitiˇka Geometrija – 8 – c 2... am1 am2 amn   b1  b2   ˇto oznaˇava da je vektor  s c  .... k2 . + . b1   b2 =   .. un ako postoje skalari k1 . + a12 x2 a22 x2 . un ako i samo ako slede´a ’vektorska jednaˇina’ ima reˇenje: c c s v = x1 u1 + x2 u2 + . ... + xn un .. k2 .2. .. .  amn     a11 a12 a1n  a21   a22   a2n     x1   . u3 je baza vektorskog prostora R3 ) z • Sistem linearnih jednaˇina: c a11 x1 a21 x1 .. Vektori u1 .... am1 x1 je isto ˇto i ’vektorska jednaˇina’ s c  + + .. .3...  linearna kombinacija vektora kolona bm koeficijentima x1 . + xn  .  .. u2 . u2 i u3 (u1 . u2 . u2 ... ...  am2  a1n a2n   sa .2 Linearne kombinacije.. Isti je odgovor i za bilo koji vektor v′ na mestu v.. linearna zavisnost vektora u Rn .xn ..1. .. Primer 2.. . + . . bm   a11  a21     .. + kn un = 0..  + x2  ... k2 . un ∈ Rn su linearno zavisni ako postoje skalari k1 ..

+ u2 n 2 1 (∈ R+ ). Primer 2. ... + am2 x2 + .4. • (1. 1. 1).. 4. • (1. (1.. (a) Vektori u1 . • (1. 0) i (1... Definiˇemo normu vektora u (njegov intenzitet ili duˇinu): s z ∥u∥ = √ u2 + u2 + . vn ) vektori u Rn . 1. . un ) i v = (v1 . v2 . 0... 0. b. 1) su linearno zavisni..3. un ) vektor u Rn .  a2n  su linearno nezavisni ako i samo ako homogeni sistem linearnih   . .  amn a11 x1 a21 x1 . ... Za sve vektore a. 1). 3.. .. u2 . c Za svaki u ̸= 0 postoji taˇno jedan jediniˇni vektor koji ima isti smer kao i u.. 1) su linearno zavisni.. a2n xn . + un vn (∈ R) Naredna teorema opisuje osnovna algebarska svojstva skalarnog proizvoda: z Teorema 2. un ∈ Rn su linearno zavisni ako je jedan od njih nula -vektor. Definicija 2. .. .. (1. 3. 0) i (3. ∥k u∥ = |k| ∥u∥ (|k| je apsolutna vrednost broja k). inner product or scalar product): u · v = u1 v1 + u2 v2 + . + . a1n xn + .. 0) su linearno nezavisni.   .. (1..2. 2. amn xn = 0 = 0 = 0  2.   a11 a12  a21   a22  . • (1. 1) i (1.... ∥u∥ Definicija 2.. 0) su linearno nezavisni. Definiˇemo skalarni proizvod vektora u i v s (dot product... am1 am2 jednaˇina: c    a1n     .3 Norma vektora i skalarni proizvod Neka je u = (u1 . a·b=b·a (−a) · b = −(a · b) (k a) · b = k (a · b) a · a = ∥a∥2 . ... .5. u2 .. u2 .  • Vektori  . . c ∈ Rn vaˇi: 1.. Neka su u = (u1 . (b) Vektori u1 . u ∈ Rn je jediniˇni vektor ako i samo ako je ∥u∥ = 1 . 0) i (2.2.. 1). 1.Linearna Algebra i Analitiˇka Geometrija – 9 – c Teorema 2. 0).. • • • • ∥u∥ = 0 ako i samo ako u = 0. am1 x1 ima netrivijalno reˇenje... To je c c 1 u ∥u∥ (ili u ).. u2 . s + a12 x2 + a22 x2 . (1. un ∈ Rn su linearno zavisni ako i samo ako je jedan od njih linearna kombinacija preostalih. 1.

u2 . c = ∥v∥2 Tada.Shwartz) Za vektore u. 3 sa d(u. . + (un − vn )2 ... c) ˇto je nejednakost trougla za △abc: duˇina stranice ac je manja od zbira duˇina stranica ab i bc s z z .4 Nejednakosti Cauchy-Shwartza i Minkowskog z Teorema 2.. z 2. v2 . v) je definisano uobiˇajeno rastojanje (duˇina duˇi uv). un ) i v = (v1 . c) ≤ d(a. v) = (u1 − v1 )2 + (u2 − v2 )2 + ..4.. (Cauchy.. projekcija c Definicija 2. v ∈ Rn vaˇi |u · v| ≤ ∥u∥ ∥v∥ . imamo at2 + bt + c ≥ 0. b = 2(u · v). ili ekvivalentno tome.. Sto dalje implicira da diskriminanta D = b2 − 4ac ≤ 0. b2 ≤ 4ac. Tako 4 (u · v)2 ≤ 4 ∥u∥2 ∥v∥2 Deljenjem sa 4 dobijamo naˇ rezultat.. c z z Nejednakost Minkowskog za u = a − b i v = b − c daje: d(a.5.5 Rastojanje. v ∈ Rn vaˇi z ∥u + v∥ ≤ ∥u∥ + ∥v∥ . jedino za a · a umesto a2 piˇemo ∥a∥2 : c s (2 a + b) · (3 a − b + 2 c) = 6 a · a − 2 a · b + 4 a · c + 3 b · a − b · b + 2 b · c = = 6 ∥a∥2 + a · b + 4 a · c − ∥b∥2 + 2 b · c ili (a + b) · (a − b) = a · a − a · b + b · a − b · b = ∥a∥2 − ∥b∥2 2. Dokaz: Po Cauchy.Linearna Algebra i Analitiˇka Geometrija – 10 – c 5. (Minkowski) Za vektore u. s Teorema 2. . • Na osnovu prethodne teoreme moˇemo skalarno mnoˇiti dve linearne kombinacije vektora kao da se radi o z z ’obiˇnim brojevima’. . • • • d(u. (a + b) · c = a · c + b · c i a · (b + c) = a · b + a · c Dokaz. Ovo znaˇi da kvadratni polinom ne moˇe da ima dva realna c z ˇ korena. ∥u + v∥2 = (u + v) · (u + v) = (u · u) + 2(u · v) + (v · v) ≤ ∥u∥2 + 2∥u∥ ∥v∥ + ∥v∥2 = (∥u∥ + ∥v∥)2 Kada korenujemo obe strane dobijamo ˇeljenu nejednakost. Dokaz: Za svaki realni broj t imamo 0 ≤ (tu + v) · (tu + v) = t2 (u · u) + 2t(u · v) + (v · v) = ∥u∥2 t2 + 2(u · v)t + ∥v∥2 Neka je a = ∥u∥2 .. ugao izmedju vektora. Rastojanje (distance) izmedju taˇaka (vektora) u = (u1 . za svaku vrednost t. b) + d(b.6. vn ) je: √ d(u. v) = d(v. u) Ako je n = 2.Shwartz-ovoj nejednakosti i drugim svojstvima proizvoda..

v2 . u) = u·v u (= cu) ∥u∥2 6 v cu v − cu u O c= u·v ∥u∥2 je jedinstven skalar takav da je (v − c u) · u = 0 : (v − c u) · u = v · u − c u · u = v · u − c ∥u∥2 = 0 Odavde sledi c = u·v . v2 .. Definicija 2. Definicija 2.... v2 ) taˇke u (ravni) R2 i θ ugao izmedju njih (∠u0v) onda je c u1 v1 + u2 v2 u·v √ cos θ = √ 2 = 2 2 ∥u∥ ∥v∥ u1 + u2 v1 + v2 2 c c (b) Ako su u = (u1 ... .. Ugao izmedju ne-nula vektora u = (u1 . Vektori u.9.. u3 ) i v = (v1 . Definicija 2.8. u2 ) i v = (v1 .. u2 ) θ ∥u∥ 0 Primenimo kosinusnu teoremu na trougao 0uv . v ∈ Rn su ortogonalni (ili normalni) ako je u · v = 0 .. Definiˇemo projekciju vektora v = (v1 . . y 6 v = (v1 . un ) : s proj(v.. ∥u∥ ∥v∥ = 0 imamo da su vektori u Rn (n = 2. u2 . .6.. vn ) na pravac vektora u = (u1 . v3 ) taˇke u (obiˇnom prostoru) R3 i θ ugao izmedju njih (∠u0v) onda je u1 v1 + u2 v2 + u3 v3 u·v √ = cos θ = √ 2 2 + u2 2 + v2 + v2 ∥u∥ ∥v∥ u1 + u2 v1 3 2 3 Dokaz.7. ∥u∥2 . v2 ) ∥v∥ u = (u1 . vn ) θ definiˇemo sa: s cos θ = Primetimo da Cauchy-Shwartzova nejednakost povlaˇi: c −1 ≤ pa postoji ugao θ ∈ [0. (a) Ako su u = (u1 . π) takav da je cos θ = Kako je cos π 2 x u·v ∥u∥ ∥v∥ u·v ≤1 ∥u∥ ∥v∥ u·v . v2 . u2 .. u2 . ... un ) i v = (v1 .. 3) normalni ako i samo ako je njihov skalarni proizvod 0.Linearna Algebra i Analitiˇka Geometrija – 11 – c Teorema 2..

a3 ) i b = (b1 . c) se na jedinstven naˇin piˇe u obliku c s u = a i + b j + ck .7 Vektori u R3 . 0. b2 . 1) je jediniˇni vektor u smeru z-ose. 0. a1 b2 − a2 b1 ) . • j = (0. b. b3 ) je vektor a × b = (a2 b3 − a3 b2 . Definicija 2. 0) je jediniˇni vektor u smeru y-ose. c • k = (0. 0) je jediniˇni vektor u smeru x-ose. c • i. Vektorski proizvod (cross product) vektora a = (a1 . k je ortonormirana baza (to su jediniˇni vektori koji su medjusobno normalni: c i·i=j·j=k·k=1 Svaki vektor u = (a. a × b = (a2 b3 − a3 b2 )i − (a1 b3 − a3 b1 )j + (a1 b2 − a2 b1 )k = = a2 b2 a3 b3 i− a1 b1 i a1 b1 a3 b3 j a2 b2 j+ k a3 b3 a1 b1 a2 b2 k i·j=j·k=k·i=0 a×b= . vektorski i meˇoviti proizvod s c • i = (1.Linearna Algebra i Analitiˇka Geometrija – 12 – c 2.10. 1. j. −a1 b3 + a3 b1 . a2 .6 Povrˇina paralelograma s c s • Raˇunamo povrˇinu P paralelograma (u Rn !) odredjenog vektorima a i b: 6 b ca a·b a ∥a∥2 h = b − ca a 0 Vektor visine je h = b − c a = b − ∥h∥2 = (b − c a) · (b − c a) = ∥b∥2 − 2 c a · b + c2 ∥a∥2 = ( )2 a·b a·b 2 ∥a∥2 = (a · b) + = ∥b∥ − 2 ∥a∥2 ∥a∥2 = ∥b∥2 − 2 (a · b)2 (a · b)2 + = 2 ∥a∥ ∥a∥2 (a · b)2 ∥a∥2 a·a b·a a·b b·b = ∥b∥2 − Kako je P 2 = ∥a∥2 ∥h∥2 dobijamo: P 2 = ∥a∥2 ∥b∥2 − (a · b)2 = 2.

(3) [αa + α′ a′ .. a] = [c. b. Neka je a = (a1 .. b] (2) [a. c] = −[a. b.. 7. c.. c] = a1 b1 c1 a2 b2 c2 a3 b3 c3 . Takodje. a × b = −b × a 3. a2 . b = (b1 . c]. a3 ). a × b je jedinstven vektor koji zadovoljava slede´a tri uslova: c 1. Ortogonalan je i na a i na b ∥a × b∥ je jednak povrˇini paralelograma odredjenog sa a i b s (a. b. Teorema 2.11. c] + [α′ a′ . . Meˇoviti proizvod vektora a. Raˇuna se po formuli: c (a × b) × c = (a · c) b − (a · b) c (i pripada potprostoru generisanom sa b i c). sliˇno za b i c. 5.Linearna Algebra i Analitiˇka Geometrija – 13 – c • Neka je a = (a1 . c3 ). a] = −[b. Dokaz. Osobine meˇovitog proizvoda s (1) [a. b i c. c2 . c) direktno (ili pozitivno) z orijentisana baza ako vaˇi: z a1 a2 a3 b1 b2 b3 >0 c1 c2 c3 Teorema 2. a × b = 0 ako i samo ako su a i b kolinearni. c = (c1 . b. Tada [a. Kaˇemo da je trojka (a.) generisanom sa a i b. b] = −[c. 3. (a × b) × c pripada potprostoru (ravni. b2 . 6. b. b. n. a. b3 ). a × b) je direktno orijentisana baza ukoliko su a i b nekolinearni. c] je po apsolutnoj vrednosti jednak zapremini paralelepipeda odredjenog vektorima a. . b. b i c se definiˇe na slede´i naˇin: [a. b = (b1 . b. 2.. c = (c1 . 2. a × (b + c) = a × b + a × c.. c] = [b. (a + b) × c = a × c + b × c. b2 . a3 ). Dokaz. a. b3 ). b. a2 . c (4) Ako je m = α1 a + α2 b + α3 c. s s c c Definicija 2.7. b. p] = α1 β1 γ1 α2 β2 γ2 α3 β3 γ3 [a. . [a. c]. c] = [αa. c] = (a × b) · c. a × (k b) = (k a) × b = k (a × b) 4. Osobine vektorskog proizvoda 1. c3 ). pravi. b. b. c. c] • Dvostruki vektorski proizvod je (a × b) × c.. n = β1 a + β2 b + β3 c i p = γ1 a + γ2 b + γ3 c tada je: [m. c2 .8. (α1 a + β1 b) × (α2 a + β2 b) = α1 α2 β1 β2 (a × b).

z0 ) i normalna je na vektor n = (k1 . k2 . Prava u Rn koja sadrˇi taˇku A(a1 .. z − z0 ) · (k1 . −2). a2 . Slede´i primer daje geometrijsku motivaciju za prethodnu definiciju. . xn = an + kn t gde t ∈ R. k2 . . . k2 ..... 1. x2 . k2 .. Zapisujemo je i u obliku. k3 ) = 0 Jednaˇina ravni koja sadrˇi taˇku A(x0 . c c z c 6 n A Taˇka X(x.8 Prave i hiper-ravni u Rn − − → • Neka su A(a1 . k2 . kn ) (̸= c z c 0).. x2 − a2 xn − an x1 − a1 = = .. Ravan (u R3 ) je odredjena jednom svojom taˇkom i vektorom normale.. .3. bn ) taˇke (vektori) u Rn .13..12... = (= t) k1 k2 kn • Vektor pravca prave nije jedinstveno odredjen pravom: ako je vp vektor pravca prave p onda je to i bilo koji vektor kolinearan sa njim. c c s c npr. x1 = a1 + k1 t. c Odredi´emo jednaˇinu ravni α koja sadrˇi taˇku A(x0 .. n = (k1 . k3 ) je: c z c k1 (x − x0 ) + k2 (y − y0 ) + k3 (z − z0 ) = 0 Ako oznaˇimo c b = k1 x − 0 + k2 y − 0 + k3 z0 imamo jednaˇinu ravni α: c k1 x + k2 y + k3 z = b Primer 2. an ) i ima pravac (paralelna je) vektora v = (k1 . • Vektor normale nije jedinstven... bn − an ) Definicija 2. c Iz jednaˇine odmah vidimo jedan vektor normale nα = (2. a2 . .. y0 . ali svaka dva su kolinearna. a2 . c .. + kn xn = b . z0 ) i normalna je na vektor n = (k1 .. y0 .. t ∈ R je parametarska jednaˇina prave koja sadrˇi taˇku A(a1 . • v je vektor pravca prave . k2 .. −5 vp ... b2 .. x2 = a2 + k2 t. 1). a taˇka ravni je bilo koje reˇenje ove jednaˇine. . Neka je ravan α data jednaˇinom 2 x + 3 y − 2 z = 5. kn ) je njen vektor normale. k3 ) ̸= 0. xn = an + kn t ... xn ) koje zadovoljavaju: c x1 = a1 + k1 t... x2 = a2 + k2 t. y.. y − y0 . na primer 2 vp .. kn ) je skup svih z c taˇaka X(x1 . b2 − a2 .. .Linearna Algebra i Analitiˇka Geometrija – 14 – c 2. AB identifikujemo sa vektorom c B − A = (b1 − a1 .... Hiper-ravan je skup svih taˇaka prostora Rn koje zadovoljavaju nedegenerisanu linearnu jednaˇinu c c k1 x1 + k2 x2 + .4. Jednaˇina ravni se transformiˇe u: c s 2 (x − 2) + 3 (y − 1) − 2 (z − 1) = 0 −→ − ˇto oznaˇava da taˇka X(x. an ) i B(b1 . 3.... A(2. s c c Definicija 2. z) pripada ravni ako i samo ako AX · n = 0 . . . z) pripada ravni α ako i samo ako je c −→ − AX · n = 0 :X α (x − x0 . an ) i ima pravac vektora v = (k1 . y. 3 vp . Primer 2.. Geometrijska motivacija za prethodnu definiciju dolazi iz R3 . . .

Odredimo jednaˇinu prave p koja sadrˇi taˇku A(x0 . y − y0 .6. gde je c = pa: ∥vp ∥2 −− −→ (vp · m)2 ∥M Mp ∥2 = ∥(m − c vp )∥2 = ∥m∥2 − ∥vp ∥2 • U R2 i R3 postoji alternativni naˇin raˇunanja rastojanja taˇke od prave.7 kada c c c −→ − smo raˇunali visinu paralelograma: Oznaˇimo AM sa m: c c M 6 m A c vp Mp vp −− −→ m · vp M Mp = m − c vp . z0 ) i ima pravac vektora vp = (k1 . 3. Rastojanje taˇke M od prave p c c c c z c c s c odredjene taˇkom A ∈ p i vektorom pravca vp moˇemo izraˇunati koriste´i vektorski proizvod (povrˇinu): Oznaˇimo c −→ − AM sa m: M 6 m A Mp p vp m − c vp p . z − z0 ) = t (k1 . k3 ) vp Odavde dobijamo parametarsku jednaˇinu prave.5. x = x0 + k0 t y = y0 + k1 t c p : Primer 2. • Ugao izmedju dve prave je ugao izmedju njihovih vektora pravaca (definisan je iako se prave moˇda i ne seku). raˇunamo kao u delu 2.Linearna Algebra i Analitiˇka Geometrija – 15 – c Primer 2. 1. Neka je data prava p : x − x0 y − y0 z − z0 = = k1 k2 k3 x−3 y−1 z+1 = = 2 3 −3 (= t) z = z0 + k3 t koju zapisujemo i (= t) Iz ove jednaˇine odmah proˇitamo njen vektor pravca vp = (2. −1) c c c • Dve prave su paralelne ako i samo ako su im vektori pravaca kolinearni. k3 ) c z c AY 1X p O Taˇka X(x. y.9 Rastojanje taˇke od prave u Rn c Rastojanje taˇke M od prave p (u Rn ) odredjene taˇkom A ∈ p i vektorom pravca vp . z) pripada pravi p c −→ − ako i samo ako postoji t ∈ R takav da je AX = t vp (x − x0 . k2 . k2 . z 2. y0 . −3) i jednu njenu taˇku A(3.

−→ − Primeti da je ⃗ ̸= ⃗ kako su taˇke nekolinearne. npr. Dalje. 2. 0. 2). vp = (−3. c3 ). pa je brojno jednaka povrˇini paralelograma z s podeljenoj duˇinom njegove stranice vp : z −− −→ ∥m × vp ∥ ∥M Mp ∥ = ∥vp ∥ 2. vp je ma koji vektor normalan na np . c c Vektor pravca prave p moˇemo odrediti na dva naˇina: z c 1. B(b1 .9. z) pripada ravni akko AX · n = 0 akko: n 0 c c x − a1 b1 − a1 c1 − a1 y − a2 b2 − a2 c2 − a2 z − a3 b3 − a3 c3 − a3 = 0. 2) − − → 2. • Iz prethodnog sledi da se dve ravni α i β seku akko nα × nβ ̸= 0. c Primer 2. Taˇka A(1. −8. 1) pripada pravi p. Vektor pravca prave q je baˇ np pa je jednaˇina s c q: x−2 y−7 = 3 −2 ili q 3 x + 2 y = 20. −2) Jednaˇina ravni koja sadrˇi taˇku A(1. B(3.10 Prava u ravni Imamo dve vrste jednaˇina prave u R2 . a3 ). 0. Da odredimo jednaˇinu preseˇne prave te dve c c ravni treba na´ jednu taˇku preseka i vektor pravca prave. −5). Prvo c c c z c nadjemo vektor normale na ravan. b2 . treba na´i samo vektor normale. a to je AB × AC. 2. Jednaˇina ravni koja sadrˇi taˇke A(1. −8.Linearna Algebra i Analitiˇka Geometrija – 16 – c −− −→ ∥M Mp ∥ je duˇina visine paralelograma odredjenog vektorima m i vp . Neka je p : 2 x + 3 y = 5 Iz jednaˇine odmah imamo vektor normale prave p: np = (2. C moˇemo na´i na slede´i naˇin: kako ravan odredjuju c z c z c c c − − → − → taˇka i vektor normale. pa moˇemo uzeti z vp = nα × nβ . 2) i normalna je na vektor n = (7. B. −1) × (2.11 Poloˇaj ravni u R3 z • Jednaˇine ravni koja sadrˇi 3 date nekolinearne taˇke A. c c Primer 2. 3).7. 5). 1. b3 ) i C(c1 . taˇka X(x. c Primer 2. • Dve ravni α i β su paralelne ako i samo ako su im vektori normala kolinearni. Nadjemo vektor normale: c z c − − → − → n = AB × AC = (2. Odrediti jednaˇinu prave q koja sadrˇi taˇku M (2. hiper-ravan u R2 (odredjenu taˇkom i vektorom normale). 1. 7) i normalna je na pravu p : 3 x − 2 y = 4 c z c Imamo vektor normale prave p: np = (3. −3) pripada pravi p pa je njen vektor pravca i AB = (10. Vektor pravca je normalan na svaki od vektora normala c c ravni. −2). c 2. −2) je: c z c 7 (x − 1) − 8 y − 2 (z − 2) = 0 • Na´i ´emo jednaˇinu ravni koja sadrˇi (nekolinearne) taˇke A(a1 . npr − − → − → n = AB × AC = ⃗ i b1 − a1 c1 − a1 ⃗ j b2 − a2 c2 − a2 ⃗ k b3 − a3 c3 − a3 . pravu u Rn (odredjenu taˇkom i vektorom pravca). 3) = i 2 2 j 2 1 k −1 3 = (7. y. a2 . Moˇemo je posmatrati kao: c z 1. Taˇka B(7.8. Ekvivalentno: povrˇina paralelos grama odredjenog sa ta dva vektora je 0 (ili nα × nβ = 0). 2. 1) i C(2. c2 .

rastojanje raˇunamo po formuli: c α −− −→ −→ − |(M − A) · n| d(M. vp . ekvivalentno vp × vq = 0. −8. vq nedegenerisan (zapremina − − → mu nije nula): [AB. • Kada su p i q mimoilazne? Neka je p data taˇkom A i vektorom pravca vp a q taˇkom B i vektorom pravca vq . i neka je ravan α zadata taˇkom B i vektorom normale nα . α) = |AM1 | = |proj (AM . ili se seku) ako i samo ako [AB. c c q vq : B  - A vp p − − → Primetimo da su prave mimoilazne ako i samo ako je paralelepiped odredjen sa AB. vq ] ̸= 0 − − → • Sliˇno: prave su u istoj ravni (paralelne su. Jednaˇina preseˇne prave ravni c c α : 2x + 2y − z = 1 i j 2 2 2 1 k −1 3 i β : 2x + y + 3z = 5. 1). q) = − − → [AB. n)| = ∥n∥2 2. 0. −2) npr. n) 6 M M 1  n A Prema tome. vp . A(1. ugao izmedju prave i ravni z Neka je prava p zadata taˇkom A i vektorom pravca vp .Linearna Algebra i Analitiˇka Geometrija – 17 – c Primer 2. vp = nα × nβ = = (7. vq ] = 0 c • Rastojanje izmedju mimoilaznih pravih p i q (sa gornje slike) je jednako visini paralelepipeda.12 Medjusobni poloˇaj pravih u R3 z • Prave p i q su paralelne akko su im vektori pravaca kolinearni. Primetimo da je povrˇina osnove paralelepipeda paralelogram odredjen sa vp i vq pa imamo: s d(p. c c .10. vp . vq ] |vp × vq | 2.13 Medjusobni poloˇaj prave i ravni. Preseˇna taˇka je bilo koje reˇenje sistema 2x + 2y − z = 1 c c s p : 2x + y + 3z = 5 (= t) x−1 y z−1 = = 7 −8 −2 • Neka je ravan α data taˇkom A i vektorom normale n. Rastojanje taˇke M od ravni α je duˇina duˇi AM1 . vp . c c z z −− −→ −→ − Primetimo AM1 = proj (AM .

.  vm  • Vektor i-te vrste je vi = (ai1 .1. ili formata m × n... (size. columns) ˇija su polja popunjena c elementima skupa K:       a11 a21 a31 .n = (u1 u2 . zbog ϕ + θ = 900 . a3n . 1 ≤ j ≤ n)) . un )  ..n   a1j  a  • Vektor j-te kolone je uj =  2j . shape) nad poljem K je pravougaona tablica koja se sastoji od m vrsta (horizontalnih redova. • Matrice (aij )m. am1 a12 a22 a32 . imamo: 3 MATRICE Definicija 3. ..Linearna Algebra i Analitiˇka Geometrija – 18 – c − − → • p pripada ravni α akko A ∈ α (ekvivalentno AB ⊥ nα ) i vp ⊥ nα : − − → AB · nα = 0 i vp × n α = 0 • p je paralelna ravni (ali joj ne pripada) α akko A ∈ α i vp ⊥ nα : / − − → AB · nα ̸= 0 i vp × n α = 0 • Iz prethodna dva sledi da p seˇe ravan α akko vp × nα ̸= 0 c • Ugao izmedju prave p i ravni α je (po definiciji) ugao θ izmedju p i njene ortogonalne projekcije na ravan α (oznaˇimo projekciju sa p′ ). amn    ..  v1  v  = 2   . am3 . Matrica tipa m × n. (aij )m..... am2 a13 a23 a33 ... a1n .n ili samo sa (aij ) .. (aij )m.n′ su jednake akko imaju isti tip (m = m′ i n = n′ ) i svi parovi odgovaraju´ih c elemenata su jednaki (aij = bij za 1 ≤ i ≤ m .. .  amj . ain ) . rows) i n kolona (vertikalnih redova. ..n i (bij )m′ . ai2 ..   Ovu matricu skra´eno obeleˇavamo sa (aij )m.. c p 6 n ϕ θ Ako je ϕ ugao izmedju vektora vp i n tada je: cos ϕ = sin θ =  vp p′ α vp · n ∥n∥2 vp · n ∥n∥2 pa. a2n . c z • Koristi se i oznaka [aij ] ...

n .1 Sabiranje i mnoˇenje matrica skalarom.1.n = (k aij )m.2 Mnoˇenje matrica z  b1  b  B =  2 . Za sve matrice A. C ∈ Mm. . an ) Definiˇemo: s A · B = a1 b1 + a2 b2 + .1).. (A + B) + C = A + (B + C) A+0=A A + (−A) = 0 A+B =B+A k1 (A + B) = k1 A + k1 B (k1 + k2 ) A = k1 A + k2 A (k1 k2 ) A = k1 (k2 A) 1A = A Dokaz. 8.. na primer: c 2 (3 A − 4B) + 3(B + 2 A) = 6 A − 8 B + 3 B + 6 A = 12 A − 5 B 3. 7. c • Aksiome vektorskog prostora dozvoljavaju uobiˇajeno linearno kombinovanje.n = (aij + bij )m.  bn  Neka je A = (a1 a2 .. • Ove osobine znaˇhe da je Mm.n ( ili samo sa 0). z • Skup svih m × n matrica nad poljem K se oznaˇava sa Mm. 4. oznaˇavamo je sa 0m. . 5...Linearna Algebra i Analitiˇka Geometrija – 19 – c 3.  .. B. k2 ∈ K vaˇi: z 1. c Teorema 3.n + (bij )m.n .. z • Matrice mnoˇimo skalarom k po pravilu: k (aij )m. 6. • Nula-matrica tipa m × n ima sve elemente 0. U rezultatu dobijamo skalar (ili 1 × 1 matricu).n (K) vektorski prostor nad poljem K (videti Definiciju 4.n (K).. c • Sabiramo samo matrice istog formata (aij )m. 2. 3.n (K) i skalare k1 . + an bn Ovo je skalarni proizvod vektora vrste (ili 1 × n matrice) i vektora kolone (ili n × 1 matrice).

.. a1k a11 b1 + a12 b2 + . =    . A2 · Bn AB =   .. + aik bkj ais bsj ...  B = B B ... . 0) + 9(1.. 2) + 8(−2. 4..... −1) = (14.. .. B Am Definiˇemo proizvod A · B (koji je matrica tipa m × n) na slede´i naˇin: s c c  A1 · B1 A1 · B2 . C takvi da su izrazi definisani: c z c 1.2.  .. −1) 4(3.  6 3  1 7 = 0 1 ] [ 2·3+1·7+6·1 13 = 3·3+5·7+4·1 23 6 4 ]  Primer 3. A (B + C) = A B + A C (B + C) A = B A + C A k (A B) = (k A) B = A (k B) .1.. 2) 7(3. 0) + 3(1. 2.2.. [ 2 1 3 5 [ 2·6+1·1+6·0 3·6+5·1+4·0 19 48 ] . (desna distributivnost).  am1 am2 . 5) Teorema 3.. 2) + 5(−2.. −1) = (8. a2k     a21 b1 + a22 b2 + .. −1) = (2.     1 2 3 b1 b1  4 5 6   b2  =  4b1 7 8 9 b3 7b1   1 2 3 3  4 5 6   −2 7 8 9 1 + + + 2b2 5b2 8b2  + 3b3 + 6b3  + 9b3     Konkretno:    2 2 −1 0 = 8 2  −1 14 5 1(3. • Ukoliko matricu B predstavimo preko vektora vrsta      b1 a11 a12 . z   A1  A2  ( 1 2 ) n  A=  .. Am · Bn • A B = (cij )m. Slede´a tvrdjenja vaˇe pretpostavljaju´i da su formati matrica A. 3... Am · B1 Am · B2 . + amk bk bk Primer 3. (A B) C = A (B C) (asocijativnost). gde je k skalar. Neka je A matrica tipa m × k i B matrica tipa k × n (vektori vrsta matrice A i vektori kolona matrice B imaju istu duˇinu k). + a2k bk   . B.2.... 2) + 2(−2..  . (leva distributivnost).n ili: cij = ∑k s=1     gde je cij = ai1 b1j + ai2 b3j + .Linearna Algebra i Analitiˇka Geometrija – 20 – c Definicija 3. + a1k bk  b2   a21 a22 . 0) + 6(1.. . . amk am1 b1 + am2 b2 + . A1 · Bn  A2 · B1 A2 · B2 ... ..

..Linearna Algebra i Analitiˇka Geometrija – 21 – c • Mnoˇenje matrica nije komutativno: z ( ( 2 3 −1 2 1 0 4 3 )( 1 4 0 3 ) = ) = ( ( 14 9 7 6 2 5 3 18 ) ) )( 2 3 −1 2 ili:  3 2  nije definisan 0  1  0  c Definicija 3. =   .   . a2n xn ... Jediniˇna matrica reda n.... amn xn  b1 b2   .. veza izmedju skupa reˇenja sistema i c c s skupa reˇenja pridruˇenog homogenog sistema s z Sistem linearnih jednaˇina c a11 x1 a21 x1 .0  . 0 . am1 x1 + + ... 1  0 1 . u oznaci In . a2n    .. a1n  x2    . 0 • Ako je A matrica tipa m × n onda je: Im A = A In = A • Ako je red jediniˇne matrice jasan iz konteksta pishemo samo I. + a12 x2 a22 x2 ..  bm Matrica A je matrica sistema (coefficient matrx).3 Matriˇni zapis sistema linearnih jednaˇina. am2 x2 + ..  . .. 0 3.. . c  ( 2 3  −1 2  4 0  ( ) 2 1 0  −1 4 3 4  1 4 0 3 )  14 9 = 7 6  4 0 !!!  . amn xn = = = b1 b2 bm moˇemo zapisati u matriˇnoj formi A X = B: z c  a11  a21   .. Sistem 2x + 3y −x + 2y moˇemo zapisati u matriˇnoj formi A X = B: z c ( 2 3 5 −1 2 4 )   ( ) x −1  y = 5 z + 5z + 4z = −1 = 5 . ....3. 0   ...3. am2     x1 .... Primer 3.. je n × n matrica:  .. a1n xn + . + . am1 a12 a22 ..

Au2 = 0... . a11 a12 . a .  ...... 53   ... + kn 0 = 0 Teorema 3. .   .  a  . za bilo koje W c U narednoj teoremi bitno je da je polje K beskonaˇno: c Teorema 3.. . + kn un ) = k1 Au1 + k2 Au2 + . . za bilo koje k ∈ K. Sistem 2x −x moˇemo zapisati u matriˇnoj formi A X = 0: z c ( 2 −1 + 3y + 2y ) + 5z + 4z  = 0 = 0 3 5 2 4  ( ) x 0  y = 0 z s Teorema 3.. a23 a24 . .. .. s s c Predpostavimo da u i v razliˇita reˇenja AX = B.. ... da ih onda ima beskonaˇno mnogo. . ili ima c s c s beskonaˇno mnogo reˇenja .4. a63 a64 . ako je A = (aij )6...5.. c s A [u + k(u − v)] = Au + k(Au − Av) = B + k(B − B) = B Drugim reˇima.. . Sliˇno.. a15 a16  . a65 a66 . Otuda: A(k1 u1 + k2 u2 + ...4. . zakljuˇujemo da AX = B ima c c c beskonaˇan broj reˇenja.Linearna Algebra i Analitiˇka Geometrija – 22 – c Primer 3.3. . Aun = 0... Prime´ujemo da teorema ima geometrijsku interpretaciju u R3 . . . ... a44 .. Onda. a34 . a36   11  33 35 A21 A22 A23  A= = . a . a25 a26     .... Na primer....4 Blok matrice Blok matrice dobijamo deljenjem matrice horizontalnim i vertikalnim linijama na matrice manjeg formata (podmatrice). . a A31 A32 A33  a41 a42 . Onda je.21).. . za bilo koje k ∈ K. .. + kl ul takodje reˇenje sistema. a a31 a32 .. a46  43 45   . ili ima taˇno jedno reˇenje.. a61 a62 .    .   . . Posebno. A A12 A13   .. .   . Pretpostavimo da je u0 jedno reˇenje sistema A X = B i neka je W skup svih reˇenja (vektor kolona) s s odgovaraju´eg homogenog sistema A X = 0... onda je i Au = B i Av = b. s Dokaz: Kako je U = u0 + W dobijeno dodavanjem u0 svakom elementu W . . . Kako su za razliˇite k-ove ova reˇenja c s c s medjusobno razliˇita (videti Problem 3. predpostavimo da je W linija koja prolazi c kroz poˇetak O. .. Tada je c u0 + W = {u0 + w | w ∈ W } skup svih reˇenja nehomogenog sistema. U = u0 + W linija koja je paralelna W dobijena dodavanjem v0 c s svakom elementu W . u + k(u − v) je reˇenje za AX = B. . . Pretpostavimo da su u1 . ul reˇenja homogenog sistema A X = 0 (ui je vektor-kolona) . .. a54 .. a55 a56  . + kn Aun = k1 0 + k2 0 + ..  .. .    . c s 3. . Tada je svaka linearna kombinacija k1 u1 + k2 u2 + . u2 . s Dokaz: Dato nam je: Au1 = 0. Svaki sistem linearnih jednaˇina A X = B ili nema reˇenja.6 moˇemo je deliti na blok matrice na viˇe naˇina: z s c   . i kako imamo beskonaˇno mnogo k-ova... c s Dokaz: Dovoljno je pokazati da ako AX = B ima viˇe od jednog reˇenja. . a13 a14 .  21 a22 . a  a51 a52 .       .. .. kao ˇto se vidi sa slike. . .

. 0  . Ann   . . a42 a52 a62 .. .. ... a51 a61 a12 a22 a32 a42 .. .. .. . . . A2n   i B=  . . . E je 4 × 1. 0   . . a41 a51 a61 a12 a22 a32 . . . . . a45 a55 a65 a16   a26    a36  (  A′  11 ..  0 • Trougaona blok matrica je blok matrica oblika  A11  0   . .  . .. . .. a13 a23 a33 .. . ....... . . ...  0   0   . .   4 gde su svi blokovi Aii kvadratne matrice (mogu´e razliˇitih c c kvadratni i mogu biti razliˇitih tipova.. . a43 a53 a63 a14 a24 a34 .... a55 a65 .. . . Bm2  .  a15 a25 a35 . .  ... ..j su tipa 3 × 2          A=        a11 a21 a31 a41 . .. .. . . Am2 3 5 . . . Am1  A12 A22 . .Linearna Algebra i Analitiˇka Geometrija – 23 – c Matrice Ai..  = A′  21   a46   a56   a66 A′ 12 A′ 22 A′ 13 A′ 23 ) D G E H ) C je tipa 4 × 2. . .. ... a53 a63 a14 a24 a34 a44 . B1n . A1n .. . G je 2 × 3 i H je tipa 2 × 1 . .. . . . . .  . .. ... . 0 A12 A22 .. . . .    a26    a36  (  C  a46  = F    ... . . a54 a64 a15 a25 a35 a45 .   a56   a66 a16 a11 a21 a31 . .. Primetimo da blokovi 0 ne moraju biti . . . B2n   . . Na primer: c  2 ( )   A11 0  = 1 0 A22  . A2n   .. a52 a62 .... . . . ... . D je 4 × 3.j su tipa 2 × 2          A=        Matrice A′ i. Amn Bm1 B12 B22 ... • Ako su blok-matrice A11  A21 A=  .. . . a13 a23 a33 a43 .. . . . a44 a54 a64 . . .. . . .. Ann formata). F je 2 × 2. . 0 gde su svi blokovi Aii kvadratne matrice. .... .. . . .. . .. . 0 0  .. . . .. . . . A1n B11  B21 . 0 . . Bmn ..  . . • Dijagonalna blok matrica je blok matrica oblika  A11 0  0 A22   . . .. .

.. • Ako je A vektor vrsta (1 × n matrica) tada je AT vektor kolona (n × 1 matrica).   .. Amn k Am1 k A12 k A22 . Bpr Primer 3. Amn + Bmn •  .  . Aij i Bij su istog tipa za sve i....... vaˇi i obrnuto. Cq1 ( ) ... Am1  A12 A22 .. . z .. .. j) tada je A11 + B11  A21 + B21 A+B =  .. .. k Am2  A12 + B12 A22 + B22 . ... Aqp B11  B21 B=  ...  .. Cq2  ..  amn Transponovanu matricu matrice A. B1r .. A2n + B2n    . .. k Amn • Ako su blok-matrice A11  A21 A=  .m ..... Cqr )  A12 A22 .... A1n k A11 .. .. Bp2  .. B2r   . a11 a12 a13 . Aq1 takve da je svaki (matriˇni) zbir c Cij = Ai1 B1j + Ai2 B2j + . A2p   ...  ... Bp1  B12 B22 . ..5 Transponovanje matrice A piˇemo kao kolone matrice AT : s  am1 am2   am3   .j.5. k A2n    . Am1 + Bm1 A11  A21 k  .. . + Ain Bnj definisan.. ..   .. . a2n     =  a13 a23 .... u oznaci AT . k A1n .. .n matrica tipa m × n tada je AT matrica tipa n × m i AT = (aji )n.... A1n + B1n ..  a21 a22 a23 .... A2n   k A21 = ... Neka je  0  0   2 1 0 0 3 4 2 1 0 0 A=  3 2 3 4  1 4  0  0 0 0 0 0 2 3 1 4 2 1 2 1  3 ( )( ) 4  0 A A A = 3  A 0 0 A 4  0 0 ( )  0 0 0A + A0 0A + AA = =  7 18 AA + 0 AA + 0A 6 19 7 18 6 19 7 6 7 6  18 19   18  19 3..  ... Aq2  ... tada je C11  C21 AB =   . . amn a1n a2n . C1r . • Ako je A = (aij )m.. Am2   . A1p . .. ..Linearna Algebra i Analitiˇka Geometrija – 24 – c istog ‘tipa’ (t.  . am1 am2 am3 .. Am2 + Bm2  . a1n  a12 a22 .. dobijamo tako ˇto vrste matrice s   T a11 a21 . C2r   ... Tada je A A = (  C12 C22 .

6 Kvadratne matrice Kvadratne matrice su one koje imaju isti broj vrsta i kolona (t. 2. Ako A.. 3.6. Ako k ∈ K i A ∈ Mn (K) tada k A ∈ Mn (K). 4. A B ∈ Mn (K)..2 za sve A... C ∈ Mn (K) i k ∈ K vaˇi: z 1. z • Induktivno definiˇemo stepen kvadratne matrice: s A0 = I. • Vaˇe osobine iz Teoreme 3. mnoˇenje i mnoˇenje skalarima: z z 1.. B.j.2 Primer 3. A1 = A. tip im je oblika n × n). An+1 = An A • Opˇtije. (A + B)T = AT + B T (AT )T = A (k A)T = k AT (A B)T = B T AT . primetimo da tada on ima sve osobine pobrojane u teoremama 3. z • Matrice A. • Skup Mn (K) je zatvoren za sabiranje. za svaki polinom p(t) = an tn + an−1 tn−1 .1 za Mn (K) (ˇini vektorski prostor nad poljem K). 5.6. A B + A C + A2 = A(A + B + C) (izvlaˇenje ‘levog’ A) c B A + C A + A2 = (B + C + A)A (izvlaˇenje ‘desnog’ A) c (A + B)(C + D) = A C + A D + B C + B D (A + B)2 = (A + B)(A + B) = A2 + A B + B A + B 2 A B + C A ̸= A(B + C) (mnoˇenje nije komutativno) . 2. 3.1 i 3. 1. Pretpostavljaju´i da su matrice takvih formata da su izrazi definisani vaˇi: c z 1. 4. . B ∈ Mn (K) tada i A + B. 2. 3..Linearna Algebra i Analitiˇka Geometrija – 25 – c Teorema 3. 2. B reda n komutiraju ako vaˇi A B = B A . Vektorski prostor u kome je definisana i operacija mnoˇenja vektora koja zadovoljava ove uslove naziva se algebra..n (K)) oznaˇava skup svih kvadratnih matrica reda n nad poljem z c K. z • Za skup A ⊆ Mn (R) kaˇemo da je algebra matrica ukoliko je zatvoren za sabiranje. (A B) C = A (B C) A (B + C) = A B + A C (B + C) A = B A + C A k (A B) = (k A) B = A (k B) gde je k skalar. 4. za matrice tipa n × n kaˇemo i da su matrice reda n . mnoˇenje i mnoˇenje z z z skalarima. + a1 t + a0 definiˇemo matriˇni polinom: s s c p(A) = an An + an−1 An−1 . A2 = A A. Mn (K) (umesto Mn. + a1 A + a0 I . z c • Prema Teoremi 3. 3.

7 Elementarne transformacije vrsta matrice. 1. ako B moˇe biti dobijena iz A z primenom niza elementarnih transformacija vrsta. Svaka matrica je ekvivalentna jedinstvenoj kanonskoj matrici istog formata... Kasnije ´emo dokazati jaˇe tvrdjenje od prethodnog : s c c Teorema 3.11 • Glavna dijagonala kvadratne matrice (main diagonal) ide iz gornjeg levog u donji desni ugao. • Matrice istog formata A i B su ekvivalentne (po vrstama).10 3. Ako je k skalar i A. elementarne matrice Elementarne transformacije vrsta matrice su: (E1 ) Zamena mesta dve vrste . + ann Teorema 3. 2.10.8. vi → k vi z (E3 ) Dodavanje i-toj vrsti k puta j-ta vrsta (i ̸= j!).9..7. 2. (f + g)(A) = f (A) + g(A) (f g)(A) = f (A) g(A) f (A) g(A) = g(A) f (A).n je skalar definisan kao suma elemenata glavne dijagonale: tr(A) = a11 + a22 + . Kanonske matrice su stepenaste matrice sa jedinicama na prvom ne-nula mestu u svakoj vrsti. ann • tr(A). . 3.Linearna Algebra i Analitiˇka Geometrija – 26 – c Teorema 3. ili trag kvadratne matrice (trace) A = (aij )n. a u koloni svake takve jedinice moraju se nalaziti joˇ samo nule. . Dokaz. 3.. Ako su f (t) i g(t) polinomi tada je: 1. Dokaz. (2) vi → 1 k vi je inverzna za vi → k vi . vi → vi + k vj • Svaka od ovih operacija ima inverznu operaciju istog tipa: (1) vi ↔ vj je inverzna sama sebi . Videti Problem 4. ona sadrˇi elemente z a11 a22 . u zapisu A ∼v B.. B ∈ Mn (R) tada vaˇi: z tr(A + B) = tr(A) + tr(B) tr(k A) = k tr(A) tr(A B) = tr(B A) Dokaz.. • ∼v je relacija ekvivalencije (na skupu matrica fiksiranog tipa): (1) A ∼v A (2) A ∼v B povlaˇi B ∼v A c (3) A ∼v B i B ∼v C povlaˇi A ∼v C c Teorema 3. 1 k (3) vi → vi − vj je inverzna za vi → vi + k vj . Videti Problem 4. Svaka matrica je ekvivalentna stepenastoj matrici istog formata. vi ↔ vj (E2 ) Mnoˇenje jedne vrste skalarom k ̸= 0 .

Primenom operacije e na matricu A (koja ima m vrsta) dobijamo matricu e(I) A . Kvadratna matrica A je inverzibilna (invertible or nonsingular) ako postoji matrica B istog tipa takva da je AB = B A = I • Ako je A inverzibilna tada postoji taˇno jedna matrica koja zadovoljava gornji uslov.7. A ∼v B ako i samo ako postoji matrica P koja je proizvod elementarnih matrica takva da je A = P B Dokaz. Neka je e elementarna transformacija vrsta i neka je e(Im ) njena odgovaraju´a elementarna matrica. • Ako su A i B inverzibilne tada je i A B inverzibilna i vaˇi: z (A B)−1 = B −1 A−1 Opˇtije: s (A1 A2 .Linearna Algebra i Analitiˇka Geometrija – 27 – c Neka e oznaˇava elementarnu transformaciju matrice (neku od (E1 ). Takve matrice su elementarne matrice koje odgovaraju el. c 1. Prethodno tvrdjenje na primeru 3 × 3 matrica:  1 (1) e je ‘zameni mesta druge i tre´e vrste’ : e(I) =  0 c 0   1 0 0 a1 a2 a3  0 0 1   b1 b2 b3 0 1 0 c1 c2 c3  1 0 0 (2) e je ‘pomnoˇi drugu vrstu sa k’ : e(I) =  0 k 0 z 0 0 1  1  0 0 0 k 0  0 a1 0   b1 1 c1 a2 b2 c2  0 1 : 0  a1  =  c1 b1  0 0 1   :  a3 kb3  c3 a2 c2 b2  a3 c3  b3   a3 a1 b3  =  kb1 c3 c1  a2 kb2 c2 (3) e je ‘dodati drugoj vrsti k  1 0  0 1 0 0 0 k 1  1 0 0 puta tre´a’: e(I) =  0 1 k : c 0 0 1    a1 a2 a3 a1 a2   b1 b2 b3  =  b1 + kc1 b2 + kc2 c1 c2 c3 c1 c2  a3 b3 + kc3  c3 Teorema 3. (E3 )) i neka je e(I) matrica dobijena pric menom operacije e na jediniˇnu matricu I.8 Inverzna matrica Definicija 3. • Svaka elementarna operacija na vrstama matrice je mnoˇenje odgovaraju´om elementarnom matricom s’ leva.A−1 A−1 n 2 1 • Ako A ima nula-vrstu onda nije inverzibilna. z c Primer 3..transformacijama c vrsta. (E2 )..An )−1 = A−1 . 2. 3.4. zovemo je inverzna matrica matrice c A (ili inverz od A) i obeleˇavamo sa A−1 : z A A−1 = A−1 A = I • Ako je B inverz za A onda je A inverz za B ((A−1 )−1 = A).11... .

Dokaz: Predpostavimo B ∼v A.. Neka je A kvadratna matrica reda n. pa se B moze dobiti iz A elementarnim transformacijama vrsta ˇto znaˇi B ∼v A.En . P je proizvod elementarnih matrica. Kako je A = (En . .) = Es . Ali ako B ̸= I. Teorema 3. E2 .. Odavde sledi da (2) implicira (3).. Tada postoji inverzibilna P takva da je B = P A... Neka je A ∼v B . E2 . Dokaz. onda A = E1 E2 . Ako je A ∼v B i B ima nula-vrstu onda A nije inverzibilna.. trans. onda postoje elementarne matrice E1 .1. To znaˇi da postoje elementarne matrice E1 . B ∼v A ako i samo ako postoji inverzibilna matrica P takva da je B = P A .E1 A = P A gde je P = En .. • Proizvod elementarnih matrica je inverzibilna matrica. Kako su A i svaka c elementarna matrica inverzibilne. takve da E1 .14. ali B = P A nije inverzibilna. zbog njihovog proizvoda i A z je inverzibilna. E2 . . . Ako (3) vaˇi.. odakle sledi da B nije inverzibilna. Em takvih da je Em Em−1 . (2) A ∼v I ili: primenom niza elementarnih transformacija vrsta matricu A moˇemo svesti na jediniˇnu. teorema je dokazana.. B = en (. Tada su slede´a tvrdjenja ekvivalentna: c (1) A je inverzibilna... vrsta). E1 )−1 = E1 . En z −1 −1 −1 takve da E1 . En A = I.Linearna Algebra i Analitiˇka Geometrija – 28 – c )( ) ( )( 2 5 3 −5 3 −5 2 = 1 3 −1 2 −1 2 1 ( )−1 ( ) ( )−1 ( 2 5 3 −5 3 −5 = i = 1 3 −1 2 −1 2 ( ) = I ) Primer 3. z c B = A−1 (3) A je proizvod elementarnih matrica (koje odgovaraju el.. Znaˇi: c 5 3 2 5 1 3 • Ako je A inverzibilna i B takva da vaˇi B A = I (ili A B = I) tada je B = A−1 : z B A = I pomnoˇimo s’ desna sa A−1 : z B A A−1 = I A−1 B I = A−1 • Elementarne matrice su inverzibilne. det(A) ..12..12. . Ali Ei je isto elementarna matrica. En A = B. • A ∼v B ako i samo ako postoji niz elementarnih matrica E1 . E1 A = B Teorema 3.. Dokaz: Predpostavimo da je A inverzibilna i predpostavimo da je A ekvivalentna matrici B koja je u kanonskoj formi.En . Prema tome..8.. Ako je A inverzibilna onda je i P A inverzibilna. Ei je inverzibilna matrica.... onda B ima nula-vrstu. Prema tome A nije inverzibilna.. ... Tako da B = I pa (1) implicira (2). a odatle sledi da (3) implicira (1). En ..... tj... s c Posledica 3. Ako (2) vaˇi. Ako je A B = I tada je i B A = I (prema tome A−1 = B) Dokaz Teorema 3. Znaˇi: ako (kvadratnu) matricu A moˇemo elementarnim transformacijama vrsta svesti na matricu sa nula-vrstom c z tada A nije inverzibilna! • Vide´emo kasnije i drugi naˇin ispitivanja postojanja i izraˇunavanja inverzne matrice: dokaza´emo da je A c c c c 1 −1 inverzibilna ako i samo ako je det(A) ̸= 0 i u tom sluˇaju je A = c adj(A)..E1 inverzibilna matrica. Prema Teoremi 3.13. .(e1 (A)). B je takodje inverzibilna.. E2 ...

Korak 4.. 1 0 2 . ako stepenasta forma ima nula-vrstu u A-bloku STOP (A nije inverzibilna). .E1 ) A−1 ) = Algoritam za izraˇunavanje A−1 c Korak 1.9 Izraˇunavanje inverzne matrice elementarnim transformacijama vrsta c Teorema 3. 0 1 .  ∼v .1: ako A ∼v B i B ima nula-vrstu tada A nije inverzibilna! s ( Primer 3..E1 A ( = I Em . E2 E1 AA−1 = IA−1 Em . Elementarnim transformacijama produˇiti svodjenje do kanonske forme: ona je oblika (I B). E2 . Neka je A =   1 3  ∼v ( Prema tome A−1 = −5 2 3 −1  1 0 ) 2 1 1 2 3 5 )  .j. E2 E1 A = I Pomnoˇimo s’ desna sa A−1 : z Em . 5 . . z A−1 = B. 1 0 2 . Korak 2. . t. . Em ) ( ) A I ( ) E1 A E1 I ( ) E2 E1 A E2 E1 ( .. . ima nule ispod glavne dijagonale).. Tada postoji niz elementarnih matrica takvih da je Em . . Neka je A z z c inverzibilna reda n. Formirati n × 2n blok matricu M = (A I) . −1 .  0  ∼v −1 . .9..   1 0 0 1  .  ∼v . 1 ..12 (1) ⇔ (2) kaˇe: A je inverzibilna ako i samo ako se moˇe svesti na jediniˇnu matricu... E2 E1 = A−1 Strategija izraˇunavanja A−1 : (I) Formiramo blok matricu c ( A I ) (II) Svodimo je na kanonsku formu (t. .  . . Objaˇnjenje STOP u koraku 2 je zbog Posledice 3... −5 2 .. 3 −1 . −3 1 . 3 ..... na I) elemetarnim transformacijama vrsta (mnoˇenjem s’leva elementarnim z matricama E1 .j. Korak 3. Em .Linearna Algebra i Analitiˇka Geometrija – 29 – c 3. Elementarnim transformacijama vrsta svesti matricu M na stepenastu formu (i tada je A-blok gornjetrougaon.   1 0  .

. Dobili smo nula-vrstu: STOP! A nije inverzibilna. . −4 . .  . . ... 2  . .11. −2 1 0  ∼v  −1 .  .. −2 1 0  ∼v  . 1 0 0 0 2 .. −1 −1 .   . .   1   0  0     ∼v    1   0  0 0 2 0 −1 1  ..     ∼v    1   0  0 0 −1 1  .   1   0  0 nema nula-vrste u A-bloku pa   1 0   0 −1  0 0 produˇavamo: z 2 −1 −1  . −2 1 0  ∼v  −1 . 1 0 0 . b2n . . −6 1 1 . . 0 1 0 . −4 0 1 . −11 2 1 . 6  1   1   −1 −1  1 0 2 Primer 3. Neka je A =  2 −1 3  4 1 8   1   2  4 0 2 −1 3 1 8 ... . 3. −6 1 1 0 −1 .. −11 .   . . am2 .  . 1 0 0 . . −2 1 0  .  . −6 1 1 . . .. . b1n .Linearna Algebra i Analitiˇka Geometrija – 30 – c  1 0 2 Primer 3.10 Elementarne transformacije kolona  a11  a21   . 0 0 1 . 4 0 −1  ∼v  . bkn       Posmatrajmo proizvod . .. b3n .  .. . 0 0 . . −2 1 0   −1 −1 ..  . Neka je A =  2 −1 3  4 1 9   1   2  4 0 2 −1 3 1 9 . . . . 1 0 0 .  . . bk2 . . 0 . 1 . 2   . 1 0 0 . .  . 1 0 0 .10. . −6 1 1 .  . .   1 0 0   0 1 0  −11 Prema tome A−1 =  −4 6  2 1 0 1  −1 −1   0 0   1 0   0 −1  0 0 2 0 0 0 −1  .. bk1 b12 b22 b32 . a2k    .. amk   b11 b21 b31 .   . . . . . . . 0 0 1 . . .. a1k  . 0 1 0 . −4 0 1 1 .. 1 0 0 .. am1 a12 a22 . ..

ki ↔ kj (F2 ) Mnoˇenje jedne kolone skalarom k ̸= 0 . + bk1 Ak . Elementarne matrice koje odgovaraju operacijama na kolonama 3 × 3 matrica   1 0 0 (1) Zamena mesta druge i tre´e kolone: f (I) =  0 0 1 : c 0 1 0      a1 a2 a3 1 0 0 a1 a3 a2  b1 b2 b3   0 0 1  =  b1 b3 b2  c1 c2 c3 0 1 0 c1 c3 c2 1 0 (2) Mnoˇenje druge kolone sa k: f (I) =  0 k z 0 0  a1  b1 c1 a2 b2 c2   0 0  : 1   0 a1 0  =  b1 1 c1 ka2 kb2 kc2  a3 b3  c3  a3 1 0 b3   0 k c3 0 0 .... Neka f oznaˇava elementarnu transformaciju kolona matrice (neku od F1 . b2n   ( 1 ) A A2 . Takve matrice su elementarne matrice koje odgovaraju el. F2 . am1 b11 + am2 b21 + . . bkn ( ) = b11 A1 + b21 A2 + . Ak  b31 b32 ....   b11 b12 .. b1n  b21 b22 . (2) ki → 1 k ki je inverzna za ki → k ki .. (3) ki → ki − k kj je inverzna za ki → ki + k kj . F3 ) i neka je f (I) matrica dobijena pric menom operacije f na jediniˇnu matricu I... ki → k ki z (F3 ) Dodavanje i-toj koloni k puta j-ta kolona (i ̸= j!).   .. + a2n bn1   =   ..  am1 am2 amk ( 1 ) 2 k A . + bk1  2k  = b11 A1 + b21 A2 + .   .. A predstavljena preko vektora kolona gde je A = A • Ukoliko matricu A predstavimo preko vektora kolona tada je mnoˇenje matricom B (s’ desna) delovanje njenih z kolona na kolone matrice A..... + a1n bn1  a21 b11 + a22 b21 + . b1n A1 + b2n A2 + .......transformacijama c kolona. . + bkn Ak  Elementarne transformacije kolona matrice su: (F1 ) Zamena mesta dve kolone . ki → ki + k kj • Svaka od ovih operacija ima inverznu operaciju istog tipa: (1) ki ↔ kj je inverzna sama sebi ..Linearna Algebra i Analitiˇka Geometrija – 31 – c Prva kolona u proizvodu je  a11 b11 + a12 b21 + ... Svaka elementarna operacija je mnoˇenje odgovaraju´om elementarnom matricom s’ desna z c Primer 3. ....  bk1 bk2 .12. b3n  =    . + bk1 Ak  . + amn bn1       a11 a12 a1k  a   a   a  b11  21  + b21  22  + ..........

• Podsetimo: B je ekvivalentna po vrstama sa A (moˇe se dobiti transformacijama vrsta) ako i samo ako postoji z inverzibilna matrica P takva da je B = P A . ( Teorema 3. trans. (r je rang matrice A) Ir 0 0 0 ) gde je Ir jediniˇna c . z • Ekvivalentnost je relacija ekvivalencije. • B je ekvivalentna sa A ako i samo ako postoje inverzibilne matrice P i Q takve da je B = P A Q. B je ekvivalentna (po kolonama) sa A ako i samo ako postoji inverzibilna matrica Q takva da je B = AQ . Tada je f (A) = A F . koriste´i osbine transponovanja. 3.15. Svaka m × n matrica je ekvivalentna taˇno jednoj blok matrici oblika c r × r matrica. Teorema 3.17.16. Vaˇi: c z f moˇemo primeniti na bilo koju matricu A na slede´i naˇin: z c c T (1) prebacimo kolone u vrste: A → A (2) izvrˇimo e: AT → e(AT ) s (3) vratimo vrste u kolone: e(AT ) → (e(AT ))T f (A) = (e(AT ))T Kako je f (A) = A F i e(AT ) = E AT . kolona i e odgovaraju´a transformacija vrsta.Linearna Algebra i Analitiˇka Geometrija – 32 – c  1 0 0 e(I) =  0 1 0 : 0 k 1    1 0 0 a1   0 1 0  =  b1 0 k 1 c1  (3) Dodati drugoj koloni k puta tre´a: c  a1  b1 c1 a2 b2 c2 a3 b3 c3 a2 + ka3 b2 + kb3 c2 + kc3  a3 b3  c3 Teorema 3.11 Ekvivalentnost matrica Matrice A i B su ekvivalentne ako se A primenom el. Neka je f elementarna transformacija kolona i F njena odgovaraju´a matrica. c • Matrica operacije f : dodati drugoj koloni k puta tre´a c  1 0 F = 0 1 0 k Matrica operacije e: dodati drugoj vrsti k puta tre´a c   0 0  1  0 k  1 F = ET 1 E= 0 0 0 1 0 • Neka je f bilo koja el. imamo: c AF = (EAT )T Za A = I imamo: F = E T AF = (AT )T E T AF = AE T • Matrica B je ekvivalentna (po kolonama) (column equivalent) matrici A ako B moˇemo dobiti uzastopnom z primenom elementarnih transformacija kolona. transformacija vrsta i kolona moˇe svesti na B.

Linearna Algebra i Analitiˇka Geometrija – 33 – c

Dokaz: Dokaz se sastoji iz sledeceg algoritma: Korak 1. Korak 2. Matricu A svedemo na kanonsku formu, sa vode´im ne nula ˇlanovima a1j1 , a2j2 , ..., amjm . c c Zamenimo C1 i C1j1 , zamenimo C2 i C2j2 ,..., i zamenimo Cm i Cjn . Ovo daje matricu u formi ( ) ,

Ir 0

B 0

sa vode´im ne nula ˇlnom a1 1 , a2 2 , ..., am m . c c c Korak 3. Iskoristiti operacije nad kolonama, sa aii kao pivotima, da bi zamenili ˇlan u B sa nulom, npr. za i = 1, 2, ..., r i j = r + 1, r + 2, ..., n, primeniti operacije −bij Ci + Cj → Cj . Konacna matrica treba da izgleda ( ) Ir 0 . 0 0

3.12

Smena promenljivih (promena koodinatnog sistema), sliˇne matrice c

Neka je xi = pi1 y1 + pi2 y2 + ... + pin yn i = 1, 2, ..., n linearna smena promenljivih. Ona je inverzibilna ako je matrica P = (pij )n,n inverzibilna. X = P Y ako i samo ako Y = P −1 X (X je vektor kolona (x1 x2 ... xn )T a Y = (y1 y2 ... yn )T ) Geometrijsko tumaˇenje linearne inverzibilne smene: promena koordinatnog sistema. c ( ) 2 3 i j-koordinatni sistem u R2 i neka je P = . Definiˇemo s 1 2 ( gde je X = sistemu): ) ( p : R2 −→ R2 sa p(X) = P X vektor kolona . Neka je p(X) = Y (Y su koordinate taˇke p(X) u standardnom koordinatnom c Posmatrajmo standardan

x1 x2

)( ) ( ) ( ( )) 2 3 x1 y1 2x1 + 3x2 = = 1 2 x2 y2 x1 + 2x2 ( )( ( ) ( )) 2 3 1 0 x1 + x2 = 1 2 0 1 ( )( ) ( )( ) 2 3 1 2 3 0 = x1 + x2 1 2 0 1 2 1 ( ) ( ) 2 3 p(X) = x1 + x2 = x1 r + x2 s 1 2 ( ) ( ) 2 3 gde su r = = p(i) i s = = p(j) vektori koji odredjuju ‘novi koordinatni sistem’ u ravni (slika ...) (r s1 2 koordinatni sistem): svaki (vektor) taˇka se moˇe na jedinstven naˇin napisati kao linearna kombinacija a1 r + a2 s; c z c u tom sluˇaju kaˇemo da su (a1 , a2 ) koordinate te taˇke u r, s-koordinatnom sistemu. c z c p(X) = • Svaku kvadratnu matricu P moˇemo posmatrati i kao uvodjenje novog koordinatnog sistema. z • Gornji raˇun pokazuje da taˇka X u standardnom ima iste koordinate kao taˇka Y = p(X) u novom koordinatnom c c c sistemu. Znaˇi: ako imamo koordinate taˇke u novom sistemu taˇke X, njene koordinate u starom sistemu raˇunamo c c c c po formuli Y = P X. • Svaka taˇka ravni ima koordinate (y1 , y2 ) u odnosu na standardni koordinatni sistem i (x1 , x2 ) u odnosu na c ‘novi’. Kako izraˇunati (y1 , y2 ) preko (x1 , x2 ): c ( ) ( )( ) y1 2 3 x1 = ili Y = P X y2 1 2 x2 • Kako izraˇunati (x1 , x2 ) preko (y1 , y2 ) : c ( ) ( )−1 ( ) x1 2 3 y1 = x2 1 2 y2

Linearna Algebra i Analitiˇka Geometrija – 34 – c ( ) = ( )( ) ili

x1 x2

2 −1

−3 2

y1 y2

Y = P −1 X

• Sliˇno vaˇi i u Rn ! c z Neka je P inverzibilna matrica kojom uvodimo novi koordinatni sistem: p : Rn −→ Rn p(X) = P X gde je matrica A

• Neka je preslikavanje (zvano linearni operator) f : Rn −→ Rn dato sa f (X) = A X inverzibilna (naravno da je ovo sve u starim koordinatama kako raˇunamo f (X)). c

• Kako izraˇunati f (Z) preko Z u novim koordinatama (ili za date nove koordinate taˇke Z, kojom formulom c c izraˇunavamo f (Z) u novim koordinatama): c (1) izraˇunamo stare koordinate taˇke Z (to je P Z) c c (2) pomnoˇimo stare koordinate s’leva matricom A, dobili smo stare koordinate taˇke f (Z) (rezultat je A P Z) z c (3) Pomnoˇimo s’leva matricom P −1 da dobijemo nove koordinate taˇke f (Z). Rezultat je: z c f (Z) = (P −1 AP )Z

Definicija 3.5. Matrice A i B su sliˇne ako i samo ako postoji matrica P takva da je B = P −1 A P . c

3.13

Specijalni tipovi kvadratnih matrica

1. Dijagonalne matrice Kvadratna matrica je dijagonalna ako su joj svi elementi van glavne dijagonale jednaki nuli. Dijagonalnu matricu (aij ) reda n oznaˇavamo sa diag(a11 , a22 , ..., ann ). c   ( ) 3 0 0 2 0 = diag(2, 3)  0 0 0  = diag(3, 0, −9) 0 3 0 0 −9 Skup svih dijagonalnih matrica reda n ˇini algebru matrica (zatvoren je za sabiranje, mnoˇenje i mnoˇenje c z z skalarom); svake dijagonalne matrice istog reda komutiraju pa je to komutativna algebra matrica. 2. Trougaone matrice Kvadratna matrica je gornje trougaona ili samo trougaona (upper triangular or triangular) ako su joj svi elementi ispod glavne dijagonale nule; na primer:     2 1 2 5 ( ) 3 0 3   a11 a12  i  0 0 6 0  ,  0 6 34  0 0 0 7  0 a22 0 0 4 0 0 0 6 • Skup svih gornje trougaonih matrica reda n ˇini algebru matrica (zatvoren je za sabiranje, mnoˇenje i mnoˇenje c z z skalarom) .

Teorema 3.18. Neka su A = (aij ) i B = (bij ) gornje trougaone matrice reda n. 1. 2. 3. A + B je trougaona sa dijagonalom (a11 + b11 , ..., ann + bnn ) ; k A je trougaona sa dijagonalom (ka11 , ka22 , ..., kann ) ; A B je trougaona sa dijagonalom (a11 b11 , a22 b22 , ..., ann bnn ) ;

Linearna Algebra i Analitiˇka Geometrija – 35 – c

4. 5.

Za svaki polinom f (x) matrica f (A) je trougaona sa dijagonalom (f (a11 ), f (a22 ), ..., f (ann )) ; A je inverzibilna ako i samo ako je svaki dijagonalni element aii razliˇit od nule . c

Dokaz ... • Donje trougaona (lower triangular) matrica je kvadratna matrica koja ima sve elemente iznad glavne dijagonale jednake nuli. Za njih vaˇi analog Teoreme 3.18. z 3. Simetriˇne matrice Kvadratna matrica A c glavnu dijagonalu: aij = aji .    ... 3 1 ( ) 0 4 −1  3 ... 7 1 0 ,  4 3 2 ,   1 7 ... 0 −3 −1 2 0 0 5 9 = (aij ) je simetriˇna ako je AT = A; simetrija je u odnosu na c  0 5   (... je bilo ˇta). s 9  ...

• Skup svih simetriˇnih matrica reda n je zatvoren za sabiranje i mnoˇenje skalarom ali nije za mnoˇenje: c z z ( 1 2 2 3 )( 4 5 5 6 ) = ( 14 17 23 28 )

Matrica A = (aij ) je koso-simetriˇna ako vaˇi AT = −A; ekvivalentno aij = −aji . c z dijagonali moraju biti nule zbog aii = −aii . Teorema 3.19. Neka je A (bilo koja) kvadratna matrica reda n. Tada: 1. 2. 3. A + AT je simetriˇna; c A − AT je koso simetriˇna; c

Elementi na glavnoj

A se moˇe napisati u obliku A = B + C gde je B simetriˇna a C koso simetriˇna matrica. z c c

4. Ortogonalne matrice

Kvadratna matrica A reda n je ortogonalna ako vaˇi z A AT = AT A = I

• Ortogonalna matrica A je inverzibilna i vaˇi A−1 = AT . z  Primer 3.13.  A= 
1 9 4 9 8 9 8 9 −4 9 1 9

−4 9
4 9

 − 7  je ortogonalna: 9 

a1 Matrica  b1 c1

a2 b2 c2

 a3 b3  je ortogonalna c3  a1 a2  b1 b2 c1 c2

ako i samo ako:  a3 a1 b3   a2 c3 a3 b1 b2 b3   c1 1 0 c2  =  0 1 c3 0 0  0 0  1

ˇto je ekvivalentno sa : s a2 + a2 + a2 = 1 1 2 3 b1 a1 + b2 a2 + b3 a3 = 0 c1 a1 + c2 a2 + c3 a3 = 0 a1 b1 + a2 b2 + a3 b3 = 0 b2 + b2 + b2 = 1 1 2 3 c1 b1 + c2 b2 + c3 b3 = 0 a1 c1 + a2 c2 + a3 c3 = 0 b1 c1 + b2 c2 + b3 c3 = 0 c2 + c2 + c2 = 1 1 2 3

Linearna Algebra i Analitiˇka Geometrija – 36 – c

Oznaˇimo vektore vrsta a = (a1 , a2 , a3 ) b = (b1 , b2 , b3 ) a = (c1 , c2 , c3 ) c a·a=1 b·a=0 c·a=0 a·b=0 b·b=1 c·b=0 a·c=0 b·c=0 c·c=1

Ovo znaˇi da je {a, b, c} ortonormirani skup vektora (t.j. da je to skup jediniˇnih vektora koji su medjusobno c c normalni). c Teorema 3.20. Neka je A kvadratna matrica reda n. Slede´a tvrdjenja su ekvivalentna: (1) A je ortogonalna matrica; (2) Vektori vrsta matrice A ˇine ortonormirani skup vektora; c (3) Vektori kolona matrice A ˇine ortonormirani skup vektora. c ( Teorema 3.21. Ortogonalna 2 × 2 matrica ima oblik cos θ − sin θ sin θ cos θ )

5. Normalne matrice A AT = AT A .

Kvadratna matrica A je normalna ako komutira sa svojom transponovanom matricom:

• Dijagonalne, simetriˇne, koso simetriˇne i ortogonalne matrice su normalne. Postoje normalne matrice koje c c nisu ni u jednoj od ovih klasa, na primer ( )( ) ( )( ) ( ) 6 −3 6 3 45 0 6 3 6 −3 = = 3 6 −3 6 0 45 −3 6 3 6 Teorema 3.22. Svaka normalna 2 × 2 matrica je ili skalarna matrica ili je zbir skalarne i koso simetriˇne matrice. c

4

VEKTORSKI PROSTORI

Definicija 4.1. Neka je K polje (obiˇno je K = R) i V neprazan skup na kome su definisane operacije sabiranja i c mnoˇenja skalarom. V je vektorski prostor nad poljem K ukoliko su zadovoljene slede´e aksiome: z c (A1 ) Za sve u, v, w ∈ V vaˇi z (u + v) + w = u + (v + w) (A2 ) Postoji 0 ∈ V tako da za sve u ∈ V vaˇi: z u+0=u (A3 ) Za svaki u ∈ V postoji -u ∈ V takav da u + (-u) = 0 (A4 ) Za sve u, v ∈ V u+v =v+u (M1 ) Za sve u, v ∈ V i sve k ∈ K k (u + v) = k u + k v (M2 ) Za sve u ∈ V i sve k, k ′ ∈ K (M3 ) Za sve u ∈ V i sve k, k ′ ∈ K (M4 ) Za sve u ∈ V 1u = u (k + k ′ ) u = k u + k ′ u (k k ′ ) u = k (k ′ u)

Linearna Algebra i Analitiˇka Geometrija – 37 – c

• •

(A1 ) − (A4 ) se odnose iskljuˇivo na sabiranje (addition): (V, +) je komutativna grupa. c Elemente skupa V nazivamo vektorima, vektor v ∈ V oznaˇavamo i sa ⃗ ; elementi polja su skalari ili brojevi, c v obiˇno je K = R. c Sve ukupno, ovo su ‘aksiome za linearno kombinovanje’. Za sve vektore u, v, w ∈ Rn i skalare k, k ′ ∈ R vaˇi: z k0 = 0 . 0u = 0 .

Teorema 4.1. 1. 2. 3. 4.

Za sve k ∈ K : Za sve u ∈ V :

Ako je k u = 0 tada je u = 0 ili k = 0. Za sve k ∈ K i u ∈ V : (−k) u = k (-u) = -(ku)

Dokaz: 1. Prema aksiomi (A2 ), sa u = 0, imamo 0 + 0 = 0. Otuda iz aksiome (M1 ), k 0 = k (0 + 0) = k 0 + k 0 Dodavanjem −(k 0) na obe strane dobijamo trazeni rezultat. 2. U polju vaˇi: 0 + 0 = 0; otuda po aksiomi (M2 ), z 0 u = (0 + 0) u = 0 u + 0 u Dodavanjem −(0u) na obe strane dobijamo ˇeljeni rezultat. z 3. Predpostavimo da je k u = 0 i k ̸= 0. Onda postoji skalari k −1 takav da je k −1 k = 1; otuda u = 1 u = (k −1 k) u = k −1 (k u) = k −1 0 = 0 4. Koriste´i deo 1. ove teoreme i (A3) u + (−u) = 0 i imamo c 0 = k 0 = k (u + (−u)) = k u + k (−u) Dodavanjem −(k u) na obe strane dobijamo −(k u) = k (−u). Dalje, koriste´i k + (−k) = 0 i 2., imamo c

0 = 0 u = (k + (−k)) u = k u + (−k) u Dodavanjem −(k u) na obe strane dolazimo do −(k u) = (−k) u. Odatle (−k) u = k (−u) = −(k u)

4.1

Primeri vektorskih prostora

1. Prostor Rn Rn je skup svih n-torki realnih brojeva (vektora) koje se sabiraju po pravilu u + v = (u1 + v1 , u2 + v2 , ..., un + vn ) (∈ Rn ) i mnoˇe skalarom po pravilu: mnoˇenje vektora skalarom (brojem) k ∈ R: z z k u = (k u1 , k u2 , ..., k un ) (∈ Rn ) 0 vektor je (0, 0, ..., 0) dok je -(u1 , ..., un ) = (−u1 , ..., −un ). 2. Prostor matrica Mm,n

. b i vektore u. W = {(x..1.. Prostor polinoma P(t) Neka je P(t) skup svih polinoma a0 + a1 t + . 5.. Videti Problem 5. 2.1.2 Potprostori Neka je V vektorski prostor i W ⊂ V .n (R) je vektorski prostor nad R u odnosu na uobiˇajeno sabiranje matrica i mnoˇenje matrice skalarom.5 Primer 4. v ∈ W vaˇi z Dokaz.. 0 vektor je konstantni polinom 0 i z -(a0 + a1 t + . y. . + an tn n = 0. simetriˇne. Prava ili ravan koja sadrˇi koordinatni poˇetak je potprostor prostora R3 . Mm.. Dokaz. 3. P(t) je vektorski prostor u odnosu na uobiˇajeno sabiranje c c polinoma i mnoˇenje polinoma skalarom (brojem). y ∈ R} je potprostor prostora R3 Skup svih (gornje) trougaonih matrica reda n je potprostor od Mn. c dijagonalne. 2.Linearna Algebra i Analitiˇka Geometrija – 38 – c Mm. − an tn 4. 0∈W W je zatvoren za sabiranje vektora: ako u.. .4 Posledica 4. W je potprostor prostora V ako i samo ako vaˇe slede´i uslovi: z c 1. Videti Problem 5. c z 3.n (isto i za donje trougaone. 3. z Teorema 4.) Skup svih polinoma stepena ≤ n je potprostor prostora P(t).. Primeri potprostora 1.n (R) je skup svih m × n matrica (elementi su realni brojevi). z c . 0 je nula-matrica a -A je −A. W je zatvoren za mnoˇenje vektora skalarom: z ako v ∈ W tada k v ∈ W za svaki skalar k. 2. gde su koeficijenti iz nekog polja K (obiˇno K = R). + an tn ) je − a0 − a1 t − .. 0 i V su potprostori prostora V . W je potprostor prostora V ako i samo ako je W vektorski prostor u odnosu na sabiranje i mnoˇenje skalarom. 1. W je potprostor prostora V ako i samo ako 1. Prostor funkcija F(X) Neka je X proizvoljan skup i neka je F(X) skup svih funkcija f : X −→ R . 0) | x. v ∈ W tada i u + v ∈ W . Definiˇemo zbir f-ja (+) i mnoˇenje s z f-je skalarom na ‘prirodan’ naˇin: c (f+g)(x) = f(x) + g(x) (k f)(x) = k f(x) 0-funkcija je definisana 0(x) = 0 za sve x ∈ X dok je (-f)(x) = −f(x) 4.2. 0∈W i au + bv ∈ W Za sve skalare a.. 4. Neka je V vektorski prostor i W ⊂ V ..

• v1 .) 4. vn : c s u = a1 v1 + a2 v2 + . Vektori v1 . s Dokaz . v2 . + an vn = 0 . vn ) Drugim reˇima v1 . oni su linearno nezavisni (linearly independent).. svaki nadskup linearno zavisnog skupa je linearno zavisan. t. v2 . v su linearno zavisna ako i samo ako je jedan od njih jednak drugom pomnoˇen nekim skalarom: z u = k v ili v = k u .. • Skup reˇenja nehomogenog sistema A X = B gde je B ̸= 0 nije potprostor od Rn poˇto ne sadrˇi 0.... a2 .. (2) span(S) je najmanji potprostor prostora V koji sadrˇi S: z ako je W potprostor prostora V i S ⊆ W tada je span(S) ⊆ W .. .. Skup reˇenja homogenog sistema A X = 0 po n promenljivih je potprostor od Rn . vn su linearno zavisni (linearly dependent) ukoliko postoje skalari a1 . Vektor koji se moˇe napisati u obliku z a1 v1 + a2 v2 + . j generiˇu R2 .... • Dva vektora u.. . 2. s Vektori i.3. v2 .. vn generiˇu V ako i samo ako je svaki u ∈ V linearna kombinacija vektora v1 ..5. . Neka je V vektorski prostor. + an vn Primer 4. vn generiˇu prostor V (generate or span) ako je s V = span(v1 .... v2 ..4 Linearna zavisnost Definicija 4. . 1. c • Ako su dva od vektora v1 . • Jedan ne-nula vektor ˇini linearno nezavisan skup.Linearna Algebra i Analitiˇka Geometrija – 39 – c Teorema 4. .. 3. + an vn je linearna kombinacija vektora v1 . t2 .4. . v2 .. Vektori v1 . Neka je S ⊂ V .... . . s Dokaz . v2 ...2. s P(t) = span(1.... (1) span(S) je potprostor prostora V . v2 . vn (linear span) i oznaˇava se sa c span(v1 . an koji nisu svi jednaki nuli tako da a1 v1 + a2 v2 + .. vn ) Teorema 4..... . vn su linearno zavisni ako je 0 medju njima.. U suprotnom. .. v2 . v2 . Presek (viˇe) potprostora je potprostor. t3 . .. j. .. vn ∈ V .3 Linearne kombinacije Neka je V vektorski prostor i v1 .. v2 .2. Skup svih takvih linearnih kombinacija je linearni omotaˇ ili lineal c skupa v1 ... . s s z 4.. vn jednaka onda su linearno zavisni.. vn .. k generiˇu R3 . Teorema 4. Vektori i... v2 .. • Svaki podskup linearno nezavisnog skupa je linearno nezavisan...

−1. v1 . • Prethodne dve definicije su ekvivalentne (za dokaz videti Problem 5. Primer 4. ak−1 takvi da a1 v1 + a2 v2 + .5. vn . vn linearno zavisni. (1) Rn . v2 .3. vn je linearno nezavisan. 1) su linearno zavisni: 3 (2. vn je baza (basis) prostora V ako vaˇi: z (1) v1 . 2. Tada je jedan od njih linearna kombinacija prethodnih: postoji k ≤ n i a1 . 1) − (4... c Dokaz. 1). 1.. + an vn 1 (a1 . . −2) = (0. 3.6.4....3. −3. 0) 6x 2x + 5y 3x − 3y 4x + y = = + 7z = − 2z = 0 0 0 0 Reˇavanjem dobijamo x = y = z = 0 pa su vektori linearno nezavisni.Linearna Algebra i Analitiˇka Geometrija – 40 – c Primer 4.5 Baza i dimenzija Definicija 4. z Teorema 4.. Svi ne-nula vektori vrsta matrice u stepenastoj formi ˇine linearno nezavisan skup. 4) + y (0. −1... v2 . a2 . 2. s • Iz prethodna dva primera zakljuˇujemo da se ispitivanje linearne zavisnosti konkretnog skupa vektora u Rn c svodi na ispitivanje postojanja netrivijalnog reˇenja homogenog sistema linearnih jednaˇina. . v2 . 2....36 • U prostoru R3 : (a) Dva vektora su linearno zavisna ako i samo ako pripadaju istoj pravi koja sadrˇi i 0. .. + ak−1 vk−1 = vk .2 (R) zato ˇto se svaka matrica na jedinstven c s 0 0 0 0 1 0 0 1 naˇin predstavlja kao linearna kombinacija: c ( ) ( ) ( ) ( ) ( ) a b 1 0 0 1 0 0 0 0 =a +b +c +d c d 0 0 0 0 1 0 0 1 .37 4. v2 .1. vn ) = V. 0) Primer 4.. Tada je e1 . 1) − 2(1.. . Definicija 4. 1) + z (0. 0. 7. Pretpostavimo da su ne-nula vektori v1 . 3... 1) i (0.. Ispitujemo da li su vektori (6. . 1. s c Lema 4. .30) • Prema Definiciji 4.. 0. Videti Problem 5. 7... v2 ... 2(1.. −2) linearno zavisni: da li postoje x... 5. Dokaz. vn je baza ako i samo ako se svaki vektor prostora V na jedinstven naˇin predstavlja c kao linearna kombinacija vektora v1 .. i (2) span(v1 .. . 0. . en baza za ) ( ) ( ) ( ) 1 0 0 1 0 0 0 0 i ˇine bazu M2.. 0. ( (2) Neka je ei ∈ Rn vektor kome je i-ta koordinata 1 a ostale su nule. 4). −3.4 svaki vektor v se na jedinstven naˇin piˇe u obliku: c s v = a1 v1 + a2 v2 + . z (b) Tri vektora su linearno zavisna ako i samo ako pripadaju istoj ravni koja sadrˇi i 0. v1 . (0. z koji nisu svi jednaki nuli takvi da je: x (6.4.. 5. 1) = (0. Videti Problem 5. .. 1) i (4. v2 . y. Vektori (2. vn . an ) su koordinate vektora v u odnosu na bazu v1 . 2. 0.. v2 .. .. e2 .

0. c Lema 4.39 Teorema 4.6.. z c (4) dim(W ) = 3 ako i samo ako je W = R3 .8(3). 1. Neka je dim(V ) = n.vektori w1 . (0.. w2 . 1) ˇine stepenastu matricu..10. Neka je V konaˇno dimenzioni vektorski prostor i neka je S njegov linearno nezavisan podskup. Videti Problem 5..8. 1). Svake dve baze konaˇno dimenzionog vektorskog prostora imaju isti broj elemenata.41 Teorema 4... vi2 .. vin−m tako da je: z z c span(w1 .. Teorema 4. c Dokaz. Dokaz. Vektori (1. Primer 4. c • Naredna teorema utvrdjuje da su svake dve baze konaˇno dimenzionog prostora jednakobrojne..11. z c (3) dim(W ) = 2 ako i samo ako je W ravan koja sadrˇi koordinatni poˇetak.. Tada: (1) Vaˇi m ≤ n i moˇemo izabrati taˇno n − m vi -ova: vi1 . 0. Prema Teoremi 4. Tada je dim(W ) ≤ dim(V ) i: ako je dim(W ) = n onda je W = V . Dokaz. . . Neka je span(S) = V gde je S = {v1 . 1. 1)... 0... wm ∈ V su linearno nezavisni.... z z Dokaz.2. pa je baza i dimenzija dobro definisana. .43 dim(Rn ) = n Primer 4.. v2 . pa su i baza za R4 prema Teoremi 4. taj broj je c dimenzija vektorskog prostora. vn baza. vin−m ) = V (2) Svakih n + 1 vektora su linearno zavisni. 1.. . Neka je W potprostor n-dimenzionog prostora V .. . vn }. (0. .span(v1 . (1) Svaki skup koji sadrˇi bar n + 1 vektor je linearno zavisan. Videti Problem 5.. vn ) = V tada je v1 . (0.. w2 . Tada c S moˇemo produˇiti do baze. vi1 . (1) Svaki maksimalan linearno nezavisan podskup od S je baza. (3) Ako je span(v1 . 1. vn ) = V i . • Videti Problem 5.. Videti Problem 5.7. Oznaka: c dim(V ) = n U suprotnom V je beskonaˇno dimenzioni prostor. vi2 .9. Naredna lema je kljuˇna . . v2 . 1).42 Teorema 4..Linearna Algebra i Analitiˇka Geometrija – 41 – c • V je konaˇno dimenzioni ili n-dimenzioni vektorski prostor ako ima bazu od n elemenata. 1. Pretpostavimo: . Teorema 4.. Dokaz.. Neka je W potprostor prostora R3 : (1) dim(W ) = 0 ako i samo ako je W = {0) (2) dim(W ) = 1 ako i samo ako je W prava koja sadrˇi koordinatni poˇetak. dobi´emo bazu za V . wm .. Potprostor vektorskog prostora je za sebe vektorski prostor. z (2) Svaki linearno nezavisan skup od n vektora je baza za V . .6 oni su c linearno nezavisni. v2 .. v2 . . c Dokaz.7. (2) Ako iz S izbacimo svaki vektor koji je linearna kombinacija prethodnih.

(2) V je potprostor generisan vektorima (1. . 2.. 2). • Vektori vrsta stepenaste matrice su linearno nezavisni. a1n .. 3) i (0.. 0.8.. vm ) • Rang vrsta matrice A je dimenzija prostora njenih vrsta..  ... Dokaz. −3.12. 2). Teorema 4.. 8. a12 . 5.... 2. 4. (7.. vm = (am1 . to je prostor vrsta matrice A (rowspace of A): s rowsp(A) = span(v1 . .. . Neka je V potprostor od R3 generisan vektorima (1. Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta. −6).13. a2n   .. a1n ) v2 = (a11 . Teorema 4. .14. a1n ) .. 3) i (0. .. Videti Problem 5. am2  . 3). Videti Problem 5.. −1) i (0.Linearna Algebra i Analitiˇka Geometrija – 42 – c 4.52 Primer 4. (4. Kanonske matrice imaju isti prostor vrsta ako i samo ako su jednake. amn Vektori vrsta matrice v1 = (a11 . am1 a12 a22 . Oni ˇine bazu prostora vrsta (poˇto svaki linearno c s nezavisan skup predstavlja bazu potprostora generisanog njima). am2 ..6 Prostor vrsta matrice  a11  a21   . (3) V je potprostor generisan vektorima (1..51 Slede´u teoremu smo ve´ koristili iako je tek sada dokazujemo c c Teorema 4..... amn ) posmatrani kao vektori u Rn generiˇu potprostor prostora Rn .. v2 . Dokaz . 9)  1  4 7     1 2 1 2 3 2 3 5 6  ∼v  0 −3 −6  ∼v  0 1 0 −6 −12 8 9 0 1     1 2 3 1 0 −1 ∼v  0 1 2  ∼v  0 1 2  0 0 0 0 0 0  3 2  ∼v 2 Zakljuˇci: c (1) V je potprostor generisan vektorima (1. 1. .. 1. a12 . Dokaz.. Svaka matrica je ekvivalentna (po vrstama) jedinstvenoj kanonskoj matrici.7 Odredjivanje baze i dimenzije potprostora u Rn Podsetimo se: • Ekvivalentne (po vrstama) matrice imaju isti prostor vrsta. 6). 2.

. maksimalan broj linearno nezavisnih vektora vrsta). . Rm = (am 1 . Od datih vektora. . . (2. . Sr = (br 1 . . 1. 1. .. 1). 1.15. 1. (3.  amn a12 a22 . Rm oznaˇavaju vektore vrsta: c R1 = (a1 1 . 1. Svesti matricu na stepenastu formu. 2. 2. 4.) Korak 1.6. 1. R2 . .. Ako A svedemo na stepenastu formu tada je broj ne-nula vrsta te stepenaste matrice jednak rangu vrsta matrice (ovo smo dokazali u Teoremi 4. a1 2 .. Teorema 4. Ako je dimenzija jednaka broju vektora (t.. . 2). . am n ) Predpostavimo da je rang vrsta r i da slede´i vektori ˇine bazu prostora vrsta: c c S1 = (b1 1 .. 2.Linearna Algebra i Analitiˇka Geometrija – 43 – c Algoritam za odredjivanje baze i dimenzije potprostora generisanog datim vektorima (strana 154. 1. • Algoritam koristimo i da odredimo da li je dati skup vektora linearno nezavisan: odredimo bazu i dimenziju potprostora generisanog tim vektorima. . 0. am1 Neka R1 . 3. 0)         1 1 0 2 3 1 1 1 0 2 0 1 1 5 2 3 −1 2 1 1 1 4 2 0 1 1 1 4 2 0      ∼v            1 −1 0 −1 −1 −2  1  0   0 ∼v   0   0 0 1 0 0 0 0 0 1 1 1 3 0 1 1 1 0 0 0 0 1 1 0 0 1 1 2 2 −1 −1 −1 −1 1 1 1 0 0 0 1 0 1 0 0 0 1 0 1 0 0 0      ∼v                    1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 0 1 1 2 2 −1 −1 −1 −1 1 0 1 2 −1 −1         (1. . koliko ih je tolika je dimenzija. . (1. .. ili skup c s svih vektora kolona koji se mogu izraziti kao linearna kombinacija vektora kolona matrice A. (0. 1.. b1 2 . 1. 1.9.. . . . 5. . 0. Korak 3. . 1).. formirati matricu. 0. oni su linearno nezavisni. 2. . 1. . . am2 . ako u stepenastoj matrici nema nula vrsta). a1 n ). 0. c Primer 4. . Sliˇno prostoru vrsta definiˇemo i prostor kolona matrice A: to je potprostor generisan vektorima kolona. . Dokaz: Neka je A proizvoljna m × n matrica:  a11  a21 A=  . 1).. kao vektora vrsta. Vektori ne-nula vrsta stepenaste matrice ˇine bazu. (1.j. . S2 = (b2 1 . b2 2 . 4.j.. Rang vrsta matrice jednak je rangu njenih kolona. .. rang kolona matrice je dimenzija njenog prostora kolona. . . 1. 1. b2 n ). (0. 1) je baza za V i dim(V ) = 3.8 Rang matrice Rang vrsta matrice je dimenzija njenog prostora vrsta ( t. (0. . 0). . Korak 2. 0.. −1. . . Neka je V potprostor prostora R5 generisan vektorima (1. b1 n ). . br n )  a1n a2n   . . .. 4). 1. am 2 . 1). . br 2 .

.  kmr Drugim reˇima. km1   k12  k22   + · · · + bri    .. An ) B = (B1 B2 . u oznaci rang(A)... 4. Rang matrice A. onda Bi1 . . Znachi rang vrsta matrice A je r. Bi2 . odnosno rang kolona s c s s matrice A je ≤ r. Primetimo da je r = rang(A). c c • Alternativni dokaz prethodne teoreme je zasnovan na kasnije dokazanim lemama 4. U Teoremi 3.  = b1i  ami   k11  k21   + b2i    . Zakljuˇujemo da matrice A i B imaju isti rang kolona (iako mogu imati razliˇite prostore c c kolona)! S druge strane.. prema Lemi 4... . a prema Teoremi 4. dobijamo slede´e jednakosti: c a1i = k11 b1i + k12 b2i + · · · + k1r bri a2i = k21 b1i + k22 b2i + · · · + k2r bri ··························· ami = km1 b1i + km2 b2i + · · · + kmr bri ˇto zapisujemo na drugi naˇin kao: s c    a1i  a2i       . Bn ) Iz Leme 4. Zakljuˇujemo da je rang prostora kolona matrice B jednak r.. . i-ta kolona matrice A je linearna kombinacija slede´ih r vektora c c       k11 k12 k1r  k21   k22   k2r         .3 i 4..4: Neka je A ∼v B gde je B stepenasta matrica koja ima r ne-nula vrsta.. Air ˇine bazu prostora kolona matrice A.j.12 A i B imaju isti prostor vrsta. broju ne-nula vrsta matrice B. c Definicija 4. . Bir ˇine bazu c c prostora kolona matrice B. Fiksirajmo i ≤ n i u svakoj od ovih jednakosti izjednaˇimo i-te koordinate vektora s leve i desne c strane..3 sledi da ako Ai1 ... ˇto znaˇi da oni generiˇu ceo prostor kolona pa je njegova dimenzija najviˇe r. pa zakljuˇujemo da su ova dva ranga jednaka.5. km2  k1r k2r   ... Prema Teoremi 4... .6 vektori ne-nula vrste matrice B su linearno nezavisni pa chine bazu prostora vrsta. Ai2 . je rang njenih vrsta (ili kolona)..Linearna Algebra i Analitiˇka Geometrija – 44 – c Svaka vektor vrste matrice A je linearna kombinacija baznih vrsta: R1 = k11 S1 + k12 S2 + · · · + k1r Sr R2 = k21 S1 + k22 S2 + · · · + k2r Sr ··························· Rm = km1 S1 + km2 S2 + · · · + kmr Sr gde su kij skalari.9 Drugi algoritam za odredjivanje baze i dimenzije Elementarne transformacije vrsta matrice ne utiˇu na linearnu zavisnost kolona matrice: c . Predstavimo sada matrice preko vektora kolona: A = (A1 A2 .. .. Ako primenimo ovo na matricu AT c dobi´emo obrnutu nejednakost...4.  km1 km2 kmr Kako ovi vektori ne zavise od izbora i ≤ n zakljuˇujemo da je svaki vektor kolone matrice A linearna kombinacija c ovih r vektora. Ovim smo dokazali da je rang kolona matrice A nije ve´i od ranga vrsta..16 u knjizi) smo dokazali da je svaka m × n matrica ekvivalentna (moˇe se svesti z ( ) Ir 0 elementarnim transformacijama vrsta i kolona) taˇno jednoj blok matrici oblika c gde je Ir jediniˇna r × r c 0 0 matrica.17 (Teorema 4. .··· . pa je i rang kolona matrice A jednak r. rang kolona matrice B je jednak broju ‘pivota’ t.

v2 . Neka su A1 . 1. . c Primer 4. 3. s s Lema 4. 1).   0 0 0 0 0 0 0 0 da su kolone koje sadrˇe pivote linearno nezavisne i da je svaka kolona bez pivota z 0 1 1 0  3 −1 5 4   1 −2  0 0       5 1 1  4   0   2   =3  +2    0   0   0  0 0 0         3 1 1 0  5   0   2   1           1 =  0 +2  0 + 1  0 0 0 0       −1 1 1 0  0   2   1 4   = −4   + 3   − 2   0   0   1 −2  0 0 0 0         Na prethodne dve leme zasnovan je slede´i algoritam.. αn z vaˇi: z α1 A1 + α2 A2 + . svaka kolona c z bez pivota je linearna kombinacija kolona sa pivotima. + αn Bn = 0 Dokaz.. v4 }    1 1 1 1 1 1 1 1  1 0 2 1   0 −1 1 0     0 0 1 1     ∼v  0 0 1 1  2 1 5 4   0 −1 3 2     3 2 3 2   0 −1 0 −1 1 −1 2 0 0 −2 1 −1      ∼v                    1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 2 −1 −1 1 0 1 2 −1 −1 . Dovoljno je proveriti tvrdjenje za sluˇaj kada se B dobija iz A primenom samo jedne elementarne c transformacije vrsta. 0) Pronadjimo bazu za V koja je podskup skupa {v1 . Dokaz.. Bn vektori kolona matrice B. 1. v4 = (1. Bazu prostora kolona stepenaste matrice ˇine vektori kolona koji sadrˇe pivote. ˇto nije teˇko.3.. An vektori kolona matrice A i neka su B1 . t. 2. Korak 2. Koristimo ga da iz datog skupa vektora izdvojimo maksimalan c linearno nezavisan podskup. Od datih vektora. kao vektora kolona. 1. Izbrisati iz S sve vi -ove takve da se u i-toj koloni stepenaste matrice ne nalazi pivot.. 5.. 3.j. 2. .  1 2 1 5  0 0 2 4 Primer 4.4..11... + αn An = 0 ako i samo ako α1 B1 + α2 B2 + . Neka je V potprostor prostora R6 generisan vektorima v1 = (1. Neka je dat skup (spisak) vektora S = {v1 . 4. 2). . 2. A2 . Posebno.. B2 . 0. Elementarnim transformacijama vrsta svesti matricu na stepenastu formu... Korak 4. 1. 2. 1. v2 = (1... formirati matricu. v3 . −1) v3 = (1. vn } Korak 1. 0. Neposredno se proveri njihova linearna kombinacija.. Tada za skalare α1 . da iz datog skupa vektora izdvojimo bazu potprostora generisanog datim skupom. v2 . . 0. Preostali vektori ˇine maksimalan linearno nezavisan podskup.10. Korak 3.Linearna Algebra i Analitiˇka Geometrija – 45 – c Lema 4.. Pretpostavimo A ∼v B (B se moˇe dobiti iz A elementarnim transformacijama vrsta)..

c s (b) B je linearna kombinacija vektora kolona matrice A (vektor kolona B pripada prostoru kolona matrice A). c c s Teorema 4. + a12 x2 a22 x2 .10 Linearne jednaˇine i vektorski prostori c Sistem linearnih jednaˇina c a11 x1 a21 x1 ... a2n    . am1 Matrica A je matrica  a11  a21 (A. • Svaki sistem je ekvivalentan nezavisnom sistemu (npr. xn  b1    b2 =   . am1 a12 a22 . . s  . a2n b2   je proˇirena matrica sistema (augmented matrix).. v3 baza za V i dim(V ) = 3. a1n  .. amn xn  = = = b1 b2 bm     moˇemo zapisati u matriˇnoj formi A X = B: z c a11  a21   .. • (a)⇔(v) u gornjoj teoremi je Kroneker-Kapelijeva teorema.. Dimenzija prostora reˇenja homogenog sistema A X = 0 je n − r gde je n broj nepoznatih a r rang s matrice sistema... moˇemo definisati pojam linearne zavisnosti: c z sistem je linearno nezavisan ukoliko su vektori vrsta proˇirene matrice linearno nezavisni... + .. .  bm sistema (coefficient matrx). a1n b1 a22 . + ...   a1n xn a2n xn .17. am2 x2 + . c 4... B) =   .16. s Dokaz . s Teorema 4. am2 ... Slede´a tvrdjenja su ekvivalentna: c (a) Sistem linearnih jednaˇina AX = B ima reˇenje.Linearna Algebra i Analitiˇka Geometrija – 46 – c     ∼v             1 0 0 0 0 0 1 1 0 0 0 0 1 1 1 0 0 0 1 0 1 0 0 0 Jedino u ˇetvrtoj koloni nema pivota pa je v1 . nezavisni sistem moˇe imati manje z jednaˇina od polaznog. Broj jednaˇina tog nezavisnog sistema je jednak rangu matrice proˇirenog sistema..... . Sistem u stepenastoj formi s je nezavisan.. • (a)⇔(b) u gornjoj teoremi opisuje prostor kolona matrice A: v pripada prostoru kolona matrice A ako i samo ako A X = v ima reˇenje.. (v) Rang matrice sistema jednak je rangu proˇirene matrice. .. .   . .. . s • Podsetimo: skup svih reˇenja homogenog sistema A X = 0 sa n promenljivih je potprostor prostora Rn . v2 . amn x1 x2 ..  a12 . amn bm • Ako linearne jednaˇine posmatramo kao vektore vrsta. u stepenastoj formi).. am1 x1  + + . • Dva sistema linearnih jednaˇina su ekvivalentna (imaju isti skup reˇenja) ako i samo ako su im proˇirene matrice c s s ekvivalentne po vrstama.. am2 .

dim(W ) = s i neka je w1 . ws } Tvrdimo da je B baza prostora K n a potrebno je dokazati da je B linearno nezavisan i da je span(B) = K n . Pretpostavimo da a1 v1 + a2 v2 + · · · + ar vr + b1 w1 + · · · + bs ws = 0 (3) Kako wi pripada W .. B je baza za K n . ... i odatle sledi da span(B) = K n . . tako da je svako bi = 0. 4. . ws baza za W . svaki sistem AX = ui ima reˇenje vi : s s Av1 = u1 . koriste´i (1) i (2) sledi: c A(v′ ) = A(v − k1 u1 − k2 u2 − · · · − kr ur ) = Av − k1 Av1 − k2 Av2 − · · · − kr Avr = Av − k1 u1 − k2 u2 − · · · − kr ur = Av − Av = 0 Tako v′ pripada reˇenju W i odatle sledi da je v′ linearna kombinacija wi -ova: s v′ = c1 w1 + c2 w2 + · · · + cs ws Onda v = v′ + r ∑ i=1 r ∑ i=1 r ∑ i=1 (1) (2) ki vi = ki vi + cj wj Tako v je linearna kombinacija elemenata iz B. dim(W ) = s = n − r. vr . u2 . Dokaz da je B linearno nezavisan. kao i alternativni dokaz. Pretpostavimo da v ∈ K n i Av = u. w2 . Po Teoremi 4. svaki ai = 0. u2 . kao ˇto s je i reˇeno. . Prema tome.18.. . Zamenom u (3) dobija se b1 w1 + b2 w2 + · · · + bs ws = 0 Ipak. w2 . • Ukoliko je sistem u stepenastoj formi broj slobodnih promenljivih je n − r... ws su linearno nezavisni. .. ur ˇine bazu prostora kolona matrice A (postoji taˇno r takvih c c vektora poˇto je rang(A)=r).. Odatle sledi. Kako u pripada prostoru kolona matrice A moˇe z se izraziti kao linearna kombinacija vektora ui : Av = k1 u1 + k2 u2 + · · · + kr ur Neka je v′ = v − k1 u1 − k2 u2 − · · · − kr ur .11 Suma i direktna suma potprostora Neka su U i W potprostori prostora V . svaki Awi = 0. c • Za ekvivalentnu formulaciju prethodne teoreme. Avr = ur Neka je W prostor reˇenja.. w1 . . Ako su U i W potprostori prostora V tada je i U + W potprostor od V . Av2 = u2 .. B je linearno nezavisan.Linearna Algebra i Analitiˇka Geometrija – 47 – c Dokaz. .. w2 . v2 . . . dobijamo c c   r s r s r s ∑ ∑ ∑ ∑ ∑ ∑ 0 = A(0) = A  ai vi + b j wj  = ai Avi + bj Awj = ai ui + bj 0 = a1 u1 + a2 u2 + · · · + ar ur i=1 j=0 i=1 j=1 i=1 j=1 Kako su u1 . ur linearno nezavisni . Dokaz za span(B) = K n . Koriste´i ˇinjenicu i ove formule.. videti Teoremu 5.16 (b)⇒(a). .4.. imamo r + s = n.. . Kao posledica. . Kako B ima r + s elemenata. . Njihova suma U + W sa sastoji od svih zbirova u + w gde u ∈ U i w ∈ W : U + W = {u + w | u ∈ U w ∈ W } Teorema 4. Neka je s B = {v1 . Predpostavimo da vektori u1 . Onda.. w1 .

.. + cn−r wn−r = 0 gde su ai . Definicija 4. Predpostavimo z a1 v1 + .. . V je direktna suma potprostora U i W ako i samo ako vaˇi: z (i) Dokaz. um−r } baze za U i W respektivno i neka je B = BU ∪ BW : B = {v1 ..5 je: span(BU ) + span(BW ) = span(BU ∪ BW ) = span(B) ili U + W = span(B).. ..5. u1 . ck skalari. ar = 0 b1 = 0.. . ... .20. vr .. Neka su BU = {v1 . bm−r = 0 Dokazali smo da iz (1) sledi da su ai .. c z Teorema 4.. .. Teorema 4.. .Linearna Algebra i Analitiˇka Geometrija – 48 – c Dokaz: Lema 4. vr } baza za U ∩ W postoje skalari d1 . um−r . wn−r } . Ako je U1 = span(S1 ) i U2 = span(S2 ) tada je U1 + U2 = span(S1 ∪ S2 ). . vr . prema Lemi 4. ......10 svaku bazu za U ∩ W moˇemo raˇiriti do baze za W (kao i z s do baze za U ). a kako je wk ∈ W iz (3) dobijamo v ∈ W .. um−r } baza za U zakljuˇujemo. . u1 ... . Vektorski prostor V je direktna suma potprostora U i W . (Grassmanova formula) Ako su U i W potprostori konaˇno dimenzionog prostora V tada je: c dim(U + W ) = dim(U ) + dim(W ) − dim(U ∩ W ) Dokaz: Uoˇimo da je U ∩ W potprostor oba. u oznaci V =U ⊕W ako se svaki vektor v ∈ V na jedinstven naˇin moˇe napisati u obliku v = u + w gde u ∈ U i w ∈ W . v ∈ U ∩ W ... .. uj ∈ U iz (2) dobijamo v ∈ U ....70 • Ako je V = U ⊕ W tada Grasmanova formula postaje: dim(V ) = dim(U ) + dim(W ) V =U +W i (ii) U ∩ W = {0} (2) (1) i BW = {v1 . . Kako je {v1 .. .. Prema Teoremi 4. .. + ar vr + b1 u1 + .. wn−r } baza za W njeni vektori su linearno nezavisni pa zakljuˇujemo: s c c1 = 0 c2 = 0 . vr . cn−r = 0 Zamenom u (1) dobijamo a1 v1 + · · · + ar vr + b1 u1 + · · · + bm−r um−r = 0 Poˇto je BU = {v1 .. Dokaz.. vr } baza za U ∩ W . Teorema je dokazana ako pokaˇemo da je B baza U + W . . . u1 . Kako je c z span(BU ) = U i span(BW ) = W . U i W ... . w1 . s c a1 = 0 . w1 .6.. + bm−r um−r + c1 w1 + .. . i ck svi 0 pa je B linearno nezavisan skup... vr ..19. wn−r } Primetimo da B ima taˇno m + n − r elemenata. . Preostaje da pokaˇemo da je B nezavisan. Predpostavimo da je c dim(U ) = m dim(W ) = n dim(U ∩ W ) = r i neka je {v1 .. Neka je v = a1 v1 + · · · + ar vr + b1 u1 + · · · + bm−r um−r Po (1) takodje imamo v = −c1 w1 − · · · − cn−r wn−r (3) Kako je vi . dr takvi da je: v = d1 v1 + d2 v2 + · · · + dr vr Ubacimo ovo u (3) i dobijamo: d1 v1 + · · · + dr vr + c1 w1 + · · · + cn−r wn−r = 0 Ali poˇto je BW = {v1 .. w1 . Prema tome... . . . bj . . .. Videti Problem 5.. bj . vr ..

.. v2 ... .... u2 ...  c21 c22 .. promena baze Podsetimo da je S = {v1 . .... Kako izraˇunati koordinate vektora w u odnosu c na novu bazu S ′ ? v1 = c11 u1 + c12 u2 + .Linearna Algebra i Analitiˇka Geometrija – 49 – c 4.. Koordinatni vektor vektora u u odnosu na bazu S je [u]S = (a1 .... = Neka je S = {u1 . c2n  .12 Koordinate vektora u odnosu na bazu... an su koordinate vektora u u odnosu na bazu S.. a2 .... . Tada: c (1) [u]S + [v]S = [u+v]S (2) [k u]S = k [u]S • Prethodna teorema. .. v2 .. + c1n un v2 = c21 u1 + c22 u2 + .. cn1 .. vn } druga (‘nova’) baza prostora V . c1n P je matrica promene baze sa baze S na bazu S ′ . Teorema 4. ... u smislu definicije 5..... Neka je V konaˇno dimenzioni vektorski prostor nad K... .. Koordinatne  a1  a2 [w]S =   . Tada je P inverzibilna i za svaki vektor w ∈ V vaˇi: z P [w]S ′ = [w]S i P −1 [w]S = [w]S ′ Dokaz .... an vektore [w]S ∈ K n posmatramo kao vektor-kolone:     Neka je S ′ = {v1 ... vn } baza prostora V ako i samo ako se svaki vektor u ∈ V na jedinstven naˇin c predstavlja kao linearna kombinacija vektora u = a1 v1 + a2 v2 + ... Teorema 4.... an ) ∈ K n Primetimo da koordinatni vektor vektora v ∈ V pripada prostoru K n (a ne V )....22....3... + c2n un ... vn = cn1 u1 + cn2 u2 + ......21. + an vn a1 . + cnn un Neka je P transponovana matrica ovog ‘sistema’: c11  c12 P =  ... znaˇi da je svaki n-dimenzioni vektorski prostor V nad poljem K c izomorfan sa K n (u oznaci V ∼ K n ).. a2 .. cn2   ..  . un } baza prostora V ... cnn .. Neka je P matrica promene baze sa baze S na bazu S ′ ..

. . . u2 ∈ U i a1 . u2 . z s Primer 5. vn } baza za V i neka su {u1 . • Ako je F : U −→ V linearni operator onda: (a) F (0U ) = F (0V )... F (v2 ) = u2 ... F (vn ) = un ... a1 ) F je linearno preslikavanje. i za sve u ∈ U i k ∈ F .. + an un ) = a1 F (u1 ) + . sa F (X) = A X (4) Neka su U. neka je {v1 . F (x. . (7) ‘Izvod’ polinoma (derivacija) je linearno preslikavanje D : P(t) −→ P(t) definisano sa D(a0 + a1 t + . 0). y. V vektorski prostori i F : V −→ U definisano sa F (x) = 0U . y) = (x + 1. V vektorski prostori i F : V −→ U linearno preslikavanje koje je bijekcija (1-1 i ‘na’). F je linearno preslikavanje.. y.. an ∈ F F (a1 u1 + ... u2 ∈ U i a1 . y + 2). (1) Neka je A matrica tipa m × n... v2 .. F nije linearno preslikavanje.Linearna Algebra i Analitiˇka Geometrija – 50 – c 5 5. u2 ∈ U ... un } F (v1 ) = proizvoljni vektori iz U .. Neka je U vektorski prostor u odnosu na sabiranje +U i V vektorski prostor u odnosu na +V vektorski prostori nad poljem F . Neka su U i V vektorski prostori.1... Tada je i F −1 linearno preslikavanje. (2) Neka je F : R3 −→ R3 ‘projekcija na ravan Oxy’: (3) Neka je F : R2 −→ R2 translacija za vektor (1..1. + an tn ) = a0 F je linearno preslikavanje. (6) F : P(t) −→ R2 definisano sa F (a0 + a1 t + . F je linearno preslikavanje.. Teorema 5. a2 ∈ F : F (a1 u1 + a2 u2 ) = a1 F (u1 ) + a2 F (u2 ) (v) Za sve u1 . un ∈ U i a1 . 2): F (x. (linearni operator. + nan−1 tn−1 (8) Neka su U. (5) F : P(t) −→ R definisano sa F (a0 + a1 t + . linearna transformacija ili homomorfizam vektorskih prostora) ako vaˇi: z (1) (2) F (u1 +U u2 ) = F (u1 ) +V F (u2 ) F (k u) = k F (u) za sve u1 . F je linearno preslikavanje. .. .. z) = (x. + an F (un ) • F : U −→ V je linearni operator ako i samo ako: F (a1 u1 + a2 u2 ) = a1 F (u1 ) + a2 F (u2 ) vaˇi za sve u1 . Definiˇemo F : Rn −→ Rm (X je vektor-kolona). + an tn ) = (a0 .. (b) Za sve u1 . Preslikavanje F : U −→ V je linearno preslikavanje. + an tn ) = a1 + 2a2 t + ..1 LINEARNI OPERATORI Definicija i primeri Definicija 5.1. a2 ∈ F . Tada postoji jedinstveno linearno preslikavanje F : V −→ U takvo da je u1 ..

ili colsp(A)). (v) Ker(A) je potprostor svih reˇenja homogenog sistema A X = 0 .3. b. Dokaz . Neka je A =  1  c1 c2 c3  koju posmatramo kao linearno preslikavanje A : R −→ R (definisano d1 d2 d3 sa A(x) = A x. e2 . Tada je Im(F ) = {(a. Neka su U i V vektorski prostori i F : V −→ U linearno preslikavanje. Njegova slika (image of F ) je: Im(F ) = {u ∈ U | F (v) = u za neki v ∈ V } Jezgro (kernel) preslikavanja F je Ker(F ) = {v ∈ V | F (v) = 0} Teorema 5. • dim(Im(F )) je rang operatora F .. oznaka δ(F ) • dim(V ) = ρ(F ) + δ(F ) • Ako m × n matricu A posmatramo kao linearni operator A : Rn −→ Rm tada je dim(Im(A)) = rang(A) . Neka je F : R3 −→ R3 ‘projekcija na ravan Oxy’: F (x.2 Slika i jezgro linearnog operatora Definicija 5. b ∈ R} i Ker(F ) = {(0. Neka je e1 . y. e3 standardna baza (vektor-kolona) za R3 . Tada je c dim(V ) = dim(Ker(F )) + dim(Im(F )) Dokaz . za vektor-kolone x). 0). Neka je F : V −→ U linearno preslikavanje. c) | c ∈ R} ili: Im(F ) je ravan Oxy a Ker(F ) je z-osa.2.2.         a1 a2 a3 a1 a2 a3 a1 1  b  b1 b2 b3    b2 b3      0  =  b1  A(e1 ) = A e1 =  1  c1 c2 c3  e1 =  c1 c2 c3   c1  0 d1 d2 d3 d1 d2 d3 d1 Sliˇno: c  a2  b  A e2 =  2   c2  d2   a3  b  A e3 =  3   c3  d3   i Kako je A(x1 e1 + x2 e2 + x3 e3 ) = x1 A(e1 ) + x2 A(e2 ) + x3 A(e3 ) zakljuˇujemo: c (a) Im(A) skup svih linearnih kombinacija kolona matrice A (prostor kolona matrice A. z Teorema 5. oznaka ρ(F ) • dim(Ker(F )) je defekt operatora F (nullity).Linearna Algebra i Analitiˇka Geometrija – 51 – c 5. s • Isto vaˇi i za m × n matrice. y.  a1 a2 a3  b b2 b3  3 4  Primer 5. (Teorema o rangu i defektu linearnog operatora) Neka je V konaˇno dimenzioni vektorski prostor i F : V −→ U linearno preslikavanje.. 0) | a. (b) dim(Im(A)) je jednaka rangu matrica A.. Primer 5. z) = (x. 0.3. Tada je Im(F ) potprostor od U i Ker(F ) je potprostor od V ..2.

0) = (1. f (e3 ). 0. −1) (−3. 1) baza za Ker(f ). x − y + 2t. a . −1). t) = (x − 3y + z + 2t. 0. −6) baza za Im(f ). 1. Im(f ) je potprostor generisan vektorima f (e1 ). t) = (x − 3y + z + 2t. 2. c 2 . 1. −1. z. 0. izbriˇemo ih iz polazne matrice i zakljuˇujemo da je c c s c (1. 0. 2. 0. a. (1. e2 . z. Drugi naˇin: Na´i ´emo ne bilo koju bazu nego maksimalan linearno nezavisan podskup skupa c c c (1. −x − 3y + 2z − 2t) = (0. 1) 2 2 2 2 1 Zakljuˇujemo da je ( 2 . 1. 1. e4 standardna baza za R4 . x − y + 2t. 0)} f (x. 0). a. −2) Prvi naˇin: koriste´i Prvi algoritam c c  1 1  −3 −1   1 0 2 2     −1 1 1 −1 1 −3   0 2 −6   0 ∼ ∼ 2   0 −1 3   0 −2 0 0 0 0 1 2 0 0  −1 −6   0  0 Zakljuˇujemo da je (1. (0. y. −3). (b) Raˇunamo defekt δ(f ) = dim(R4 ) − ρ(f ) = 4 − 2 = 2 . (a) Odredjujemo bazu za Im(f ). b) = a( 1 . 0. (1. 0. −x − 3y + 2z − 2t) i neka je e1 . 1 . 1. 0) Dobijamo sistem linearnih jednaˇina: c x − 3y x − y −x − 3y Svedemo ga na stepenasti: x − − 3y 2y 6y + z − z + 3z + 2t = 0 = 0 = 0 x − 3y 2y + − z z + 2t = = 0 0 + z + 2t + 2t − 2t = 0 = 0 = 0 + 2z Njegov skup reˇenja je {( a − 2b. Ker(f ) = {v ∈ R4 | f (v) = (0. (−2. f (e2 ). −3) f (e4 ) = (2. −1). s 2 2 ( a − 2b. 0) + b(−2.Linearna Algebra i Analitiˇka Geometrija – 52 – c Primer 5.4. −1. −1) Koristimo Drugi algoritam:  1  1 −1     1 −3 1 1 −3 1 2 2 2  ∼  0 2 −1 0  ∼  0 2 −1 0 0 0 0 −6 3 0 −2  −1 2  0 −3 1 −1 0 −3 2 Kako u tre´oj i ˇetvrtoj koloni nema pivota. y. 0. b) | a. c (v) Odredjujemo bazu za Ker(f ). (−3. Takodje c ρ(f ) = dim(Im(f )) = 2 . 1. 1. 1 . 0. −1) f (e3 ) = (1. 0. 2) Bazu moˇemo odrediti na dva naˇina z c f (e2 ) = (−3. f (e4 ): f (e1 ) = f (1. b ∈ R} (= Ker(f )). e3 . −3) baza za Im(f ). Neka je f : R4 −→ R3 definisano sa: f (x. a . 2). −1.

• Ako su U i V izomorfni to oznaˇavamo sa U ∼ V .2 (R) −→ R s 2.6.. Teorema 5. a0 ) izomorfizam.. s (2) Im(A) se sastoji od svih vektora B za koje sistem A X = B ima reˇenje. Pretpostavimo da je dim(U ) = dim(V ) = n i da je F : U −→ V linearno preslikavanje.n matrica sistema a X = (xi ) ∈ Rm i B = (bi ) ∈ Rn c vektor-kolone. M2. am1 x1 + + . = 4 sa F ( a c b d ) ) = (a.5.3 Primena na sisteme linearnih jednaˇina c Posmatrajmo sistem linearnih jednaˇina: c a11 x1 a21 x1 . Linearno preslikavanje F : U −→ V je singularno ako postoji u ∈ U takav da je F (u) = 0 (ekvivalentno: Ker(F ) ̸= {0}). Tada je F : Pn (t) −→ Rn+1 definisano sa: F (an tn + . Podsetimo: vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→ U . + a12 x2 a22 x2 . am2 x2 + . Kako je dim(Ker(A)) = dim(Rn ) − dim(Im(A)) zakljuˇujemo: c dim(Ker(A)) = n − rang(A) Ovim je dat alternativni dokaz Teoreme 4.. 3. simetriˇna i tranzitivna). 1. . + .. . d) Direktno se proveri da je F izomorfizam.. Tada je F izomorfizam ako i samo ako je nesingularno preslikavanje. Vektorski prostori V i U su izomorfni ako postoji bijektivno linearno preslikavanje F : V −→ U .17 Teorema 5.4... b.. Ako je linearno preslikavanje nesingularno tada je slika svakog linearno nezavisnog skupa linearno nezavisan skup.. a1n xn a2n xn . c.21 glasi: svaki n-dimenzioni vektorski prostor nad poljem K je izomorfan sa vektorskim prostorom K n. c = • Teorema 4. Neka je Pn (t) prostor svih polinoma stepena ≤ n nad poljem K.3. Primer 5. U suprotnom je nesingularno (kada je Ker(F ) = {0}). Prema Teoremi 4. .16 Im(A) je prostor s kolona matrice A. Posmatrajmo A kao linearni operator A : Rn −→ Rm ..2 (R) ∼ R4 = ( Definiˇemo F : M2. c = • ∼ je relacija ekvivalencije (refleksivna. a1 .. + . dimenzija ovog prostora je rang(A).4 Izomorfizam vektorskih prostora Definicija 5... amn xn = = = b1 b2 bm i njegov matriˇni zapis A X = B gde je A = (aij )m. Izomorfizam je bijektivno linearno preslikavanje.5. c Teorema 5. s 5. Primetimo: (1) Ker(A) je prostor reˇenja homogenog sistema A X = 0. .. . Dimenzija skupa reˇenja homogenog sistema A X = 0 je n − r gde je r rang matrice A.. + a1 t + a0 ) = (an . Sliˇno: c Mm. U tom sluˇaju F je izomorfizam.n (R) ∼ Rm n . Dokaz.Linearna Algebra i Analitiˇka Geometrija – 53 – c 5.

7.. F (GH) = (F G)H Ukoliko vaˇi i asocijativni zakon za ‘mnoˇenje’ z z onda kaˇemo da je algebra A asocijativna. 5. • Algebra nad poljem F je vektorski prostor A nad F u kome postoji binarna operacija ‘mnoˇenje’ takva da i za z sve F. Hom(U. Sa A(V ) (ili Hom(V )) oznaˇavamo skup svih linearnih c operatora na V . vektorski prostor Hom(U..5 Operacije sa linearnim preslikavanjima.4. V.. Posmatramo linearne operatore F : V −→ V . V )) = mn. z Dokaz. V ) oznaˇava skup svih linearnih c operatora F : U −→ V .6 Algebra A(V ) (ili Hom(V )) Neka je V vektorski prostor nad poljem F . Definicija 5. ili linearne transformacije prostora V . G : V −→ W linearni operatori. G′ : V −→ W linearni operatori.. Ako dim(U ) = m. F ′ : U −→ V i G. Ako su U i V vektorski prostori nad istim poljem tada Hom(U. V ) Neka su F : U −→ V i G : U −→ V linearni operatori. Kompozicija (ili slaganje) linearnih operatora G ◦ F : U −→ W je definisana sa: (G ◦ F )(u) = G(F (u)) Teorema 5. Dokaz. Neka su U. Definiˇemo sabiranje operatora i mnoˇenje operatora skalarom: s z (1) F +G : U −→ V (F +G)(u) = F (u) + G(u) (2) • (k F ) : U −→ V (k F )(u) = k F (u) F +G i k F su linearni operatori. Neka su F. Dokaz.. zovemo ih: linearni operatori na V . W vektorski prostori nad istim poljem skalara i F : U −→ V . z .9. dim(V ) = n onda dim(Hom(U. G.Linearna Algebra i Analitiˇka Geometrija – 54 – c 5. V ) je vektorski prostor u odnosu na sabiranje i mnoˇenje skalarom..8. Teorema 5. Teorema 5. H ∈ A vaˇi: z (1) (2) (3) (4) F (G + H) = F G + F H (G + H) F = GF + HF k(GF ) = (kG)F = G(kF ). Tada: (1) (2) (3) G ◦ (F + F ′ ) = G ◦ F + G ◦ F ′ (G + G′ ) ◦ F = G ◦ F + G′ ◦ F k (G ◦ F ) = (kG) ◦ F = G ◦ (kF ).

..Ako sistem AX = B ima reˇenje onda ono nije jedinstveno.. Tada su slede´a ˇetiri uslova c c c ekvivalentna: (1) (2) (3) (4) F je nesingularan (t. . s Dokaz. Teorema 5. . Ako je dim(V ) = n onda je dim(A(V )) = n2 Dokaz. s . ann xn = = b1 b2 = bn i njegov matriˇni zapis A X = B gde je A = (aij )n.. + an2 x2 + ..Linearna Algebra i Analitiˇka Geometrija – 55 – c Teorema 5.10.j bijekcija). 1 − 1 i ‘na’ (t.. a2n xn . Dokaz. ...n matrica sistema a X = (xi ) ∈ Rn i B = (bi ) ∈ Rn vektor-kolone.. F je ‘na’.j Ker(F ) = {0}). Ako je V n-dimenzioni vektorski prostor tada je A(V ) asocijativna algebra u odnosu na operaciju slaganja operatora... F je inverzibilan (t. (a) Ako homogeni sistem AX = 0 ima jedinstveno reˇenje (trivijalno).11. . c Posmatrajmo A kao linearni operator A : Rn −→ Rn . kao funkcija.12. Neka je F linearni operator na konaˇno dimenzionom prostoru V ..Postoje vrednosti b1 ... Posmatrajmo sistem linearnih jednaˇina: c a11 x1 a21 x1 .. + an xn polinom sa koeficijentima iz polja skalara vektorskog prostora V i F ∈ A(V ) onda: p(F ) = a0 I + a1 F + .. s (b) Ako homogeni sistem ima netrivijalno reˇenje tada: s . • Definiˇemo stepen operatora F : V −→ V : s F 0 = I.j. tada i AX = B ima s jedinstveno reˇenje. a1n xn + . F je 1 − 1... an1 x1 + a12 x2 + a22 x2 . ‘1-1’ i ‘na’)... F n+1 = F ◦ F n • Ako je p(x) = a0 + a1 x + . Tada: Teorema 5.. + an F n ∈ A(V ) Linearni operator F : V −→ V je inverzibilan ako postoji F −1 ∈ A(V ) takav da je F ◦ F −1 = F −1 ◦ F = I • Linearni operator je inverzibilan ako i samo ako je. bn takve da sistem AX = B nema reˇenje. + ..

+ a1n vn T (v2 ) = a21 v1 + a22 v2 + .... Ovu matricu oznaˇavamo sa mS (T ) ili [T ]S . T (vn )) • Ove matrice zavise od baze. v2 ..  a1n a2n . Praktiˇno: c c   a11 a21 .. v2 . . Vaˇi: z [a u+b v]S = a [u]S + b [v]S • Preslikavanje f : V −→ F n definisano sa f (v) = [v]S je linearno..... vn } baza... Za svaki u ∈ V : [T (u)]S = [T ]S [u]S (Koordinatni vektori [u]S i [T (u)]S su vektori-kolona.7 Matriˇno predstavljanje linearnih operatora c Neka je S = {v1 . an2   [T ]S =   . . .. u odnosu na razliˇite baze moˇemo dobiti razliˇite matrice operatora...... ... . .... + an vn a1 ... ann Ukoliko vektore T (v1 )... Tada se svaki vektor u ∈ V na jedinstven naˇin c predstavlja kao linearna kombinacija u = a1 v1 + a2 v2 + .. vn } baza vektorskog prostora V . ono je i izomorfizam vektorskih prostora V i F n . z Preciznije: Teorema 5.. ili matrica operatora T u odnosu na S.. . + ann vn Matriˇna reprezentacija operatora T u odnosu na bazu S. T (vn ) predstavimo kao vektore kolona onda: [T ]S = (T (v1 ). T (vn ) = an1 v1 + an2 v2 + .. ..... ..... c z c • Transponovana matrica koeficijenata (a ne matrica koeficijenata) se uzima zato ˇto raˇunaju´i u koordinatama s c c u odnosu na bazu S: T je ‘mnoˇenje s leva matricom [T ]S ’. a2 . an1  a12 a22 ...13. T (v2 )........) Dokaz. .... Neka je T : V −→ V linearni operator na vektorskom prostoru V i neka je S = {v1 ... T : V −→ V ). a2 .. v2 ..... T (v2 ).. an su koordinate vektora u u odnosu na bazu S a [u]S = (a1 .. Neka je T linearni operator na vektorskom prostoru V (t......... + a2n vn ....Linearna Algebra i Analitiˇka Geometrija – 56 – c 5.j. an ) ∈ Rn je koordinatni vektor vektora u u odnosu na bazu S. je transponovana c matrica koeficijenata.. neka je S = {v1 .... vn } baza vektorskog prostora V i neka je: T (v1 ) = a11 v1 + a12 v2 + . .

Linearna Algebra i Analitiˇka Geometrija – 57 – c 5. v2 . 0) = v1 − v2 T (v2 ) = T (1. . (2) Odredjujemo matricu preslikavanja u odnosu na Korak 2. 1)} matrica je [T ]S2 = ([T (e2 )]S2 [T (e1 ))]S2 = ( 1 1 0 −1 ) 5.. . e2 = (0.. 1) = 3e1 + e2 T (e2 ) = (−5.9 Mn (F ) i A(V ) • Podsetimo da Mn (F ) oznaˇava skup svih kvadratnih matrica reda n nad poljem F .. z z Teorema 5. −2) = −5e1 − 2e2 ( ) 3 −5 [T ]S = (T (e1 ) T (e2 )) = 1 −2 S1 = {v1 = (2. Dokaz. m(G ◦ F ) = m(G) m(F ) ...15. 1). Neka je F : R2 −→ R2 definisano sa F (x. vn } baza vektorskog prostora V nad poljem K i neka je m : A(V ) −→ Mn (K) preslikavanje definisano sa m(T ) = [T ]S . Tada je m izomorfizam vektorskih prostora: (1) (2) (3) m(F + G) = m(F ) + m(G) (ili [F + G]S = [F ]S + [G]S ) m(k F ) = k m(F ) (ili [k F ]S = k [F ]S ) m je bijekcija (1-1 i ‘na’). 1). Teorema 5. + ain vn Korak 2 Formiramo matricu od vektora T (vi ) kao vektora kolona. v2 = (2. 1)} Korak 1. Dokaz.8 Algoritam za formiranje matrice operatora u odnosu na bazu Neka je S = {v1 . [T ]S1 (3) Bitan je i redosled elemenata baze! U odnosu na S2 = {v2 = (1. −1) = −v1 ( ) 1 1 = ([T (e1 )]S1 [T (e2 ))]S1 = −1 0 Korak 2. v2 = (1.. Neka je S = {v1 . y) = (3x − 5y.. 0).. x − 2y) (1) Odredjujemo matricu preslikavanja u odnosu na standardnu bazu S = {e1 = (1. mnoˇenje skalarom i mnoˇenje. T (e1 ) = (3. 1) = (−2. v2 . 2. . Mn (F ) je algebra matrica u c odnosu na sabiranje matrica.6... T (v1 ) = T (2.. Primer 5. 1)} Korak 1. n izraˇunamo T (vi ) u obliku: c T (vi ) = ai1 v1 + ai2 v2 + .. 1) = (1..14. Matricu operatora T u odnosu na bazu S formiramo na slade´i naˇin: c c Korak 1 Za i = 1. vn } baza prostora V i T : V −→ V linearni operator...

. Podsetimo da su matrice A i B sliˇne ako postoji inverzibilna matrica P takva da je c B = P −1 AP • Ako su A i B matrice istog linearnog operatora u odnosu na neke baze tada su A i B sliˇne...  c2n ...... v2 .. an2 . a2n ... cn2   ... Kvadratne matrice A i B su sliˇne ako i samo ako postoji linearni operator koga one reprezentuju . u2 . + c2n un .....16..... + c1n un v2 = c21 u1 + c22 u2 + . s c . Vrednost determinante je skalar! a11 a21 ......10 Promena baze i matrica operatora Neka je S = {u1 . .. + cnn un Neka je P matrica promene baze sa baze S na bazu S ′ . Tada je [T ]S ′ = P −1 [T ]S P Dokaz.. .. ...... vn = cn1 u1 + cn2 u2 + ..Linearna Algebra i Analitiˇka Geometrija – 58 – c 5...17.. . • Fiksirajmo bazu S prostora V . c Dokaz.. Videti Problem 10. vn } druga (‘nova’) baza prostora V . Neka je P matrica promene baze sa baze S na bazu S ′ vektorskog prostora V i neka je T linearni operator na V .. .... an1 a12 a22 ....... oznaka det(A) ili |A|. c1n P je inverzibilna i za svaki vektor w ∈ V vaˇi: z P [w]S ′ = [w]S i P −1 [w]S = [w]S ′ podsetimo. ann det(aij )n×n obiˇno oznaˇavamo i sa: c c Determinante se javljaju prirodno kod reˇavanja sistema linearnih jednaˇina.. a1n ...... un } baza prostora V i neka je S ′ = {v1 . cnn Teorema 5. to je transponovana matrica koeficijenata gornjeg  c21 ... 6 DETERMINANTE Za svaku kvadratnu matricu A = (aij )n×n sa elementima iz polja F (obiˇno je F = R) definisa´emo njenu determic c nantu... Svaka inverzibilna matrica je matrica promene baze sa S na neku drugu bazu Teorema 5. .19.. v1 = c11 u1 + c12 u2 + ...... c S′. ‘sistema’:  c11  c12 P =  . cn1 c22 .

+ a b c d = ad − bc = − ↘ a b c d ↗ • Posmatrajmo sistem: a11 x + a12 y = b1 a21 x + a22 y = b2 Mnoˇe´i prvu sa a22 pa oduzimaju´i drugu pomnoˇenu sa −a12 : z c c z (a11 a22 − a21 a12 )x = (b1 a22 − b2 a12 ) Sliˇno c (a11 a22 − a21 a12 )y = (a11 b2 − b1 a21 ) • Ako je (a11 a22 − a21 a12 ) ̸= 0 imamo jedinstveno reˇenje sistema: s b1 a12 b2 a22 a11 a12 a21 a22 a11 b1 a21 b2 a11 a12 a21 a22 x= y= Ovaj • je jednostavnije zapisati uz slede´e oznake: c ∆= ∆x = ∆y = a11 a21 b1 b2 a11 a21 a12 a22 a12 a22 b1 b2 je determinanta sistema je determinanta po x je determinanta po y • Ako je ∆ ̸= 0 tada sistem ima jedinstveno reˇenje koje raˇunamo po formulama: s c ∆x ∆ Primer 6.Linearna Algebra i Analitiˇka Geometrija – 59 – c 6.1.1 Determinante reda 1. Metodom determinanti reˇavamo sistem: s x= y= ∆y ∆ 3x + 2y = 11 2x − y = 5 ∆= 3 2 2 −1 = −7 ∆x = 11 2 5 −1 = −21 ∆y = 3 11 2 5 = −7 kako je ∆ ̸= 0 sistem ima jedinstveno reˇenje: s x= ∆x ∆y =3 y= =1 ∆ ∆ • Reˇavaju´i 3 × 3 sistem dolazi se do slede´e definicije: s c c a11 a12 a13 a22 a23 a21 a22 a23 = a11 − a12 a32 a33 a31 a32 a33 a21 a31 a23 a33 + a13 a21 a31 a22 a32 = = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a31 a22 a13 − a32 a23 a11 − a33 a21 a12 ˇ • Cesto se izraˇunava koriˇ´enjem Sarusovog pravila: c sc . 2 i 3 |a| = a .

. 2... Vaˇi i uopˇtenje ali se za n ≥ 4 determinante teˇe c z s z ˇ raˇunaju jer NEMA PRAVILA SLICNOG SARUSOVOM ZA n ≥ 4 !!! c 6. Reˇavamo sistem 2x + y + z = 5 −x − 3y + 5z = 4 3x − y + z = 4 ∆= 2 −1 3 1 1 −3 5 −1 1 = −30 ∆x = 5 4 4 1 1 −3 5 −1 1 5 4 4 = −30 ∆y = 2 5 1 −1 4 5 3 4 1 −30 =1 −30 = 0 ∆z = 2 1 −1 −3 3 −1 = −30 kako je δ ̸= 0 sistem ima jedinstveno reˇenje: s x= y= 0 =0 −30 z= −30 =1 −30 • Ovo su specijalni sluˇajevi Kramerove teoreme (n = 2.. . n} i oznaˇavamo je kao: c π(1).. π(n) Zapisujemo je i kao ‘preraspodelu’ elemenata skupa {1. n} −→ {1. n π= π(1) π(2) .. π(2). ... 2... 2.2. . n} zapisujemo u obliku: ( ) 1 2 . π(n) . 3)....Linearna Algebra i Analitiˇka Geometrija – 60 – c + a11 a21 a31 a12 a22 a32 a13 a23 a33 + ↘ ↘ a11 a21 a31 a12 a22 a32 + ↘ a13 a23 a33 ↗ − a11 a21 a31 a12 a22 a32 = − a11 a21 a31 a12 a22 a32 a13 a23 a33 ↗ ↗ − • Ako je ∆ = ̸= 0 sistem a11 x + a12 y + a13 z = b1 a21 x + a22 y + a23 z = b2 a31 x + a32 y + a33 z = b3 ima jedinstveno reˇenje: s ∆x ∆y ∆z y= z= ∆ ∆ ∆ gde se ∆x (∆y . ∆z ) dobija zamenom kolone koeficijaenata uz x (y.. z) kolonom b-ova: x= ∆x = b1 b2 b3 a12 a22 a32 a13 a23 a33 ∆y = a11 a21 a31 b1 b2 b3 a13 a23 a33 ∆z = a11 a21 a31 a12 a22 a32 b1 b2 b3 s Primer 6.2 Permutacije Permutacija skupa {1.. . 2. permutaciju π : {1. n} je bijekcija tog skupa u samog sebe..... .

. • Inverzija u permutaciji π(1). anπ(n) moˇemo opisati kao proizvode aij -ova takve da je iz svake vrste i svake kolone z uzet taˇno po jedan! c Teorema 6. Teorema 6. (5. n}. z Dokaz .. 4} takvu da je π(1) = 3. • Ima ukupno n! = 1 · 2 · .4). 2. π(2)..3 Definicija i osnovna svojstva determinanti Definicija 6. ...3. π(4) = c 1.2. Teorema 6. 4} −→ {1. s • Za n = 2. 3 definicija se slaˇe sa prethodnom. Pretpostavimo da je kvadratna matrica B dobijena iz A primenom elementarne transformacije vrsta (ili kolona). π(n) je (svaki) par (π(i).2).1. Dokaz .. (3. oznaka sgn(π) = 1.1) 4 je na prvom mestu u (4..... 2. 3. 2. (1) Ako su dve vrste (kolone) zamenile mesta u A tada je |B| = −|A| (2) Ako je neka vrsta (kolona) matrice A pomnoˇena sa k tada je z |B| = k |A| (3) Ako je neka vrsta (kolona) pomnoˇena nekim skalarom dodata nekoj drugoj vrsti (koloni) tada je z |B| = |A| .4.3...1) 5 je na prvom mestu u (5. U permutaciji 32541 ima ukupno 6 inverzija: 2 je na prvom mestu u (2. Determinanta matrice A = (aij )n×n oznaka |A| ili det(A) je ∑ |A| = sgn(π) a1π(1) a2π(2) . Neka je A kvadratna matrica.. n}.1) • Permutacija π je parna ako ima paran broj inverzija.. (2) Ako A ima dve jednake vrste (kolone) tada je |A| = 0. π(j) takav da je i > j. 2. z • Sabirke a1π(1) a2π(2) .1) 3 je na prvom mestu u (3. · n permutacija skupa {1. . 3.... . Za svaku kvadratnu matricu vaˇi det(A) = det(AT ) .. π(2) = 2. Primer 6.Linearna Algebra i Analitiˇka Geometrija – 61 – c Na primer 3. (1) Ako A ima nula-vrstu (ili kolonu) tada je |A| = 0 .1.. (3) Ako je A trougaona (gornje ili donje) tada je |A| jednaka proizvodu elemenata na glavnoj dijagonali.2. • 32541 i 3412 su parne permutacije dok su 32451 i 2413 neparne. 6. u suprotnom ona je neparna ili sgn(π) = −1. π(3) = 4.1 oznaˇava permutaciju π : {1. anπ(n) π gde se sumiranje vrˇi po svim permutacijama skupa {1.

. Teorema 6. −3 6 4 5 −3 2 5 5 −2 = 38.5.3(3)). pa izvuˇemo 8 iz prve vrste c (teorema 6.2(3). A21 = − = −1. A32 = − 5 7 −2 −3 2 7 6 4 = 1. A33 = = −24.4 Minori i kofaktori. Dokaz Videti Problem 7.4. 2 5 6 3 A31 = = 34.. (Binet-Cauchy) Dokaz Videti Problem 7.4. onda Gaus: 5 1 1 1 1 5 1 1 1 1 5 1 1 1 1 5 8 1 1 1 8 5 1 1 8 1 5 1 8 1 1 5 1 1 1 1 1 1 1 5 1 1 1 5 1 1 1 5 1 0 0 0 1 4 0 0 1 0 4 0 1 0 0 4 = =8 =8 = 8 · 43 • Ako je E matrica neke elementarne transformacije vrsta (ili kolona) tada je |E A| = |E| |A| • Neka se matrica B dobija iz A primenom elementarnih transformacije vrsta i kolona. • Minor polja (i.28 6. j) matrice A je: Aij = (−1)i+j |Mij | 2 5 Primer 6.5. j) (ili elementa aij ) matrice A je (skalar) |Mij | • Kofaktor polja (i. A13 = 6 3 5 −2 5 7 3 4 = −27. Neka je A =  6 3 5 −2 A11 = 3 −2 4 −3   7 4 . = −1. Izraˇuna´emo c c . 1 1 5 1 1 1 1 5 Prvo saberemo sve vrste u prvu (determinanta se ne menja prema teoremi 6. . A23 = − A22 = 2 7 5 −3 = 29.3(2)). Prethodne dve teoreme daju jednu od strategija za izraˇunavanje determinanti: koriste´i elementarne transformacije c c svedemo determinantu na trougaoni oblik pa primenimo teoremu 6. Kvadratna matrica A je inverzibilna ako i samo ako je det(A) ̸= 0. A12 = − = −41.27 |A B| = |A| |B| . Tada je |A| = 0 ako i samo ako |B| = 0 Teorema 6. 5 1 1 1 1 5 1 1 Primer 6.Linearna Algebra i Analitiˇka Geometrija – 62 – c Dokaz . izraˇunavanje determinante c Neka je A = (aij ) kvadratna matrica reda n i neka Mij oznaˇava matricu koja se dobija iz A brisanjem i-te vrste i c j-te kolone.

.6 razviti determinantu po toj vrsti (koloni). c Korak 2 Koriste´i pivota elementarnim transformacijama napraviti sve ostale nule u toj vrsti (koloni). . Ann ... A1n  A21 A22 ... Zgodan je a23 = 1 u drugoj vrsti: Primer 6. Neka je A = (aij ) kvadratna matrica reda n.Linearna Algebra i Analitiˇka Geometrija – 63 – c Teorema 6.7. Dobijamo matricu za red kra´u.3): (1) Ako zamenimo mesta dvema vrstama (kolonama) determinanta menja znak. (1) Vaˇi formula za razvoj po i-toj vrsti: z |A| = ai1 Ai1 + ai2 Ai2 + ...  .5 Adjungovana matrica Neka je A = (aij ) kvadratna matrica reda n. A2n  . c Korak 3 Primenom Teoreme 6. An2   . + anj Anj   7 4 . z c (3) Ako jednoj vrsti dodamo k puta neku drugu vrstu determinanta se ne menja! Korak 1 Prona´i ‘zgodnu vrstu i pivota’ u njoj (ili kolonu)..6. + ain Ain (2) Vaˇi formula za razvoj po i-toj koloni: z |A| = a1j A1j + a2j A2j + . (2) Ako jednu vrstu (ili kolonu) pomnoˇimo sa k ̸= 0 determinanta se uve´a k puta.. An1 . pa c ponavljamo postupak dok . Tada je: −3 = −1 A12 = − 6 4 5 −3 = 38 A13 = 6 3 5 −2 = −27 2 5 Primer 6.. A =  3 1 5 −2 −3 2 5 3 1 5 −2 7 1 −3 −19 0 14 −2 7 0 1 1 −3 = (−1)2+3 · 1 · −19 14 −2 1 = = Sad moˇe i da se izraˇuna 2 × 2 determinanta: z c = −1((−19)1 − 14(−2)) = 1 6...   2 5 7 1 . Neka je A =  6 3 5 −2 A11 = Razvoj po prvoj vrsti: 3 4 −2 −3 |A| = a11 A11 + a12 A12 + a13 A1n = = 2 · (−1) + 5 · 38 + 7 · (−27) = −1 Za praktiˇno izraˇunavanje determinante Koristimo razvoj po vrstama (kolonama) i pravila za elementarne transc c formacije (Teorema 6.6. Adjungovana matrica matrice A (adjunct of A) je: A11  A12 adj(A) =   ...

8   −1 1 −1 adjA =  38 −41 34  −27 29 −24 (b) Ako je A inverzibilna tada je A−1 = Prema teoremi 6.8(2) A−1 −1 = −  38 −27  1 −41 29  −1 34  −24 • Kvadratna matrica A je inverzibilna ako i samo ako je adj(A) inverzibilna. . U sluˇaju inverzibilnosti vaˇi: c z |adj(A)| = |A|n−1 6.5: A =  6 3 c 5 −2 −3 primeru 6. det(A)   2 5 7 4 .33  Teorema 6. U primeru 6.5: A =  6 3 c 5 −2 −3 A11 = −1 A12 = 38 A13 = −27 A21 = 1 A22 == −41 A23 = 29 A31 = −1 A32 = 34 A33 = −24  −1 1 −1 Prema tome adjA =  38 −41 34  −27 29 −24 Laplasova teorema (u primeru 6.6 smo izraˇunali |A| = −1 a u Primer 6. (a) A je inverzibilna ako i samo ako det(A) ̸= 0.Linearna Algebra i Analitiˇka Geometrija – 64 – c Teorema 6.9. Izraˇunali smo: Primer 6.   ..6 imamo |A| = −1):       2 5 7 −1 1 −1 −1 0 0  6 3 4  ·  38 −41 34  =  0 −1 0  = |A| I 5 −2 −3 −27 29 −24 0 0 −1  Dokaz Videti Problem 7. Uzmimo matricu iz primera 6. an1 an2 . . ann     x1 b1   x2   b2 · =   ... 1 adj(A). a2n   . xn bn   . . a1n  a21 a22 ...  .8. Uzmimo matricu iz primera 6.8.. Neka je A kvadratna matrica.6 Kramerova teorema Posmatrajmo sistem linearnih jednaˇina A X = B : c  a11 a12 .7... (Laplas) Za svaku kvadratnu matricu A vaˇi: z A · adj(A) = adj(A) · A = det(A) I  2 5 7 4 .

c (2) Neka je ∆ = 0 i za bar jedno i je ∆xi ̸= 0. Ako  ∆ · x1  ∆ · x2   .  ∆xn  a12 a22 .  ∆xn   ∆x1   ∆x2  =    . ann ∆x1 = . ∆ · xn ∆xn Zakljuˇujemo da je prethodna jednakost ekvivalentna sa AX = B...... = . ∆ · xn ˇto nije mogu´e...... s • Primetimo da o sluˇaju c ∆ = ∆x1 = ∆x2 = ..... an2   .. s c s Teorema 6.10. an1 je X reˇenje AX = B mnoˇenjem sleva sa adj(A) dobijemo s z    ∆x1   ∆x2  =    . . bn a12 a22 .... Homogeni kvadratni sistem  a11  a21   . xn = .9.. . a2n . an1 b1 b2 .  0  ima netrivijalno reˇenje ako i samo ako je det(aij ) = 0.. .. ......... + Ann bn     ∆ · x1 ∆x1  ∆ · x 2   ∆x2       . .   ... ..  . Primer 6. = ∆xn = 0 Kramer ne kaˇe niˇta.. ann a11 a21 ....... Iz A X = B sledi adj(A) · A · X = adj(A) · B Vaˇi i obrnuto: mnoˇenjem sleva sa adj(A)−1 dobijamo AX = B z z Primenom Laplasove teoreme (det(A) · I) · X = adj(A) · B    x1 A11 b1 + A21 b2 + . + An2 bn   ∆·  ..Linearna Algebra i Analitiˇka Geometrija – 65 – c Neka je ∆ = det(A) i neka je ∆xi dobijena zamenom i-te kolone u ∆ sa B: b1 b2 . .. Kramerova teorema (1) Sistem ima jedinstveno reˇenje ako i samo ako je ∆ ̸= 0. a z s c s s nekad da ih nema.. ∆ ∆ ∆ (2) Ako je ∆ = 0 i za bar jedno i je ∆xi ̸= 0 onda sistem nema reˇenja. Nema reˇenja. x2 = . a1n .. bn . reˇi´emo sistem: c sc .. U ovom sluˇaju sistem reˇavamo nekom drugom metodom i nekad dobijamo da ima reˇenja.. xn A1n b1 + A2n b2 + .. + An1 bn  x2   A12 b1 + A22 b2 + . an2 . ann xn   0   0  =    .. ∆ x2 = ... a1n x1 .. a2n   x2 · .. s Dokaz . a2n . u tom sluˇaju je s c x1 = ∆x2 ∆ xn ∆x1 . Koriste´i Kramerovo pravilo. .  =  . a1n .. Dokaz Kramerove teoreme (1) Pretpostavimo da je ∆ ̸= 0 (tada je i adj(A) inverzibilna). .

12. s s Primer 6. ali sistem je zapravo: c z x+y+z =1 x+y+z =2 x + y + z = 1.11. c s Primer 6. z= 2 m+1 (m − 1) m−1 U ovom sluˇaju ∆ = ∆x = ∆y = ∆z = 0. i reˇenja su: x = 1 − a − b y = b z = a (a. gde je a realan parametar. Koriste´i Kramerovo pravilo. Reˇavamo sistem: s mx + y + z = 1 x + my + z = m + 1 x + my + mz = 1. pa Kramer ne pomaˇe.Linearna Algebra i Analitiˇka Geometrija – 66 – c x+y+z =0 x + 2y + z = 1 2x + y + az = 1. 1 (2) m = 1 ∆x = ∆y = ∆z = (m − 1)2 1 . gde je m realan parametar. sistem ima jedinstveno reˇenje: x = y = z = s x+y+z =1 x+y+z =1 x + y + z = 1. reˇi´emo sistem: c sc mx + y + z = 1 x + my + z = 1 x + y + mz = 1. prema Krameru. c s . Kramer ne kaˇe niˇta u ovom sluˇaju. Imamo dva sluˇaja: s c (1) a ̸= 2 U ovom sluˇaju je ∆ ̸= 0 pa. b ∈ R) s (3) m = −2 tada je ∆ = 0. prema Krameru. i oˇito nema reˇenja. ali ∆x ̸= 0 pa prema Krameru naˇ sistem nema reˇenja. sistem ima jedinstveno reˇenje: c s x= ∆x −a = ∆ a−2 y= a−2 =1 a−2 z= 2 a−2 (2) a=2 U ovom sluˇaju je ∆ = 0 a ∆x = −2 ̸= 0. ali ∆x = 1 ̸= 0. m+2 Tada je ∆ = ∆x = ∆y = ∆z = 0. c s (3) m = −1 U ovom sluˇaju ∆ = 0. prema Krameru. sistem nema reˇenja. ∆ = (m + 2)(m − 1)2 (1) m ̸= −2. ∆= 1 1 1 2 2 1 1 0 1 1 2 1 1 1 a 1 1 a =a−2 ∆x = 0 1 1 1 1 2 1 2 1 1 2 1 1 1 a 0 1 1 = −a ∆y = =a−2 ∆z = =2 Reˇenja sistema zavise od vrednosti parametra a (da li je ∆ = 0 ili ∆ ̸= 0). ali sistem postaje: z s c Tada je ∆ ̸= 0 pa. ∆ = (m + 1)(m − 1)2 ∆x = (m − 1)2 ∆y = (m − 1)(m2 + 2m − 1) ∆z = −m(m2 − 1) (1) m ̸= ±1 Tada je ∆ ̸= 0 pa Kramer kaˇe da sistem ima jedinstveno reˇenje: z s x= (2) m = 1 1 m2 + 2m − 1 −m . y= . prema Krameru sistem nema reˇenja.

Pozitivna definitnost: . A2 . det(An ) Dokaz . Primenimo Koˇi-Binea: s det(T2 ) = det(P ) det(T1 ) det(P −1 ) = det(P ) det(T1 ) det(P )−1 = det(T1 ) ˇto je i trebalo pokazati. ... v >∈ R i koja zadovoljava slede´e uslove: c (1) Linearnost (po prvom argumentu): < au1 + bu2 . Dokaz.. det(T1 ) = det(T2 ) . v >=< v. = 3 2 4 5 5 2 3 1 2 = 7(−1)2 = −14 6. . v >= a < u1 .. u > ≥ 0 i < u. Definicija 7... .. . 3 1 . .. . u > = 0 ako i samo ako u = 0.. 0 0 . 0 . . (Realni) skalarni proizvod ((real) inner product) na V je funkcija koja svakom paru vektora u.7 Determinante blok matrica Teorema 6. Tada je T2 = P T1 P −1 . . . Determinantu razloˇimo na blokove: z 3 4 .10.. v > (2) (3) Komutativnost: < u.. Neka je P matrica prelaska sa baze S1 na bazu S2 . 0 . . . .. 2 . 3 4 0 0 0 90 2 67 5 23 0 5 0 3 0 0 7 −8 2 1 0 90 65 82 31 2 Primer 6. .1.. . . .. Tada je det(M ) = det(A1 ) det(A2 ) . . . .. .. v > +b < u2 . Neka su S1 i S2 baze za V i neka su T1 i T2 matrice operatora u odnosu na njih. 0 ..1. 67 7 65 .. .. ... . . .. Neka je M trougaona (gornje ili donje) blok matrica sa dijagonalnim blokovima A1 .13.. . .. 0 2 5 23 −8 .Linearna Algebra i Analitiˇka Geometrija – 67 – c 6..... 82 ... 7 UNITARNI PROSTORI Neka je V vektorski prostor nad R (realni vektorski prostor). 31 . An ... . .. 5 2 .. . .8 Determinanta linearnog operatora Neka je T : V −→ V linearni operator na n-dimenzionom vektorskom prostoru V . u > < u. v ∈ V dodeljuje broj < u. Lema 6. 0 0 .. s • Determinanta linearnog operatora je determinanta njene matrice u odnosu na neku bazu. .

u > = < v... u2 . vn ) u Rn smo definisali sa: u · v = u1 v1 + u2 v2 + . • Aksioma (1) je ekvivalentna sa: < u1 + u2 .. Norma vektora u = (u1 . Na primer: c (u + 2 v) ◦ (u + 3 v) = u2 + 5 u◦. bj vj > = ai bj < ui . Standardni skalarni proizvod vektora u = (u1 . v2 .Linearna Algebra i Analitiˇka Geometrija – 68 – c (Realni) unitarni prostor je vektorski prostor snabdeven skalarnim proizvodom. 0 > = 0 • Iz linearnosti po prvoj promenljivoj i komutativnosti sledi linearnost i po drugoj promenljivoj: u ◦ (cv1 + dv2 ) = c u ◦ v1 + d u ◦ v2 • Linearnost nam omogu´uje da linearne kombinacije vektora mnoˇimo kao linearne kombinacije brojeva po c z principu ‘svaki sa svakim’ pri ˇemu skalare izdvajamo ispred: c (u1 + u2 ) ◦ (v1 + v2 ) = u1 ◦ v1 + u1 ◦ v2 + u2 ◦ v1 + u2 ◦ v2 (a u1 + b u2 ) ◦ (c v1 + d v2 ) = ac(u1 ◦ v1 ) + ad(u1 ◦ v2 ) + bc(u2 ◦ v1 ) + bd(u2 ◦ v2 ) • Opˇtije: s ( ili < n ∑ i=1 n ∑ i=1 m n m ∑ ∑∑ ai ui ) ◦ ( b j vj ) = ai bj (ui ◦ vj ) j=1 m ∑ j=1 i=1 j=1 n m ∑∑ i=1 j=1 ai ui .. u > u2 je direktna asocira na apsolutnu vrednost broja. + un vn (∈ R) . . . Pri ovakvom zapisu linearnost (prema prethodnoj primedbi) se c razlaˇe na distributivnost + u odnosu na skalarno mnoˇenje z z (u1 + u2 ) ◦ v = u1 ◦ v + u2 ◦ v i na izvlaˇenje skalara ispred skalarnog proizvoda: c (a u) ◦ v = a (u ◦ v) • Linearnost izraˇena preko ◦ je: z (a u1 + bu2 ) ◦ v = au1 ◦ v + bu2 ◦ v • < 0.... . v > + < u2 . Primer 7. v + 6 v2 Paˇnja: z un nema smisla za n ≥ 3!!! Definicija 7.. v > = a < u.. vj > ˇ • Cesto se v ◦ v oznaˇava i sa v2 . u2 . v > • Skalarni proizvod oznaˇavamo i sa u ◦ v .1. v >=< u1 . un ) i v = (v1 . v > i < a u.2.. un ) je: ∥u∥ = • ∥u∥ = √ √ < u..

s y+z =0 . Neka je V prostor neprekidnih realnih funkcija na intervalu [a. (Cauchy-Shwartz) |u ◦ v| ≤ ∥u∥ ∥v∥ .11 • Ako je ∥u∥ = 1 onda je u jediniˇni vektor (unit vector) ili normiran (normalized). tr(C). (1) (2) (3) Za vektore u. B >= tr(B T A) skalarni proizvod. −1). v > = 0 Primer 7.2.2. Dokaz Problem 6. ∥k v∥ = |k| ∥v∥ ∥u + v∥ ≤ ∥u∥ + ∥v∥ Dokaz Problem 6. 7. je zbir elemenata glavne dijagonale.Linearna Algebra i Analitiˇka Geometrija – 69 – c Primer 7. v > ∥u∥ ∥v∥ 7. Neka je V prostor m × n realnih matrica. 1) standardnog R3 : z 2x + y − z = 0 Svako reˇenje ovog sistema odgovara.3.1 Koˇi-Svarcova nejednakost s ˇ Teorema 7. c • Normiranje ne-nula vektora u je v = 1 u (∥v∥ = 1) ∥u∥ • d(u.1. g >= a b f (t)g(t)dt skalarni proizvod. y.4. ili trag kvadratne matrice C. c • Ugao izmedju vektora u i v unitarnog prostora je: cos θ = < u.2 Ortogonalnost Vektori u i v unitarnog prostora su ortogonalni ili normalni ako vaˇi z < u. v) = ∥u − v∥ je rastojanje izmedju taˇaka u i v unitarnog prostora. Primer 7. Tada je: < A.10 Teorema 7. 1. z) koji je normalan na vektore (2. Traˇimo vektor u = (x. −1) i (0. b]. v ∈ Rn vaˇi z ∥v∥ = 0 ako i samo ako v = 0 ∥v∥ ≥ 0. 1. na primer (−1. Tada je: ∫ < f. 1.

Normalizacijom ortogonalnog skupa dobijamo ortonormirani skup. s c z Teorema 7... .4.4 Furijeovi koeficijenti Koordinate vektora u odnosu na ortogonalnu bazu se raˇunaju lakˇe nego u sluˇaju proizvoljne baze. + ∥un ∥2 Dokaz Problem 6..3. koji zahteva nekoliko prethodnih tvrdjenja. • Naˇ cilj u narednom delu je dokaz slede´e vaˇne teoreme.Linearna Algebra i Analitiˇka Geometrija – 70 – c Neka je S bilo koji skup vektora unitarnog prostora.3 ne vaˇi u proizvoljnom beskonaˇno-dimenzionom prostoru! z c 7.un ∥2 = ∥u1 ∥2 + . c • Ortogonalna baza vektorskog prostora je baza koja je ortogonalan skup. u2 . Svi vektori koji su normalni na svaki vektor iz S ˇine c ortogonalni komplement skupa S: S ⊥ = {u ∈ V | < u. To pokazuje c s c i naredni primer. a u⊥ ∈ U ⊥ je ortogonalna dopuna vektora v u odnosu na potprostor U . ..3 Ortogonalni skupovi i baze Skup vektora je ortogonalan ako je svaki par njegovih vektora ortogonalan.. un } ortogonalan skup vektora tada je: ∥u1 + . (Pitagorina teorema) Ako je {u1 . Ortonormiran skup vektora je ortogonalan skup ˇiji su svi elementi jediniˇni vektori. c Teorema 7.5. c c • Normiranje ortogonalnog skupa ne-nula vektora je normiranje svakog u u njemu (zamena sa v = 1 u koji ∥u∥ je jediniˇni). s > = 0 za svaki s ∈ S} • ‘< u.20 Teorema 7.. Svaki ortogonalan skup ne-nula vektora je linearno nezavisan. Ako je U potprostor konaˇno-dimenzionog prostora V tada je c V = U ⊕ U⊥ • Ekvivalentno: svaki vektor v se na jedinstven naˇin piˇe kao c s v = u + u⊥ .21 7. • u⊥ je i ortogonalna projekcija vektora v na potprostor U ⊥ • Teorema 7. s > = 0 za svaki s ∈ S’ piˇemo kra´e i s c u ⊥ S: S ⊥ = {u ∈ V | u ⊥ S} • S ⊥ je potprostor prostora V . gde je u ∈ U ortogonalna projekcija vektora v na potprostor U . Sliˇno za ortonormiranu bazu.. Dokaz Problem 6.

un } ortogonalna baza vektorskog prostora V .. Prema teoremi 7. 1) · (2. v > < v.. −1) = = =2 u1 · u1 ∥u1 ∥2 6 v = 2 u1 + u2 + u3 Naredna definicija je motivisana situacijom u prostoru Rn sa standardnim skalarnim proizvodom. . mnoˇenjem sa u2 i u3 dobijamo y = 1 i z = 1. u > Definicija 7. To je ortogonalna baza. ali nije ortonormirana: √ √ √ √ ∥u1 ∥ = 12 + 22 + 12 = 6 ∥u2 ∥ = 21 ∥u3 ∥ = 14 Izrazimo vektor v = (7. ui > ui je projekcija vektora v na vektor ui . u2 > < v.. 2. 1. Tada je za svaki v ∈ V : v= Dokaz . 2.4 oni su linearno nezavisni pa ˇine c c c c bazu (dimenzija je 3). Proverimo da oni ˇine ortogonalnu c bazu standardnog R3 : u1 · u2 = (1. −4) = 1 · 2 + 2 · 1 + 1 · (−4) = 0 Sliˇno u3 · u2 = u1 · u3 = 0.. −4) u3 = (3. −1) kao linearnu kombinaciju: v = xu1 + yu2 + zu3 Pomnoˇimo skalarno sa u1 : z u1 · v = x u1 · u1 + y u1 · u2 + zu1 · u3 u1 · v = xu1 · u1 + 0 + 0 Odatle je x = u1 · v u1 · v (1.5.. u > = < u.6 moˇemo izraziti i na slede´i naˇin: z c c ∥ui ∥2 < u.. . u > c= je jedinstven skalar koji zadovoljava: ∥u∥2 6 v v − cu u Sliˇno. • < v. pa teoremu 7. 2.. + un ∥u1 ∥2 ∥u2 ∥2 ∥un ∥2 0 Ako je {u1 . 1. c z u ◦ (v − c u) = 0 cu v◦u u ◦ (v − c u) = u ◦ v − c u ◦ u = u ◦ v − c ∥u∥2 = 0 povlaˇi c = c ∥u∥2 Teorema 7. 1) · (7. un > u1 + u2 + . ... u > ∥u∥2 < v. 3. < v. Vektor proj(v. + cn un gde je ci komponenta vektora v u odnosu na ui . Neka je {u1 . −2..Linearna Algebra i Analitiˇka Geometrija – 71 – c Primer 7.3. 1) u2 = (2. Posmatrajmo vektore u1 = (1. Znaˇi oni ˇine ortogonalan skup. ∥u∥2 • Motivacija za prethodnu definiciju je sledec1a ˇinjenica: c < v. un } ortogonalna baza vektorskog prostora V tada je svaki v ∈ V jednak zbiru svojih projekcija na bazne vektore.6.. 3. u1 > < v. u) = u je projekcija vektora v na vektor u unitarnog prostora. 1). • Furijeov koeficijent ili komponenta vektora v u odnosu na u je skalar: c= Prethodna formula postaje: v = c1 u1 + c2 u2 + ...

. u2 > ∥u2 ∥2 . un > u1 + u2 + . Tada za sve skalare a1 .7. a2 . Neka je v ∈ V i neka je ci Furijeov koeficijent vektora v u odnosu na ei .. vn } baza unitarnog prostora V . un ) • Prethodna teorema dokazuje V = U ⊕ U ⊥ ˇto je specijalan sluˇaj teoreme 7.. v − v′ ∈ U ⊥ ) v′ = c1 u1 + c2 u2 + .. (Beselova nejednakost) Neka vektori {e1 .. .. + proj(v.3 preostaje da dokaˇemo da svaki konaˇno-dimenzioni z c unitarni prostor ima ortogonalnu bazu.. cn = < v.... U ) c • Projekciju vektora v na potprostor generisan ortogonalnim skupom vektora {u1 .j.Linearna Algebra i Analitiˇka Geometrija – 72 – c Teorema 7. .....5 Beselova nejednakost Teorema 7.9.. • v′ je ortogonalna projekcija vektora v na potprostor U . Da kompletiramo dokaz teoreme 7. . u2 > < v. un > ∥un ∥2 Dokaz .8. u2 ) + . .. an : ∥v − Dokaz Problem 6.... en } ˇine ortogonormiran skup vektora u vektorskom c prostoru V . U ) = < v. • Prethodna teorema garantuje da svaki vektor ima ortogonalnu projekciju na konaˇno-dimenzioni potprostor.. c s c c 7. (1) Za svaki v ∈ V postoji jedinstven v′ ∈ U takav da je v − v′ ⊥ U (2) ( t.. un } ˇine ortogonalan skup ne-nula vektora u vektorskom prostoru V i neka je c U potprostor generisan njima.. Neka vektori {w1 . un } raˇunamo po formuli: c proj(v.. wn } ˇine ortogonalan skup ne-nula vektora u vektorskom prostoru V .. U ) = proj(v.. .6 ˇ Gram-Smitov postupak ortogonalizacije Neka je {v1 ... wn } takav da je: w1 = v 1 w2 = a21 v1 + v2 ˇ Gram-Smitovim postupkom nalazimo ortogonalan skup . Neka je c v ∈ V i neka su ci Furijeovi koeficijenti v u odnosu na wi . u1 ) + proj(v. v1 ... Neka vektori {u1 . {w1 .31 Teorema 7. + un 2 2 ∥u1 ∥ ∥u2 ∥ ∥un ∥2 Projekcija na potprostor je zbir projekcija na vektore ortogonalne baze tog potprostora: proj(v..3 (dodata je pretpostavka da s c U ima ortogonalnu bazu). u1 > < v. To c nije taˇno u opˇtem sluˇaju beskonaˇno dimenzionih potprostora. ... Tada : n ∑ i=1 n ∑ i=1 ci wi ∥ ≤ ∥v − n ∑ i=1 ai wi ∥ c2 ≤ ∥v∥2 i Dokaz Problem 6. oznaˇavamo ga sa proj(v. u1 > ∥u1 ∥2 c2 = < v. w1 .32 7.. + cn un gde su ci Furijeovi koeficijenti: c1 = < v.

Postupak je zasnovan na teoremi 7.n−1 vn−1 + vn Primetimo da je svaki ovakav skup baza prostora V (poˇto se svaki vi moˇe izraziti kao linearna kombinacija wi -ova) s z pa je {w1 ..... . u2 .. w1 . wn } ortogonalna baza prostora V . un } takva da je matrica promene baze sa {vi } na {ui } trougaona.Linearna Algebra i Analitiˇka Geometrija – 73 – c ....3: Teorema 7.. w1 . prema gornjem.33 • Iz prethodne teoreme sledi da svaki konaˇno-dimenzioni unitarni prostor ima ortogonalnu bazu ˇto u kombinaciji c s sa teoremom 7.11... .... w2 > < v3 .. .3... t. w1 > < vn . .. v2 ..10... W ⊥ ) 1 wi ∥wi ∥ wk = vk − proj(vk .... pa.7: w1 = v 1 < v2 . ... wn } baza za V . Ako je {v1 .. wk } c moˇe biti proˇiren do ortogonalne baze.. w2 ... c Teorema 7... wn−1 > w1 + ....j. z s Dokaz Problem 6.....k−1 vk−1 + vk pa je {w1 ..35 • Alternativni naˇin formulacije prethodne teoreme je: c Svaki vektor v konaˇno-dimenzionog prostora V se na jedinstven naˇin piˇe u obliku c c s v = proj(v. + an... wk−1 ) Sledi da je {w1 . • Primetimo da je pa je zbog teoreme 7......... • Ukoliko normiramo svaki wi : ui = dobijemo ortonormiranu bazu {ui } (jediniˇni vektori)..7 daje dokaz teoreme 7.. Ako je U potprostor konaˇno-dimenzionog prostora V tada je c V = U ⊕ U⊥ Dokaz Problem 6.32 Teorema 7... + ak.7: wk ⊥ span(w1 . + akk vk Dokaz Problem 6.. wk−1 )) .. Svaki ortogonalan skup ne-nula vektora konaˇnodimrnzionog unitarnog prostora V {w1 . wn } ortogonalan... w1 . vn } baza unitarnog prostora V tada postoji ortonormirana baza {u1 . w1 > w1 ∥w1 ∥2 ) ( < v 3 . .. + wn−1 2 ∥w1 ∥ ∥wn−1 ∥2 ) .... w1 > w1 + w2 w3 = v 3 − ∥w1 ∥2 ∥w2 ∥2 w2 = v 2 − ( wn = v n − • Iz konstrukcije sledi: wk = ak1 v1 + .. < v n . . wn = an1 v1 + . za svaki k je: uk = ak1 v1 + ak2 v2 + .. .... span(w1 .. W ) + proj(v. je ortogonalna baza.......

3) − (1. 0. . 0. 1) = (3. 1) + (−1. 1. (1. 0. 2. . 0. 3.. vn ) je dijagonalna matrica.. 1.. 0.. 1. 1.. 3). 1)∥2 = (1. 1. w2 ): c proj(v.8 Matriˇno predstavljanje skalarnog proizvoda c Neka je {v1 .Linearna Algebra i Analitiˇka Geometrija – 74 – c 7. vn } baza unitarnog prostora V . vn ◦ v1 vn ◦ v2 . 3). 1. 5) > = ∥(2.. 2. 5) > = ∥(2. 3. 0. w2 > w1 + w2 ∥w1 ∥2 ∥w2 ∥2 < (6. 1. (3. 1). vn } (koji nije obavezno baza).. 5)∥ = < (2. 3) i potprosc c tora U generisanog vektorima u1 = (1.7 Ugao izmedju vektora i potprostora Ugao izmedju vektora i potprostora definiˇemo kao ugao izmedju vektora i njegove ortogonalne projekcije na taj s potprostor. 1)∥ ∥(3. 0. 0. 1. v2 . 3) − 6/3 (1.. . 0.. 4. 1. 2. ˇ (1) Gram-Smitovim postupkom odredjujemo ortogonalnu bazu potprostora U : w1 = u1 = (1. v2 . 1. G(v1 . 2. 1. w1 > w2 = u2 − w1 = ∥w1 ∥2 < (1. 1. 5)∥ =√ 17 17 √ =√ 10 51 510 7.  v2 ◦ v1 v2 ◦ v2 . . . 1. v2 . 1) < u 2 . 2.. 0.. 2. 1)∥2 proj(v. v2 . w1 > < v. U ) = 4(1. 1) = (−1.. 1. 1) i u2 = (1. 1. 6. 1. . 3. Gramova matrica  v1 ◦ v1 v1 ◦ v2 . v2 .. 1) = ∥(−1.. 1) > = (1. .. Primer 7. 1)) > (−1. 1. 0. 4.. 6. 1).. 1) = ∥(1.. 3). 1) > (1. 0. 1. 1. s c • {v1 . 1. 2. 1. 4. 3).. (1. 0. 1. 1. U ) = proj(v.6. U ): c cos θ = < (2. je:  v1 ◦ vn v2 ◦ vn    . 1)∥ ∥(3.. 0. vn ) =   .. 1) (2) Raˇunamo projekciju vektora v na potprostor U (koji je generisan ortogonalnim vektorima w1 . (3. 1. 1. 1. 1)∥2 < (6. 2. U standardnom vektorskom prostoru R4 izraˇuna´emo ugao izmedju vektora v = (6. U ) = + < v. vn } je ortogonalna baza ako i samo ako G(v1 . 4. 1. 6. (−1. 1. 0.. 1)+ ∥(1. vn ◦ vn • Gramovu matricu definiˇemo na isti naˇin i za bilo koji skup vektora {v1 . 4. .. 5) (3) Raˇunamo ugao θ izmedju v i v′ = proj(v.

vj >= • Za kvadratnu matricu A reda n kaˇemo da je pozitivno definitna ako za svaki ne-nula vektor kolonu v ∈ Rn z vaˇi: z vT A v > 0 Teorema 7.. s′ . vn ) = I • Gramova matrica predstavlja ‘tablicu mnoˇenja’ u odnosu na bazu: z < (kao proizvod matrica) = (a1 a2 . . v2 . . Videti Problem 6.. an ) G(v1 . v2 .. s′ } baze prostora V ..... Dokaz.12: z Teorema 7. c1n c2n . s2 .41 n ∑ i=1 ai vi .. cn1  c12 c22 . Vaˇi i tvrdjenje obrnuto teoremi 7.. .14.Linearna Algebra i Analitiˇka Geometrija – 75 – c • {v1 ... uzimaju´i vektore kolona: c Teorema 7. sn ) P n 1 2 .. Ako je matrica A simetriˇna i pozitivno definitna tada je sa c u A vT definisan skalarni proizvod na Rn .27 u knjizi): P je inverzibilna i za svaki vektor v ∈ V vaˇi: z P [v]S ′ = [v]S Teorema 7. cn2 P =  ....... Ako je {v1 . ..9 Promena baze i Gramova matrica Koordinatne vektore [v]S ∈ Rn posmatramo     Neka su S = {s1 . c Dokaz.. + c2n sn 2 .... Videti Problem 6..... n 1 2 kao vektor-kolone.....15.. v2 .. s′ .. ...13. . + c1n sn 1 s′ = c21 s1 + c22 s2 + ....42. G(v1 . n ∑ j=1 b j vj > = n n ∑∑ i=1 j=1 ai bj < vi ... bn )T Ovo je formalizovano u narednoj teoremi..... ili s′ = c11 s1 + c12 s2 + . vn ) je simetriˇna i pozitivno definitna.. v2 .... .. ... . .. v2 ... ......... cnn matrica promene baze sa baze S na bazu S ′ ....... ... .12. Videti Problem 6.... 7.. + cnn sn n Neka je P transponovana matrica ovog ‘sistema’: • Podsetimo (videti teoremu 5.. Neka je  c11 c21 . sn } i S = {s′ .. vn } baza unitarnog prostora i [u] [v] koordinatni vektori kolona u odnosu na tu bazu tada je: u ◦ v = [u]T G(v1 .. vn } je ortonormirana baza ako i samo ako G(v1 . s2 . vn ) (b1 b2 ..40. i P −1 [v]S = [v]S ′ G(s′ ... v2 .. vn ) [v] Dokaz.. s′ ) = P T G(s1 . s′ = cn1 s1 + cn2 s2 + .

s′ ) = I n 1 2 Prema Teoremi 7.... Prema teoremi 7. . sn ) P [v]S ′ = S ( ) T = [u]S ′ P T G(s1 . s′ n = cn1 s1 + cn2 s2 + .. . ...10 Ortogonalne matrice i skalarni proizvod Podsetimo da je kvadratna matrica A ortogonalna ako i samo ako je AT = A−1 ..16. s2 . n 1 2 Dokaz..... cn2   ortogonalna matrica i S = {e1 ..... .. e′ .... s′ . . sn ) [v]S = S = (P [u]S ′ )T G(s1 ..... s′ . (2) Vektori vrsta matrice A ˇine ortonormirani skup vektora. sn ) [v]S S u ◦ v = [u]T ′ G(s′ . s2 .... .. Ako je P matrica prelaska sa ortonormirane baze S = {e1 . s2 . c (3) Vektori kolona matrice A ˇine ortonormirani skup vektora. .. sn ) P [v]S ′ = Sledi: G(s′ .48... dokazali smo i slede´u teoremu: c • Neka je A kvadratna matrica reda n.. e′ . e2 . s′ .... s′ ) = P T G(v1 .....15 imamo: G(s′ . sn ) = G(s′ . s′ ) [v]S ′ S 1 2 n u ◦ v = [u]T G(s1 . .. c . + cnn sn  Dokaz.... v2 . + c1n sn 1 s′ = c21 s1 + c22 s2 + ..12 imamo: u ◦ v = [u]T G(s1 . en } na ortonormiranu bazu S ′ = {e′ ..  c1n c2n .. vn ) P 1 2 n I = PT I P Vaˇi i obrnuto tvrdjenje: z P T = P −1  c11 c21 ..... cn1  c c22 .. .. + c2n sn 2 . . .. sn ) P [v]S ′ = = [u]T ′ P T G(s1 .. cnn baza tada je i S ′ = {e′ .. s′ . Videti Problem 6. s2 . ...... e′ } tada je P ortogonalna matrica..Linearna Algebra i Analitiˇka Geometrija – 76 – c Dokaz. Alternativni dokaz je: kako su S i S ′ ortonormirani imamo G(s1 . .. Videti Problem 6. e′ } ortonormirana baza gde je: n 1 2 s′ = c11 s1 + c12 s2 + . v2 ... Ako je P =  12  . vn ) P 1 2 n 7..... ..48 (ili napraviti dokaz sliˇan prethodnom)..... s2 . . s2 ... c Teorema 7. .......... e2 . s′ ) = P T G(v1 ... Slede´a tri tvrdjenja su ekvivalentna: c (1) A je ortogonalna matrica. ....17....... . . en } ortonormirana Teorema 7....

19. vn ) = P T G(e1 .. c Teorema 7.. Drugi smer se dokazuje sliˇno . v1 ) je linearna kombinacija preostalih: v1 = Ako u determinanti det G(v1 .. (v1 − i=2 ai vi ) ◦ vn v2 ◦ v1 v2 ◦ v2 . .. . e2 . vn ◦ vn U ovoj determinanti je prva vrsta nula-vrsta. Neka je V vektorski prostor i neka je svakom v ∈ V odredjen realan broj ∥v∥.. sn ) = P T P Primenimo Koˇi-Binea i det(P T ) = det(P ): s det G(v1 .. vn ). .. pa je Gramova determinanta jednaka nuli.. Prema teoremi 7... Prvo.. . . .4. en ) = I pa je: G(v1 . Za linearno nezavisne vektore vaˇi: z det G(v1 .. . z 7. e2 . Zbog linearne z zavisnosti jedan od vi -ova (npr. v2 .. Funkcija ∥ − ∥ je c norma ukoliko su zadovoljeni slede´i uslovi: (1) (2) (3) ∥v∥ ≥ 0 i ∥v∥ = 0 ako i samo ako v = 0. en } ortonormirana baza potprostora span(v1 . vn ) = 0 ako i samo ako su {v1 .11 Gramova determinanta • Za bilo koji skup vektora {v1 .. vn ◦ v1 od prve vrstu oduzmemo baˇ tu linearnu kombinaciju preostalih vrsta i primenimo linearnost po prvoj promenljivi s dobijamo: ∑n ∑n ∑n (v1 − i=2 ai vi ) ◦ v1 (v1 − i=2 ai vi ) ◦ v2 . vn ◦ vn v1 ◦ v1 v2 ◦ v1 .18. ..... Pretpostavimo da je S = {v1 . ... vn ) Teorema 7..15 vaˇi: z G(v1 .. vn ) = det(P )2 > 0 Da dokaˇemo drugi deo (u Rn ) primetimo da je P T matrica u kojoj su vektori vrsta vi -ovi. vn ) je kvadrat zapremine generalisanog paralelepipeda odredjenog vektorima {v1 . pretpostavimo da su linearno zavisni i dokaˇimo da je determinanta jednaku nuli. v1 ◦ vn ... Neka je P matrica prelaska sa baze E na bazu S. .. ...... vn } unitarnog prostora Gramova determinanta je det G(v1 ... v2 . . v2 . .. v2 ◦ vn . Dokaz. v2 .. c .. v2 .... vn } . e2 . v2 ◦ vn . vn } linearno zavisni..12 NORMIRANI PROSTORI Definicija 7.. v2 . v2 . .. . v2 ....... imamo G(e1 .. det G(v1 .. v2 ... v2 . vn ) = n ∑ i=2 ai vi v1 ◦ v2 v2 ◦ v2 .. .. vn ) > 0 U prostoru Rn sa standardnim skalarnim proizvodom det G(v1 ... . v2 . ... vn ◦ v2 ..... vn ◦ v1 vn ◦ v2 ... .Linearna Algebra i Analitiˇka Geometrija – 77 – c 7... Dokaz.. v2 .. v2 . ∥k v∥ = |k| ∥v∥ ∥v + u∥ ≤ ∥v∥ + ∥u∥ U tom sluˇaju V je normirani vektorski prostor. . vn } linearno nezavisan skup i neka je E = {e1 . en ) P Kako je E ortonormirana. ..

Tada je T (v1 ) = (4.7. v) ≥ 0 i d(u.20.. 0). w) + d(w. a2 .. |a2 |) C je kvadrat sa temenima u taˇkama (1.. Slede tri vaˇna primera normi na Rn : z (1) (2) (3) ∥(a1 . an )∥1 = |a1 | + |a2 | + . (0.. |a2 |. v2 T je predstavljeno dijagonalnom matricom ( ) 2 0 0 1 • Podsetimo da skup svih kvadratnih matrica reda n sa elementima iz polja F . v) = d(v.Linearna Algebra i Analitiˇka Geometrija – 78 – c Primer 7. (−1. (−1. v) = 0 ako i samo ako u = v. 1). 2) = 2 v1 pa je T (a v1 + b v2 ) = 2 a v1 + b v2 U odnosu na bazu v1 . + |an | √ ∥(a1 . v) ≤ d(u. −1) c √ (3) ∥(a1 . y) = (5x − 6y.. c c z 8 DIJAGONALIZACIJA Primer 8. (1. 1) i v2 = (3. + |an |2 Rastojanje izmedju vektora u i v u normiranom prostoru je d(u.. u) d(u. Rastojanje zadovoljava slede´e uslove: c (1) (2) (3) d(u... an )∥2 = |a1 |2 + |a2 |2 + . a2 )∥1 = |a1 | + |a2 | C je kvadrat sa temenima u taˇkama (1. u odnosu na sabiranje. a2 )∥2 = |a1 |2 + |a2 |2 Ovo je ‘obiˇno’ rastojanje i C je jediniˇna kruˇnica. −1) c (2) ∥(a1 . −1).8.. 2) .. u oznaci Mn (F ). 1). (0. Odredjujemo skup taˇaka C prostora R2 koje su na rastojanju 1 od koordinatnog poˇetka u odnosu na c c norme iz prethodnog primera: (1) ∥(a1 . an )∥∞ = max (|a1 |. d(u. a2 .. 1). mnoˇenje i mnoˇenje skalarima ˇini algebru matrica: z z c T (v2 ) = v2 )( ) −6 −2 x y . . . Posmatrajmo linearno preslikavanje T : R2 −→ R2 definisano sa: T (x. a2 .... (−1. a2 )∥∞ = max (|a1 |... |an |) ∥(a1 . v) Primer 7. 2x − 2y) U odnosu na standardnu bazu ono je predstavljeno sa ( ) ( x 5 T( )= y 2 Neka je v1 = (2.1. 0). . . v) = ∥u − v∥ Teorema 7.

an1   .. B ∈ Mn (F ) tada i A + B.1. .. −a2n   t In − A =    . Videti Problem 8. a1n .. u oznaci ∆A (t). + a1 t + a0 polinom sa koeficijentima iz F i A ∈ Mn (F ) tada f (A) oznaˇava matricu c f (A) = an An + . .. −an1 −an2 . Ako k ∈ F i A ∈ Mn (F ) tada k A ∈ Mn (F ). Njena karakteristiˇna matrica je: c ..1. z c z s Teorema 8.. . • Matrica A je nula polinoma p(t) ako vaˇi p(A) = 0. + a1 A + a0 I gde f (A) ∈ Mn (F ) .. c • ∆A (t) je moniˇan (monic) t. . a2n   kvadratna matrica.. t − ann a12 a22 . koeficijent uz najve´i stepen je 1 i vaˇi: c c z ∆A (t) = tn − tr(A) tn−1 + . Njena karakteristiˇna matrica je: c ( tI − A = Karakteristiˇni polinom matrice A je c ∆A (t) = • ∆A (t) je ‘obiˇan’ polinom.... 2. • Ako je f (t) = an tn + . Dokaz. −a1n  −a21 t − a22 ...26 8. je determinanta njene karakteristiˇne c matrice: ∆A (t) = det(t In − A) ( Primer 8. an2 c Karakteristiˇni polinom (ili sopstveni polinom) matrice A...  . Neka je A =   .. A B ∈ Mn (F ).1 Karakteristiˇni (sopstveni) polinom matrice c a11  a21 Definicija 8.. ann   t − a11 −a12 .2. + (−1)n det(A) t−1 −4 −3 t−2 = (t − 1)(t − 2) − 12 = t2 − 3 t − 10 t−1 −4 −3 t−2 ) 1 3 4 2 . Ako su f i g polinomi i A kvadratna matrica.. tada vaˇi: z (1) (2) (3) (4) (f + g)(A) = f (A) + g(A) (f g)(A) = f (A) g(A) (k f )(A) = k f (A) f (A) g(A) = g(A) f (A) .Linearna Algebra i Analitiˇka Geometrija – 79 – c 1... Ako A. Neka je A = ) . utom sluˇaju kaˇemo i da A poniˇtava polinom p(t).j...

Videti Problem 8. c c • Neka je λ sopstvena vrednost matrice A.Linearna Algebra i Analitiˇka Geometrija – 80 – c Teorema 8. ne-nula vektor kolona v ∈ Rn takav da je: Skalar λ ∈ F je sopstvena vrednost matrice A (eigenvalue) ako postoji Av = λv Ovakav v ∈ Rn je sopstveni vektor matrice A koji odgovara sopstvenoj vrednosti λ (eigenvector). matrica M = λ I − A je singularna). 8. Sliˇne matrice imaju isti karakteristiˇni polinom.5.4.2. (2) det(λ I − A) = 0 (t. (3) λ je koren karakteristiˇnog polinoma matrice A (∆A (λ) = 0).3.3. c Dokaz. c c Dokaz.3 Sopstvene vrednosti i sopstveni vektori Neka je A kvadratna matrica reda n.27 ( Primer 8. Pretpostavimo da su kvadratne matrice (istog reda) A i B sliˇne: c A = P −1 B P Tada je: ∆A (t) = det(t I − A) = det(t I − P −1 B P ) = det(t P −1 I P − P −1 B P ) = det(P −1 (t I − B) P ) = det P −1 det(t I − B) det P = ∆B (t) (zbog det P −1 det P = det(P −1 P ) = det I = 1) Teorema 8. nazivamo ga sopstveni potprostor za A i λ i oznaˇavamo sa Eλ . c Dokaz. Sledi iz ˇinjenice da je determinanta dijagonalne blok matrice jednaka proizvodu determinanti dijagoc nalnih blokova. Teorema 8. karakteristiˇni vektor. c . Tada je skup svih sopstvenih vektora koji odgovaraju λ potprostor c od Rn . Za kvadratnu matricu A reda n slede´i uslovi su ekvivalentni: c (1) Skalar λ je sopstvena vrednost matrice A.2 Teorema Kejli-Hamiltona Teorema 8.j. Neka je A = 1 3 4 2 ) iz prethodnog primera. (Kejli-Hamilton) Svaka kvadratna matrica je nula svog karakteristiˇnog polinoma. Ako je A gornje-trougaona blok matrica tada je njen karakteristiˇni polinom jednak proizvodu c karakteristiˇnih polinoma njenih dijagonalnih blokova. kaˇe se i karakterz istiˇna vrednost. Tada je ∆A (t) = t2 − 3 t − 10 pa Kejli-Hamilton tvrdi da je A2 − 3 A − 10 I = 0 Ovo moˇe i neposredno da se proveri: z )2 ( ) 1 3 1 3 −3 − 10 I = 4 2 4 2 ( ) ( ) ( ) 13 9 3 9 10 0 − − =0 12 16 12 6 0 10 ( 8.

• Drugim reˇima ne moˇemo imati viˇe od mi linearno nezavisnih sopstvenih vektora koji odgovaraju sopstvenoj c z s vrednosti λi . s Teorema 8. c s c • (3) ⇒ (1) znaˇi da svakoj sopstvenoj vrednosti odgovara bar jedan sopstveni (ne-nula) vektor. Dokaz.. c s Teorema 8.j. Ostavljema za kasnije (videti Problem 11.12) . s s Dokaz.Linearna Algebra i Analitiˇka Geometrija – 81 – c Dokaz.. (2) U tom sluˇaju dijagonalni elementi te dijagonalne matrice D odgovaraju sopstvenim vrednostima matrice A i c D = P −1 A P gde je P matrica sastavljena od sopstvenih vektora-kolona matrice A. Videti Problem 8. 8.qs (t) tada je mk algebarska viˇestrukost sopstvene vrednosti λk . Ispitujemo da li je A dijagonalizabilna.6.(t − λk )mk q1 (t).5 Dijagonalizabilnost Kvadratna matrica A je dijagonalizabilna ako postoji inverzibilna matrica P takva da je P −1 A P dijagonalna matrica (t. Neka je A =  1 2 1 .28 • (1) ⇔ (2) daje recept za izraˇunavanje sopstvenih vrednosti: to su reˇenja jednaˇine ∆A (t) = 0. s Geometrijska viˇestrukost sopstvene vrednosti je dimenzija njenog sopstvenog potprostora. Algebarska viˇestrukost sopstvene vrednosti nije manja od njene geometrijske viˇestrukosti. 1 1 2 Prvo izraˇunamo ∆A (t): c ∆A (t) = det(t I − A) = Traˇimo sopstvene vektore za λ = 4 i λ = 1: z  t − 2 −1 −1 −1 t − 2 −1 −1 −1 t − 2 = (t − 1)2 (t − 4)  2 1  1 2 1 1     1 x x 1  y  = 4 y  2 z z . c 8. Naredna teorema daje osnovu za praktiˇno reˇavanje pitanja dijagonalizabilnosti date matrice.7. (1) Kvadratna matrica A reda n je dijagonalizabilna ako i samo ako A ima n linearno nezavisnih sopstvenih vektora.4.. Videti problem 8.4 Algebarska i geometrijska viˇestrukost sopstvene vrednosti s • Ako se karakteristiˇni polinom razlaˇe na proizvod razliˇitih nerastavljivih faktora: c z c ∆A (t) = (t − λ1 )m1 . van glavne dijagonale ima samo nule)..29 • U matrici P iz prethodne teoreme redosled redjanja sopstvenih vektora (kolona) nije bitan!  2 1 1 Primer 8.

1. −a) | a ∈ R} pa ova matrica nema dva linearno nezavisna sopstvena vektora. a) | a.. Izraˇunamo c   1 1 −2 1 1 −2 1  P −1 = − 3 −1 −1 −1    1 1 −2 2 1 1 1 1 −2 1   1 2 1   P −1 A P = − 3 −1 −1 −1 1 1 2    −3 0 0 1 0 1 0 = 0 1 = −  0 −3 3 0 0 −12 0 0 ( Primer 8.   0 0 0 0 0 0 nije dijagonalizabilna ni za jedan a ∈ R         ... 1) + b(−1.. prema Teoremi 8. . 0. 1.7(2) matrica P −1 A P je dijagonalna. 0 0 . 0. 1) i (−1.. 1). b.. 0. 1. 0) | a.5. 0). Prema teoremi 8. 1.. Traˇimo sopstvene vektore: z ( ) ( ) ( ) 1 1 x x · = 0 1 y y se svodi na sistem x+y =x y=y ˇije je reˇenje (a.Linearna Algebra i Analitiˇka Geometrija – 82 – c Reˇavanjem sistema dobijamo skup reˇenja (sopstveni potprostor): s s E4 = {(a.7(1). 1). 1) su linearno nezavisni pa. 0 0 . matrica A je dijagonalizabilna. 0 a . . (−1.. Poredjamo ove vektore u kolone matrice P :   −1 −1 1 1 1  P = 0 1 0 1 Prema teoremi 8. a 1 . 0) i (1. 1. b ∈ R} = {a(−1. ˇ Na sliˇan naˇin se moˇe videti i da Zordanova matrica c c z  a 1 0  0 a 1   0 0 a   . (−1... a. Matrica A = ) nije dijagonalizabilna: t − 1 −1 0 t−1 = (t − 1)2  −1 −1 1 0 1 1 = 1 0 1  0 0  4 1 1 0 1 ∆A (t) = det(t I − A) = Jedina sopstvena vrednost je λ = 1. b ∈ R} koji je generisan sopstvenim vektorima (−1. . 0 0 . . a) | a ∈ R} koji je generisan sopstvenim vektorom (1..7 c s ona nije dijagonalizabilna.. .      2 1 1 x x  1 2 1  y  =  y  1 1 2 z z Reˇavanjem sistema dobijamo skup reˇenja (sopstveni potprostor): s s E1 = {(−a − b.

.. Ako su v1 .. 0  0 am 2 ..7 Minimalni polinom matrice Neka je A kvadratna matrica reda n nad poljem F i neka je I(A) skup svih polinoma p(t) takvih da je p(A) = 0.6 Dijagonalizacija realnih simetriˇnih matrica c Osnovna teorema algebre tvrdi da se svaki polinom sa kompleksnim koeficijentima moˇe napisati kao proizvod z linearnih polinoma sa kompleksnim koeficijentima. 0  0 a2 .... Neka c c je D = P −1 A P tada je A = P D P −1 i vaˇi: z Am = (P D P −1 )m = P D P −1 P D P −1 . 0 .11.... a2 .. 0   .... ako je p(t) polinom tada je: c  m    am 1  0  = . λ2 .9. Dokaz.. .. Sliˇno vaˇi za karakteristiˇne polinome simetriˇnih realnih matrica: c z c c c c z Teorema 8. ...P D P −1 = P Dm P −1 Za svaki polinom p(t) vaˇi: z p(A) = P −1 p(D) P c Teorema 8.. Videti Problem 8... Ako karakteristiˇni polinom kvadratne matrice A reda n ima n razliˇitih korena a1 .. c Narednu teorema opisuje vezu dijagonalizacije i minimalnog polinoma.8. .. .. 8. 0   .10. . Sopstveni vektori koji odgovaraju razliˇitim sopstvenim vrednostima realne simetriˇne matrice su c c medjusobno ortogonalni. Videti Problem 8........ v2 .... am n p(a1 ) 0  0 p(a2 ) p(A) =   . . c Dokaz.(t − an ) i A je sliˇna dijagonalnoj matrici kojoj su dijagonalni elementi (u nekom rasporedu) a1 .. 0    . 0  .  . . 0 0 . 0 . Karakteristiˇni polinom realne simetriˇne matrice se moˇe rastaviti na proizvod realnih linearnih polinoma. an Sliˇno.Linearna Algebra i Analitiˇka Geometrija – 83 – c • Stepen dijagonalne matrice se lako raˇuna: c  a1 0 . Kejli-Hamilton teorema garantuje da sadrˇi karakteristiˇan polinom matrice A. Minimalan polinom matrice A je z c moniˇan polinom najmanjeg stepena koji pripada I(A).. Njen dokaz ostavljamo za naredno predavanje . p(an ) • Za dijagonalizabilnu matricu A izraˇunavanje Am se svodi na izraˇunavanje stepena dijagonalne matrice. . .31 8. a2 . λm matrice A tada su oni linearno nezavisni. Teorema 8.. 0 0  .. .. vm sopstveni vektori koji odgovaraju razliˇitim sopstvenim vrednostima λ1 .. an u polju c c skalara tada je ∆A (t) = (t − a1 )(t − a2 ). .30 Teorema 8. an .

Dokaz.8 Dijagonalizacija linearnog operatora Neka je V n-dimenzioni vektorski prostor nad poljem F . Skup svih sopstvenih vektora koji odgovaraju sopstvenoj vrednosti λ je c sopstveni potprostor operatora T koji odgovara sopstvenoj vrednosti λ.17. Teorema 8. Neka je m(t) minimalan polinom matrice A..Linearna Algebra i Analitiˇka Geometrija – 84 – c Teorema 8.. v2 . 8. pa i karakteristiˇni polinom ∆A (t) (oznaka za ‘deli’ je | . c Naredne teoreme opisuju vezu minimalnog i sopstvenog polinoma matrice. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇe na proizvod s razliˇitih linearnih faktora: c mA (t) = (t − λ1 )(t − λ2 ). . vn i skalari λi tako da z je: T (vi ) = λ vi za ı = 1.18.14. Teorema 8..13. Taj polinom ne zavisi od izbora baze. n Slede´i niz definicija i teorema je analogan odgovaraju´im tvrdjenjima za matrice.33 • Sopstvene vrednosti matrice A su koreni minimalnog polinoma.. T je dijagonalizabilan (moˇe biti predstavljen dijagonalnom matricom D) ako i samo ako V ima bazu z sastavljenu od sopstvenih vektora.. . Linearni operator T : V −→ V je dijagonalizabilan ako se moˇe predstaviti dijagonalnom matricom u odnosu na neku bazu: postoji baza v1 . 2. u oznaci Eλ . c Tada : ∆A (t) | (m(t))n m(t) i ∆A (t) imaju iste nerastavljive faktore. c c Skalar λ ∈ F je sopstvena vrednost operatora T ako postoji ne-nula vektor v ∈ V takav da je T (v) = λ v . ve´ zavisi samo od operatora i naziva se karakteristiˇni c c c polinom operatora (ili sopstveni). λ ∈ F je sopstvena vrednost ako i samo ako je nula karakteristiˇnog polinoma. koja je reda n i ∆A (t) njen karakteristiˇan polinom.32. U tom sluˇaju dijagonalni elementi matrice D su odgovaraju´e sopstvene vrednosti. prema teoremi 8. . koja je reda n i ∆A (t) njen karakteristiˇan polinom.. c c Teorema 8. Neka je m(t) minimalan polinom matrice A.16.... Eλ = Ker(λ I − T ) Svake dve matrice koje predstavljaju operator u odnosu na neke baze su sliˇne. U tom sluˇaju v je sopstveni vektor preslikavanja T . c c c Teorema 8. T je nula svog karakteristiˇnog polinoma. Teorema 8. Videti Problem 8. . Videti Problem 8..(t − λn ) gde su λi -ovi razliˇiti. mA (t) | ∆A (t)). Teorema 8. v2 .15. Ako su v1 . c Dokaz. c Tada m(t) deli svaki polinom iz I. vm sopstveni (ne-nula) vektori koji odgovaraju razliˇitim sopstvenim vrednostima tada su oni linearno nezavisni.2 one imaju isti c karakteristiˇan polinom.12..

. Ekvivalentne formulacije su: • Svaka matrica ˇiji se karakteristiˇni polinom faktoriˇe na proizvod linearnih ˇinilaca je sliˇna trougaonoj matrici. . U ovom delu ´emo.  0 0 .19. Primer matrica (linearnog operatora) ˇiji se karakteristiˇni polinom rastavlje na proizvod linearnih ˇinilaca su c c c gornje-trougaone matrice..... izmedju ostaloga... a2n     . Tada postoji baza prostora V u odnosu na koju je c c T predstavljen dijagonalnom blok matricom oblika     λi 1 0 . c c s c c • Svaka matrica ˇiji se karakteristiˇni polinom faktoriˇe na proizvod linearnih ˇinilaca je sliˇna dijagonalnoj blok c c s c c ˇ matrici ˇiji su dijagonalni blokovi Zordanove matrice. s c s Dokaz. . ann je ∆(t) = (t − a11 (t − a22 )..Linearna Algebra i Analitiˇka Geometrija – 85 – c Teorema 8. 9 KANONSKE FORME OPERATORA Polinom f (t) ∈ F [t] se rastavlja na proizvod linearnih ˇinilaca ako postoje ai ∈ F takvi da je c f (t) = (t − a1 )(t − a2 ). ... .. .. polinom matrice   a11 a12 ... Geometrijska viˇestrukost sopstvene vrednosti nije ve´a od algebarske viˇestrukosti.     ...20.. 0  0 λi 1 . . . dokazati i obrnuto tvrdjenje: ako se karakteristiˇni polinom linearnog opc c eratora rastavlja na proizvod linearnih ˇinilaca tada on mozhe biti predstavljen trougaonom matricom (u odnosu na c neku bazu). 0 λi (Matrice istog oblika kao Ji se nazivaju Zhordanove matrice).. . Jm 0 0 0 .. Dokaza´emo i jaˇe tvrdjenje: c c ˇ Zordanova kanonska forma Neka je V konaˇno-dimenzioni vektorski prostor i T : V −→ V linearni operator ˇiji c c se karakteristiˇni polinom rastavlja na proizvod linearnih ˇinilaca.. a1n  0 a22 .12 Teorema 8. • Minimalan polinom operatora T je moniˇan polinom najmanjeg stepena m(t) takav de je m(T ) nula-preslikavanje. Videti Problem 11... 0    gde su Ji oblika  . 0 0 J1 0 .... .(t − ak ) (gde neki od ai -ova mogu biti jednaki). c • Minimalan polinom operatora je i minimalan polinom bilo koje matrice koja ga predstavlja.... Ako je A matrica koja predstavlja T u odnosu na neku bazu tada je A dijagonalizabilna ako i samo ako je T dijagonalizabilan.  ...(t − ann ) ...  0 0 0 .. c . λi 1  0 0 . 0 0     0 J2 .

wk1 . Tada je V = U ⊕ W gde je U = ker(g(T )) i W = Ker(h(t)) . . Ak predstavlja T u odnosu na bazu B1 B2 . Podsetimo: vektorski prostor V je direktna suma svojih potprostora W1 ... k). w1m1 . k tada se T mozhe predstaviti blok 9... wi2 . Neka je T : V −→ V linearni operator. Wk potprostori vektorskog prostora V i neka je Bi = wi1 .3. Dokaz. 2..j ˆ T (w) ∈ W za svaki w ∈ W ). Tada je V = ⊕k Wk ako i samo ako je B = B1 B2 .. Dokaz.. Teorema 9. .2... Pri tome mozhemo uzeti proizvoljnu bazu za W... . + wk Oznaka: V = ⊕k Wi i=1 Teorema 9...... 2. w21 .. .... linearni operator na W : ˆ ˆ T : W −→ W definisan sa T (w) = T (w) za w ∈ W Teorema 9.Bk baza za V : i=1 B = w11 .Bk ..... Ako je W invarijantan onda je restrikcija operatora T na W .. wkmk Dokaz..1. 0  0 A2 .. .. Videti Problem 11.2 Osnovna dekompozicija linearnog operatora Podsetimo da su polinomi g(t) i h(t) uzajamno prosti ako ne postoji nekonstantan polinom p(t) koji deli i g(t) i h(t)....5.. .... 0     0 0 .. W2 .Linearna Algebra i Analitiˇka Geometrija – 86 – c 9. . 0  0 0 . Ako je T : V −→ V linearni operator i f (t) ma koji polinom tada je Ker(f (T )) invarijantan u odnosu na T . Neka su W1 . Neka je T : V −→ V linearni operator i neka su W1 . Videti Problem 11.5 • U prethodnoj teoremi baza prostora V u odnosu na koju je T predstavljen matricom gornjeg oblika biramo tako da prvo izaberemo bazu za W a potom je produzhimo do baze za V . . u oznaci T W ili T . wimi baza prostora Wi (za i = 1. Wk invarijantni potprostori takvi da je V = ⊕k Wi ... W2 ..4. Ako je potprostor W invarijantan u odnosu na T : V −→ V matricom oblika ( ) A B 0 C ˆ gde je A matrica linearnog operatora T . W2 . . Videti Problem 11. w2m2 . Wk ako se svaki v ∈ V na jedinstven naˇin mozhe napisati u obliku: c v = w1 + w2 + .1 Invarijantni potprostori linearnog operatora Neka je T : V −→ V linearni operator na konaˇno dimenzionom vektorskom prostoru V .7 Teorema 9.. . c • Potprostor W ⊂ V je T -invarijantan (ili invarijantan u odnosu na T ) ako T preslikava W u samog sebe (t.. Ako je Bi baza potprostora Wi i matrica Ai predstavlja T Wi tada matrica i=1   A1 0 .3 Teorema 9. wi ∈ Wi ı = 1. .... f (T ) = 0 i f (t) = g(t) h(t) gde su polinomi g(t) i h(t) uzajamno prosti..

.j.1..12 • Ekvivalentna formulacija ove teoreme je: Linearni operator je dijagonalizabilan ako i samo ako je njegov minimalan polinom proizvod linearnih ˇinilaca. 0 0 .. 0 0 ..(t − λn ) gde su λi -ovi razliˇiti.6... na glavnoj Matrica (reda n):  0 1  0 0  N = .. . Tada je V direktna suma invarijantnih potprostora Wi = c c Ker(f (T )ni ) .. s c Primer 9. s Dokaz.. Videti Problem 11.. 1 0       (ima jedinice odmah iznad glavne dijagonale i sve ostale nule) je nilpotentna reda n. nula-operator.. U tom sluˇaju... Videti Problem 11. Kvadratna matrica reda n koja. Matrica A je dijagonalizabilna ako i samo ako se njen minimalni polinom faktoriˇe na proizvod razliˇitih s c linearnih faktora: mA (t) = (t − λ1 )(t − λ2 ).7. 0 1 . Ako je f (t) u prethodnoj teoremi minimalni polinom operatora T i ako su g(t) i h(t) moniˇni tada je c g(t) minimalni polinom operatora T U .Linearna Algebra i Analitiˇka Geometrija – 87 – c Dokaz.. Am Pri tome sve matrice Ai su reda ≤ k a bar jedna je reda = k. Sliˇno..13 ˇiji smo dokaz ostavili za kasnije: c Teorema 9. 0 0 0 0 .9 Teorema 9. .. 1 0       ..10 Teorema 9.. Neka je T : V −→ V dijagonalnu reprezentaciju:  A1  0   .. . c 9. a h(t) minimalni polinom operatora T W Dokaz.. Zakljuˇak je: minimalni polinom nilpotentnog operatora indeksa n je m(t) = tn .fk (t)nk gde su fi (t) razliˇiti moniˇni nerastavljivi polinomi.  . koji sve preslika u 0) za neki prirodan broj n. 0 . .16 ... ... • Ako je T n = 0 tada je T n+1 = 0.. c Dokaz.. • Neka je T n = 0 i neka je m(t) je minimalan polinom operatora T . 0 0 A2 ... 0 0 1 .11 Prva posledica ove teoreme je Teorema 8. Tada T ima     gde su Ai -ovi oblika    0 1 0 . kvadratna matrica A c c je nilpotentna ako postoji prirodan broj n takav da je An = 0. 0 0 0 . T n+2 = 0. .. 0 0 .   0 0 0 0 dijagonali i ispod nje.9.. Znamo da m(t) deli tn (deli svaki polinom koji poniˇtava operator T ). . a najmanji takav broj je indeks nilpotentnosti matrice. Dokaz.. 0   . Shtaviˇe fi (t)ni je minimalni polinom operatora T Wi . ima sve nule je nilpotentna reda ≤ n. Videti Problem 11..3 Nilpotentni operatori Linearni operator T : V V je nilpotentan ako je T n = 0 (t. . .. 0 nilpotentan linearni operator linearni operator indeksa k. 0 0 0 0 . Videti Problem 11. .. 0 0 0 . najmanji takav n je indeks nilpotentnosti operatora T ... Videti Problem 11.8. (Osnovna dekompozicija linearnog operatora) neka je T : V −→ V linearni operator ˇiji je minimalan c polinom m(t) = f1 (t)n1 f2 (t)n2 . Teorema 9.

.. Videti Problem 11. Neka je T : V −→ V linearni operator ˇiji su karakteristiˇni i minimalni polinom redom: c c ∆(t) = (t − λ1 )n1 (t − λ2 )n2 . .. 0 0  0 λi 1 .  Jij =  .4 ˇ Zordanova forma linearnog operatora Teorema 9...    0 0 0 .. . 0 λi Pri tome za svaki λi . • Primetimo da je Jij = λi I + N gde je N nilpotentna matrica iz primera 9. ostali Jij -evi su reda ≤ mi ... Tada postoji baza prostora V u odnosu na koju je T predstavljen dijagonalnom blok matricom J c ˇiji su dijagonalni blokovi oblika c   λi 1 0 .18 ˇ ˇ • Matrica J je Zordanova kanonska matrica operatora T a matrice J − ij su Zordanovi blokovi koji odgovaraju sopstvenoj vrednosti λi . Dokaz.10. λi 1  0 0 0 .. s Ovo predstavljanje je jedinstveno do na permutaciju dijagonalnih blokova. (2) Za fiksno i suma redova svih Jij -ova je ni . odgovaraju´i dijagonalni blokovi zadovoljavaju: c (1) Za bar jedan j je Jij reda mi .Linearna Algebra i Analitiˇka Geometrija – 88 – c 9.(t − λr )nr m(t) = (t − λ1 )m1 (t − λ2 )m2 ..1 . (3) Za fiksno i ima Jij -ova kolika je geometrijska viˇestrukost sopstvene vrednosti λi .....(t − λr )mr (λi -ovi su razliˇiti). .. 0 0    .

Prostor vrsta matrice. koordinate u odnosu na bazu z 4. izrachunavanje inverzne matrice elementarnim transformacijama vrsta 21. definicija i osnovni primeri 23. Inverzna matrica. ugao izmedju prave i ravni z 15. definicija i primeri 33. Slika i jezgro linearnog operatora . Projekcija vektora. Linearna zavisnost. veza izmedju skupa reˇenja sistema i skupa reˇenja pridruˇenog c c s s z homogenog sistema 17. Medjusobni poloˇaj prave i ravni. Norma vektora i skalarni proizvod u Rn s ˇ 6. trag kvadratne matrice 19. Kvadratne matrice. Grasmanova formula 31. Koordinate vektora u odnosu na bazu. suma i direktna suma potprostora 30. Matriˇni zapis sistema linearnih jednaˇina. ugao izmedju vektora s 8. elementarne transformacije vrsta (kolona) matrice 20. koordinate vektora. determinanta trougaone blok matrice 18. Sistemi linearnih jednaˇina i vektorski prostori. Vektorski prostori. mnoˇenje matrica z z 16. Rang matrice c 28. Potprostori. Rastojanje taˇke od prave u Rn . Prave i hiper-ravni 11. Presek. Linearne jednaˇine i sistemi (osnovni pojmovi) c 2. Vektorski proizvod. Medjusobni poloˇaj pravih u R3 z 14. Medjusobni poloˇaj ravni z 13. Vektorski prostor Rn : sabiranje. Linearni operatori. Nejednakosti Koˇi-Svarca i Minkovskog u Rn 7. baza. meˇoviti proizvod s 10. Transponovanje matrice. linearna zavisnost vektora u Rn . lineal 24. linearne kombinacije vektora. Blok matrice. promena baze 32.Linearna Algebra i Analitiˇka Geometrija – 89 – c 10 ISPITNA PITANJA 1. Linearne kombinacije. baza. prava u R2 c 12. Sabiranje i mnoˇenje matrica skalarom. Elementarne transformacije sistema jednaˇina. Gausov postupak c 3. odredjivanje baze i dimenzije potprostora od Rn 27. Specijalni tipovi kvadratnih matrica 22. veza sa sistemima linearnih jednaˇina c 5. povrˇina paralelograma u Rn 9. Izomorfizam vektorskih prostora 34. Kroneker-Kapelijeva teorema 29. Jednakobrojnost baza konaˇno dimenzionog prostora c 26. Rastojanje. mnoˇenje skalarom. dimenzija 25.

Adjungovana matrica. izraˇunavanje inverzne matrice c 43. Kramerova teorema 44. Gram-Smitov postupak ortogonalizacije 51. Laplasova teorema. Osnovna dekompozicija linearnog operatora ˇ 62. Hom(U. Pitagorina teorema 48. Algebra A(V ) 37. definicija i primeri 45. Normirani prostori 56. Matriˇno predstavljanje linearnog operatora c 38. Operacije sa linearnim preslikavanjima. Bine-Koˇijeva teorema s 41. Teorema Kejli-Hamiltona 58. Invarijantni potprostori linearnog operatora. direktna suma invarijantnih potprostora 61. Ortogonalnost. Nilpotentni operatori. Ortogonalni skupovi i baze. V ) 36. veza sa karakteristiˇnim polinomom linearnog operatora (matrice) c 60. Koˇi-Svarcova nejednakost. Dijagonalizabilnost linearnog operatora (matrice) 59. Uticaj promene baze na matricu linearnog operatora. Unitarni prostor. Veza ortogonalnih matrica i baza unitarnih prostora 54. Minori i kofaktori. Gramova matrica 53. Fourijeovi koeficijenti 49. ortogonalni komplement 47. sopstvene vrednosti i sopstveni vektori linearnog operatora (matrice) c 57. ugao izmedju vektora i potprostora s ˇ 46. Pozitivnost Gramove determinante 55. Beselova nejednakost ˇ 50. Determinante.Linearna Algebra i Analitiˇka Geometrija – 90 – c 35. definicija i osnovna svojstva 40. Karakteristiˇni polinom. Zordanova forma . izraˇunavanje determinante c 42. sliˇnost matrica c 39. Ugao izmedju vektora i potprostora 52. Minimalni polinom.

Sign up to vote on this title
UsefulNot useful