Skripta - Prof. Z. Petric

Linearna algebra
skripta
Januar 2013.
Rec autora
Ovaj tekst je nastao od materijala sa kursa Linearna algebra i analiticka geome-
trija za studente Odseka za informatiku, Matematickog fakulteta Univerziteta
u Beogradu koji sam drzao od oktobra 2012. do januara 2013. Kao glavni
propratni udzbenik uz ova skripta, studentima savetujem da koriste [2]. To
je knjiga dostupna svima i ona ukljucuje materijal sa standardnog osnovnog
kursa linearne algebre za studente univerziteta u SAD. Uz nju je, kao dodatak,
prilozena knjiga resenja zadataka [3]. Za ovaj udzbenik sam se opredelio zbog
laganog stila kao i bogatstva primera i zadataka za vezbu.
Neki delovi ovog teksta su nastali pod uticajem knjiga [1], [8] i [7]. Studen-
tima savetujem da koriste udzbenike [6], [4], [5] kao i skripta [9].
Materijal je podeljen u trinaest delova po nedeljama kako su se odvijala
predavanja (svake nedelje je odrzan jedan blok od tri casa). Ta podela nije
najprirodnija po sadrzaju ali je bila prakticna zbog numeracije tvrdenja tokom
celog kursa. To je i osnovni razlog zasto sam tu organizaciju zadrzao i u skrip-
tima.
Svi komentari su dobrodosli!
U Beogradu, 10. januar 2013. Zoran Petric
zpetric@mi.sanu.ac.rs
Zahvalnica
Velike zasluge za uspeh ovog kursa pripadaju asistentu Filipu Samardzicu koji
je svojom energijom i zalaganjem pomogao studentima da savladaju gradivo.
Zahvaljujem se i kolegi Marku Crnobrnji koji je pazljivo procitao tekst i ukazao
mi na gresku u formulaciji Male leme o zameni u prethodnoj verziji.
Posebno bih hteo da se zahvalim prof. Mirjani Borisavljevic na dragocenim
komentarima i savetima koji su mi pomogli u pripremi zavrsne verzije ovog
teksta.
v
SADR
ZAJ
Rec autora v
Zahvalnica v
Osnovni pojmovi i notacija ix
Odeljak 1. Prva nedelja 1
1.1. Skup R
n
i neke operacije 1
1.2. Sistemi linearnih jednacina 2
1.3. Gausove operacije 2
1.4. Predstavljanje opsteg resenja 4
1.5. Matrice i skraceni zapis Gausove metode 6
Odeljak 2. Druga nedelja 9
2.1. Redukovana stepenasta forma 9
2.2. Vektorski prostori 11
Odeljak 3. Treca nedelja 15
3.1. Potprostori i linearni omotaci 15
3.2. Linearna nezavisnost 17
Odeljak 4.

Cetvrta nedelja 21
4.1. Baza vektorskog prostora 21
4.2. Dimenzija vektorskog prostora 23
Odeljak 5. Peta nedelja 27
5.1. Vektorski prostori i linearni sistemi 27
5.2. Neke operacije s potprostorima 30
Odeljak 6.

Sesta nedelja 35
6.1. Visestruka uloga R
n
35
6.2. Skalarni proizvod i norma vektora u R
n
36
6.3. Ortogonalna projekcija vektora na pravu 40
Odeljak 7. Sedma nedelja 43
7.1. Gram-
Smitov postupak ortogonalizacije 43

7.2. Ortogonalna projekcija vektora na potprostor 45
Odeljak 8. Osma nedelja 49
8.1. Linearna preslikavanja, izomorzmi 49
8.2. Linearna preslikavanja (homomorzmi) 52
vii
viii Sadrzaj
8.3. Slika i jezgro linearnog preslikavanja 54
Odeljak 9. Deveta nedelja 57
9.1. Reprezentacija linearnih preslikavanja 57
9.2. Svaka matrica reprezentuje linearno preslikavanje 60
9.3. Mnozenje matrica 63
Odeljak 10. Deseta nedelja 67
10.1. Elementarne redukcijske matrice 67
10.2. Inverzne matrice 68
10.3. Promena baze 70
10.4. Promena reprezentacije preslikavanja 71
Odeljak 11. Jedanaesta nedelja 75
11.1. Determinante, denicija i osnovna svojstva 75
11.2. Minori i kofaktori 78
11.3. Kramerova teorema 80
Odeljak 12. Dvanaesta nedelja 83
12.1. Slicnost matrica 83
12.2. Dijagonalizabilnost 83
12.3. Sopstvene vrednosti i sopstveni vektori 85
Odeljak 13. Trinaesta nedelja 89
13.1. Minimalan polinom 89
13.2. Nilpotentnost 92
13.3.

Zordanova normalna forma 96
Bibliography 101
Index 102
OSNOVNI POJMOVI I NOTACIJA
prazan skup
N skup prirodnih brojeva: 0, 1, 2, . . .
N
+
skup prirodnih brojeva vecih od nule: 1, 2, . . .
Z skup celih brojeva: . . . , 2, 1, 0, 1, 2, . . .
R skup realnih brojeva
C skup kompleksnih brojeva
V , W, U vektorski prostori
v, w, u vektori
v
1
, . . . , v
n
) niz vektora
T
n
prostor polinoma stepena manjeg ili jednakog n
[S] linearni omotac skupa vektora S
U +W suma potprostora nekog prostora
U W direktna suma potprostora nekog prostora
A, B, C matrice
A ;B matrica A se vrsta-redukuje na matricu B
A
T
transponovana matrica
E
n
jedinicna matrica tipa n n
A
1
obostrani inverz za A
0
mn
nula matrica tipa mn
/
mn
skup matrica nad R tipa mn
/
n
skup kvadratnih matrica nad R tipa n n
x
1
, . . . , x
n
konacan skup; x
i
,= x
j
za i ,= j
[X[ broj elemenata konacnog skupa X
(x, y) ureden par; (x
1
, y
1
) = (x
2
, y
2
) (x
1
= x
2
y
1
= y
2
)
X Y razlika skupova X i Y : x [ x X, x , Y
X Y Dekartov proizvod skupova X i Y : (x, y) [ x X, y Y
X X reeksivna (x X)(x, x)
X X simetricna (x, y X)((x, y) (y, x) )
X X tranzitivna (x, y, z X)(((x, y) (y, z) ) (x, z) )
X X rel. ekvivalencije reeksivna, simetricna i tranzitivna
1
X
identitet na X: (x X)1
X
(x) = x
f
A
ogranicenje (restrikcija) funkcije na podskup domena
f : X Y je 1-1 (x
1
, x
2
X)(f(x
1
) = f(x
2
) x
1
= x
2
)
f : X Y je na (y Y )(x X)y = f(x)
f : X Y je bijekcija 1-1 i na, tj. postoji g : Y X tako da je
g f = 1
X
i f g = 1
Y
ix
1. Prva nedelja
1.1. Skup R
n
i neke operacije
Glavnu ulogu u ovom kursu igraju vektorski prostori R
n
. Za pocetak denisemo
skup
R
n
=
df

_
_
_
x
1
.
.
.
x
n
_
_
_ [ x
1
, . . . , x
n
R.
Opredelili smo se da elemente od R
n
posmatramo kao kolone zbog nekih pogod-
nosti koje ce nam taj pristup doneti. Naravno, narocito zbog problema zapisa,
taj pristup ima i nekih mana. Elemente od R
n
oznacavamo sa u, v, w, . . .
Sabiranje u R
n
denisemo prirodno po komponentama, tj.
_
_
_
x
1
.
.
.
x
n
_
_
_+
_
_
_
y
1
.
.
.
y
n
_
_
_ =
df
_
_
_
x
1
+y
1
.
.
.
x
n
+y
n
_
_
_.
Mnozenje elemenata od R
n
skalarima (elementima od R) denisemo na
sledeci nacin
r
_
_
_
x
1
.
.
.
x
n
_
_
_ =
df
_
_
_
rx
1
.
.
.
rx
n
_
_
_.
Jasno je da ako su u, v R
n
i r R, onda su i u +v, ru R
n
. To svojstvo
skupa R
n
nazivamo zatvorenost za sabiranje i mnozenje skalarima.
Tvr- denje 1.1. Sabiranje u R
n
i mnozenje skalarima zadovoljavaju:
(u +v) + w = u + (v + w),
za

0 =
_
_
_
0
.
.
.
0
_
_
_, u +
0 = u =
0 +u,
u + (1)u =
0 = (1)u +u,
u +v = v +u,
r(u +v) = ru +rv
(r +s)u = ru +su
(rs)u = r(su)
1u = u.
dokaz. Direktno po deniciji koristeci odgovarajuca svojstva realnih brojeva.
1
2 ODELjAK 1. PRVA NEDELjA
1.2. Sistemi linearnih jednacina
Definicija. Izraz oblika a
1
x
1
+ . . . + a
n
x
n
za n 1, gde su a
1
, . . . , a
n
re-
alni brojevi a x
1
, . . . , x
n
promenljive, se zove linearna kombinacija promenljivih
x
1
, . . . , x
n
.
Definicija. Jednacina oblika a
1
x
1
+. . . +a
n
x
n
= b, gde je a
1
x
1
+. . . +a
n
x
n
linearna kombinacija a b R je linearna jednacina po promenljivim x
1
, . . . , x
n
.
Ona je homogena kada je b = 0. Kazemo da je s =
_
_
_
s
1
.
.
.
s
n
_
_
_ R
n
partikularno
resenje (ili samo resenje) gornje jednacine kada je ispunjeno
a
1
s
1
+. . . +a
n
s
n
= b.
Opste resenje jednacine je skup svih njenih partikularnih resenja.
Definicija. Niz od m (m 1) linearnih jednacina po promenljivim x
1
, . . . , x
n
je sistem linearnih jednacina (najcesce ga oznacavamo sa ) po promenljivim
x
1
, . . . , x
n
koji zapisujemo u obliku
a
11
x
1
+ . . . +a
1n
x
n
= b
1
. . .
a
m1
x
1
+ . . . +a
mn
x
n
= b
m
Kazemo da je s R
n
partikularno resenje (ili samo resenje) sistema kada je s
partikularno resenje svake jednacine u sistemu. Opste resenje sistema je skup
svih njegovih partikularnih resenja. Resiti sistem jednacina znaci odrediti nje-
govo opste resenje.
Napomena. Ako je S
i
za 1 i m opste resenje i-te jednacine gornjeg
sistema, onda je S
1
. . . S
m
opste resenje tog sistema.
1.3. Gausove operacije
Pod Gausovim operacijama podrazumevamo sledece:
(
i

j
) za i ,= j, i-ta i j-ta jednacina zamene mesta;
(r
i
) za r ,= 0, leva i desna strana i-te jednacine se pomnoze sa r;
(r
i
+
j
) za i ,= j, i-ta jednacina pomnozena sa r se doda j-toj.
1.3. Gausove operacije 3
Primer.
3x
3
= 9
x
1
+5x
2
2x
3
= 2
1
3
x
1
+2x
2
= 3
1

3
1
3
x
1
+2x
2
= 3
x
1
+5x
2
2x
3
= 2
3x
3
= 9
3
1
x
1
+6x
2
= 9
x
1
+5x
2
2x
3
= 2
3x
3
= 9
1
+
2
x
1
+6x
2
= 9
x
2
2x
3
= 7
3x
3
= 9
Tvr- denje 1.2. Ako se sistem
dobija od sistema primenom neke Gausove

operacije, onda se i sistem dobija od sistema
primenom neke Gausove

operacije.
dokaz. Ako

i

j
, onda

i

j
. Ako

r
i
, onda

1
r
i
.
Ako

r
i
+
j
, onda

r
i
+
j
.
Tvr- denje 1.3. Ako je sistem
dobijen od sistema primenom neke Gausove

operacije, onda je svako resenje sistema ujedno i resenje sistema
.
dokaz. Neka je s R
n
resenje sistema . Dakle vazi:
a
11
s
1
+ . . . +a
1n
s
n
= b
1
. . .
a
m1
s
1
+ . . . +a
mn
s
n
= b
m
Ako

i

j
, onda je ocigledno s resenje sistema
.
Posto iz i-te jednakosti sledi da je ra
i1
s
1
+. . . +ra
in
s
n
= rb
i
, imamo da ako

r
i
, onda je s resenje sistema
.
Posto iz i-te i j-te jednakosti sledi da je
(ra
i1
+a
j1
)s
1
+. . . + (ra
in
+a
jn
)s
n
= rb
i
+b
j
,
imamo da ako

r
i
+
j
, onda je s resenje sistema
.
Definicija. Dva sistema su ekvivalentna kada imaju isto opste resenje.
Kao posledicu tvrdenja 1.2 i 1.3 imamo sledecu teoremu.
Teorema 1.4 (Gausov metod). Ako je sistem
dobijen od sistema
konacnom primenom Gausovih operacija, onda su sistemi i
ekvivalentni.
Definicija. Promenljiva x
i
(1 i n) je vodeca promenljiva u linearnoj
jednacini a
1
x
1
+. . . +a
i
x
i
+. . . +a
n
x
n
= b, kada je a
i
,= 0 a a
1
= . . . = a
i1
= 0.
Tada za a
i
kazemo da je pivot.
Definicija. Sistem je u stepenastoj formi kada za svaku jednacinu koja ima
vodecu promenljivu vazi da je ta jednacina ili prva u sistemu ili i prethodna
jednacina ima vodecu promenljivu levo od te promenljive.
Primer. Poslednji sistem u prethodnom primeru je u stepenastoj formi, dok
svi koji mu prethode nisu.
Napomena 1.5. Svaki sistem se u konacnom broju koraka (Gausovih operacija)
moze svesti na sistem u stepenastoj formi.
1.4. Predstavljanje opsteg resenja
Ako sistem ima jedinstveno resenje ili nema resenja onda je predstavljanje opsteg
resenja jednostavno.

Sta se desava kada to nije slucaj?
Primer. Redukujemo dati sistem na stepenastu formu.
x +y +z w = 1
y z +w = 1
3x +6z 6w = 6
y +z w = 1
3
1
+
3
x +y +z w = 1
y z +w = 1
3y +3z 3w = 3
y +z w = 1
3
2
+
3
2
+
4
x +y +z w = 1
y z +w = 1
0 = 0
0 = 0
Definicija. Promenljiva koja se ne pojavljuje kao vodeca u sistemu u stepe-
nastoj formi je slobodna promenljiva.
U gornjem primeru, u poslednjem sistemu, z i w su slobodne promenljive.
Opste resenje ovog sistema dobijamo metodom supstitucije unazad. Promenlji-
ve z i w mogu imati proizvoljne vrednosti. Dobijamo da je y = 1 + z w a
onda je x = 1 (1 +z w) z +w = 2 2z + 2w. Znaci opste resenje je:
S =
_
_
_
_
2 2z + 2w
1 +z w
z
w
_
_
_
_
[ z, w R =
_
_
_
_
2
1
0
0
_
_
_
_
+z
_
_
_
_
2
1
1
0
_
_
_
_
+w
_
_
_
_
2
1
0
1
_
_
_
_
[ z, w R
i ova poslednja forma je ona u kojoj cemo ga predstavljati.
Definicija. Za dati sistem (dole levo) kazemo da je sistem (dole desno) njemu
odgovarajuci homogen sistem.
a
11
x
1
+ . . . +a
1n
x
n
= b
1
. . .
a
m1
x
1
+ . . . +a
mn
x
n
= b
m
a
11
x
1
+ . . . +a
1n
x
n
= 0
. . .
a
m1
x
1
+ . . . +a
mn
x
n
= 0
1.4. Predstavljanje opsteg resenja 5
Tvr- denje 1.6. Sistem linearnih jednacina kome je p R
n
jedno partikularno
resenje ima opste resenje oblika
p +
h [
h je resenje odgovarajuceg homogenog sistema.

dokaz. Prvo pokazujemo da je svako s R
n
koje je resenje sistema moguce
predstaviti u obliku p +

h, gde je

h neko resenje odgovarajuceg homogenog
sistema. Za to je dovoljno pokazati da je s p resenje odgovarajuceg homogenog
sistema.
Kad u i-toj jednacini odgovarajuceg homogenog sistema, koja glasi
a
i1
x
1
+. . . +a
in
x
n
= 0,
zamenimo umesto svakog x
j
razliku s
j
p
j
(j-tu komponentu vektora s p)
dobijamo tacnu jednakost, zato sto je
a
i1
(s
1
p
1
) +. . . +a
in
(s
n
p
n
) = a
i1
s
1
+. . . +a
in
s
n
(a
i1
p
1
+. . . +a
in
p
n
)
= b
i
b
i
= 0.
Posto to mozemo uraditi za svaku jednacinu, dobijamo da je s p resenje odgo-
varajuceg homogenog sistema.
Kao drugo, pokazujemo da je svaki element od R
n
oblika p +
h, gde je

h
resenje odgovarajuceg homogenog sistema, resenje polaznog sistema. Kad u
i-toj jednacini polaznog sistema, koja glasi
a
i1
x
1
+. . . +a
in
x
n
= b
i
,
zamenimo umesto svakog x
j
zbir p
j
+ h
j
(j-tu komponentu vektora p +

h)
dobijamo tacnu jednakost, zato sto je
a
i1
(p
1
+h
1
) +. . . +a
in
(p
n
+h
n
) = a
i1
p
1
+. . . +a
in
p
n
+a
i1
h
1
+. . . +a
in
h
n
= b
i
+ 0 = b
i
.
Posto to mozemo uraditi za svaku jednacinu, dobijamo da je p +

h resenje
polaznog sistema.
Tvr- denje 1.7. Za homogen sistem po n promenljivih vazi:
(1)

0 R
n
je njegovo partikularno resenje;
(2) ako su

h
1
i

h
2
njegova resenja i c
1
, c
2
R, onda je i c
1
h
1
+c
2
h
2
njegovo
resenje.
dokaz. Direktno zamenom u proizvoljnoj jednacini homogenog sistema kao i
u prethodnom dokazu.
Posledica 1.8. Svaki homogen sistem ima ili tacno jedno resenje ili ih ima
beskonacno mnogo.
dokaz. Po tvrdenju 1.7 (1), homogen sistem ima bar jedno resenje a to je

0.
Ako je

h resenje razlicito od

0 onda je za svako r R i r
h takode resenje tog

sistema po tvrdenju 1.7 (2), pa sistem ima beskonacno mnogo resenja.
Posledica 1.9. Svaki sistem linearnih jednacina ili nema resenja ili ima tacno
jedno resenje ili ih ima beskonacno mnogo.
dokaz. Direktno iz posledice 1.8 i tvrdenja 1.6.
1.5. Matrice i skraceni zapis Gausove metode
Definicija. Matrica A tipa mn nad R je pravougaona tabela koja se sastoji
od m vrsta i n kolona tako da se u preseku i-te vrste i j-te kolone nalazi a
ij
R.
Ako je m = n, onda je matrica kvadratna. Matrica
A =
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . .
a
m1
a
m2
. . . a
mn
_
_
_
_
je matrica sistema:
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
,
dok je
_
_
_
_
_
a
11
a
12
. . . a
1n
[ b
1
a
21
a
22
. . . a
2n
[ b
2
. . .
.
.
.
a
m1
a
m2
. . . a
mn
[ b
m
_
_
_
_
_
prosirena matrica tog sistema.
Gausove operacije iz prethodnog primera matricno zapisujemo kao:
_
_
_
_
1 1 1 1 [ 1
0 1 1 1 [ 1
3 0 6 6 [ 6
0 1 1 1 [ 1
_
_
_
_
3
1
+
3
_
_
_
_
1 1 1 1 [ 1
0 1 1 1 [ 1
0 3 3 3 [ 3
0 1 1 1 [ 1
_
_
_
_
3
2
+
3
2
+
4
_
_
_
_
1 1 1 1 [ 1
0 1 1 1 [ 1
0 0 0 0 [ 0
0 0 0 0 [ 0
_
_
_
_
1.5. Matrice i skraceni zapis Gausove metode 7
Definicija. Vektor kolona je matrica tipa m1 i to je nas zapis za element
od R
m
. Vektor vrsta je matrica tipa 1 n. Svaka matrica je niz svojih vektor
vrsta odnosno vektor kolona.
Skup svih matrica tipa mn nad R oznacavamo sa /
mn
. Posebno, kada
je m = n, onda /
nn
skraceno zapisujemo kao /
n
. Sabiranje u skupu /
mn
denisemo po komponentama, tj.
_
_
a
11
. . . a
1n
. . .
a
m1
. . . a
mn
_
_
+
_
_
b
11
. . . b
1n
. . .
b
m1
. . . b
mn
_
_
=
df
_
_
a
11
+b
11
. . . a
1n
+b
1n
. . .
a
m1
+b
m1
. . . a
mn
+b
mn
_
_
dok mnozenje matrice skalarom denisemo kao
r
_
_
a
11
. . . a
1n
. . .
a
m1
. . . a
mn
_
_
=
df
_
_
ra
11
. . . ra
1n
. . .
ra
m1
. . . ra
mn
_
_
.
Treba primetiti da se ove denicije, za n = 1, slazu s odgovarajucim denicijama
za R
m
datim u sekciji 1.1. Neutral za ovako denisano sabiranje je nula matrica
0
mn
ciji su svi clanovi nule.
Gausove operacije s matricama denisane su kao i one sa sistemima u sekciji
1.3 s tim sto je svugde rec ,,jednacina zamenjena sa ,,vrsta. Jasno je kako se
po analogiji sa denicijama vezanim za sisteme mogu denisati pivot u matrici
i matrica u stepenastoj formi .
2. Druga nedelja
2.1. Redukovana stepenasta forma
Primer. Posmatrajmo sistem linearnih jednacina:
x +y 2z = 2
y +3z = 7
x z = 1
i njegovo matricno svodenje na stepenastu formu:
_
_
1 1 2 [ 2
0 1 3 [ 7
1 0 1 [ 1
_
_

1
+
3
_
_
1 1 2 [ 2
0 1 3 [ 7
0 1 1 [ 1
_
_

2
+
3
_
_
1 1 2 [ 2
0 1 3 [ 7
0 0 4 [ 8
_
_
.
Medutim, mi mozemo i da nastavimo s Gausovim operacijama:
1
4
3
_
_
1 1 2 [ 2
0 1 3 [ 7
0 0 1 [ 2
_
_

3
3
+
2
2
3
+
1
_
_
1 1 0 [ 2
0 1 0 [ 1
0 0 1 [ 2
_
_

2
+
1
_
_
1 0 0 [ 1
0 1 0 [ 1
0 0 1 [ 2
_
_
.
Iz poslednje matrice odmah vidimo da je jedinstveno resenje polaznog sistema
_
_
x
y
z
_
_
=
_
_
1
1
2
_
_
.
Definicija. Sistem linearnih jednacina je u redukovanoj stepenastoj formi
kada je on u stepenastoj formi i jos je svaki pivot jednak 1 i on je jedini ne-nula
skalar u svojoj koloni. Analogno za matrice.
Napomena 2.1. Svaki sistem (matrica) u stepenastoj formi se moze konacnom
primenom Gausovih operacija (r
i
) i (r
i
+
j
) svesti na redukovanu stepenastu
formu. Tom prilikom pivoti ostaju na mestima gde su i bili.
Primer. Resiti sistem
2x
1
+6x
2
+x
3
+2x
4
= 5
3x
2
+x
3
+4x
4
= 1
3x
2
+x
3
+2x
4
= 5
_
_
2 6 1 2 [ 5
0 3 1 4 [ 1
0 3 1 2 [ 5
_
_

2
+
3
_
_
2 6 1 2 [ 5
0 3 1 4 [ 1
0 0 0 2 [ 4
_
_

1
2
1
1
3
1
2
3
_
_
_
1 3
1
2
1 [
5
2
0 1
1
3
4
3
[
1
3
0 0 0 1 [ 2
_
_
_
9
10 ODELjAK 2. DRUGA NEDELjA
4
3
3
+
2
3
+
1
_
_
_
1 3
1
2
0 [
9
2
0 1
1
3
0 [ 3
0 0 0 1 [ 2
_
_
_

3
2
+
1
_
_
_
1 0
1
2
0 [
9
2
0 1
1
3
0 [ 3
0 0 0 1 [ 2
_
_
_.
Iz poslednje matrice odmah vidimo da je opste resenje sistema
S =
_
_
_
_
9
2
+
1
2
x
3
3
1
3
x
3
x
3
2
_
_
_
_
[ x
3
R =
_
_
_
_
9
2
3
0
2
_
_
_
_
+x
3
_
_
_
_
1
2
1
3
1
0
_
_
_
_
[ x
3
R.
Definicija. Za matricu A kazemo da se (vrsta)-redukuje na matricu B (u
oznaci A ; B) kada postoji konacan (mozda i prazan) niz Gausovih operacija
koje matricu A prevode u matricu B.
Tvr- denje 2.2. Relacija ; je relacija ekvivalencije na skupu matrica.
dokaz. (reeksivnost) prazan niz operacija;
(simetricnost) posledica tvrdenja 1.2;
(tranzitivnost) nadovezemo nizove Gausovih operacija.
Definicija. Za matrice A i B za koje vazi A ; B kazemo da su vrsta-
ekvivalentne.
Teorema 2.3. Svaka matrica je vrsta-ekvivalentna jedinstvenoj matrici u re-
dukovanoj stepenastoj formi.
dokaz. Po napomenama 1.5 i 2.1, svaka matrica je vrsta-ekvivalentna nekoj u
redukovanoj stepenastoj formi. Da je ta forma jedinstvena pokazujemo induk-
cijom po broju n kolona u polaznoj matrici.
(baza indukcije) Ako je n = 1 i A je nula matrica onda je ona u redukovanoj
stepenastoj formi i svaka matrica vrsta-ekvivalentna sa A je takode nula matrica.
Ako A nije nula matrica, onda se ona ne moze redukovati na nula matricu pa
se mora svesti na jedinu ne-nula matricu tipa m 1 koja je u redukovanoj
stepenastoj formi a to je matrica
_
_
_
_
1
0
.
.
.
0
_
_
_
_
.
(induktivni korak) Pretpostavimo da tvrdenje vazi za sve matrice sa n1
kolona. Neka je A matrica tipa m n i neka su B i C dve razlicite matrice
u redukovanoj stepenastoj formi koje su vrsta-ekvivalentne sa A. Neka je A
matrica koja se dobija od matrice A odbacivanjem poslednje kolone. Primetimo

da svaki niz Gausovih operacija koji prevodi A u B takode prevodi i A
u B
koja je nastala od B odbacivanjem poslednje kolone i koja je u redukovanoj

stepenastoj formi. Isto vazi i za A
i C
, koja nastaje odbacivanjem poslednje

kolone iz C. Po induktivnoj hipotezi imamo da je B
= C
. Znaci B i C se
razlikuju u poslednjoj koloni. Neka je ta razlika na mestu in. Posmatrajmo
sledece homogene sisteme cije su matrice redom A, B i C:
a
11
x
1
+. . . +a
1n
x
n
= 0
. . .
a
m1
x
1
+. . . +a
mn
x
n
= 0
b
11
x
1
+. . . +b
1n
x
n
= 0
. . .
b
m1
x
1
+. . . +b
mn
x
n
= 0
c
11
x
1
+. . . +c
1n
x
n
= 0
. . .
c
m1
x
1
+. . . +c
mn
x
n
= 0
.
Po teoremi 1.4, imamo da svi ovi sistemi imaju iste skupove resenja. Neka
je
_
_
_
s
1
.
.
.
s
n
_
_
_ proizvoljno partikularno resenje. Pokazacemo da s
n
mora biti 0.
Ogranicavajuci se na i-te jednacine u drugom i trecem sistemu imamo:
b
i1
s
1
+. . . +b
in
s
n
(c
i1
s
1
+. . . +c
in
s
n
) = 0.
Odavde, posto je b
i1
= c
i1
, . . . , b
i(n1)
= c
i(n1)
imamo da je (b
in
c
in
)s
n
= 0,
odakle sledi, posto je b
in
c
in
,= 0, da je s
n
= 0.
Znaci u svakom partikularnom resenju je s
n
= 0 pa x
n
mora biti i u drugom i
u trecem sistemu vodeca promenljiva. Posto su B i C u redukovanoj stepenastoj
formi i posto im se prvih n 1 kolona poklapaju, to pivoti u poslednjoj koloni
moraju biti jedinice na istom mestu. Znaci B = C.
2.2. Vektorski prostori
Definicija. V je vektorski prostor nad poljem R kada je

0 V i za svako
u, v V i r R vazi da je u V , u +v V i ru V i pritom je zadovoljeno:
(1) (u +v) + w = u + (v + w),
(2) u +
0 = u =
0 +u,
(3) u + (u) =
0 = (u) +u,
(4) u +v = v +u,
tj. (V, +,
0) je komutativna grupa i
(5) r(u +v) = ru +rv
(6) (r +s)u = ru +su
(7) (rs)u = r(su)
(8) 1u = u.
12 ODELjAK 2. DRUGA NEDELjA
Posto cemo govoriti samo o vektorskim prostorima nad poljem R, zvacemo ih
skraceno samo vektorski prostori.
Primer. Po tvrdenju 1.1, uz u =
df
(1)u, imamo da je R
n
vektorski prostor.
Analogno je /
mn
vektorski prostor u odnosu na operacije denisane u 1.5.
Primer. Vektori u euklidskom prostoru cine jedan vektorski prostor u odnosu
na geometrijski zadano sabiranje vektora i mnozenje vektora skalarima.
Primer 3. P =
_
_
x
y
z
_
_
[ x + y + z = 0 je vektorski prostor u odnosu na
operacije preuzete iz R
3
. Ovo ce biti posledica tvrdenja 3.1 a zasad bi trebalo
proveriti da P sadrzi
_
_
0
0
0
_
_
, da
_
_
x
y
z
_
_
P
_
_
x
y
z
_
_
P, da je P zatvoren za
sabiranje i mnozenje skalarima kao i da su zadovoljena svojstva (1)-(8).
Primer.
_
z
1
z
2
_
[ z
1
, z
2
Z nije vektorski prostor zato sto nije zatvoren za
mnozenje skalarima.
Primer.
_
_
_
0
.
.
.
0
_
_
_ jeste vektorski prostor. To je trivijalan vektorski prostor.
Primer. T
3
= a
0
+a
1
x+a
2
x
2
+a
3
x
3
[ a
0
, a
1
, a
2
, a
3
R, tj. skup polinoma
s realnim koecijentima stepena manjeg ili jednakog 3 u odnosu na standardno
sabiranje polinoma i mnozenje polinoma realnim brojevima jeste vektorski pros-
tor. Naslucuje se veza izmedu T
3
i R
4
po kojoj bi npr. polinomu 1 + 2x
2
x
3
odgovarao
_
_
_
_
1
0
2
1
_
_
_
_
R
4
.
Primer 7. Neka je X proizvoljan skup i V vektorski prostor. Tada V
X
= f [
f : X V , u odnosu na sabiranje denisano sa (f
1
+f
2
)(x) =
df
f
1
(x) +f
2
(x)
i mnozenje skalarima denisano sa (rf)(x) =
df
r(f(x)), jeste vektorski prostor.
Specijalno, R
N
= f [ f : N R jeste vektorski prostor. Njegov element
f(n) = n
2
+ 1 odgovara beskonacnoj koloni
_
_
_
_
_
_
_
1
2
5
10
.
.
.
_
_
_
_
_
_
_
.
Primer. Skup svih polinoma s realnim koecijentima jeste vektorski prostor.
Tvr- denje 2.4. U svakom vektorskom prostoru vazi:
(1) 0v =
0 (2) (1)v +v =
0 (3) r
0 =
0.
dokaz. (1) 0v = (0+0)v
5
= 0v+0v, a odavde dodavanjem0v obema stranama,
uz pomoc svojstava 1, 2 i 3 vektorskih prostora zakljucujemo da je

0 = 0v.
(2) (1)v +v
8
= (1)v + 1v
5
= (1 + 1)v = 0v =
0.
(3) r
0 = r(
0 +
0) = r
0 +r
0, a odavde dodavanjem r
0 obema stranama kao

u (1) zakljucujemo

0 = r
0.
Iz dela (2) ovog tvrdenja sledi da je (1)v = v, pa nije neophodno prove-
ravati da je v V za svako v V ako je vec provereno da je rv V za svako
v V i r R.
Definicija. Izraz oblika c
1
v
1
+. . . +c
n
v
n
za n 1, gde su c
1
, . . . , c
n
skalari a
v
1
, . . . , v
n
vektori, se zove linearna kombinacija vektora v
1
, . . . , v
n
(videti ode-
ljak 1.2).
Napomena 2.5. Za m linearnih kombinacija vektora v
1
, . . . , v
n
imamo da je
njihova linearna kombinacija
d
1
(c
11
v
1
+. . . +c
1n
v
n
) +. . . +d
m
(c
m1
v
1
+. . . +c
mn
v
n
)
jednaka linearnoj kombinaciji vektora v
1
, . . . , v
n
:
(d
1
c
11
+. . . +d
m
c
m1
)v
1
+. . . + (d
1
c
1n
+. . . +d
m
c
mn
)v
n
.
Tvr- denje 2.6. Ako su matrice A i B vrsta-ekvivalentne, onda je svaka vrsta
matrice B linearna kombinacija vrsta matrice A.
dokaz. Primetimo da tvrdenje vazi ako je B dobijeno od A primenom jedne
Gausove operacije. Dokaz dalje izvodimo indukcijom pri cemu ovo koristimo kao
bazu indukcije a u induktivnom koraku se oslanjamo na napomenu 2.5.
3. Treca nedelja
3.1. Potprostori i linearni omotaci
Definicija. Neka je V vektorski prostor. Kazemo da je U V potprostor od
V kada je sam U vektorski prostor u odnosu na nasledene operacije iz V . To
znaci da je

0 U, U je zatvoren za nasledeno sabiranje i mnozenje skalarima i
zadovoljena su svojstva 1-8 iz denicije vektorskog prostora.
Tvr- denje 3.1. Za neprazan podskup U vektorskog prostora V sledeca tvrdenja
su ekvivalentna:
(1) U je potprostor od V ;
(2) U je zatvoren za linearne kombinacije parova vektora iz U, tj. za u
1
, u
2
U
i c
1
, c
2
R vazi da je c
1
u
1
+c
2
u
2
U;
(3) U je zatvoren za linearne kombinacije proizvoljnog konacnog skupa vek-
tora iz U, tj. za u
1
, . . . , u
n
U i c
1
, . . . , c
n
R vazi da je c
1
u
1
+. . . +c
n
u
n
U.
dokaz. U krugu (3) (2) (1) (3), samo je implikacija (2) (1)
netrivijalna. Pretpostavka da je U neprazan znaci da postoji u U. Iz (2)
dobijamo da je 0u+0u U, pa je po tvrdenju 2.4 (1) i
0 U. Ako su u, v U,
i r R, onda su i 1u +1v, ru +0u U, sto znaci da je U zatvoren za sabiranje
i mnozenje skalarima (samim tim i za inverze u odnosu na sabiranje).
Svojstva 1-8 iz denicije vektorskog prostora vaze i za U posto su nasledena
iz V .
Primer. Skup resenja homogenog sistema sa n promenljivih je potprostor od
R
n
. Ovo sledi iz tvrdenja 1.7 i 3.1 (videti treci primer u sekciji 2.2).
Primer. Skup resenja sistema linearnih jednacina sa n promenljivih ne mora
biti potprostor od R
n
.
Primer. T
1
(prostor polinoma stepena manjeg ili jednakog 1) je potprostor
od T
3
.
Primer.
_
x
0
_
[ x R je potprostor od R
2
.
Primer.
_
z
0
_
[ z Z nije potprostor od R
2
.
Definicija. Linearni omotac (lineal ) nepraznog skupa vektora S nekog vek-
torskog prostora, u oznaci [S] ili L(S) ili span(S), je skup
c
1
s
1
+. . . +c
n
s
n
[ n N
+
, c
1
, . . . , c
n
R, s
1
, . . . , s
n
S.
15
16 ODELjAK 3. TRE
CA NEDELjA
Linearni omotac praznog skupa vektora nekog vektorskog prostora je trivijalan
potprostor tog vektorskog prostora.
Tvr- denje 3.2. Linearni omotac proizvoljnog skupa vektora nekog vektorskog
prostora je potprostor tog vektorskog prostora.
dokaz. Neka je V vektorski prostor i neka je S V . Ako je S = onda je po
deniciji [S] trivijalan potprostor od V .
Ako je S neprazan, onda koristimo tvrdenje 3.1. Neka su u, v [S]. Po
deniciji linearnog omotaca, u = a
1
s
1
+ . . . + a
k
s
k
i v = b
1
t
1
+ . . . + b
l
t
l
za
s
1
, . . . , s
k
,
t
1
, . . . ,
t
l
S. Tada je
cu +dv = ca
1
s
1
+. . . +ca
k
s
k
+db
1
t
1
+. . . +db
l
t
l
[S].
Napomena 3.3. Linearni omotac od S V je najmanji potprostor od V koji

sadrzi S.
Primer. Lineal od
_
1
1
_
,
_
1
1
_
R
2
je R
2
. To je zato sto se za proizvoljno
x, y R, vektor
_
x
y
_
moze dobiti kao linearna kombinacija
x +y
2
_
1
1
_
+
x y
2
_
1
1
_
.
Primer. Neka je W = [3x x
2
, 2x] T
2
. Lako je proveriti da je
W a
1
x +a
2
x
2
[ a
1
, a
2
R. Da vazi i obrnuta inkluzija sledi iz toga sto se
za svako a
1
, a
2
R, polinom a
1
x +a
2
x
2
moze dobiti kao linearna kombinacija
a
2
(3x x
2
) +
a
1
+ 3a
2
2
(2x).
Tvr- denje 3.4. Za S, T V vazi
(1) S [S];
(2) S T [S] [T];
(3) [[S]] = [S].
dokaz. (1) Ako je v S, onda zbog v = 1v sledi da je v [S].
(2) Ako je v [S], onda je po deniciji v = c
1
s
1
+. . .+c
n
s
n
za s
1
, . . . , s
n
S.
Posto je S T, to je s
1
, . . . , s
n
T, pa je po deniciji v [T].
(3) Po (1) je S [S], pa je po (2) [S] [[S]]. Za obrnutu inkluziju,
pretpostavimo da je v [[S]]. Po deniciji imamo da je v = c
1
u
1
+ . . . + c
n
u
n
za u
1
, . . . , u
n
[S]. Posto je po tvrdenju 3.2, [S] potprostor od V , to je po
tvrdenju 3.1 i v [S].
3.2. Linearna nezavisnost
Definicija. Skup vektora S nekog vektorskog prostora je linearno zavisan
kada postoji v S takav da je v [Sv]. U suprotnom je linearno nezavisan.
Napomena 3.5. Prazan skup vektora je trivijalno linearno nezavisan, dok je
0 linearno zavisan posto je

0 [] = [
0].
Tvr- denje 3.6. Skup vektora S nekog vektorskog prostora je linearno nezavisan
akko za svaki konacan podskup v
1
, . . . , v
n
S vazi:
c
1
v
1
+. . . +c
n
v
n
=
0 c
1
= . . . = c
n
= 0.
dokaz. () Pretpostavimo suprotno, tj. za neki skup v
1
, . . . , v
n
S vazi
c
1
v
1
+ . . . + c
n
v
n
=

0 i c
n
,= 0 (analogno postupamo ako je bilo koje drugo
c
i
,= 0). Tada, ako je n = 1 dobijamo da je v
n
=
0, a ako je n > 1, onda vazi

v
n
=
c
1
c
n
v
1
. . .
c
n1
c
n
v
n1
.
U oba slucaja sledi da je v
n
[S v
n
], sto znaci da je S linearno zavisan a
to je suprotno pretpostavci.
() Pretpostavimo suprotno tj. za neko v S i neke u
1
, . . . , u
n
S v
vazi v = c
1
u
1
+. . . +c
n
u
n
. Odavde zakljucujemo da je
c
1
u
1
+. . . +c
n
u
n
+ (1)v =
0
a to je suprotno pretpostavci zato sto je skalar uz v jednak 1 ,= 0.
Primer. Skup
_
40
45
_
,
_
50
25
_
R
2
je linearno nezavisan zato sto
c
1
_
40
45
_
+c
2
_
50
25
_
=
_
0
0
_

40c
1
50c
2
= 0
45c
1
+ 25c
2
= 0
c
1
= c
2
= 0.
Primer. Skup 1 +x, 1 x T
2
je linearno nezavisan zato sto
c
1
(1+x)+c
2
(1x) = 0 c
1
+c
2
+(c
1
c
2
)x = 0
c
1
+c
2
= 0
c
1
c
2
= 0
c
1
= c
2
= 0.
Primer. Skup
_
_
3
4
5
_
_
,
_
_
2
9
2
_
_
,
_
_
4
18
4
_
_
R
2
je linearno zavisan zato sto je
_
_
4
18
4
_
_
= 2
_
_
2
9
2
_
_
, tj. 0
_
_
3
4
5
_
_
+ 2
_
_
2
9
2
_
_
+ (1)
_
_
4
18
4
_
_
=
_
_
0
0
0
_
_
.
18 ODELjAK 3. TRE
CA NEDELjA
Primer. Svaki podskup od V koji sadrzi

0 je linearno zavisan zato sto je
0 [S
0] za svako S V .
Tvr- denje 3.7. Sve ne-nula vrste matrice u stepenastoj formi cine linearno
nezavisan skup.
dokaz. Neka je A matrica u stepenastoj formi i neka je k broj njenih ne-nula
vrsta. Dokaz izvodimo indukcijom po k 0.
(baza indukcije) Ako je k = 0, onda je skup ne-nula vrsta matrice A prazan
pa je on po napomeni 3.5 linearno nezavisan.
(induktivni korak) Neka su
1
, . . . ,
k
ne-nula vrste matrice A. Neka je
l
i
, 1 i k, broj kolone u kojoj se nalazi pivot i-te vrste. Na primer, ako je
A =
_
_
2 3 1 0
0 1 0 2
0 0 0 1
_
_
, onda je l
1
= 1, l
2
= 2 i l
3
= 4. Pretpostavimo
c
1
1
+. . . +c
k
k
= (0 . . . 0).
Ogranicimo ovu jednakost na l
1
-tu kolonu i dobijamo
c
1
a
1l
1
+. . . +c
k
a
kl
1
= 0
(u nasem primeru dobijamo c
1
2 + c
2
0 + c
3
0 = 0). Posto je matrica u
stepenastoj formi imamo da je a
2l
1
= . . . = a
kl
1
= 0, pa dobijamo c
1
= 0. Ako
je k = 1 ovime je tvrdenje dokazano.
Ako je k > 1, onda iz matrice A izbacimo prvu vrstu i ostaje nam ma-
trica A
u stepenastoj formi sa k 1 ne-nula vrsta. U nasem primeru je

A
=
_
0 1 0 2
0 0 0 1
_
. Uz c
1
= 0 imamo da
c
1
1
+. . . +c
k
k
= (0 . . . 0) c
2
2
+. . . +c
k
k
= (0 . . . 0),
pa pomocu induktivne hipoteze zakljucujemo da je c
2
= . . . = c
k
= 0.
Lema 3.8. Za v V i S V vazi:
(1) [S] = [S v] akko v [S];
(2) ako je S linearno nezavisan i v , S, onda je
S v linearno nezavisan akko v , [S].
dokaz. (1) () v [S v] = [S].
(1) () Iz S [S] (3.4 (1)) i v [S] (v [S]) zakljucujemo Sv [S].
Po 3.4 (2) i (3) onda vazi [Sv] [[S]] = [S]. Obrnutu inkluziju zakljucujemo
iz S S v pomocu 3.4 (2).
(2) () Iz toga sto je S v linearno nezavisan sledi da
v , [(S v) v] = [S].
(2) () Neka je za v
1
, . . . , v
n
S v, c
1
v
1
+ . . . + c
n
v
n
=

0. Ako je
v
1
, . . . , v
n
S, onda zbog linearne nezavisnosti skupa S vazi c
1
=. . . = c
n
= 0.
Ako je v
1
= v (analogno postupamo kada je v
i
= v), onda je c
1
= 0 zbog
pretpostavke v , [S] pa je i c
2
= . . . = c
n
= 0 zbog linearne nezavisnosti skupa
S. Znaci u svakom slucaju je c
1
= . . . = c
n
= 0 pa je S v linearno nezavisan
po tvrdenju 3.6.
Tvr- denje 3.9. Za svaki konacan S V postoji T S takav da je T linearno
nezavisan i [T] = [S].
dokaz. Indukcijom po broju k 0 elemenata od S.
(baza indukcije) Ako je k = 0, onda je S prazan i po napomeni 3.5 je
linearno nezavisan.
(induktivni korak) Neka je k 1. Ako je S linearno nezavisan, onda
za T uzmimo bas skup S. Ako je S linearno zavisan onda za neko v S vazi
v [Sv]. Po lemi 3.8 (1) dobijamo [Sv] = [(Sv)v] = [S]. Posto
S v ima k 1 element, na njega mozemo primeniti induktivnu hipotezu i
zakljuciti da postoji T S v S takav da je T linearno nezavisan i
[T] = [S v] = [S].
Tvr- denje 3.10. Skup S = u
1
, . . . , u
n
V je linearno zavisan akko je u
1
=
0
ili je za neko 2 i n, u
i
[u
1
, . . . , u
i1
].
dokaz. () Indukcijom po n 1.
(baza indukcije) Ako je n = 1, onda je u
1
[u
1
u
1
] = [] =
0, pa
je u
1
=
0.
(induktivni korak) Ako je n > 1 i ako je u
1
, . . . , u
n1
linearno neza-
visan, onda je po lemi 3.8 (2) u
n
[u
1
, . . . , u
n1
]. Ako je u
1
, . . . , u
n1
linearno zavisan, onda po induktivnoj hipotezi vazi da je u

1
=

0 ili je za neko
2 i n 1, u
i
[u
1
, . . . , u
i1
].
() Trivijalno.
Tvr- denje 3.11. Svaki podskup linearno nezavisnog skupa je linearno nezavisan.
Svaki nadskup linearno zavisnog skupa je linearno zavisan.
dokaz. Dovoljno je pokazati drugo tvrdenje jer iz njega prvo sledi kontrapozi-
cijom. Pretpostavimo da je S linearno zavisan i da je S T V . Po deniciji
linearne zavisnosti postoji v S takav da je v [S v]. Posto je v S i
S T, to je v T. Po tvrdenju 3.4 (2) imamo [S v] [T v], pa je
v [T v]. Dakle, T je linearno zavisan.
4.

Cetvrta nedelja
4.1. Baza vektorskog prostora
U daljem tekstu sa [X[ oznacavamo broj elemenata konacnog skupa X.
Definicija. Za niz vektora B = u
1
, u
2
, . . .) nekog vektorskog prostora, ozna-
cimo sa B skup clanova tog niza. Ukoliko je B konacan niz, onda je broj clanova
tog niza njegova duzina.
Definicija. Niz vektora B je linearno nezavisan kada u njemu nema ponav-
ljanja i skup B je linearno nezavisan.
Definicija. Baza vektorskog prostora V (baza za V ) je niz vektora B =
u
1
, u
2
, . . .) tog prostora takav da je B linearno nezavisan i [B] = V .
Primer. c
2
=
_
1
0
_
,
_
0
1
_
) je baza za R
2
. To vazi zato sto u c
2
nema ponavlja-
nja,
_
1
0
_
,
_
0
1
_
je linearno nezavisan (c
1
_
1
0
_
+c
2
_
0
1
_
=
_
0
0
_
c
1
= c
2
= 0)
i [
_
1
0
_
,
_
0
1
_
] = R
2
(za svako
_
x
y
_
R
2
je x
_
1
0
_
+y
_
0
1
_
=
_
x
y
_
).
Primer. Na isti nacin se moze pokazati da je B =
_
2
4
_
,
_
1
1
_
) takode baza
za R
2
.
Definicija. c
n
=
_
_
_
_
1
0
.
.
.
0
_
_
_
_
,
_
_
_
_
0
1
.
.
.
0
_
_
_
_
, . . . ,
_
_
_
_
0
.
.
.
0
1
_
_
_
_
) je standardna (kanonska) baza za
R
n
. Vektore u njoj oznacavamo redom sa e
1
, e
2
, . . . , e
n
.
Definicija. Skup vektora daje bazu za V kada je njegovo proizvoljno uredenje
u niz jedna baza za V .
Napomena. Skup S V daje bazu za V akko S je linearno nezavisan i [S] = V .
Primer 3. Neka je V = u : R R [ u() = a cos + b sin, a, b R
i neka je sabiranje i mnozenje skalarima denisano kao u sedmom primeru iz
sekcije 2.2. Pokazimo da je B = cos , sin) baza za V . Kao prvo u B nema
ponavljanja, zatim c
1
cos + c
2
sin = 0 (ovo sa desne strane jednakosti je
konstantna funkcija koja svako R slika u 0) daje c
1
= 0 kad stavimo = 0
i c
2
= 0 kad stavimo =

2
, pa je cos , sin linearno nezavisan. Po deniciji
prostora V jasno je da je [cos , sin] = V , pa je cos , sin) baza za V .
21
22 ODELjAK 4.

CETVRTA NEDELjA
Primer. Vektorski prostor T
3
ima izmedu ostalih i sledece baze: B
1
= 1, x, x
2
,
x
3
), B
2
= x
3
, x
2
, x, 1), B
3
= 1, 1 +x, 1 +x +x
2
, 1 +x +x
2
+x
3
).
Primer. Trivijalan prostor
0 ima samo jednu bazu i to je prazan niz vektora.

Primer 6. Prostor svih polinoma s realnim koecijentima ima beskonacnu
bazu 1, x, x
2
, x
3
, . . .) i lako je pokazati da nema konacnu bazu jer bi u njoj
postojao polinom najveceg stepena pa se nijedan polinom stepena veceg od tog
ne bi mogao dobiti kao linearna kombinacija polinoma iz baze.
Primer. Sistem
x +y w = 0
z +w = 0
ima opste resenje oblika
y
_
_
_
_
1
1
0
0
_
_
_
_
+w
_
_
_
_
1
0
1
1
_
_
_
_
[ y, w R
i to je potprostor od R
4
cija je baza
_
_
_
_
1
1
0
0
_
_
_
_
,
_
_
_
_
1
0
1
1
_
_
_
_
).
Teorema 4.1. Konacan niz B =
1
, . . . ,

n
) je baza vektorskog prostora V
akko za svako v V postoji jedinstvena n-torka skalara c
1
, . . . , c
n
) takva da je
v = c
1
1
+. . . +c
n
n
.
dokaz. () Neka je v V . Posto je [
1
, . . . ,

n
] = V to postoji n-torka
c
1
, . . . , c
n
) takva da je v = c
1
1
+. . . +c
n
n
. Ako bi postojala jos jedna n-torka
d
1
, . . . , d
n
) takva da je v = d
1
1
+. . . +d
n
n
, onda bi vazilo
(c
1
d
1
)
1
+. . . + (c
n
d
n
)
n
=
0,
pa je c
1
= d
1
, . . . , c
n
= d
n
, zbog linearne nezavisnosti skupa
1
, . . . ,

n
.
() Ocigledno je [B] = V . Jos treba pokazati da su

1
, . . . ,

n
medusobno
razliciti i da je B linearno nezavisan. Ako je

i
=

j
za i < j, onda je
i
= 0
1
+. . . + 1
i
+. . . + 0
j
+. . . + 0
n
= 0
1
+. . . + 0
i
+. . . + 1
j
+. . . + 0
n
,
sto je suprotno pretpostavci o jedinstvenosti.
Ukoliko bi
1
, . . . ,

n
bio linearno zavisan onda bi vazilo
c
1
1
+. . . +c
n
n
=
0 = 0
1
+. . . + 0
n
,
pri cemu je neko c
i
,= 0, sto je suprotno pretpostavci o jedinstvenosti.
Definicija. Neka je B =
1
, . . . ,

n
) baza vektorskog prostora V . Neka je
v V i v = c
1
1
+. . .+c
n
n
(po teoremi 4.1, n-torka c
1
, . . . , c
n
) je jedinstvena).
Kazemo da je
_
_
_
c
1
.
.
.
c
n
_
_
_ R
n
reprezentacija vektora v u odnosu na bazu B i pisemo
Rep
B
(v) =
_
_
_
c
1
.
.
.
c
n
_
_
_
B
.
Primer. Neka je v =
_
3
2
_
R
2
, tj. Rep
E
2
(v) =
_
3
2
_
E
2
. Neka je B =
_
1
1
_
,
_
0
2
_
)
baza za R
2
(ovo se lako proverava). Da bismo odredili Rep
B
(v) dovoljno je
odrediti skalare c
1
i c
2
takve da je
c
1
_
1
1
_
+c
2
_
0
2
_
=
_
3
2
_
.
Resavajuci odgovarajuci sistem jednacina dobijamo c
1
= 3 i c
2
=
1
2
, pa je
Rep
B
(v) =
_
3
1
2
_
B
.
Primer. Neka su B
1
= 1, x, x
2
, x
3
) i B
2
= 1 + x, 1 x, x + x
2
, x + x
3
) dve
baze za T
3
(u slucaju B
2
ovo treba proveriti). Neka je v = x+x
2
T
3
. Tada je
Rep
B
1
(v) =
_
_
_
_
0
1
1
0
_
_
_
_
B
1
, Rep
B
2
(v) =
_
_
_
_
0
0
1
0
_
_
_
_
B
2
.
4.2. Dimenzija vektorskog prostora
Definicija. Vektorski prostor je konacnodimenzionalan kada ima bazu konacne
duzine.
Primer. Prostor R
n
je konacnodimenzionalan jer ima bazu c
n
duzine n.
Primer. Prostor svih polinoma s realnim koecijentima nije konacnodimen-
zionalan (videti sesti primer u sekciji 4.1).
Napomena. Nadalje posmatramo samo konacnodimenzionalne prostore.
Mala lema o zameni. Neka je [T S] =V i neka je p V takav da p , S i
S p je linearno nezavisan. Tada postoji

t T takav da je
[(T
t) p S] = V.
24 ODELjAK 4.

CETVRTA NEDELjA
dokaz. Iz p [T S], p , S i S p je linearno nezavisan sledi da postoji skup
vektora
t, v
1
, . . . , v
k
TS, k 0, takvih da je
t T, p = c
t+c
1
v
1
+. . .+c
k
v
k
i c ,= 0. Znaci

t =
1
c
p
c
1
c
v
1
. . .
c
k
c
v
k
, pa je

t [(T
t) p S]. Dalje,
[(T
t) p S]= [(T
t) p S
t], po lemi 3.8 (1)

= [T p S]
= [T S], po lemi 3.8 (1).
Velika lema o zameni. Ako su T, S i P podskupovi vektorskog prostora V
takvi da je P konacan, P S = , [T S] = V i S P je linearno nezavisan,
onda postoji T
T takav da je [T
[ = [P[ i [(T T
) P S] = V .
dokaz. Indukcijom po broju n = [P[ 0.
(baza indukcije) Neka je n = 0 sto znaci da je P = . Tada za T
= P =
vazi [(T T
) P S] = [T S] = V .
(induktivni korak) Neka je n > 0 i neka je p P. Posto je p [T S]
i S p je linearno nezavisan, to je po Maloj lemi o zameni V = [T S] =
[(T
t) pS] za neko
t T. Sada mozemo primeniti induktivnu hipotezu

na T
1
= T
t, P
1
= P p i S
1
= p S i dobijamo da za neko T
1
T
1
,
takvo da je [T
1
[ = [P
1
[ = n 1, vazi
V = [(T
1
T
1
) P
1
S
1
] = [((T
t) T
1
) (P p) ( p S)]
= [(T (T
t)) P S]
= [(T T
) P S], za T
= T
t i [T
[ = n 1 + 1 = n.
Lema 4.2. Ako je T konacan podskup od V takav da je [T] = V i ako je P V
linearno nezavisan, onda je P konacan i nema vise elemenata od T.
dokaz. Po Velikoj lemi o zameni primenjenoj na T, S = i proizvoljan konacan
P
P, postoji T
T takav da je [T
[ = [P
[ sto znaci da je [P
[ [T[. Dakle,
svaki konacan podskup od P nema vise elemenata od T, pa je P konacan i nema
vise elemenata od T.
Teorema 4.3. U svakom konacnodimenzionalnom vektorskom prostoru sve
baze su jednake duzine.
dokaz. Dovoljno je pokazati da ako je B konacna baza i B
neka druga baza,

onda je B
konacna i duzina joj nije veca od duzine od B.

Posto je [B] = V i B
je linearno nezavisan, po lemi 4.2, skup B
je konacan
i [B
[ [B[. Posto su B i B
baze to su njihove duzine redom [B[ i [B
[.
Definicija. Dimenzija konacnodimenzionalnog vektorskog prostora V , u oz-
naci dim(V ), je duzina njegove proizvoljne baze.
Lema 4.4. Linearno nezavisan skup vektora iz n-dimenzionalnog vektorskog
prostora ne moze imati vise od n elemenata.
dokaz. Direktno iz leme 4.2.
Tvr- denje 4.5. Za svaki podskup T konacnodimenzionalnog vektorskog prostora
V za koji vazi da je [T] = V , postoji T
T koji daje bazu za V .

dokaz. Po lemi 4.4, ako je dim(V ) = n, onda svaki linearno nezavisan podskup
od T ima najvise n elemenata. Neka je P linearno nezavisan podskup od T za
koji ne postoji linearno nezavisan podskup od T sa vise elemenata. Znaci za
svako

t (T P) vazi da je P
t linearno zavisan. Po lemi 3.8 (2) sledi

da je

t [P], pa zakljucujemo da je T [P], odakle po tvrdenju 3.4 (2) i (3)
dobijamo V = [T] [[P]] = [P]. Iz P T, po tvrdenju 3.4 (2) dobijamo
[P] [T] = V . Dakle [P] = V , te P daje bazu za V .
Lema 4.6. Ako je dim(V ) = n i P V linearno nezavisan takav da je [P[ = n,
onda je [P] = V .
dokaz. Za proizvoljnu bazu B od V vazi [B[ = n i [B] = V . Po Velikoj lemi o
zameni primenjenoj na T = B, S = i P, dobijamo [P] = V .
Lema 4.7. Ako je dim(V ) = n i P V takav da je [P] = V i [P[ n, onda P
daje bazu za V .
dokaz. Po tvrdenju 4.5 postoji P
P koji daje bazu za V . Po teoremi 4.3 je

[P
[ = n a posto je [P[ n, to znaci da je P
= P.
Tvr- denje 4.8. Svaki linearno nezavisan skup vektora konacnodimenzionalnog
vektorskog prostora V moze se dopuniti do skupa vektora koji daje bazu za V
nekim vektorima iz skupa koji daje bazu za V .
dokaz. Neka je P linearno nezavisan skup vektora iz V i neka je T skup
koji daje bazu za V . Po Velikoj lemi o zameni primenjenoj na T, S = i
P, postoji T
T takav da je [T
[ = [P[ i [(T T
) P] = V . Posto je
[(T T
) P[ [T[ = dim(V ) to, po lemi 4.7, sledi da (T T
) P daje bazu
za V .
Tvr- denje 4.9. U n-dimenzionalnom vektorskom prostoru V , skup P V
takav da je [P[ = n je linearno nezavisan akko [P] = V .
dokaz. () Direktno iz leme 4.6.
() Iz leme 4.7 dobijamo da P daje bazu za V , pa je linearno nezavisan.
26 ODELjAK 5. PETA NEDELjA
Tvr- denje 4.10. Ako je U potprostor konacnodimenzionalnog vektorskog pros-
tora V , onda je dim(U) dim(V ). Ako je dim(U) = dim(V ), onda je U = V .
dokaz. Po lemi 4.4 sledi da je dim(U) dim(V ). Neka je dim(U) = dim(V ) =
n i neka P daje bazu za U. Znaci da je [P] = U, P je linearno nezavisan i
[P[ = n. Po tvrdenju 4.9, [P] = V , pa je U = V .
5. Peta nedelja
5.1. Vektorski prostori i linearni sistemi
Podsetiti se napomene 2.5 kao i tvrdenja 2.6 i 3.7.
Definicija. Prostor vrsta neke matrice je linearni omotac skupa svih vektor
vrsta te matrice. Oznaka je RS(A). Vrsta-rang matrice A je dimenzija prostora
RS(A).
Primer.
A =
_
2 3
4 6
_
RS(A) = [(2 3), (4 6)] = [(2 3)], jer je (4 6) = 2(2 3).
Lema 5.1. Ako su dve matrice vrsta-ekvivalentne onda su im prostori vrsta
jednaki pa su im samim tim i vrsta-rangovi jednaki.
dokaz. Pretpostavimo A ; B (tj. A se vrsta-redukuje na B). Po tvrdenju
2.6 imamo da je svaka vrsta matrice B linearna kombinacija vrsta matrice A,
pa je RS(B) RS(A) (ovde se koristi tvrdenje 3.4 (2) i (3)). Na isti nacin,
posto je relacija ; simetricna (tvrdenje 2.2), dobijamo RS(A) RS(B), pa je
RS(A) = RS(B).
Na osnovu leme 5.1 i tvrdenja 3.7 zakljucujemo da Gausov postupak eliminise
zavisnost medu vrstama ostavljajuci linearni omotac nepromenjen. Na taj nacin
se formira baza prostora vrsta neke matrice.
Primer.
A =
_
_
1 3 1
1 4 1
2 0 5
_
_

1
+
2
2
1
+
3
_
_
1 3 1
0 1 0
0 6 3
_
_

6
2
+
3
_
_
1 3 1
0 1 0
0 0 3
_
_
Znaci (1 3 1), (0 1 0), (0 0 3)) je baza za RS(A).
Definicija. Prostor kolona neke matrice je linearni omotac skupa svih vektor
kolona te matrice. Oznaka je CS(A). Kolona-rang matrice A je dimenzija
prostora CS(A).
Definicija. Neka je A /
mn
. Transponovana matrica matrice A je ma-
trica A
T
/
nm
takva da se u preseku i-te vrste i j-te kolone matrice A
T
nalazi element koji se nalazi u preseku i-te kolone i j-te vrste matrice A. Prostije,
prva vrsta matrice A postaje prva kolona matrice A
T
itd.
27
Primer.
A =
_
_
_
_
1 3 7
2 3 8
0 1 2
4 0 4
_
_
_
_
A
T
=
_
_
1 2 0 4
3 3 1 0
7 8 2 4
_
_
Primer. Za matricu A iz prethodnog primera odrediti bazu za CS(A). Prvo
odredimo bazu za RS(A
T
)
_
_
1 2 0 4
3 3 1 0
7 8 2 4
_
_

3
1
+
2
7
1
+
3
_
_
1 2 0 4
0 3 1 12
0 6 2 24
_
_

2
2
+
3
_
_
1 2 0 4
0 3 1 12
0 0 0 0
_
_
Dakle, baza za RS(A
T
) je (1 2 0 4), (0 3 1 12)), pa je baza za CS(A):
_
_
_
_
1
2
0
4
_
_
_
_
,
_
_
_
_
0
3
1
12
_
_
_
_
)
Primetimo da Gausove operacije mogu da promene prostor kolona matrice.
Na primer, za
_
1 2
2 4
_

2
1
+
2
_
1 2
0 0
_
vazi
[
_
1
2
_
,
_
2
4
_
] ,= [
_
1
0
_
,
_
2
0
_
]
ali cemo pokazati da vazi sledece.
Lema 5.2. Ako su dve matrice vrsta-ekvivalentne onda su im kolona-rangovi
jednaki.
dokaz. Pretpostavimo A ;B. Po teoremi 1.3, sistemi
a
11
x
1
+. . . +a
1n
x
n
= 0 b
11
x
1
+. . . +b
1n
x
n
= 0
. . . . . .
a
m1
x
1
+. . . +a
mn
x
n
= 0 b
m1
x
1
+. . . +b
mn
x
n
= 0
imaju isto opste resenje, sto znaci:
c
1
_
_
_
a
11
.
.
.
a
m1
_
_
_+. . . +c
n
_
_
_
a
1n
.
.
.
a
mn
_
_
_ =
_
_
_
0
.
.
.
0
_
_
_
akko
c
1
_
_
_
b
11
.
.
.
b
m1
_
_
_+. . . +c
n
_
_
_
b
1n
.
.
.
b
mn
_
_
_ =
_
_
_
0
.
.
.
0
_
_
_
5.1. Vektorski prostori i linearni sistemi 29
pa je skup nekih kolona matrice A linearno nezavisan akko je skup odgovarajucih
kolona matrice B linearno nezavisan, odakle sledi da su kolona-rangovi matrica
A i B jednaki.
Primer.
A =
_
_
1 3 1 6
2 6 3 16
1 3 1 6
_
_
;
_
_
1 3 0 2
0 0 1 4
0 0 0 0
_
_
Matrica A je svedena na redukovanu stepenastu formu. Za bazu od RS(A)
mozemo uzeti (1 3 0 2), (0 0 1 4)).
Sto se tice prostora CS(A), ako izdvojimo kolone matrice u redukovanoj

stepenastoj formi koje sadrze pivote, to su clanovi standardne baze za R
3
. Ovde
su to e
1
i e
2
(prva i treca kolona). One cine linearno nezavisan skup a sve ostale
kolone su u linearnom omotacu tog skupa jer imaju nule u trecoj vrsti (svim
vrstama razlicitim od prve i druge). Ovaj primer nas uvodi u sledecu teoremu.
Teorema 5.3. Svaka matrica ima isti vrsta i kolona rang.
dokaz. Po lemama 5.1 i 5.2, svodenje matrice na redukovanu stepenastu formu
ne menja ni jedan od ovih rangova. Vrsta-rang dobijene matrice jednak je broju
pivota u njoj a to je ujedno i broj kolona oblika e
1
, e
2
, . . . koje daju bazu za
prostor kolona te matrice iz istog razloga kao u gornjem primeru.
Definicija. Rang matrice je njen vrsta odnosno kolona-rang, posto su oni
jednaki. Oznaka je rank(A).
Teorema 5.4. Za homogen sistem sa n promenljivih i sa matricom koecijenata
A sledeca tvrdenja su ekvivalentna:
(1) rank(A) = r;
(2) prostor resenja ima dimenziju n r.
dokaz.
rank(A) = r akko sistem se svodi na stepenastu formu sa r ne-nula vrsta,
akko svedeni sistem ima r pivota,
akko svedeni sistem ima n r slobodnih promenljivih,
akko prostor resenja ima dimenziju n r.
Kako pokazati poslednju ekvivalenciju ce biti jasano iz sledeceg primera.
Primer. Posmatrajmo sledeci sistem u redukovanoj stepenastoj formi:
x
1
2
y +2u = 0
z +u = 0
0 = 0
A =
_
_
_
1
1
2
0 2
0 0 1 1
0 0 0 0
_
_
_
Opste resenje citamo direktno iz redukovane stepenaste forme.
S = y
_
_
_
_
1
2
1
0
0
_
_
_
_
+u
_
_
_
_
2
0
1
1
_
_
_
_
[ y, u R.
Vektori
_
_
_
_
1
2
1
0
0
_
_
_
_
i
_
_
_
_
2
0
1
1
_
_
_
_
su linearno nezavisni jer prvi u drugoj vrsti ima je-
dinicu a drugi nulu (to je mesto koje odgovara promenljivoj y) i isto tako drugi
u cetvrtoj vrsti ima jedinicu a prvi nulu (to je mesto koje odgovara promenljivoj
u) tako da je nemoguce napraviti njihovu netrivijalnu linearnu kombinaciju jed-
naku

0. Isto se desava i u opstem slucaju.
5.2. Neke operacije s potprostorima
U ovoj sekciji ce biti reci o preseku, sumi i direktnoj sumi potprostora nekog
vektorskog prostora.
Lema 5.5. Ako su U i W potprostori nekog vektorskog prostora, onda je i UW
takode potprostor tog vektorskog prostora.
dokaz. Po tvrdenju 3.1 dovoljno je proveriti da je U W neprazan i da je
U W zatvoren za linearne kombinacije parova vektora. Iz

0 U i

0 W sledi
0 U W pa je on neprazan.
Neka su v
1
, v
2
U W i c
1
, c
2
R. Posto je onda v
1
, v
2
U i U je
potprostor, zakljucujemo c
1
v
1
+ c
2
v
2
U. Na isti nacin zakljucujemo c
1
v
1
+
c
2
v
2
W, pa je c
1
v
1
+c
2
v
2
U W.
Definicija. Za U i W potprostore nekog vektorskog prostora denisemo nji-
hovu sumu:
U +W =
df
[U W].
Primer. U, W R
3
, U =
_
_
x
y
0
_
_
[ x, y R, W =
_
_
0
y
z
_
_
[ y, z R.
Posto je
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
U i
_
_
0
0
1
_
_
W, onda vazi:
R
3
= [
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
,
_
_
0
0
1
_
_
] [U W] R
3
pa je U +W = R
3
.
Lema 5.6. Ako je [S] = U i [T] = W onda je [S T] = U +W.
dokaz. Iz S T U W, po tvrdenju 3.4 (2) imamo [S T] [U W]. Iz
S, T ST, dvostrukom primenom tvrdenja 3.4 (2) imamo U, W [ST] pa je
i UW [ST]. Odavde, po tvrdenju 3.4 (2) i (3), dobijamo [UW] [ST].
Dakle, [S T] = [U W] = U +W.
Teorema 5.7 (Grasmanova formula). Za potprostore U i W konacnodi-
menzionalnog vektorskog prostora vazi:
dim(U +W) = dim(U) +dim(W) dim(U W).
dokaz. Neka je
1
, . . . ,
r
) baza za U W. Po tvrdenju 4.8 ta baza se moze
dopuniti do baze za U i do baze za W. Dakle, neka je B =
1
, . . . ,
r
,

1
, . . . ,

k
)
baza za U i neka je ( =
1
, . . . ,
r
,
1
, . . . ,
l
) baza za W. Dovoljno je da
pokazemo da je T =
1
, . . . ,
r
,

1
, . . . ,

k
,
1
, . . . ,
l
) baza za U +W.
U T nema ponavljanja, inace bi moralo biti
i
=
j
za neke i i j. Taj vektor
bi onda pripadao U W pa ni B ni ( ne bi bili linearno nezavisni.
Kao posledicu leme 5.6 imamo [T] = [B (] = U + W. Jos treba pokazati
da je T linearno nezavisan. Pretpostavimo:
d
1
1
+. . . +d
r
r
+b
1
1
+. . . +b
k
k
+c
1
1
+. . . +c
l
l
=
0.
Neka je v = d
1
1
+. . .+d
r
r
+b
1
1
+. . .+b
k
k
U. Iz gornje jednakosti dobijamo
da je v = (c
1
1
+ . . . + c
l
l
) W. Dakle v U W pa je v [
1
, . . . ,
r
].
Po teoremi 4.1, zbog jedinstvenosti Rep
B
(v) dobijamo b
1
= . . . = b
k
= 0. Uz
to, gornja jednakost postaje d
1
1
+ . . . + d
r
r
+ c
1
1
+ . . . + c
l
l
=
0, sto zbog
linearne nezavisnosti od ( daje d
1
= . . . = d
r
= c
1
= . . . = c
l
= 0.
Definicija. Konkatenacija (nadovezivanje) nizova vektora:
1
, . . . ,

k
)
1
, . . . ,
l
) =
df

1
, . . . ,

k
,
1
, . . . ,
l
).
Lema 5.8. Neka je V = U +W i neka su B i ( redom baze za U i W. Tada su
sledeca tvrdenja ekvivalentna:
(1) svaki v V se moze na jedinstven nacin predstaviti kao u + w pri cemu
je u U a w W;
(2) B ( je baza za V ;
(3) za proizvoljne ne-nula vektore u U i w W, niz u, w) je linearno
nezavisan;
(4) U W =
0.
dokaz. ((1) (2))
B ( je niz bez ponavljanja jer bi inace postojao ne-nula vektor v B (
koga bismo mogli predstaviti kao v +
0 i kao

0 +v, sto je suprotno pretpostavci
(1).
Kao posledicu leme 5.6 imamo da je [B (] = [B (] = U + W = V .
Jos treba pokazati da je B ( linearno nezavisan. Neka je B =
1
, . . . ,

k
) i
( =
1
, . . . ,
l
). Pretpostavimo:
b
1
1
+. . . +b
k
k
+c
1
1
+. . . +c
l
l
=
0 =
0 +
0.
Po (1) imamo da je b
1
1
+ . . . + b
k
k
=

0 i c
1
1
+ . . . + c
l
l
=

0, odakle po
linearnoj nezavisnosti skupova B i ( sledi b
1
= . . . = b
k
= c
1
= . . . = c
l
= 0.
((2) (3)) Neka su u U i w W dva ne-nula vektora i neka je u =
b
1
1
+. . . +b
k
k
a w = c
1
1
+. . . +c
l
l
. Zbog linearne nezavisnosti niza B (,
ako bi bilo u = w onda bi to bili nula vektori sto je suprotno pretpostavci.
Pretpostavimo da je ru +s w =
0. Znaci:
rb
1
1
+. . . +rb
k
k
+sc
1
1
+. . . +sc
l
l
=
0,
pa zbog linearne nezavisnosti niza B ( dobijamo rb
1
= . . . = rb
k
= sc
1
=
. . . = sc
l
= 0. Iz u ,=
0 ,= v sledi da je bar jedno b

i
i bar jedno c
j
razlicito od 0
pa je onda r = s = 0.
((3) (4)) Pretpostavimo suprotno, tj. postoji ne-nula vektor v U W.
Onda je v, v) linearno zavisan sto je suprotno pretpostavci (3).
((4) (1)) Pretpostavimo da za u
1
, u
2
U i w
1
, w
2
W vazi u
1
+ w
1
=
u
2
+ w
2
. Onda vazi u
1
u
2
= w
2
w
1
U W pa po (4) vazi u
1
u
2
=
w
2
w
1
=
0, tj. u
1
= u
2
i w
1
= w
2
.
Definicija. Za potprostore U i W nekog vektorskog prostora V kazemo da su
nezavisni (komplementarni ) kada se svaki v U +W moze na jedinstven nacin
predstaviti kao u + w pri cemu je u U a w W.
Definicija. Vektorski prostor V je (unutrasnja) direktna suma svojih pot-
prostora U i W kada su oni nezavisni i V = U +W. Oznaka je V = U W.
Tvr- denje 5.9. Za vektorski prostor V i njegove potprostore U i W vazi:
V = U W akko U W =
0 i dim(V ) = dim(U) +dim(W).

dokaz. () Po lemi 5.8 sledi da je U W =
0, pa je po teoremi 5.7,
dim(V ) = dim(U +W) = dim(U) +dim(W) + 0.
() Po lemi 5.8, U i V su nezavisni. Po teoremi 5.7 imamo da je dim(V ) =
dim(U) +dim(W) = dim(U +W) pa je po tvrdenju 4.10, V = U +W.
Primer. Neka je M =
_
_
x
y
z
_
_
[ y 2z = 0, N
1
= k
_
_
0
0
1
_
_
[ k R
i N
2
= k
_
_
0
1
2
_
_
[ k R. Mozemo pokazati da je M N
1
= R
3
=
M N
2
. Prevedimo M u oblik x
_
_
1
0
0
_
_
+ z
_
_
0
2
1
_
_
[ x, z R. Dakle
/ =
_
_
1
0
0
_
_
,
_
_
0
2
1
_
_
), ^
1
=
_
_
0
0
1
_
_
) i ^
2
=
_
_
0
1
2
_
_
) su redom baze za
M, N
1
i N
2
. Posto su / ^
1
i / ^
2
baze za R
3
, to su, po lemi 5.8,
direktne sume M N
1
i M N
2
jednake prostoru R
3
.
6.

Sesta nedelja
6.1. Visestruka uloga R
n
Primer. Posmatramo euklidsku pravu p na kojoj je ksirana tacka O (koor-
dinatni pocetak) i jedan jedinicni vektor
i. Time smo ksirali jedan koordinatni

sistem prave p. Neka je A proizvoljna tacka prave p. Kazemo da je u
A
=

OA
vektor polozaja tacke A.
q
O A
p
i
Posmatrajmo sledeca pridruzivanja:
x R x
i A p,
tako da je vektor polozaja u
A
tacke A jednak vektoru x
i. Ovo su bijekcije koje

nam omogucavaju da element od R posmatramo na jos dva nacina:
1. kao geometrijski vektor na pravoj p (x je komponenta tog vektora u datom
koordinatnom sistemu) i
2. kao tacku prave p (x je koordinata te tacke u datom koordinatnom sis-
temu).
Primer. Posmatramo euklidsku ravan u kojoj je ksirana tacka O (koordi-
natni pocetak) i dva jedinicna, ortogonalna vektora
i i
j. Kao i malopre, kazemo

da je u
A
=

OA vektor polozaja tacke A.
q
`
>
>
>
>
>
>
O
A
j
Posmatrajmo sledeca pridruzivanja:
_
x
y
_
R
2
x
i +y
j A p,
tako da je vektor polozaja u
A
tacke A jednak linearnoj kombinaciji x
i+y
j. Ovo
su takode bijekcije koje nam omogucavaju da svaki element od R
2
posmatramo
na jos dva nacina, kao vektor u ravni cije su komponente (x, y), odnosno tacku
A(x, y) te ravni.
Ovo sve vazi i za R
3
i euklidski prostor. Po analogiji, posto nemamo vizuelnu
predstavu o tome sta bi bio euklidski n-dimenzionalni prostor za n 4, sma-
tramo elemente od R
n
za vektore tog prostora odnosno tacke ciji su to vektori
polozaja.
35
36 ODELjAK 6.

SESTA NEDELjA
n
Definicija. Za dva vektora u =
_
_
_
u
1
.
.
.
u
n
_
_
_ i v =
_
_
_
v
1
.
.
.
v
n
_
_
_ denisemo njihov
skalarni proizvod u v kao realan broj u
1
v
1
+. . . +u
n
v
n
.
Lako se vidi da ovako denisan skalarni proizvod zadovoljava sledeca svo-
jstva:
(1) linearnost, tj. (au +bv) w = a(u w) +b(v w),
(2) komutativnost, tj. u v = v u,
(3) pozitivna denisanost, tj. u u 0 i u u = 0 akko u =
0.
Vektorski prostor V s binarnom operacijom : V V R koja zadovoljava
svojstva (1), (2) i (3) je realni unitarni vektorski prostor.
Definicija. Norma vektora u R
n
, u oznaci |u|, je
u u =
_
u
2
1
+. . . +u
2
n
.
Za n 3 se lako proveri da ako u R
n
posmatramo kao geometrijski vektor,
onda je njegov intenzitet (duzina) jednak |u| (to je ujedno i rastojanje tacke,
ciji je to vektor polozaja, od koordinatnog pocetka). Za n = 1 (u = (u
1
)), to
sledi zbog toga sto je po deniciji intenzitet geometrijskog vektora u
1
i jednak
[u
1
[ =
_
u
2
1
= |u|.
Za n = 2 to sledi po Pitagorinoj teoremi, zbog toga sto je intenzitet ge-
ometrijskog vektora u
1
i +u
2
j jednak
_
u
2
1
+u
2
2
= |u|.
q>
>
>
>
p
p
p
p
p
p
p
p p p p p p p p p p p p p
O
u
1
u
2
u
Za n = 3, dva puta primenjujuci Pitagorinu teoremu zakljucujemo isto.
q
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p p p p p p p p p p p p p p p p p p p p p
p p p p p p p p p p p p p p p p p p p p p p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
pp p p p p p p p p p p p p p p p p p p p p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
O
u
1
u
2
u
3
u
3
u
`
_
u
2
1
+u
2
2
n
37
Uopstavajuci ovo na R
n
denisemo intenzitet (duzinu) vektora u R
n
kao
|u| =
_
u
2
1
+. . . +u
2
n
. Rastojanje izmedu tacaka A i B je duzina vektora
AB = u
B
u
A
, sto je po prethodnom jednako
|u
B
u
A
| =
_
(u
B
1
u
A
1
)
2
+. . . + (u
B
n
u
A
n
)
2
.
Osobine norme:
(i) |u| 0, |u| = 0 akko u =
0,
(ii) |ku| = [k[ |u| i jos dve sledece teoreme.
Teorema 6.1 (Kosi-
Svarc). [u v[ |u| |v|.

dokaz. Ako je u =

0 ili v =

0, onda vazi [u v[ = |u| |v| = 0.
Pretpostavimo u, v ,=
0, tada imamo:
0 (|u|v |v|u) (|u|v |v|u), po (3),
akko
0 |u|
2
|v|
2
2|u||v|u v +|u|
2
|v|
2
, po (1), (2) i def. norme,
akko
2|u||v|u v 2|u|
2
|v|
2
,
akko
u v |u||v|, zato sto je |u|, |v| > 0 jer su u, v ,=
0.
Analogno, polazeci od 0 (|u|v + |v|u) (|u|v + |v|u), kao instance
nejednakosti (3), dobijamo |u||v| u v. Dakle vazi [u v[ |u||v|.
Teorema 6.2 (Minkovski). |u +v| |u| +|v|.
dokaz.
|u +v| |u| +|v|
akko
(u +v) (u +v) |u|
2
+ 2|u||v| +|v|
2
, kvadriranje i denicija norme,
akko
|u|
2
+ 2u v +|v|
2
|u|
2
+ 2|u||v| +|v|
2
,
akko
[u v[ |u| |v|, sto vazi po teoremi 6.1.
Tvr- denje 6.3 (Nejednakost trougla). |
BC| |
AC| +|
BA|.
dokaz. Neka su u
A
, u
B
i u
C
redom vektori polozaja tacaka A, B i C. Tada je
BC = u
C
u
B
,

AC = u
C
u
A
i

BA = u
A
u
B
, pa trazena nejednakost sledi
iz teoreme 6.2 kada uzmemo da je u = u
C
u
A
a v = u
A
u
B
.
Tvr- denje 6.4 (Ugao izmedu vektora). Za ugao izmedu vektora u, v R
n
vazi cos =
u v
|u||v|
.
38 ODELjAK 6.

SESTA NEDELjA
dokaz.
q
u
v
u v
Po kosinusnoj teoremi imamo
|u v|
2
= |u|
2
+|v|
2
2|u||v| cos .
Po deniciji norme i svojstvima (1) i (2) skalarnog proizvoda, leva strana je
jednaka
(u v) (u v) = |u|
2
+|v|
2
2u v.
Znaci cos =
u v
|u||v|
.
Definicija. Vektori u, v R
n
su ortogonalni kada je u v = 0. Oznaka je
u v.
Tvr- denje 6.5. Ako je u v, onda je |u +v|
2
= |u|
2
+|v|
2
.
dokaz. |u +v|
2
= (u +v) (u +v) = |u|
2
+|v|
2
+ 2u v = |u|
2
+|v|
2
.
Tvr- denje 6.6. Za u ,=

0, broj c =
v u
|u|
2
je jedinstven skalar sa svojstvom
(v cu) u.
dokaz.
q
`
O u
v
v cu
cu
(v cu) u = 0 v u c|u|
2
= 0 c =
v u
|u|
2
.
Broj c =
v u
|u|
2
je Furijeov koecijent vektora v u odnosu na vektor u.
Definicija. Ortogonalna projekcija vektora v na ne-nula vektor u, u oznaci
proj(v, u), je vektor cu, gde je c Furijeov koecijent vektora v u odnosu na
vektor u.
Teorema 6.7. Neka su w
1
, . . . , w
k
medusobno ortogonalni, ne-nula vektori u
R
n
. Neka je v R
n
i neka je c
i
=
v w
i
| w
i
|
2
, za 1 i k. Tada za proizvoljnu
k-torku a
1
, . . . , a
k
) realnih brojeva vazi:
|v
k
i=1
c
i
w
i
| |v
k
i=1
a
i
w
i
|.
n
39
dokaz. Imamo da za svako 1 j k, vazi
(v
k
i=1
c
i
w
i
) w
j
= v w
j
c
j
| w
j
|
2
= 0,
odakle sledi da je
(v
k
i=1
c
i
w
i
)
k
i=1
(c
i
a
i
) w
i
= 0,
pa je
(v
k
i=1
c
i
w
i
)
k
i=1
(c
i
a
i
) w
i
.
Dalje imamo
|v
k
i=1
a
i
w
i
|
2
= |v
k
i=1
c
i
w
i
+
k
i=1
(c
i
a
i
) w
i
|
2
= |v
k
i=1
c
i
w
i
|
2
+|
k
i=1
(c
i
a
i
) w
i
|
2
, po tv. 6.5
|v
k
i=1
c
i
w
i
|
2
.
Geometrijsku interpretaciju teoreme 6.7 cete naci na kraju sekcije 7.2.
Definicija. Skup vektora u
1
, . . . , u
k
je ortonormiran kada su svi vektori u
njemu medusobno ortogonalni i svaki ima normu 1, tj.
u
i
u
j
=
_
0, za i ,= j
1, za i = j
Teorema 6.8 (Besel). Neka je u
1
, . . . , u
k
ortonormiran skup vektora iz R
n
.
Neka je v R
n
i neka je c
i
=
v u
i
|u
i
|
2
, za 1 i k. Tada vazi:
k
i=1
c
2
i
|v|
2
.
dokaz.
0 (v
k
i=1
c
i
u
i
) (v
k
i=1
c
i
u
i
)
= |v|
2
2(v
k
i=1
c
i
u
i
) + (
k
i=1
c
i
u
i
) (
k
i=1
c
i
u
i
)
= |v|
2
2
k
i=1
c
2
i
+
k
i=1
c
2
i
, jer je v u
i
= c
i
,
= |v|
2
k
i=1
c
2
i
.
40 ODELjAK 6.

SESTA NEDELjA
Geometrijsku interpretaciju teoreme 6.8 cete naci na kraju sekcije 7.2.
Prethodna tvrdenja vaze u svakom realnom unitarnom prostoru u kome su
norma i ortogonalnost vektora denisani pomocu skalarnog proizvoda na isti
nacin kao kod R
n
.
6.3. Ortogonalna projekcija vektora na pravu
Podsetimo se da je ortogonalna projekcija vektora v R
n
na ne-nula vektor
u R
n
denisana kao
proj(v, u) =
df
v u
|u|
2
u.
Definicija. Ortogonalna projekcija vektora v R
n
na linearni omotac ne-
nula vektora u R
n
, za n 2, 3, u oznaci proj
[{u}]
(v) je denisana kao
proj(v, u). Iz osobina skalarnog proizvoda i norme sledi da za svaki ne-nula
vektor u i za svako c ,= 0, vazi proj(v, u) = proj(v, cu), pa proj
[{u}]
(v) zavisi od
potprostora [u] a ne od izbora ne-nula vektora u u njemu.
Primer. proj
[{e
2
}]
(
_
_
x
y
z
_
_
) =
_
_
x
y
z
_
_
_
_
0
1
0
_
_
1
_
_
0
1
0
_
_
= y
_
_
0
1
0
_
_
=
_
_
0
y
0
_
_
.
Primer. Odrediti orogonalnu projekciju vektora
_
2
3
_
na pravu p: y = 2x.
q
`
p
p
p
p
p
(2, 3)
p
Prava p je [
_
1
2
_
], pa imamo:
proj
[{
1
2
}]
(
_
2
3
_
) =
_
2
3
_
_
1
2
_
_
1
2
_
_
1
2
_
_
1
2
_
=
_
8/5
16/5
_
.
Primer. Drugi pogled na prethodni primer: sine su na pravoj zadatoj sa
6.3. Ortogonalna projekcija vektora na pravu 41
y = 2x a vetar duva konstantnom brzinom zadatom vektorom
_
2
3
_
. Kojom
brzinom ce se kretati voz po tim sinama ako nema trenja?
7. Sedma nedelja
7.1. Gram-
Smitov postupak ortogonalizacije

Teorema 7.1. Ako su ne-nula vektori w
1
, . . . , w
k
R
n
medusobno ortogonalni,
onda je w
1
, . . . , w
k
linearno nezavisan.
dokaz.
c
1
w
1
+. . . +c
k
w
k
=
0 / w
i
c
i
( w
i
w
i
) = 0
c
i
= 0, jer w
i
nije nula vektor pa je w
i
w
i
> 0.
Posledica 7.2. Ako je W neki k-dimenzionalni potprostor od R
n
i ako su
ne-nula vektori w
1
, . . . , w
k
W medusobno ortogonalni, onda je w
1
, . . . , w
k
)
baza za W.
dokaz. Direktno iz teoreme 7.1 i leme 4.6.
Definicija. Ortogonalna baza vektorskog prostora je baza tog prostora u kojoj
su svi vektori medusobno ortogonalni.
Tvr- denje 7.3. Neka je B = w
1
, . . . , w
k
) ortogonalna baza za W. Ako je
Rep
B
( w) =
_
_
_
c
1
.
.
.
c
k
_
_
_
B
, onda za svako i 1, . . . , k vazi da je c
i
Furijeov koecijent
vektora w u odnosu na vektor w
i
.
dokaz.
w = c
1
w
1
+. . . +c
k
w
k
/ w
i
w w
i
= c
i
( w
i
w
i
).
Primer. e
1
, . . . , e
n
) je ortogonalna baza za R
n
.
Primer. B =
_
4
2
_
,
_
1
3
_
) je neortogonalna baza za R
2
. Mozemo je prevesti
na ortogonalnu bazu / =
1
,
2
) na sledeci nacin.
Neka je
1
prvi vektor baze B, tj.
1
=
_
4
2
_
.
Neka je
2
=
_
1
3
_
proj(
_
1
3
_
,
_
4
2
_
) =
_
1
3
_
_
2
1
_
=
_
1
2
_
.
43
44 ODELjAK 7. SEDMA NEDELjA
Lako se proveri da su ne-nula vektori
_
4
2
_
i
_
1
2
_
medusobno ortogonalni
(ovo je i posledica tvrdenja 6.6) pa je /, po posledici 7.2, ortogonalna baza za
R
2
.
Primer. B =
_
_
1
1
1
_
_
,
_
_
0
2
0
_
_
,
_
_
1
0
3
_
_
) je neortogonalna baza za R
3
. Mozemo je
prevesti na ortogonalnu bazu / =
1
,
2
,
3
) na sledeci nacin.
1
=
_
_
1
1
1
_
_
,
2
=
_
_
0
2
0
_
_
proj(
_
_
0
2
0
_
_
,
_
_
1
1
1
_
_
) =
_
_
2/3
4/3
2/3
_
_
,
3
=
_
_
1
0
3
_
_
proj(
_
_
1
0
3
_
_
,
_
_
1
1
1
_
_
) proj(
_
_
1
0
3
_
_
,
_
_
2/3
4/3
2/3
_
_
) =
_
_
1
0
1
_
_
.
Teorema 7.4 (Gram-
Smitova ortogonalizacija). Ako je
1
, . . . ,

k
), za
k 1, baza potprostora od R
n
, onda vektori
1
=

1
,
2
=

2
proj(
2
,
1
), . . . ,
k
=

k
proj(
k
,
1
) . . . proj(
k
,
k1
) daju ortogonalnu bazu tog potpros-
tora.
dokaz. Indukcijom po k 1 cemo pokazati da su
1
, . . . ,
k
medusobno or-
togonalni, ne-nula vektori iz [
1
, . . . ,

k
]. Ovo je dovoljno da po posledici 7.2
zakljucimo da je
1
, . . . ,
k
) ortogonalna baza za [
1
, . . . ,

k
].
(baza indukcije) Neka je k = 1. Imamo da je
1
=

1
pa sve ocigledno
vazi.
(induktivni korak) Neka je k > 1. Po induktivnoj pretpostavci imamo da
su
1
, . . . ,
k1
medusobno ortogonalni, ne-nula vektori iz [
1
, . . . ,

k1
].
Ako je
k
=

0 onda je

k
[
1
, . . . ,
k1
] [
1
, . . . ,

k1
], sto je
suprotno pretpostavci da je
1
, . . . ,

k
linearno nezavisan.
Iz
k
=

k
c
1
1
. . . c
k
k1
i
1
, . . . ,
k1
[
1
, . . . ,

k1
] sledi da je
k
[
1
, . . . ,

k
].
Jos treba proveriti da za svako i 1, . . . , k 1 vazi
k

i
.
k

i
=

k

i
c
i
(
i

i
)
=

k

i

i

k
i

i
(
i

i
) = 0.
Definicija. Baza B je ortonormirana kada je B ortonormiran skup vektora.
Tvr- denje 7.5. Ako je
1
, . . . ,

k
) ortonormirana baza i v = c
1
1
+. . . +c
k
k
,
onda je |v| =
_
c
2
1
+. . . +c
2
k
.
dokaz. |v| =
_
(c
1
1
+. . . +c
k
k
) (c
1
1
+. . . +c
k
k
) =
_
c
2
1
+. . . +c
2
k
.

Svaku ortogonalnu bazu prevodimo u ortonormiranu mnozeci svaki njen vek-
tor reciprocnom vrednoscu norme tog vektora.
Primer. U prethodnom primeru dobili smo da je
/ =
_
_
1
1
1
_
_
,
_
_
2/3
4/3
2/3
_
_
,
_
_
1
0
1
_
_
)
ortogonalna baza za R
3
. Po gornjem uputstvu dobijamo da je
( =
_
_
1/
3
1/
3
1/
3
_
_
,
_
_
6/6
6/3
6/6
_
_
,
_
_
2/2
0
2/2
_
_
)
ortonormirana baza za R
3
.
7.2. Ortogonalna projekcija vektora na potprostor
Definicija. Neka je U potprostor od R
n
. Denisemo njegov ortogonalni kom-
plement U
kao
U
=
df
v R
n
[ v je ortogonalan sa svakim vektorom iz U.
Lema 7.6. Ako je vektor ortogonalan sa svakim vektorom nekog skupa, onda
je taj vektor ortogonalan i sa svakim vektorom iz linearnog omotaca tog skupa.
Obrat vazi trivijalno.
dokaz. Ako je v u
1
= 0, . . . , v u
k
= 0, onda je i v (c
1
u
1
+ . . . + c
k
u
k
) =
c
1
(v u
1
) +. . . +c
k
(v u
k
) = 0.
Posledica 7.7. Ako je svaki vektor skupa S ortogonalan sa svakim vektorom
skupa T, onda je i svaki vektor iz [S] ortogonalan sa svakim vektorom iz [T].
dokaz. Po lemi 7.6 dobijamo da je svaki vektor skupa S ortogonalan sa svakim
vektorom iz [T]. Posto je relacija ortogonalnosti simetricna, opet po lemi 7.6
zakljucujemo da je svaki vektor iz [T] ortogonalan sa svakim vektorom iz [S].
Jos jednom iskoristiti simetricnost ortogonalnosti.
Primer. Odrediti ortogonalni komplement ravni
P =
_
_
x
y
z
_
_
[ 3x + 2y z = 0 = x
_
_
1
0
3
_
_
+y
_
_
0
1
2
_
_
[ x, y R.
Po lemi 7.6, P
= v R
3
[ v
_
_
1
0
3
_
_
= 0 v
_
_
0
1
2
_
_
= 0. Dakle,
46 ODELjAK 7. SEDMA NEDELjA
P
=
_
_
x
y
z
_
_
[ x + 3z = 0 y + 2z = 0
=
_
_
3z
2z
z
_
_
[ z R = [
_
_
3
2
1
_
_
].
Tvr- denje 7.8. Za potprostor U od R
n
vazi da je U
takode potprostor od R
n
i jos vazi R
n
= U U
.
dokaz. Prvo cemo pokazati da je U
potprostor od R
n
. Posto je
0 ortogonalan
sa svakim vektorom iz U, to je
0 U
, pa je U
neprazan. Neka su w
1
, w
2
U
i neka je u proizvoljan vektor iz U. Po lemi 7.6 imamo da je u (c

1
w
1
+c
2
w
2
) pa
zakljucujemo da je c
1
w
1
+c
2
w
2
U
. Po tvrdenju 3.1 sledi da je U
potprostor
od R
n
.
Jos treba pokazati da je R
n
= U U
. Neka je
1
, . . . ,

k
) baza za U.
Prosirimo je po tvrdenju 4.8 do baze
1
, . . . ,

k
,

k+1
, . . . ,

n
) za R
n
. Prime-
nimo Gram-
Smitov postupak ortogonalizacije i neka je
1
, . . . ,
k
,
k+1
, . . . ,
n
)
dobijena ortogonalna baza za R
n
, pri cemu je
1
, . . . ,
k
) ortogonalna baza
za U. Pokazimo da je
k+1
, . . . ,
n
) baza za U
a za to je po teoremi 7.1
dovoljno pokazati da je [
k+1
, . . . ,
n
] = U
. Po posledici 7.7 imamo da je

svaki vektor iz [
k+1
, . . . ,
n
] ortogonalan sa svakim vektorom iz U. Dakle
imamo [
k+1
, . . . ,
n
] U
. Sa druge strane, neka je w proizvoljan vektor iz

U
i neka je
w = c
1
1
+. . . +c
k
k
+c
k+1
k+1
+. . . +c
n
n
njegov razvoj u dobijenoj bazi od R
n
. Po tvrdenju 7.3 imamo da je c
1
=
. . . = c
k
= 0, pa je w [
k+1
, . . . ,
n
]. Dakle, U
[
k+1
, . . . ,
n
], pa je
U
= [
k+1
, . . . ,
n
]. Po lemi 5.8 imamo da je R
n
= U U
.
Neka je U potprostor od R
n
. Po tvrdenju 7.8 i lemi 5.8 imamo da za svako
v R
n
postoje jedinstveni u U i w U
takvi da je v = u + w.
Definicija. Ortogonalna projekcija vektora v na U, u oznaci proj
U
(v), je
jedinstveni vektor u U takav da je v = u + w za neko w U
. Vektor
w = v proj
U
(v) je ortogonalna dopuna vektora v u odnosu na U. Ugao
izmedu vektora i potprostora je ugao izmedu tog vektora i njegove ortogonalne
projekcije na taj potprostor.
Postupak odredivanja ortogonalne projekcije i ortogonalne dopune vektora v na
potprostor U.
1. Odrediti ortogonalnu bazu
1
, . . . ,
k
) za U.
2. Odrediti Furijeove koecijente c
i
=
v
i
i

i
.
3. proj
U
(v) = c
1
1
+. . . +c
k
k
.
4. Ortogonalna dopuna vektora v u odnosu na U je vektor v proj
U
(v).
Sada mozemo dati preformulacije teorema 6.7 i 6.8.
Teorema 6.7 (preformulacija). Norma ortogonalne dopune vektora v u
odnosu na U je manja ili jednaka od |v u| za proizvoljan vektor u U. To
jest, rastojanje tacke do njene ortogonalne projekcije na potprostor je manje ili
jednako od rastojanja te tacke do bilo koje tacke tog potprostora.
Teorema 6.8 (preformulacija). Norma (duzina) ortogonalne projekcije
vektora na potprostor manja je ili jednaka od norme (duzine) tog vektora.
8. Osma nedelja
8.1. Linearna preslikavanja, izomorzmi
Vektorski prostor R
3
i vektorski prostor vektora u euklidskom prostoru smo iz-
jednacili. Takode skoro da ne razlikujemo prostor R
n
i prostor R
n
v
= (x
1
. . . x
n
) [
x
1
, . . . , x
n
R. U primerima smo videli da na slican nacin ,,poistovecujemo
prostore R
4
i T
3
= a
0
+ a
1
x + a
2
x
2
+ a
3
x
3
[ a
0
, a
1
, a
2
, a
3
R. U ovoj sek-
ciji cemo se baviti pojmom izomorzma vektorskih prostora koji stoji iza ovih
izjednacavanja.
Definicija. Linearno preslikavanje (homomorzam) izmedu vektorskih pros-
tora V i W je preslikavanje f : V W takvo da za svako v
1
, v
2
V i r R
vazi:
f(v
1
+v
2
) = f(v
1
) +f(v
2
) i f(rv
1
) = rf(v
1
),
tj. f cuva strukturu vektorskog prostora.
Tvr- denje 8.1. Preslikavanje f : V W je linearno ako za svako v
1
, v
2
V i
c
1
, c
2
R vazi f(c
1
v
1
+c
2
v
2
) = c
1
f(v
1
) +c
2
f(v
2
).
dokaz. Za c
1
= c
2
= 1 dobijamo prvo svojstvo a za c
1
= r i c
2
= 0 dobijamo
drugo svojstvo.
Definicija. Linearno preslikavanje je izomorzam kada je ono bijekcija (pos-
toji preslikavanje koje mu je istovremeno i levi i desni inverz). Ako postoji
izomorzam izmedu V i W onda kazemo da su oni izomorfni i pisemo V

= W.
Primer. Neka je V = u : R R [ u() = a cos + b sin, a, b R. U
trecem primeru iz sekcije 4.1 smo pokazali da je B = cos , sin) baza za V .
Pokazimo da je V

= R
2
. Denisimo f : V R
2
sa
f(c
1
cos +c
2
sin) =
_
c
1
c
2
_
,
tj. f = Rep
B
. Ovo preslikavanje je dobro denisano po teoremi 4.1 (za svako
u() V postoji jedinstven par c
1
, c
2
) realnih brojeva takav da je
u() = c
1
cos +c
2
sin).
Neka je u() = c
1
cos +c
2
sin i v() = d
1
cos +d
2
sin. Tada vazi:
f((u +v)()) = f((c
1
+d
1
) cos + (c
2
+d
2
) sin) =
_
c
1
+d
1
c
2
+d
2
_
=
_
c
1
c
2
_
+
_
d
1
d
2
_
= f(u()) +f(v());
49
50 ODELjAK 8. OSMA NEDELjA
f((ru)()) = f(rc
1
cos +rc
2
sin) =
_
rc
1
rc
2
_
= r
_
c
1
c
2
_
= rf(u()).
Znaci f je linearno preslikavanje ciji je obostrani inverz g : R
2
V zadat sa
g(
_
c
1
c
2
_
) = c
1
cos +c
2
sin,
pa je to izomorzam izmedu V i R
2
.
Definicija. Automorzam je izomorzam vektorskog prostora sa samim sobom.
Primer. Neka je f : T
5
T
5
zadato sa f(p(x)) = p(x 1). Prvo cemo
pokazati da je f linearno preslikavanje.
f(p(x) +q(x)) = a
0
+b
0
+ (a
1
+b
1
)(x 1) +. . . + (a
5
+b
5
)(x 1)
5
= a
0
+a
1
(x 1) +. . . +a
5
(x 1)
5
+b
0
+b
1
(x 1) +. . . +b
5
(x 1)
5
= f(p(x)) +f(q(x))
f(rp(x)) = ra
0
+ra
1
(x 1) +. . . +ra
5
(x 1)
5
= r(a
0
+a
1
(x 1) +. . . +a
5
(x 1)
5
)
= rf(p(x)).
Ako f
1
: T
5
T
5
zadamo sa f
1
(p(x)) = p(x + 1), onda se lako prove-
ri da je f
1
f(p(x)) = p(x) = f f
1
(p(x)), pa je f bijekcija. Dakle f je
automorzam.
Lema 8.2. Linearno preslikavanje preslikava nula vektor u nula vektor.
dokaz. f(
0) = f(0v) = 0f(v) =
0.
Lema 8.3. Inverz izomorzma je izomorzam.
dokaz. Po tvrdenju 8.1, dovoljno je pokazati da f
1
: W V zadovoljava
f
1
(c
1
w
1
+c
2
w
2
) = c
1
f
1
( w
1
) +c
2
f
1
( w
2
). Posto je f bijekcija, ovo je ekviva-
lentno sa f(f
1
(c
1
w
1
+c
2
w
2
)) = f(c
1
f
1
( w
1
) +c
2
f
1
( w
2
)), sto je tacno jer se
i leva i desna strana svode na c
1
w
1
+c
2
w
2
(za desnu stranu koristimo tvrdenje
8.1).
Komentar. Linearno preslikavanje f : V W je izomorzam akko postoji
linearno preslikavanje g : W V takvo da je g f = 1
V
i f g = 1
W
.
Lema 8.4. Kompozicija linearnih preslikavanja je linearno preslikavanje.
8.1. Linearna preslikavanja, izomorzmi 51
dokaz. Neka su h: V U i g : U W linearna preslikavanja. Tada vazi:
g h(c
1
v
1
+c
2
v
2
) = g(h(c
1
v
1
+c
2
v
2
)) = g(c
1
h(v
1
) +c
2
h(v
2
))
= c
1
g(h(v
1
)) +c
2
g(h(v
2
))
= c
1
g h(v
1
) +c
2
g h(v
2
).
Teorema 8.5. Relacija

= je relacija ekvivalencije.
dokaz. Identicno preslikavanje na vektorskom prostoru je izomorzam pa je

=
reeksivna. Koristeci lemu 8.3 pokazujemo da je relacija

= simetricna. Posto je
kompozicija bijekcija bijekcija i kompozicija linearnih preslikavanja je linearno
preslikavanje, to je relacija

= i tranzitivna.
Teorema 8.6. Vektorski prostori su izomorfni akko imaju istu dimenziju.
dokaz. () Neka je B =
1
, . . . ,

n
) baza za V . Neka je f : V W izomor-
zam. Pokazacemo da je fB = f(
1
), . . . , f(
n
)) baza za W. Posto u B nema
ponavljanja i f je 1-1 to ni u fB nema ponavljanja.
Pokazimo da je [fB] = W. Neka je w W. Posto je f na to postoji
v V takav da w = f(v). Neka je v = c
1
1
+ . . . + c
n
n
. Posto je f linearno
preslikavanje, imamo da je w = c
1
f(
1
) +. . . +c
n
f(
n
).
Jos treba da pokazemo da je fB linearno nezavisan.
c
1
f(
1
) +. . . +c
n
f(
n
) =
0 akko f(c
1
1
+. . . +c
n
n
) = f(
0), f linearno,
akko c
1
1
+. . . +c
n
n
=
0, f je 1-1,
akko c
1
= . . . = c
n
= 0, B je lin. nez.
Posto je fB baza za W duzine n, to je dim(W) = n = dim(V ).
() Neka je B =
1
, . . . ,

n
) baza za V i T =
1
, . . . ,
n
) baza za W. Za
v = c
1
1
+ . . . + c
n
n
, denisimo f(v) =
df
c
1
1
+ . . . + c
n
n
. Preslikavanje
f : V W je dobro denisano po teoremi 4.1 (svaki v V se na jedinstven
nacin zapisuje kao linearna kombinacija vektora baze).
Pokazimo da je f 1-1. Neka je v = c
1
1
+. . . +c
n
n
i u = d
1
1
+. . . +d
n
n
.
Tada vazi:
f(v) = f(u) akko c
1
1
+. . . +c
n
n
= d
1
1
+. . . +d
n
n
,
akko c
1
= d
1
, . . . , c
n
= d
n
, T je baza,
akko v = u.
Pokazimo da je f na. Neka je w = c
1
1
+ . . . + c
n
n
proizvoljan vektor iz
W. Tada je w = f(c
1
1
+. . . +c
n
n
).
Jos treba pokazati da je f homomorzam i za to koristimo tvrdenje 8.1.
f(av +bu) = f(a(c
1
1
+. . . +c
n
n
) +b(d
1
1
+. . . +d
n
n
))
= f((ac
1
+bd
1
)
1
+. . . + (ac
n
+bd
n
)
n
)
=
df
(ac
1
+bd
1
)
1
+. . . + (ac
n
+bd
n
)
n
= a(c
1
1
+. . . +c
n
n
) +b(d
1
1
+. . . +d
n
n
)
= af(v) +bf(u).
Posledica 8.7. Svaki n-dimenzionalni vektorski prostor je izomorfan sa R
n
.
Ako je B =
1
, . . . ,

n
) baza za V onda je Rep
B
izomorzam izmedu V i R
n
.
Tvr- denje 8.8. Izomorzam cuva linearnu nezavisnost.
dokaz. Kao deo dokaza teoreme 8.6 u kome smo pokazali da je fB linearno
nezavisan.
Posledica 8.9. Linearna nezavisnost skupa vektora se moze proveriti kroz
linearnu nezavisnost skupa njihovih reprezentacija u odnosu na proizvoljnu bazu.
Primer. Neka je U = [x
2
+ x
4
, 2x
2
+ 3x
4
, x
2
3x
4
] potprostor od T
4
.
Odrediti bazu za U.
Ako sa B oznacimo ,,standardnu bazu 1, x, x
2
, x
3
, x
4
) za T
4
, onda je
Rep
B
(x
2
+x
4
) =
_
_
_
_
_
_
0
0
1
0
1
_
_
_
_
_
_
B
, Rep
B
(2x
2
+ 3x
4
) =
_
_
_
_
_
_
0
0
2
0
3
_
_
_
_
_
_
B
, Rep
B
(x
2
3x
4
) =
_
_
_
_
_
_
0
0
1
0
3
_
_
_
_
_
_
B
Zatim primenimo tehniku iz sekcije 5.1
_
_
0 0 1 0 1
0 0 2 0 3
0 0 1 0 3
_
_

2
1
+
2
1
+
3
2
2
+
3
_
_
0 0 1 0 1
0 0 0 0 1
0 0 0 0 0
_
_
i dobijemo da je x
2
+x
4
, x
4
) baza za U.
8.2. Linearna preslikavanja (homomorzmi)
Teorema 8.10. Linearno preslikavanje je odredeno svojim dejstvom na bazi:
ako je
1
, . . . ,

n
) baza za V i w
1
, . . . , w
n
ne nuzno razliciti vektori iz W, onda
postoji jedinstveno linearno preslikavanje f : V W takvo da je f(
i
) = w
i
.
dokaz. Za v = c
1
1
+ . . . + c
n
n
, denisimo f(v) =
df
c
1
w
1
+ . . . + c
n
w
n
.
Preslikavanje f : V W je dobro denisano po teoremi 4.1 (svaki v V se na
jedinstven nacin zapisuje kao linearna kombinacija vektora baze).
8.2. Linearna preslikavanja (homomorzmi) 53
Pokazimo da je f linearno preslikavanje i za to koristimo tvrdenje 8.1. Neka
je v = c
1
1
+. . . +c
n
n
i u = d
1
1
+. . . +d
n
n
.
f(av +bu) = f(a(c
1
1
+. . . +c
n
n
) +b(d
1
1
+. . . +d
n
n
))
= f((ac
1
+bd
1
)
1
+. . . + (ac
n
+bd
n
)
n
)
=
df
(ac
1
+bd
1
) w
1
+. . . + (ac
n
+bd
n
) w
n
= a(c
1
w
1
+. . . +c
n
w
n
) +b(d
1
w
1
+. . . +d
n
w
n
)
= af(v) +bf(u).
Jos treba dokazati jedinstvenost. Ako je g : V W linearno preslikavanje
takvo da je g(
i
) = w
i
, onda je
g(v) = g(c
1
1
+. . . +c
n
n
)
= c
1
g(
1
) +. . . +c
n
g(
n
)
= c
1
w
1
+. . . +c
n
w
n
= f(v). Dakle, f = g.
Primer. Neka je h : R
2
R
2
zadato sa h(e
1
) =
_
1
1
_
, h(e
2
) =
_
4
4
_
.
Onda je
h(
_
3
2
_
) = h(3e
1
2e
2
) = 3
_
1
1
_
2
_
4
4
_
=
_
5
5
_
.
Najcesce ovakvo h zapisujemo kao
_
x
y
_
h
_
x 4y
x + 4y
_
.
Homomorzmi se mogu linearno kombinovati. Na primer, neka su homo-
morzmi f, g : R
2
R
2
zadati sa
_
x
y
_
f
_
2x
3x 2y
_
,
_
x
y
_
g
_
0
5x
_
.
Tada je linearna kombinacija 5f 2g : R
2
R
2
zadata sa
_
x
y
_
_
10x
5x 10y
_
.
Definicija. Neka je L(V, W) =
df
f [ f : V W je linearno preslikavanje.
Definicija. Za f, g L(V, W) denisemo f + g : V W i rf : V W kao
(f + g)(v) =
df
f(v) + g(v) odnosno (rf)(v) =
df
rf(v) (videti sedmi primer u
sekciji 2.2).
Lema 8.11. Ako su f i g u L(V, W), onda su f +g i rf takode u L(V, W).
dokaz. Koristeci tvrdenje 8.1 pokazacemo da su f + g i rf linearna preslika-
vanja.
(f +g)(av +bu) = f(av +bu) +g(av +bu)
= af(v) +bf(u) +ag(v) +bg(u)
= a(f +g)(v) +b(f +g)(u),
(rf)(av +bu) = rf(av +bu)
= raf(v) +rbf(u)
= a(rf)(v) +b(rf)(u).
Tvr- denje 8.12. L(V, W) je vektorski prostor; to je potprostor od W
V
(prostora
svih funkcija iz V u W; videti sedmi primer u sekciji 2.2).
dokaz. Konstantna funkcija koja slika sve vektore iz V u
0
W
je homomorzam
pa je L(V, W) neprazan. Dakle, tvrdenje sledi po tvrdenju 3.1, uz pomoc leme
8.11.
8.3. Slika i jezgro linearnog preslikavanja
Lema 8.13. Neka je h: V W linearno preslikavanje i neka je U potprostor
od V . Tada je h(U) = h(u) [ u U potprostor od W. Specijalno h(V ) je
potprostor od W.
dokaz. U je neprazan pa je h(U) takode neprazan. Neka su h(u
1
) i h(u
2
) iz
h(U). Tada je
a
1
h(u
1
) +a
2
h(u
2
) = h(a
1
u
1
+a
2
u
2
) h(U),
pa je h(U), po tvrdenju 3.1, potprostor od W.
Definicija. Slika homomorzma h: V W u oznaci Im(h) (oznaka u [2] je
(h)) je potprostor h(V ) = h(v) [ v V od W. Dimenzija od Im(h) je rang
od h u oznaci rank(h).
Primer. Neka je h =
d
dx
: T
3
T
3
zadato sa h(a
0
+ a
1
x + a
2
x
2
+ a
3
x
3
) =
a
1
+2a
2
x+3a
3
x
2
. Lako se proveri da je h linearno preslikavanje i da je Im(h) =
r +sx +tx
2
[ r, s, t R = T
2
(trivijalno, Im(h) r +sx +tx
2
[ r, s, t R
a obrnuta inkluzija vazi zato sto je npr. h(a
0
+rx+
s
2
x
2
+
t
3
x
3
) = r +sx+tx
2
).
Posto je dimenzija od T
2
jednaka 3 to je rank(h) = 3.
Primer. Neka je h: /
2
T
3
zadato sa
_
a b
c d
_
h
(a +b + 2d) +cx
2
+cx
3
.
8.3. Slika i jezgro linearnog preslikavanja 55
Lako se proveri da je h linearno preslikavanje i da je Im(h) = r + sx
2
+ sx
3
[
r, s R

= R
2
(trivijalno je da Im(h) r + sx
2
+ sx
3
[ r, s R a obrnuta
inkluzija vazi zato sto je npr.
_
r
4
r
4
s
r
4
_
h
r +sx
2
+sx
3
).
Posto je 1, x
2
+x
3
) baza za Im(h), to je rank(h) = 2.
Lema 8.14. Neka je h: V W linearno preslikavanje i neka je U potprostor
od W, onda je h
1
(U) = v V [ h(v) U potprostor od V .
dokaz. Posto je h(
0
V
) =

0
W
U, to je

0
V
h
1
(U) pa je h
1
(U) neprazan.
Neka su v
1
i v
2
iz h
1
(U). Tada je
h(a
1
v
1
+a
2
v
2
) = a
1
h(v
1
) +a
2
h(v
2
) U,
pa je i a
1
v
1
+a
2
v
2
h
1
(U) te je h
1
(U), po tvrdenju 3.1, potprostor od V .
Definicija. Kernel (jezgro) homomorzma h: V W, u oznaci Ker(h) (oz-
naka u [2] je ^(h)) je potprostor h
1
(
0
W
) = v V [ h(v) =
0. Dimenzija
od Ker(h) je defekt homomorzma h.
Primer. U prethodnom primeru za h: /
2
T
3
imamo da je
Ker(h) =
_
a b
c d
_
[ a +b + 2d = 0, c = 0 =
_
b 2d b
0 d
_
[ b, d R
= b
_
1 1
0 0
_
+d
_
2 0
0 1
_
[ b, d R,
pa je defekt od h jednak 2.
Teorema 8.15. Za linearno preslikavanje h: V W vazi da je
dim(V ) = dim(Im(h)) +dim(Ker(h)).
dokaz. Neka je B =
1
, . . . ,

k
) baza za Ker(h). Po tvrdenju 4.8, B se
moze prosiriti do baze
1
, . . . ,

k
,

k+1
, . . . ,

n
) za V . Pokazacemo da je T =
h(
k+1
), . . . , h(
n
)) baza za Im(h) sto daje rezultat. Po lemi 5.8 imamo da je
() V = Ker(h) [
k+1
, . . . ,

n
].
Pokazimo prvo da u T nema ponavljanja. Ako je h(
k+i
) = h(
k+j
) onda
je

k+i

k+j
Ker(h) a zbog () je Ker(h) [
k+1
, . . . ,

n
] =

0 pa je
k+i
=

k+j
sto daje i = j jer su svi

1
, . . . ,

n
medusobno razliciti.
Pokazimo da je T linearno nezavisan. Ako je
c
k+1
h(
k+1
) +. . . +c
n
h(
n
) =
0,
56 ODELjAK 9. DEVETA NEDELjA
onda je c
k+1
k+1
+ . . . + c
n
n
Ker(h). Po uslovu () zakljucujemo da je
c
k+1
k+1
+. . . +c
n
n
=
0, pa je c
k+1
= . . . = c
n
= 0.
Jos treba pokazati da je Im(h) [h(
k+1
), . . . , h(
n
)] (obrnuta inkluzija
je trivijalna). Neka je w Im(h), sto znaci postoji v V takav da je h(v) = w.
Neka je v = u +c
k+1
k+1
+. . . +c
n
n
, gde je u Ker(h). Tada vazi
w = h(v) =
0 +c
k+1
h(
k+1
) +. . . +c
n
h(
n
) [h(
k+1
), . . . , h(
n
)].
Primer. Neka je h: R
3
R
4
zadato sa
_
_
x
y
z
_
_
h
_
_
_
_
x
0
y
0
_
_
_
_
.
Im(h) =
_
_
_
_
x
0
y
0
_
_
_
_
[ x, y R = x
_
_
_
_
1
0
0
0
_
_
_
_
+y
_
_
_
_
0
0
1
0
_
_
_
_
[ x, y R,
Ker(h) =
_
_
0
0
z
_
_
[ z R = z
_
_
0
0
1
_
_
[ z R.
Posledica 8.16. Rang linearnog preslikavanja je manji ili jednak od dimenzije
domena. Jednakost vazi u slucaju kad je defekt nula, tj. kad je jezgro trivijalno.
Teorema 8.17. Neka je h : V W linearno preslikavanje. Tada su sledeca
tvrdenja ekvivalentna:
(1) h je 1-1;
(2) Ker(h) =
0, tj. defekt je jednak nuli;

(3) rank(h) = dim(V );
(4) ako je
1
, . . . ,

n
) baza za V , onda je h(
1
), . . . , h(
n
)) baza za Im(h).
dokaz. (1) (2) Ako je h(v) =

0 = h(
0), onda posto je h 1-1 sledi da je

v =
0.
(2) (1) h(v
1
) = h(v
2
) h(v
1
v
2
) =
0 v
1
v
2
=
0 v
1
= v
2
.
(2) (3) Teorema 8.15.
(2) (4) Kao u dokazu teoreme 8.15.
(4) (2) Neka je
1
, . . . ,

n
) baza za V i neka je v = c
1
1
+ . . . + c
n
n

Ker(h). Znaci
0 = h(v) = c
1
h(
1
)+. . .+c
n
h(
n
), pa posto je h(
1
), . . . , h(
n
)
linearno nezavisan jer je h(
1
), . . . , h(
n
)) baza za Im(h), dobijamo c
1
= . . . =
c
n
= 0, sto znaci da je v =
0.
9. Deveta nedelja
9.1. Reprezentacija linearnih preslikavanja
Po teoremi 8.10 znamo da je svako linearno preslikavanje odredeno svojim dej-
stvom na izabranoj bazi domena.
Primer. Neka je h: R
2
R
3
zadato dejstvom na standardnoj bazi sa
_
1
0
_
h
_
_
2
1
3
_
_
,
_
0
1
_
h
_
_
1
2
0
_
_
. Tada je za v =
_
1
5
_
R
2
, h(v) jednako
h(1
_
1
0
_
+ 5
_
0
1
_
) = 1h(
_
1
0
_
) + 5h(
_
0
1
_
) = 1
_
_
2
1
3
_
_
+ 5
_
_
1
2
0
_
_
=
_
_
3
9
3
_
_
Primetimo da kada od vektor kolona
_
_
2
1
3
_
_
i
_
_
1
2
0
_
_
formiramo matricu
_
_
2 1
1 2
3 0
_
_
i ,,pomnozimo je sa v =
_
1
5
_
na sledeci nacin
_
_
2 1
1 2
3 0
_
_
_
1
5
_
=
_
_
2 (1) + 1 5
1 (1) + 2 5
3 (1) + 0 5
_
_
dobijamo h(v).
Definicija. Neka je h: V W linearno preslikavanje i neka su B =
1
, . . . ,

n
)
i T =
1
, . . . ,
m
) redom baze za V i W. Neka je:
Rep
D
(h(
1
)) =
_
_
_
h
11
.
.
.
h
m1
_
_
_
D
, . . . , Rep
D
(h(
n
)) =
_
_
_
h
1n
.
.
.
h
mn
_
_
_
D
.
Tada matricu
_
_
_
h
11
. . . h
1n
.
.
.
.
.
.
.
.
.
h
m1
. . . h
mn
_
_
_
oznacavamo sa Rep
B,D
(h) i zovemo matricnom reprezentacijom za h u odnosu
na baze B i T.
Napomena. Broj kolona u matrici Rep
B,D
(h) je dimenzija domena dok je broj
vrsta dimenzija kodomena.
57
Definicija. Matricu tipa mn mnozimo vektor kolonom v R
n
na sledeci
nacin:
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
=
df
_
_
_
_
_
a
11
c
1
+a
12
c
2
+ . . . +a
1n
c
n
a
21
c
1
+a
22
c
2
+ . . . +a
2n
c
n
.
.
.
.
.
.
.
.
.
a
m1
c
1
+a
m2
c
2
+ . . . +a
mn
c
n
_
_
_
_
_
Teorema 9.1. Neka su h, V , W, B i T kao u deniciji matricne reprezentacije
za h i neka je v V . Tada vazi:
Rep
D
(h(v)) = Rep
B,D
(h) Rep
B
(v).
dokaz. Neka je
Rep
B,D
(h) =
_
_
_
h
11
. . . h
1n
.
.
.
.
.
.
.
.
.
h
m1
. . . h
mn
_
_
_ i Rep
B
(v) =
_
_
_
c
1
.
.
.
c
n
_
_
_
B
.
Dakle imamo h(
1
) = h
11
1
+. . . +h
m1
m
, . . . , h(
n
) = h
1n
1
+. . . +h
mn
m
i
v = c
1
1
+. . . +c
n
n
. Izracunajmo h(v) koristeci linearnost od h.
h(v) = c
1
h(
1
) +. . . +c
n
h(
n
)
= c
1
(h
11
1
+. . . +h
m1
m
) +. . . +c
n
(h
1n
1
+. . . +h
mn
m
)
= (c
1
h
11
+. . . +c
n
h
1n
)
1
+. . . + (c
1
h
m1
+. . . +c
n
h
mn
)
m
.
Znaci imamo:
Rep
D
(h(v)) =
_
_
_
h
11
c
1
+ . . . +h
1n
c
n
.
.
.
.
.
.
.
.
.
h
m1
c
1
+ . . . +h
mn
c
n
_
_
_ = Rep
B,D
(h) Rep
B
(v).
Primer 2. Neka je t
: R
2
R
2
rotacija oko koordinatnog pocetka za
orijentisan ugao . Ovde R
2
posmatramo kao prostor vektora u euklidskoj
ravni. Da je t
linearno preslikavanje sledi iz toga sto je rotacija izometrija pa

preslikava paralelogram u paralelogram i duz u podudarnu duz (videti donji levi
ctrez na kome je pozitivno orijentisan prav ugao). Donji desni crtezi nam
daju:
_
1
0
_
t
_
cos
sin
_ _
0
1
_
t
_
sin
cos
_
9.1. Reprezentacija linearnih preslikavanja 59
d
d
d
d
B
v
v + u
u
`
`
`
` t
(v)
t
(v + u) = t
(v) + t
(u)
t
(u)
E
(1, 0)
(cos , sin )
T
`
`
`

(0, 1)
(sin , cos )
Znaci, Rep
E
2
,E
2
(t
) =
_
cos sin
sin cos
_
. Tako npr. mozemo da izracunamo
t
30
(
_
3
2
_
):
_
3
2

1
2
1
2
3
2
_
_
3
2
_
=
_
3
3
2
+ 1
3
2

3
_
Primer. Neka su B =
_
2
0
_
,
_
1
4
_
) i T =
_
_
1
0
0
_
_
,
_
_
0
2
0
_
_
,
_
_
1
0
1
_
_
), redom baze
za R
2
i R
3
. Neka je h: R
2
R
3
zadato sa
_
2
0
_
h
_
_
1
1
1
_
_
,
_
1
4
_
h
_
_
1
2
0
_
_
Da bismo odredili Rep
B,D
(h) moramo odrediti Rep
D
(
_
_
1
1
1
_
_
) i Rep
D
(
_
_
1
2
0
_
_
).
c
1
_
_
1
0
0
_
_
+c
2
_
_
0
2
0
_
_
+c
3
_
_
1
0
1
_
_
=
_
_
1
1
1
_
_
_
_
c
1
+c
3
2c
2
c
3
_
_
=
_
_
1
1
1
_
_
c
1
= 0
c
2
=
1
2
c
3
= 1
c
1
_
_
1
0
0
_
_
+c
2
_
_
0
2
0
_
_
+c
3
_
_
1
0
1
_
_
=
_
_
1
2
0
_
_
_
_
c
1
+c
3
2c
2
c
3
_
_
=
_
_
1
2
0
_
_
c
1
= 1
c
2
= 1
c
3
= 0
Dakle Rep
D
(
_
_
1
1
1
_
_
) =
_
_
0
1
2
1
_
_
D
i Rep
D
(
_
_
1
2
0
_
_
) =
_
_
1
1
0
_
_
D
pa je
Rep
B,D
(h) =
_
_
0 1
1
2
1
1 0
_
_
.
Neka je v =
_
3
4
_
R
2
. Odredimo Rep
D
(h(v)). Prvo cemo odrediti Rep
B
(v).
c
1
_
2
0
_
+c
2
_
1
4
_
=
_
3
4
_
_
2c
1
+c
2
4c
2
_
=
_
3
4
_
c
1
= 1
c
2
= 1
Dakle, Rep
B
(v) =
_
1
1
_
B
, pa je
Rep
D
(h(v)) = Rep
B,D
(h) Rep
B
(v) =
_
_
0 1
1
2
1
1 0
_
_
_
1
1
_
=
_
_
1
3
2
1
_
_
D
Primer. Neka je l : R
4
R
3
linearno preslikavanje zadato sa
l(
_
_
_
_
x
y
z
t
_
_
_
_
) =
_
_
x 2y + 3t
3x + 6y + 2z 11t
2x 4y +z + 5t
_
_
Hocemo da odredimo matricu L koja reprezentuje l u odnosu na par standardnih
(kanonskih) baza za R
4
i R
3
. Imamo:
l(
_
_
_
_
1
0
0
0
_
_
_
_
) =
_
_
1
3
2
_
_
, l(
_
_
_
_
0
1
0
0
_
_
_
_
) =
_
_
2
6
4
_
_
, l(
_
_
_
_
0
0
1
0
_
_
_
_
) =
_
_
0
2
1
_
_
, l(
_
_
_
_
0
0
0
1
_
_
_
_
) =
_
_
3
11
5
_
_
.
Dakle, L =
_
_
1 2 0 3
3 6 2 11
2 4 1 5
_
_
. Primetite kako se L lako cita iz gornje
denicije za l.
9.2. Svaka matrica reprezentuje linearno preslikavanje
Neka je data matrica
H =
_
_
_
h
11
. . . h
1n
.
.
.
.
.
.
.
.
.
h
m1
. . . h
mn
_
_
_
i neka je B =
1
, . . . ,

n
) baza za n-dimenzionalni prostor V a T =
1
, . . . ,
m
)
baza za m-dimenzionalni prostor W. Po teoremi 8.10 postoji jedinstven homo-
morzam h: V W takav da za svako 1 i n vazi
i
h
h
1i
1
+. . . +h
mi
m
.
9.2. Svaka matrica reprezentuje linearno preslikavanje 61
Po deniciji matricne reprezentacije imamo da je Rep
B,D
(h) = H. Znaci H
reprezentuje linearno preslikavanje h. Posto je izbor baza B i T proizvoljan ova
korespondencija izmedu linearnih preslikavanja i matrica nije jednoznacna.
Primer. Neka je H=
_
1 0
0 0
_
i V = W = R
2
. Neka su B
1
=T
1
=
_
1
0
_
,
_
0
1
_
)
jednake standardne baze za R
2
a neka su B
2
= T
2
=
_
0
1
_
,
_
1
0
_
) jednake ali
nestandardne (u smislu redosleda) baze za R
2
.
Linearno preslikavanje h
1
: R
2
R
2
je reprezentovano sa H u odnosu na
B
1
i T
1
_
c
1
c
2
_
=
_
c
1
c
2
_
B
1
h
1
_
1 0
0 0
__
c
1
c
2
_
=
_
c
1
0
_
D
1
=
_
c
1
0
_
Linearno preslikavanje h
2
: R
2
R
2
je reprezentovano sa H u odnosu na
B
2
i T
2
_
c
1
c
2
_
=
_
c
2
c
1
_
B
2
h
2
_
1 0
0 0
__
c
2
c
1
_
=
_
c
2
0
_
D
2
=
_
0
c
2
_
Intuitivno, h
1
odgovara prvoj a h
2
drugoj projekciji a zadaje ih ista matrica (u
odnosu na razlicite parove baza).
Teorema 9.2. Rang matrice jednak je rangu svakog preslikavanja koje ona
reprezentuje.
dokaz. Neka je h: V W reprezentovano matricom
H =
_
_
_
h
11
. . . h
1n
.
.
.
.
.
.
.
.
.
h
m1
. . . h
mn
_
_
_
Tada je po deniciji rang od h jednak dim(Im(h)) sto je po posledici 8.9 jednako
broju linearno nezavisnih vektora u skupu
_
_
_
h
11
.
.
.
h
m1
_
_
_, . . . ,
_
_
_
h
1n
.
.
.
h
mn
_
_
_
a to je dimenzija prostora kolona od H, sto je po deniciji rang od H.
Tvr- denje 9.3. Neka je h : V W linearno preslikavanje reprezentovano
matricom H /
mn
. Tada je h na akko je rank(H) = m i h je 1-1 akko je
rank(H) = n.
dokaz. (na) Imamo da je dim(W) = m. Po teoremi 9.2 je dim(Im(h)) =
rank(h) = rank(H). Dakle,
h je na akko Im(h) = W akko (tvrdenje 4.10) dim(Im(h)) = dim(W) akko
rank(H) = m.
(1-1) Imamo da je dim(V ) = n. Po teoremi 9.2 je rank(h) = rank(H). Dakle,
h je 1-1 akko (teorema 8.17) rank(h) = dim(V ) akko rank(H) = n.
Definicija. Nesingularno linearno preslikavanje je sinonim za izomorzam.
Ukoliko nije nesingularno onda je linearno preslikavanje singularno.
Definicija. Matrica je nesingularna kada je kvadratna i kada je to matrica
homogenog sistema s jedinstvenim resenjem.
Definicija. Glavnu dijagonalu matrice iz /
n
cine redom njeni elementi a
11
,
a
22
, . . . , a
nn
.
Napomena 9.4. Matrica je nesingularna akko je njena redukovana stepenasta
forma oblika
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 1
_
_
_
_
_
tj. na glavnoj dijagonali su sve jedinice a svi ostali elementi su nule (videti
deniciju jedinicne matrice u 10.1).
Napomena 9.5. Matrica H je nesingularna akko za neko n je H /
n
i
rank(H) = n.
Lema 9.6. Matrica reprezentuje izomorzam (nesingularno preslikavanje) akko
je ona nesingularna.
dokaz. Neka je H matrica koja reprezentuje h u odnosu na neki par baza.
Imamo:
H je nesingularna akko za neko n je H /
n
i rank(H) = n, nap. 9.5
akko h je izomorzam, tvrdenje 9.3.
Primer. Svako linearno preslikavanje reprezentovano matricom
_
1 2
0 3
_
je
nesingularno zato sto je
_
1 0
0 1
_
redukovana stepenasta forma te matrice, dok je
svako linearno preslikavanje reprezentovano matricom
_
1 2
3 6
_
singularno zato
sto je
_
1 2
0 0
_
redukovana stepenasta forma te druge matrice.
9.3. Mnozenje matrica
Primer. Posmatrajmo sledece usmerene grafove za koje mozemo zamisliti da
predstavljaju jednosmerne (direktne) puteve izmedu mesta A, B, C i mesta D,
E, odnosno izmedu mesta D, E i mesta F, G.
q q q
q q
A B C
D E
>
>
>
>.

q q
q q
D E
F G
.
Ove grafove mozemo iskodirati redom sledecim matricama:
_
2 0 1
0 0 1
_ _
1 0
1 2
_
(2 u prvoj koloni leve matrice citamo kao ,,postoje dva puta od A do D u levom
grafu a 0 u prvoj koloni te matrice citamo kao ,,ne postoji put izmedu A i E u
levom grafu, itd.). Ako sada posmatramo operaciju ,,nadovezivanja grafova,
tj. stavimo prvi graf iznad drugog i onda posmatramo sve usmerene puteve
izmedu mesta A, B, C i mesta F, G (slika levo), onda dobijamo sledeci rezultat
(slika desno).
q q q
q q
A B C
F G
>
>
>
>.

q q
.
q q q
q q
A B C
F G
>
>
>
>.
.
Koja operacija s matricama odgovara operaciji nadovezivanja grafova? Kad
krenemo da prebrojavamo usmerene puteve u nadovezanim grafovima postaje
jasno da sledeca matricna operacija (obratiti paznju na redosled) odgovara
nadovezivanju.
_
1 0
1 2
__
2 0 1
0 0 1
_
=
_
1 2 + 0 0 1 0 + 0 0 1 1 + 0 1
1 2 + 2 0 1 0 + 2 0 1 1 + 2 1
_
=
_
2 0 1
2 0 3
_
Matrica koju smo dobili kodira gornji desni graf. Ovu matricnu operaciju cemo
zvati mnozenje matrica.
Definicija. Proizvod matrica AB, gde je A = (a
ij
)
mr
i B = (b
ij
)
rn
, je
matrica C = (c
ij
)
mn
takva da je c
ij
= a
i1
b
1j
+. . . +a
ir
b
rj
.
Napomena 9.7. Neka je A /
mr
i B = (v
1
. . . v
n
) /
rn
, gde je v
i
R
r
.
Tada vazi AB = (Av
1
. . . Av
n
), gde je Av
i
proizvod matrice i vektor kolone
denisan u 9.1.
Primer. Neka je H = Rep
B,C
(h) =
_
4 6 8
5 7 9
_
, G = Rep
C,D
(g) =
_
_
1 1
0 1
1 0
_
_
i
neka je v takvo da je Rep
B
(v) =
_
_
x
1
x
2
x
3
_
_
B
. Tada vazi:
Rep
D
(g h(v)) = Rep
D
(g(h(v)) = Rep
C,D
(g)Rep
C
(h(v)), teorema 9.1
=
_
_
1 1
0 1
1 0
_
_
_
4x
1
+ 6x
2
+ 8x
3
5x
1
+ 7x
2
+ 9x
3
_
, teorema 9.1
=
_
_
1 (4x
1
+ 6x
2
+ 8x
3
) + 1 (5x
1
+ 7x
2
+ 9x
3
)
0 (4x
1
+ 6x
2
+ 8x
3
) + 1 (5x
1
+ 7x
2
+ 9x
3
)
1 (4x
1
+ 6x
2
+ 8x
3
) + 0 (5x
1
+ 7x
2
+ 9x
3
)
_
_
=
_
_
(1 4 + 1 5)x
1
+ (1 6 + 1 7)x
2
+ (1 8 + 1 9)x
3
(0 4 + 1 5)x
1
+ (0 6 + 1 7)x
2
+ (0 8 + 1 9)x
3
(1 4 + 0 5)x
1
+ (1 6 + 0 7)x
2
+ (1 8 + 0 9)x
3
_
_
=
_
_
1 4 + 1 5 1 6 + 1 7 1 8 + 1 9
0 4 + 1 5 0 6 + 1 7 0 8 + 1 9
1 4 + 0 5 1 6 + 0 7 1 8 + 0 9
_
_
_
_
x
1
x
2
x
3
_
_
= (GH) Rep
B
(v).
Teorema 9.8. Kompozicija linearnih preslikavanja je reprezentovana proizvo-
dom reprezentacija tih preslikavanja.
dokaz. Neka su h : V U i g : U W linearna preslikavanja i neka su
B =
1
, . . . ,

n
), ( =
1
, . . . ,
r
) i T =
1
, . . . ,
m
) redom baze za V , U i W.
Neka je H = Rep
B,C
(h) i G = Rep
C,D
(g). Tada za svako 1 i n vazi:
Rep
D
(g h(
i
)) = Rep
D
(g(h(
i
))) = Rep
C,D
(g)Rep
C
(h(
i
))
= G
_
_
_
h
1i
.
.
.
h
ri
_
_
_
Prema tome, po deniciji je Rep
B,D
(g h) = (G
_
_
_
h
11
.
.
.
h
r1
_
_
_. . . G
_
_
_
h
1n
.
.
.
h
rn
_
_
_), sto je po
napomeni 9.7 jednako GH.
Teorema 9.9. Zbir linearnih preslikavanja je reprezentovan zbirom reprezen-
tacija tih preslikavanja.
dokaz. Neka su h, g L(V, W) (videti deniciju u sekciji 8.2) i neka su redom
B =
1
, . . . ,

n
) i T =
1
, . . . ,
m
) baze za V i W. Neka je H = Rep
B,D
(h) i
G = Rep
B,D
(g). Tada za svako 1 i n vazi:
Rep
D
((h +g)(
i
)) = Rep
D
(h(
i
) +g(
i
)) = Rep
D
(h(
i
)) +Rep
D
(g(
i
))
=
_
_
_
h
1i
.
.
.
h
mi
_
_
_+
_
_
_
g
1i
.
.
.
g
mi
_
_
_ =
_
_
_
h
1i
+g
1i
.
.
.
h
mi
+g
mi
_
_
_
pa je onda po deniciji Rep
B,D
(h +g) = H +G.
Teorema 9.10. Mnozenje matrica je asocijativno i distribuira se nad sabira-
njem.
dokaz. (asocijativnost) Neka su F, G i H matrice za koje je denisan
proizvod (HG)F. Hocemo da pokazemo da je (HG)F = H(GF). Neka su
f : V U
1
, g : U
1
U
2
i h : U
2
W linearna preslikavanja cije su
reprezentacije u odnosu na neke ksirane baze prostora V , U
1
, U
2
i W re-
dom matrice F, G i H. Po teoremi 9.8 (HG)F reprezentuje linearno preslika-
vanje (h g) f koje je zbog asocijativnosti kompozicije jednako h (g f)
koje je reprezentovano sa H(GF) u odnosu na iste izabrane baze. Dakle,
(HG)F = H(GF).
(distributivnost) Neka su sada F, G i H matrice za koje je denisano
F(G + H). Hocemo da pokazemo da je F(G + H) = FG + FH. Neka su
f : U W i g, h: V U linearna preslikavanja cije su reprezentacije u odnosu
na neke ksirane baze prostora V , U i W redom matrice F, G i H. Po teo-
remama 9.8-9 imamo da F(G + H) reprezentuje f (g + h), dok FG + FH
reprezentuje f g +f h. Jos treba pokazati da je f (g +h) = f g +f h.
(f (g +h))(v) = f((g +h)(v)) = f(g(v) +h(v))
= f(g(v)) +f(h(v)) = f g(v) +f h(v).
Na isti nacin bismo pokazali i desnu distributivnost, tj. (G+H)F = GF+HF
(sto nije samo posledica leve distributivnosti zbog nekomutativnosti mnozenja).
Napomena. Mnozenje matrica nije komutativno.

Tvr- denje 9.11. Mnozenje matrica zadovoljava:
(1) (AB)
T
= B
T
A
T
;
(2) za w R
m
, proizvod matrica w
T
w jednak je w w = | w|
2
.
(3) defekti linearnih preslikavanja reprezentovanih matricama A
T
A i A su jed-
naki;
66 ODELjAK 10. DESETA NEDELjA
(4) rank(A
T
A) = rank(A).
dokaz. (1) Direktno iz denicije zbog komutativnosti mnozenja u R.
(2) Direktno iz denicije, proizvod matrica tipa 1 m i m1 sa leve strane
jednak je skalarnom proizvodu sa desne strane jednakosti.
(3) Neka je A /
mn
i neka je v R
n
. Pokazacemo da vazi: A
T
Av =

0
akko Av =

0 sto znaci da preslikavanja reprezentovana sa A
T
A i A imaju isto
jezgro (kernel). Implikacija zdesna ulevo je trivijalna. Ako je A
T
Av =
0 onda je
v
T
A
T
Av = 0 pa po (1) i (2) vazi da je w w = 0 za w = Av. Po nenegativnosti
skalarnog proizvoda je onda w = Av =
0.
(4) Direktno iz (3) pomocu teorema 8.15 i 9.2.
Teorema 9.12. Proizvod skalara i linearnog preslikavanja je reprezentovan
proizvodom tog istog skalara i reprezentacije tog preslikavanja.
dokaz. Neka je h : V W linearno preslikavanje, H = Rep
B,D
(h) i neka je
c R. Za svako

i
B je Rep
D
(ch(
i
)) = cRep
D
(h(
i
)) pa je po deniciji
Rep
B,D
(ch) = cH.
10. Deseta nedelja
10.1. Elementarne redukcijske matrice
Definicija. Jedinicna matrica E
n
(ili I
n
) je matrica iz /
n
koja ima jedinice
na glavnoj dijagonali a svi ostali elementi su joj nule.
Komentar. Jedinicna matrica je neutral za mnozenje.
Primer.
_
_
_
_
1 2
0 2
1 1
4 3
_
_
_
_
_
1 0
0 1
_
=
_
_
_
_
1 2
0 2
1 1
4 3
_
_
_
_
,
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
2 3 6
1 3 8
7 1 0
_
_
=
_
_
2 3 6
1 3 8
7 1 0
_
_
Definicija. Dijagonalna matrica je kvadratna matrica koja ima sve nule van
glavne dijagonale.
Primer.
_
2 0
0 1
__
2 1 4 1
1 3 4 4
_
=
_
4 2 8 2
1 3 4 4
_
(mnozenje sleva dijago-
nalnom matricom ,,rasteze vrste te matrice),
_
1 2 1
2 2 2
_
_
_
3 0 0
0 2 0
0 0 2
_
_
=
_
3 4 2
6 4 4
_
(mnozenje zdesna dijagonalnom
matricom ,,rasteze kolone te matrice).
Definicija. Permutacijska matrica je kvadratna matrica koja u svakoj vrsti
i u svakoj koloni ima tacno jednu jedinicu dok su joj svi ostali elementi nule.
Primer.
_
_
0 0 1
1 0 0
0 1 0
_
_
je permutacijska matrica. Mnozenje sleva tom matricom
ciklicno permutuje vrste date matrice:
_
_
0 0 1
1 0 0
0 1 0
_
_
_
_
1 2 3
4 5 6
7 8 9
_
_
=
_
_
7 8 9
1 2 3
4 5 6
_
_
Primetimo da za proizvoljnu matricu A /
3l
vazi:
E
3
2

3
_
_
1 0 0
0 0 1
0 1 0
_
_
i A

2

3
_
_
1 0 0
0 0 1
0 1 0
_
_
A
E
3
3
2
_
_
1 0 0
0 3 0
0 0 1
_
_
i A

3
2
_
_
1 0 0
0 3 0
0 0 1
_
_
A
67
E
3
2
1
+
2
_
_
1 0 0
2 1 0
0 0 1
_
_
i A

2
1
+
2
_
_
1 0 0
2 1 0
0 0 1
_
_
A
Znaci, ako hocemo da primenimo neku Gausovu operaciju na A /
nl
, do-
voljno je primeniti tu operaciju na E
n
i dobijenom matricom pomnoziti sleva
matricu A.
Definicija. Elementarne redukcijske matrice nastaju od jedinicne matrice
primenom jedne Gausove operacije.
E
n
i

j
P
i,j
(i ,= j)
E
n
k
i
M
i
(k) (k ,= 0)
E
n
k
i
+
j
C
i,j
(k) (i ,= j)
Lema 10.1. Za matricu H /
nl
vazi:
(1) H

i

j
P
i,j
H,
(2) H

k
i
M
i
(k)H,
(3) H

k
i
+
j
C
i,j
(k)H.
dokaz. Direktno sledi iz denicije mnozenja matrica.
Posledica 10.2. Za svaku matricu H postoje elementarne redukcijske matrice
R
1
, . . . , R
m
takve da je R
m
R
m1
. . . R
1
H u redukovanoj stepenastoj formi.
Napomena 10.3. Za elementarne redukcijske matrice vazi: P
i,j
P
i,j
= E
n
,
M
i
(k)M
i
(
1
k
) = E
n
i C
i,j
(k)C
i,j
(k) = E
n
.
10.2. Inverzne matrice
Definicija. Matrica G je obostrani inverz matrice H kada su matrice GH i
HG jedinicne matrice. Matricu G oznacavamo sa H
1
a za matricu H kazemo
da je invertibilna.
Komentar. Invertibilna matrica je kvadratna.
Teorema 10.4. Matrica je invertibilna akko reprezentuje izomorzam.
10.2. Inverzne matrice 69
dokaz. Neka je H matrica i h : V W linearno preslikavanje takvo da je
Rep
B,D
(h) = H. Tada vazi:
H je invertibilna akko postoji H
1
takvo da H
1
H = E
n
= HH
1
akko postoji h
1
: W V takvo da
Rep
D,B
(h
1
) = H
1
i h
1
h = 1
V
i h h
1
= 1
W
akko h je izomorzam.
Posledica 10.5. Matrica je invertibilna akko je nesingularna.
dokaz. Direktno iz teoreme 10.4 i leme 9.6.
Lema 10.6. Proizvod invertibilnih matrica je invertibilna matrica.
dokaz. Ako su H
1
i G
1
obostrani inverzi za H i G istog tipa, onda je
G
1
H
1
(obratiti paznju na redosled) obostrani inverz za HG. Na isti nacin
sledi da je proizvod proizvoljnog broja invertibilnih matrica invertibilna matrica.
Lema 10.7. Matrica je invertibilna akko je jednaka proizvodu elementarnih

redukcijskih matrica.
dokaz. () Neka je H /
n
invertibilna matrica. Po posledici 10.5, H je
nesingularna. Po napomeni 9.4, njena redukovana stepenasta forma je E
n
. Po
posledici 10.2, postoje elementarne redukcijske matrice R
1
, . . . , R
m
takve da je
R
m
R
m1
. . . R
1
H = E
n
. Po napomeni 10.3, R
1
, . . . , R
m
su invertibilne i njihovi
inverzi su elementarne redukcijske matrice pa vazi H = R
1
1
. . . R
1
m
.
() Neka je H = R
1
. . . R
m
. Po napomeni 10.3, matrice R
1
, . . . , R
m
su
invertibilne pa je po lemi 10.6 i njihov proizvod invertibilan.
Prema prvom delu dokaza prethodne leme i lemi 10.1, obostrani inverz in-
vertibilne matrice mozemo odrediti sledecim postupkom: datu matricu svodimo
na redukovanu stepenastu formu i paralelno iste operacije primenjujemo po-
lazeci od jedinicne matrice. Na kraju smo polaznu matricu sveli na jedinicnu a
jedinicnu na inverznu polazne.
Primer.
_
_
0 3 1 [ 1 0 0
1 0 1 [ 0 1 0
1 1 0 [ 0 0 1
_
_

1

2
_
_
1 0 1 [ 0 1 0
0 3 1 [ 1 0 0
1 1 0 [ 0 0 1
_
_
1
+
3
_
_
1 0 1 [ 0 1 0
0 3 1 [ 1 0 0
0 1 1 [ 0 1 1
_
_

2

3
_
_
1 0 1 [ 0 1 0
0 1 1 [ 0 1 1
0 3 1 [ 1 0 0
_
_
1
2
_
_
1 0 1 [ 0 1 0
0 1 1 [ 0 1 1
0 3 1 [ 1 0 0
_
_

3
2
+
3
_
_
1 0 1 [ 0 1 0
0 1 1 [ 0 1 1
0 0 4 [ 1 3 3
_
_
1
4
3
_
_
_
1 0 1 [ 0 1 0
0 1 1 [ 0 1 1
0 0 1 [
1
4
3
4

3
4
_
_
_

1
3
+
2
1
3
+
1
_
_
_
1 0 0 [
1
4
1
4
3
4
0 1 0 [
1
4
1
4

1
4
0 0 1 [
1
4
3
4

3
4
_
_
_
10.3. Promena baze
Neka su B i T dve baze vektorskog prostora V . Cilj nam je da formiramo matricu
koja kad pomnozi reprezentaciju proizvoljnog vektora u odnosu na bazu B daje
reprezentaciju tog istog vektora u odnosu na bazu T.
Kao posledicu teoreme 9.1, za v V imamo
Rep
D
(v) = Rep
D
(1
V
(v)) = Rep
B,D
(1
V
) Rep
B
(v).
Definicija. Matrica promene baze iz baze B u bazu T vektorskog prostora V
je reprezentacija identicnog preslikavanja 1
V
: V V u odnosu na te baze
Rep
B,D
(1
V
) = (Rep
D
(
1
) Rep
D
(
n
))
Primer. Neka su B =
_
2
1
_
,
_
1
0
_
) i T =
_
1
1
_
,
_
1
1
_
) baze za R
2
. Tada je
Rep
D
(
_
2
1
_
) =
_
1
2
3
2
_
D
i Rep
D
(
_
1
0
_
) =
_
1
2
1
2
_
D
.
Znaci Rep
B,D
(1
R
2) =
_
1
2

1
2
3
2
1
2
_
, pa za vektor v R
2
takav da je
Rep
B
(v) =
_
1
2
_
B
, vazi
Rep
D
(v) =
_
1
2

1
2
3
2
1
2
__
1
2
_
=
_
1
2
+ 1
3
2
1
_
=
_
1
2
1
2
_
D
.
Lema 10.8. Matrica je matrica promene baze akko je nesingularna.
dokaz. () Posto je identicno preslikavanje izomorzam to matrica promene
baze reprezentuje izomorzam pa je po lemi 9.6 ona nesingularna.
() Neka je A /
n
nesingularna. Pokazacemo da je to matrica promene
baze iz B =
1
, . . . ,

n
) u standardnu bazu c
n
, gde su

1
, . . . ,

n
kolone matrice
A. Posto je po napomeni 9.5, rank(A) = n imamo da je B linearno nezavisan
pa je po tvrdenju 4.9, [B] = R
n
, te je B baza za R
n
. Posto je
A = Rep
B,E
n
(1
R
n),
to je po deniciji A matrica promene baze iz B u c
n
.
10.4. Promena reprezentacije preslikavanja
Promena baze menja i reprezentaciju datog linearnog preslikavanja. Neka je
h: V W linearno preslikavanje i neka su B i B
dve baze za n-dimenzionalni

prostor V a T i T
dve baze za W. Tada sledeci dijagram komutira; posto je

h1
V
= 1
W
h to je i reprezentacija leve i desne strane ove jednakosti, u odnosu
na ksirane baze, jednaka.

V
B
W
D
V
B
W
D
h
H
h
H
Rep
B,B
(1
V
) 1
V
Rep
D,D
(1
W
) 1
W
To citamo kao matricnu jednakost H
Rep
B,B
(1
V
) = Rep
D,D
(1
W
)H. Posto je
Rep
B,B
(1
V
)Rep
B
,B
(1
V
) = Rep
B
,B
(1
V
) = E
n
, mozemo H
predstaviti kao:
H
= Rep
D,D
(1
W
)HRep
B
,B
(1
V
),
i to je nacin na koji dolazimo do matrice koja reprezentuje dato linearno pres-
likavanje u odnosu na novi par baza.
Primer. Neka je t : R
3
R
3
zadano sa
_
_
x
y
z
_
_
t
_
_
y +z
x +z
x +y
_
_
. Dakle, Rep
E
3
,E
3
(t) =
_
_
0 1 1
1 0 1
1 1 0
_
_
.
Neka je B =
_
_
1
1
0
_
_
,
_
_
1
1
2
_
_
,
_
_
1
1
1
_
_
) nova baza za R
3
. Treba odrediti Rep
B,B
(t).
Lako odredujemo Rep
B,E
3
(1
R
3) =
_
_
1 1 1
1 1 1
0 2 1
_
_
i kao inverz te matrice
dobijamo Rep
E
3
,B
(1
R
3) =
_
_
_
1
2

1
2
0
1
6
1
6

1
3
1
3
1
3
1
3
_
_
_. Znaci,
Rep
B,B
(t) =
_
_
_
1
2

1
2
0
1
6
1
6

1
3
1
3
1
3
1
3
_
_
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
_
1 1 1
1 1 1
0 2 1
_
_
=
_
_
1 0 0
0 1 0
0 0 2
_
_
.
Direktno do Rep
B,B
(t) dolazimo na sledeci nacin:
t(
1
) = t(
_
_
1
1
0
_
_
) =
_
_
1
1
0
_
_
E
3
=
1
=
_
_
1
0
0
_
_
B
t(
2
) = t(
_
_
1
1
2
_
_
) =
_
_
1
1
2
_
_
E
3
=
2
=
_
_
0
1
0
_
_
B
t(
3
) = t(
_
_
1
1
1
_
_
) =
_
_
2
2
2
_
_
E
3
= 2
3
=
_
_
0
0
2
_
_
B
.
Odavde vidimo da ce reprezentacija linearnog preslikavanja t biti dijagonalna u
odnosu na bazu
1
, . . . ,

n
) kada za svako

i
vazi t(
i
) = r
i
i
za neko r
i
R.
Definicija. Matrice H i H
iz /
mn
su matricno ekvivalentne kada postoje
nesingularne matrice P i Q takve da je H
= PHQ.
Tvr- denje 10.9. Matricno ekvivalentne matrice reprezentuju isto linearno pres-
likavanje u odnosu na odgovarajuce baze.
dokaz. Ovo je posledica leme 10.8.
Tvr- denje 10.10. Matricna ekvivalencija matrica je relacija ekvivalencije.
dokaz. Za A /
mn
vazi A = E
m
AE
n
, pa je relacija reeksivna. Ako je
A = PBQ, onda je B = P
1
AQ
1
, pa je relacija simetricna. Ako je A = PBQ
i B = RCS, onda je A = (PR)C(SQ) i PR i SQ su nesingularne po lemi 10.6,
pa je relacija tranzitivna.
Primetimo da je matricno ekvivalentna nula matrici samo ona sama jer je
P0
mn
Q = 0
mn
.
Tvr- denje 10.11. Vrsta ekvivalentne matrice su matricno ekvivalentne.
dokaz. Ovo je posledica lema 10.1 i 10.7.
Teorema 10.12. Svaka mn matrica ranga k je matricno ekvivalentna mn
matrici oblika
_
E
k
0
k(nk)
0
(mk)k
0
(mk)(nk)
_
.
dokaz. Neka je H /
mn
matrica ranga k. Neka je P proizvod elementarnih
redukcijskih matrica koje mnozenjem sleva svode H (glumeci vrsta transforma-
cije) na redukovanu stepenastu formu koja ima k pivota. Neka je Q proizvod
elementarnih redukcijskih matrica koje mnozenjem zdesna svode PH (glumeci
kolona transformacije) na matricu H
u trazenoj formi. Matrice P i Q su nesin-

gularne po lemi 10.7 i posledici 10.5.
Posledica 10.13. Dve matrice istog tipa su matricno ekvivalentne akko imaju
isti rang.
Kao posledicu tvrdenja 10.9 i teoreme 10.12 imamo da se svako linearno pres-
likavanje u odnosu na pogodno izabrane baze moze posmatrati kao svojevrsna
projekcija:
c
1
1
+. . . +c
k
k
+. . . +c
n
n
c
1
1
+. . . +c
k
k
+
0.
11. Jedanaesta nedelja
11.1. Determinante, denicija i osnovna svojstva
U ovoj sekciji cemo denisati funkciju koja preslikava skup svih kvadratnih
matrica u R.
Bijekciju : 1, . . . , n 1, . . . , n nazivamo permutacijom skupa 1, . . . , n.
Permutaciju mozemo zadati matricom tipa 2 n
_
1 2 . . . n
(1) (2) . . . (n)
_
iz koje mozemo slobodno izostaviti prvu vrstu (koja se uvek moze rekonstruisati)
i prosto permutaciju zadati vektor vrstom
_
(1) (2) . . . (n)
_
.
Na primer, =
_
2 3 1 4
_
je pemutacija skupa 1, 2, 3, 4 takva da je
(1) =2, (2) = 3, (3) = 1 i (4) = 4. Nju je najbolje ilustrovati dijagramom
q q q q
q q q q
>
>
>
>
Skup svih permutacija skupa 1, 2, . . . , n oznacavamo sa

n
. Taj skup ima n!
elemenata.
Par elementa (i) i (j) cine inverziju u permutaciji kada je i > j
a (i) prethodi (j) u toj permutaciji. Na primer, u slucaju permutacije
=
_
2 3 1 4
_
, imamo ukupno dve inverzije od kojih jednu cini par 2 i
1 a drugu par 3 i 1. Na gornjem dijagramu to se ogleda u postojanju dva
,,ukrstanja. Za permutaciju kazemo da je parna kada ima paran broj inverzija
i kazemo da je neparna kada ima neparan broj inverzija. Denisimo funkciju
sgn na skupu permutacija kao
sgn() =
df
_
1, ako je parna;
1, ako je neparna.
Inverzna permutacija permutacije iz gornjeg primera je
1
=
_
3 1 2 4
_
i tu imamo dve iverzije od kojih jednu cini par 3 i 1 a drugu par 3 i 2. Dijagram
koji odgovara
1
je
q q q q
q q q q
Napomena 11.1. sgn(

1
) = sgn().
75
76 ODELjAK 11. JEDANAESTA NEDELjA
dokaz. Posto je dijagram koji odgovara permutaciji
1
osnosimetrican di-
jagramu koji odgovara permutaciji u odnosu na horizontalnu osu, to je broj
ukrstanja u ovim dijagramima jednak.
Napomena 11.2. Ako permutacija
nastaje od permutacije zamenom mesta

dva elementa onda je sgn(
) = sgn().
Definicija. Neka je A = (a
ij
)
nn
/
n
. Determinantu matrice A u oznaci
det(A) ili samo [A[, denisemo kao realan broj
n
sgn() a
1(1)
a
2(2)
. . . a
n(n)
.
Primer. Za n = 2 i A =
_
a
11
a
12
a
21
a
22
_
imamo da je
2
=
_
1 2
_
,
_
2 1
_
, pri
cemu prva permutacija nema inverzija pa je parna a druga ima jednu inverziju
pa je neparna. Dakle imamo
a
11
a
12
a
21
a
22
= a
11
a
22
a
12
a
21
.
Tvr- denje 11.3. det(A
T
) = det(A).
dokaz. Posto je a
1(1)
a
2(2)
. . . a
n(n)
= a
1
(1)1
a
1
(2)2
. . . a
1
(n)n
i po napomeni
11.1 je sgn(
1
) = sgn(), onda se moze zakljuciti da je det(A
T
) = det(A).
Tvr- denje 11.4. Determinanta menja znak kad dve vrste matrice zamene
mesta. To jest
a
11
a
12
. . . a
1n
. . .
a
i1
a
i2
. . . a
in
. . .
a
j1
a
j2
. . . a
jn
. . .
a
n1
a
n2
. . . a
nn
a
11
a
12
. . . a
1n
. . .
a
j1
a
j2
. . . a
jn
. . .
a
i1
a
i2
. . . a
in
. . .
a
n1
a
n2
. . . a
nn
dokaz. Ovo je posledica napomene 11.2.

Tvr- denje 11.5.
a
11
a
12
. . . a
1n
. . .
a
i1
+a
i1
a
i2
+a
i2
. . . a
in
+a
in
. . .
a
n1
a
n2
. . . a
nn
a
11
a
12
. . . a
1n
. . .
a
i1
a
i2
. . . a
in
. . .
a
n1
a
n2
. . . a
nn
a
11
a
12
. . . a
1n
. . .
a
i1
a
i2
. . . a
in
. . .
a
n1
a
n2
. . . a
nn
11.1. Determinante, denicija i osnovna svojstva 77

dokaz. Ovo sledi direktno iz denicije kao posledica distributivnosti mnozenja
prema sabiranju posto svaki sabirak u sumi koja denise determinantu sleve
strane jednakosti sadrzi tacno jedan faktor oblika a
ij
+a
ij
.
Tvr- denje 11.6.
a
11
a
12
. . . a
1n
. . .
ka
i1
ka
i2
. . . ka
in
. . .
a
n1
a
n2
. . . a
nn
= k
a
11
a
12
. . . a
1n
. . .
a
i1
a
i2
. . . a
in
. . .
a
n1
a
n2
. . . a
nn
dokaz. Ovo opet sledi direktno iz denicije kao posledica distributivnosti

mnozenja prema sabiranju (koja se sada koristi u obrnutom smeru) posto svaki
sabirak u sumi koja denise determinantu sleve strane jednakosti ima zajednicki
faktor k.
Definicija. Matrica A /
n
je donje-trougaona kad su joj svi elementi iznad
glavne dijagonale jednaki 0. Ona je gornje-trougaona kad su joj svi elementi
ispod glavne dijagonale jednaki 0. Trougaona matrica je matrica koja je donje-
trougaona ili gornje-trougaona.
Tvr- denje 11.7. Ako je A /
n
trougaona, onda je det(A) = a
11
a
22
. . . a
nn
.
dokaz. Svi ostali sabirci iz denicije determinante imaju bar jedan faktor 0.
Posledica 11.8. Ako je A /
n
dijagonalna, onda je det(A) = a
11
a
22
. . . a
nn
.
Tvr- denje 11.9. Neka je A /
n
. Tada vazi:
(1) ako A ima dve jednake vrste onda je det(A) = 0;
(2) ako A ima nula-vrstu onda je det(A) = 0.
dokaz. (1) Ako zamenimo mesta jednakim vrstama po tvrdenu 11.4 dobijamo
det(A) = det(A), sto daje det(A) = 0.
(2) Direktno iz tvrdenja 11.6.
Tvr- denje 11.10. Neka je A /
n
. Tada vazi:
(1) ako A

i

j
B (i ,= j) onda det(B) = det(A);
(2) ako A

k
i
B onda det(B) = k det(A);
(3) ako A

k
i
+
j
B (i ,= j) onda det(B) = det(A).
dokaz. (1) Tvrdenje 11.4. (2) Tvrdenje 11.6. (3) Po tvrdenjima 11.5 i 11.6
dobijamo da je det(B) = k det(A
) +det(A), gde matrica A
ima dve iste vrste,

pa je det(A
) = 0, po tvrdenju 11.9 (1).

Napomena 11.11. Po tvrdenju 11.3, sve ovo vazi i kada umesto ,,vrste
stavimo ,,kolone.
Tvr- denje 11.12. Neka je H /
n
elementarna redukcijska matrica i neka je
A /
n
. Tada vazi det(HA) = det(AH) = det(H) det(A).
dokaz. Ovo je posledica leme 10.1 i tvrdenja 11.10.
Posledica 11.13. Neka je A /
n
i neka je B rezultat primene Gausovih
operacija na A. Tada vazi: det(A) = 0 akko det(B) = 0.
dokaz. Tvrdenje 11.10.
Posledica 11.14. Determinanta elementarne redukcijske matrice je razlicita
od nule.
dokaz. Posledica 11.8 i posledica 11.13.
Teorema 11.15. Kvadratna matrica je invertibilna akko je njena determinanta
razlicita od 0.
dokaz. A je invertibilna
akko A je nesingularna, posledica 10.5,
akko red. step. forma od A je jedinicna matrica, nap. 9.4,
akko det(A) ,= 0, posledica 11.8 i posledica 11.13.
Teorema 11.16 (Bine-Kosi). det(AB) = det(A) det(B).
dokaz. Neka su A, B /
n
. Ako A nije invertibilna onda je rank(A) < n pa
ni AB nije invertibilna jer je rank(AB) rank(A) (Im(g h) Im(g)). Po
teoremi 11.15, obe strane gornje jednakosti su 0.
Ako je A invertibilna, onda je ona jednaka proizvodu elementarnih redukci-
jskih matrica i dovoljno je primeniti tvrdenje 11.12.
11.2. Minori i kofaktori
U ovoj sekciji pretpostavljamo da je n 2 i to necemo dalje naglasavati.
Definicija. Za matricu A /
n
, denisemo matricu M
ij
/
n1
kao ma-
tricu koja nastaje kada u A obrisemo i-tu vrstu i j-tu kolonu.
11.2. Minori i kofaktori 79
Definicija. Minor elementa a
ij
matrice A /
n
je broj det(M
ij
).
Definicija. Kofaktor elementa a
ij
matrice A /
n
, u oznaci A
ij
je broj
(1)
i+j
det(M
ij
).
Teorema 11.17 (Laplasov razvoj determinante). Neka je A /
n
.
Tada za sve i, j 1, . . . , n vazi:
det(A) = a
i1
A
i1
+. . . +a
in
A
in
= a
1j
A
1j
+. . . +a
nj
A
nj
.
dokaz. (skica) U sumi koja denise det(A) izvucemo zajednicki faktor a
i1
iz
(n 1)! sabiraka itd.
Definicija. Adjungovana matrica matrice A /
n
, u oznaci adj(A) je ma-
trica
_
_
_
_
A
11
A
21
. . . A
n1
A
12
A
22
. . . A
n2
. . .
A
1n
A
2n
. . . A
nn
_
_
_
_
Teorema 11.18 (Laplas). Za A /
n
vazi:
Aadj(A) = adj(A) A = det(A) E
n
.
dokaz. Po teoremi 11.17 imamo da su svi elementi na glavnoj dijagonali i prvog
i drugog proizvoda jednaki det(A). Svi ostali elementi van glavne dijagonale su
0 zato sto predstavljaju determinante matrica s dve iste vrste odnosno dve iste
kolone. Na primer, na mestu 12 u levom proizvodu se nalazi a
11
A
21
+. . .+a
1n
A
2n
a to je, po teoremi 11.17, determinanta matrice koja nastaje od A kada joj se
druga vrsta zameni prvom. Posto je to determinanta matrice koja ima istu prvu
i drugu vrstu, ona je jednaka nuli.
Posledica 11.19. Za A /
n
takvu da je det(A) ,= 0 vazi:
A
1
=
1
det(A)
adj(A).
dokaz. Samo treba primetiti da je k(AB) = (kA)B = A(kB) i primeniti
teoremu 11.18.
Tvr- denje 11.20. Za matricu A /
n
vazi: A je nesingularna akko adj(A) je
nesingularna.
dokaz. Pomocu teorema 11.18 i 11.16 dobijamo da je det(A) det(adj(A)) =
(det(A))
n
. Dakle, ako je matrica A nesingularna onda je det(A) ,= 0 pa je i
det(adj(A)) ,= 0, sto znaci da je adj(A) nesingularna.
Ako je adj(A) nesingularna, onda je A matricno ekvivalentna sa adj(A) A.
Ako pretpostavimo da je A singularna onda po teoremi 11.18 imamo da je
adj(A) A = det(A) E
n
= 0
nn
. Posto je matricno ekvivalentna nula matrici
samo nula matrica, dobijamo da je A nula matrica. Odatle sledi da je i adj(A)
nula matrica, sto je suprotno pretpostavci da je adj(A) nesingularna. Dakle A
je nesingularna.
Posledica 11.21. Za matricu A /
n
vazi: det(adj(A)) = (det(A))
n1
.
dokaz. Ako je det(A) = 0 onda je po tvrdenju 11.20 i det(adj(A)) = 0 pa
tvrdenje vazi. Ako je det(A) ,= 0, onda kao i u dokazu tvrdenja 11.20, imamo
det(A) det(adj(A)) = (det(A))
n
, pa je dovoljno podeliti ovu jednakost sa det(A).
11.3. Kramerova teorema

Neka je dat sistem n linearnih jednacina sa n promenljivih:
a
11
x
1
+ . . . +a
1n
x
n
= b
1
.
.
.
a
n1
x
1
+ . . . +a
nn
x
n
= b
n
Matricno, ovaj sistem mozemo zapisati kao:
_
_
_
a
11
. . . a
1n
.
.
.
a
n1
. . . a
nn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
b
1
.
.
.
b
n
_
_
_
odnosno
AX = B.
Neka je = det(A), a
i
neka je determinanta matrice nastale zamenom
i-te kolone matrice A kolonom B, tj.
1
=
b
1
a
12
. . . a
1n
.
.
.
b
n
a
n2
. . . a
nn
,
2
=
a
11
b
1
. . . a
1n
.
.
.
a
n1
b
n
. . . a
nn
, . . . ,
n
=
a
11
. . . a
1n1
b
1
.
.
.
a
n1
. . . a
nn1
b
n
.
Teorema 11.22 (Kramer). (1) Gorenavedeni sistem ima jedinstveno resenje
akko je ,= 0; u tom slucaju je:
x
1
=

1
, x
2
=

2
, . . . , x
n
=

n
.
11.3. Kramerova teorema 81
(2) Ako je = 0 i za neko 1 i n je
i
,= 0, onda gorenavedeni sistem
nema resenja.
dokaz. (1) Pretpostavimo da je ,= 0. Tada je
AX = B X = adj(A) B
a posto je adj(A) B =
_
_
_
_
b
1
A
11
+b
2
A
21
+. . . +b
n
A
n1
b
1
A
12
+b
2
A
22
+. . . +b
n
A
n2
. . .
b
1
A
1n
+b
2
A
2n
+. . . +b
n
A
nn
_
_
_
_
=
_
_
_
_
_
2
.
.
.
n
_
_
_
_
_
, dobijamo
jedinstveno resenje koje je navedeno.
Ako je je = 0, onda je matrica A singularna i njena redukovana stepenasta
forma nije E
n
, pa bar jedna promenljiva nije vodeca i sistem nema jedinstveno
resenje.
(2) Uvek vazi
AX = B X = adj(A) B.
Ako je = 0 i za neko 1 i n je
i
,= 0, onda je
X = adj(A) B
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
=
_
_
_
_
_
2
.
.
.
n
_
_
_
_
_
,
sto znaci da sistem nema resenja.
U slucaju kada je =
1
= . . . =
n
= 0, Kramerova teorema nam daje
samo da ukoliko sistem ima resenja, ima ih beskonacno mnogo. Ovo se posebno
odnosi na homogen sistem n jednacina sa n promenljivih koji uvek ima trivijalno
resenje te onda znamo da = 0 povlaci postojanje beskonacno mnogo resenja.
12. Dvanaesta nedelja
12.1. Slicnost matrica
U sekciji 10.4 smo denisali kada su dve matrice matricno ekvivalentne. Sad
cemo denisati relaciju na skupu matrica koja predstavlja pronjenje relacije
matricne ekvivalencije.
Definicija. Matrice H i H
su slicne kada postoji nesingularna matrica P

takva da je H
= P
1
HP.
Tvr- denje 12.1. Slicnost matrica je relacija ekvivalencije.
dokaz. (reeksivnost) H = E
n
HE
n
; (simetricnost) ako je H
= P
1
HP, onda
je H = PH
P
1
; (tranzitivnost) ako je H
= P
1
HP i H
= Q
1
H
Q, onda
je H
= (PQ)
1
HPQ.
Primer. Nula matrici je slicna samo ona sama jer je P
1
0
nn
P = 0
nn
.
Takode, jedinicnoj matrici je slicna samo ona sama jer je P
1
E
n
P = E
n
. Ako
su dve matrice slicne onda su one i matricno ekvivalentne. Obrat ne vazi.
Tvr- denje 12.2. Ako su matrice H, G /
n
slicne, onda su i matrice a
0
E
n
+
a
1
H +. . . +a
m
H
m
i a
0
E
n
+a
1
G+. . . +a
m
G
m
slicne.
dokaz. Neka je H = P
1
GP. Tada je P
1
(a
0
E
n
+ a
1
G + . . . + a
m
G
m
)P =
a
0
E
n
+a
1
H+. . .+a
m
H
m
, zbog distributivnosti i zato sto je H
k
= (P
1
GP)
k
=
P
1
G
k
P.
12.2. Dijagonalizabilnost
U primeru iz sekcije 10.4 smo videli da je reprezentacija Rep
B,B
(t), linearnog
preslikavanja t : V V dijagonalna kada za svako

i
B postoji
i
R, tako
da vazi t(
i
) =
i
i
.
Definicija. Linearno preslikavanje t : V V je dijagonalizabilno kada postoji
baza B za V takva da je Rep
B,B
(t) dijagonalna matrica. Matrica je dijagonal-
izabilna kada postoji dijagonalna matrica koja joj je slicna.
Primer. Moze se pokazati da postoje matrice koje nisu dijagonalizabilne. Na
primer, matrica A =
_
0 1
0 0
_
nije dijagonalizabilna jer bi dijagonalna matrica
D slicna matrici A bila ne-nula matrica po gornjem primeru. Po tvrdenju 12.2,
matrice A
2
= 0
22
i D
2
bi bile slicne sto je nemoguce jer D
2
ne bi bila nula
matrica.
83
84 ODELjAK 12. DVANAESTA NEDELjA
Tvr- denje 12.3. Linearno preslikavanje t : V V je dijagonalizabilno akko
postoji baza B =
1
, . . . ,

n
) za V i skalari
1
, . . . ,
n
tako da za svako 1 i n
vazi t(
i
) =
i
i
.
dokaz. Direktno po deniciji reprezentacije linearnog preslikavanja imamo da
je Rep
B,B
(t) =
_
_
_
_
1
0 . . . 0
0
2
. . . 0
. . .
0 0 . . .
n
_
_
_
_
akko za svako 1 i n vazi t(
i
) =
i
i
.
Primer 2. Ako hocemo da dijagonalizujemo matricu T =

_
3 2
0 1
_
poci cemo
od toga da je T = Rep
E
2
,E
2
(t) za linearno preslikavanje t : R
2
R
2
. Treba da
odredimo bazu B =
1
,

2
) za R
2
i skalare
1
i
2
takve da je t(
1
) =
1
1
i
t(
2
) =
2
2
, tj.
_
3 2
0 1
_
1
=
1
1
,
_
3 2
0 1
_
2
=
2
2
.
Posmatrajmo jednacinu po nepoznatim x, b
1
i b
2
_
3 2
0 1
__
b
1
b
2
_
= x
_
b
1
b
2
_
za koju treba odrediti dva resenja takva da
_
b
1
b
2
_
iz prvog resenja i
_
b
1
b
2
_
iz
drugog resenja budu linearno nezavisni. Gornja jednacina nam daje nelinearan
sistem
(3 x)b
1
+ 2b
2
= 0
(1 x)b
2
= 0
koji mozemo posmatrati kao linearni sistem s parametrom x po b
1
i b
2
. Po
Kramerovoj teoremi on ima netrivijalno resenje akko je
3 x 2
0 1 x
= 0, sto
je ekvivalentno sa x = 3 ili x = 1. Za x = 3 imamo da je skup resenja gornjeg
sistema oblika
_
b
1
0
_
[ b
1
R = b
1
_
1
0
_
[ b
1
R,
dok je za x = 1 skup resenja gornjeg sistema oblika
_
b
2
b
2
_
[ b
2
R = b
2
_
1
1
_
[ b
2
R.
Posto su vektori
_
1
0
_
i
_
1
1
_
linearno nezavisni imamo da je B =
_
1
0
_
,
_
1
1
_
)
baza za R
2
i
Rep
B,B
(t) =
_
3 0
0 1
_
=
_
1 1
0 1
_
1
_
3 2
0 1
__
1 1
0 1
_
.
12.3. Sopstvene vrednosti i sopstveni vektori
Definicija. Ako za linearno preslikavanje t : V V , ne-nula vektor v V i
skalar vazi da je t(v) = v, onda kazemo da je v sopstveni vektor koji odgovara
sopstvenoj vrednosti preslikavanja t.
Definicija. Ako za matricu T /
n
, ne-nula vektor v R
n
i skalar vazi
da je Tv = v, onda kazemo da je v sopstveni vektor koji odgovara sopstvenoj
vrednosti matrice T.
Napomena 12.4. Ako je sopstvena vrednost za linearno preslikavanje, onda je
sopstvena vrednost za bilo koju reprezentaciju, u odnosu na par istih baza, tog
preslikavanja. Znaci slicne matrice imaju iste sopstvene vrednosti. Medutim, to
ne znaci da slicne matrice imaju iste sopstvene vektore.
Definicija. Karakteristicni polinom matrice T /
n
je det(T xE
n
) pos-
matrana kao polinom po promenljivoj x. Karakteristicna jednacina te matrice
je det(T xE
n
) = 0. Karakteristicni polinom linearnog preslikavanja je karak-
teristicni polinom bilo koje njegove reprezentacije, u odnosu na par istih baza.
Napomena 12.5. Skalar je sopstvena vrednost matrice akko je nula karak-
teristicnog polinoma te matrice.
dokaz. Ovo vazi zbog toga sto je nula karakteristicnog polinoma matrice T
akko jednacina Tv = v ima netrivijalno resenje po v.
Tvr- denje 12.6. Slicne matrice imaju iste karakteristicne polinome.
dokaz. Pretpostavimo da je T = P
1
T
P. Tada vazi:
det(T xE
n
) = det(P
1
T
P xE
n
) = det(P
1
T
P xP
1
E
n
P)
= det(P
1
T
P P
1
(xE
n
)P) = det(P
1
(T
xE
n
)P)
= det(P
1
) det(T
xE
n
) det(P)
= det(E
n
) det(T
xE
n
) = det(T
xE
n
).
Definicija. Sopstveni prostor linearnog preslikavanja t : V V koji odgovara
sopstvenoj vrednosti je skup V
= v V [ t(v) = v. Na isti nacin

denisemo sopstveni prostor matrice T /
n
kao potskup od R
n
.
Tvr- denje 12.7. Sopstveni prostor je potprostor od V .
dokaz. Neka je sopstvena vrednost linearnog preslikavanja t : V V . Posto
je t(
0) =

0 =
0, to je

0 V
, pa je V
neprazan. Jos treba proveriti da je

86 ODELjAK 12. DVANAESTA NEDELjA
zatvoren za linearne kombinacije dva vektora. Neka su v
1
, v
2
V
, sto znaci da
je t(v
1
) = v
1
i t(v
2
) = v
2
i neka su c
1
, c
2
R. Tada je
t(c
1
v
1
+c
2
v
2
) = c
1
t(v
1
) +c
2
t(v
2
) = c
1
v
1
+c
2
v
2
= (c
1
v
1
+c
2
v
2
),
pa je znaci i (c
1
v
1
+c
2
v
2
) u V
. Dakle, po tvrdenju 3.1, V
je potprostor od V .
Primer. U drugom primeru iz sekcije 12.2, sopstveni prostor koji odgovara

sopstvenoj vrednosti 3 je sledeci potprostor od R
2
_
b
1
0
_
[ b
1
R = b
1
_
1
0
_
[ b
1
R,
dok je sopstveni prostor koji odgovara sopstvenoj vrednosti 1 sledeci potprostor
od R
2
_
b
2
b
2
_
[ b
2
R = b
2
_
1
1
_
[ b
2
R.
Definicija. Dimenzija prostora V
je geometrijska visestrukost sopstvene vred-

nosti dok je njena algebarska visestrukost, visestrukost korena karakter-
isticnog polinoma.
Definicija. Trag matrice A /
n
je suma njenih elemenata na glavnoj di-
jagonali tr(A) =
df
a
11
+a
22
+. . . +a
nn
.
Napomena 12.8. Karakteristican polinom matrice A /
2
je uvek oblika
x
2
tr(A)x +det(A).
dokaz. Proverom direktno iz denicije karakteristicnog polinoma.
Dosta lako se pokazuje da je koecijent uz x
n1
karakteristicnog polinoma
matrice A /
n
uvek (1)
n1
tr(A), sto po tvrdenju 12.6 znaci da slicne ma-
trice imaju isti trag.
Teorema 12.9. Ako su v
1
, . . . , v
k
sopstveni vektori koji odgovaraju razlicitim
sopstvenim vrednostima
1
, . . . ,
k
linearnog preslikavanja t, onda je v
1
, . . . , v
k
linearno nezavisan skup.

dokaz. Dokaz izvodimo indukcijom po k. Za k = 1, posto je v
1
,=
0, to je v
1
linearno nezavisan.
Pretpostavimo da je k 2 i da je c
1
v
1
+ . . . + c
k1
v
k1
+ c
k
v
k
=

0. S
jedne strane pomnozimo tu jednakost sa
k
a s druge strane primenimo t na
ovu jednakost i dobijamo
c
1
k
v
1
+. . . +c
k1
k
v
k1
+c
k
k
v
k
=
0,
c
1
1
v
1
+. . . +c
k1
k1
v
k1
+c
k
k
v
k
=
0.
Kad od prve jednakosti oduzmemo drugu dobijamo
c
1
(
k

1
)v
1
+. . . +c
k1
(
k

k1
)v
k1
=
0,
odakle, po indukcijskoj pretpostavci, dobijamo da je
c
1
(
k

1
) = . . . = c
k1
(
k

k1
) = 0.
Posto je
k
,=
i
za 1 i k 1, sledi da je c
1
= . . . = c
k1
= 0. Iz polazne
jednakosti dobijamo c
k
v
k
=
0, pa posto je v
k
,=
0, to je i c
k
= 0.
Posledica 12.10. Ako matrica iz /
n
ima n razlicitih sopstvenih vrednosti
onda je ona dijagonalizabilna.
dokaz. Direktno iz teoreme 12.9 i tvrdenja 12.3.
13. Trinaesta nedelja
13.1. Minimalan polinom
Neka je dat polinom p(x) = a
m
x
m
+ . . . + a
1
x + a
0
i linearno preslikavanje
t : V V . Tada je p(t) linearno preslikavanje iz V u V koje dobijamo kada t
2
interpretiramo kao kompoziciju t t, t
3
kao kompoziciju t t t itd. a konstantu
a
0
R kao a
0
1
V
, gde je 1
V
identitet na V .
Ako je B baza za n-dimenzionalni prostor V , t : V V linearno preslikavanje
i T = Rep
B,B
(t) matrica, onda je po teoremama 9.8-9 i 9.12
Rep
B,B
(p(t)) = p(T) = a
m
T
m
+. . . +a
1
T +a
0
E
n
.
Posto je dimenzija prostora /
n
jednaka n
2
sledi da je E
n
, T, T
2
, . . . , T
n
2
linearno zavisan skup pa postoji netrivijalan polinom p(x) T

n
2 takav da je
p(T) = 0
nn
. Odavde zakljucujemo da je p(t) nula preslikavanje (svaki vektor
iz V slika u

0).
Definicija. Minimalan polinom homomorzma t : V V je polinom m(x)
najmanjeg stepena, ciji je vodeci koecijent 1, takav da je m(t) nula preslika-
vanje. Minimalan polinom matrice T /
n
je polinom m(x) najmanjeg ste-
pena, ciji je vodeci koecijent 1, takav da je m(T) nula matrica.
Tvr- denje 13.1. Svaka matrica iz /
n
ima jedinstven minimalan polinom.
Slicne matrice imaju isti minimalan polinom.
dokaz. Po gornjim komentarima, za svaku matricu T /
n
postoji netrivi-
jalan polinom p(x) T
n
2 takav da je p(T) nula matrica. Neka je p(x) netriv-
ijalan polinom najmanjeg stepena takav da je p(T) nula matrica. Ako p(x)
pomnozimo reciprocnom vrednoscu vodeceg koecijenta dobicemo polinom ciji
je vodeci koecijent jednak 1 i on je po deniciji minimalan polinom matrice T.
Ako bi postojala dva minimalna polinoma m
1
(x) i m
2
(x) stepena k, onda
je njihova razlika r(x) = m
1
(x) m
2
(x) polinom u T
k1
takav da je r(T) nula
matrica pa r(x) mora biti trivijalan polinom, sto znaci da je m
1
(x) = m
2
(x).
Po tvrdenju 12.2, slicne matrice imaju isti minimalan polinom.
Posledica 13.2. Svako linearno preslikavanje iz V u V ima jedinstven mini-
malan polinom.
Primer. Neka je t : R
2
R
2
rotacija ravni za ugao

6
= 30
(videti drugi
primer u sekciji 9.1). Tada je t reprezentovano u odnosu na par standardnih
baza matricom
T =
_
3
2

1
2
1
2
3
2
_
.
89
90 ODELjAK 13. TRINAESTA NEDELjA
Kako je T
2
=
_
1
2

3
2
3
2
1
2
_
, lako vidimo da je T
2
3T + E
2
nula matrica,
pa je m(x) = x
2
3x + 1 minimalan polinom za T, posto su T i E

2
linearno
nezavisni.
Tvr- denje 13.3. Ako se polinom p(x) faktorise kao c(x
1
)
q
1
. . . (x
k
)
q
k
,
onda za linearno preslikavanje t : V V vazi da je
p(t) = c(t
1
)
q
1
. . . (t
k
)
q
k
.
dokaz. Kao u drugom delu dokaza teoreme 9.10, moze se pokazati da za
linearna preslikavanja h
1
, h
2
, h
3
, h
4
: V V vazi (c
1
h
1
+c
2
h
2
) (c
3
h
3
+c
4
h
4
) =
c
1
c
3
h
1
h
3
+c
1
c
4
h
1
h
4
+c
2
c
3
h
2
h
3
+c
2
c
4
h
2
h
4
, odakle tvrdenje sledi.
Kao posledicu mozemo zakljuciti da ako se minimalan polinom m(x) linear-
nog preslikavanja t : V V , za netrivijalan prostor V , faktorise kao
m(x) = (x
1
)
q
1
. . . (x
k
)
q
k
,
onda se, posto m(t) slika svaki vektor iz V u

0, bar jedan ne-nula vektor iz
V slika sa nekim t
i
u

0, sto znaci da je bar jedno
i
sopstvena vrednost
preslikavanja t. Cilj nam je da pokazemo da ce sve sopstvene vrednosti za t
biti koreni minimalnog polinoma za t i da ce minimalan polinom za t deliti
karakteristican polinom za t.
Teorema 13.4 (Kejli-Hamilton). Ako se karakteristican polinom linearnog
preslikavanja t : V V faktorise kao
c(x
1
)
p
1
. . . (x
k
)
p
k
,
onda se minimalan polinom za t faktorise kao
(x
1
)
q
1
. . . (x
k
)
q
k
,
gde je 1 q
i
p
i
za svako 1 i k.
Da bismo dokazali ovu teoremu primetimo sledece. Ako imamo neku matricu
tipa nn, ciji su elementi polinomi iz T
m
, onda je mozemo izraziti kao polinom
iz T
m
ciji su koecijenti iz /
n
(matrice tipa n n nad R). Na primer,
_
x
2
+ 2x 3 2x
2
1
3x + 2 x
2
3
_
= x
2
_
1 2
0 1
_
+x
_
2 0
3 0
_
+
_
3 1
2 3
_
.
Dokaz teoreme 13.4 cemo izvesti pomocu sledece tri leme.
Lema 13.5. Ako je p(x) karakteristican polinom kvadratne matrice T, onda je
p(T) nula matrica.
13.1. Minimalan polinom 91
dokaz. Neka je p(x) = p
n
x
n
+. . . +p
1
x +p
0
i neka je A matrica T xE
n
, cija
je determinanta jednaka p(x).
A =
_
_
_
_
t
11
x t
12
. . . t
1n
t
21
t
22
x . . . t
2n
. . .
t
n1
t
n2
. . . t
nn
x
_
_
_
_
.
Primetimo da je svaki kofaktor A
ij
polinom iz T
n1
, pa je po gornjem komentaru
matricu adj(A) moguce zapisati kao x
n1
C
n1
+ . . . + xC
1
+ C
0
, gde su sve
matrice C
i
iz /
n
. Dakle imamo:
p(x)E
n
= det(A)E
n
= adj(A) A = (x
n1
C
n1
+. . . +xC
1
+C
0
)(T xE
n
),
odnosno
p(x)E
n
= x
n1
C
n1
T x
n
C
n1
+. . . +xC
1
T x
2
C
1
+C
0
T xC
0
= x
n
C
n1
+x
n1
(C
n1
T C
n2
) +. . . +x(C
1
T C
0
) +C
0
T.
Kad levu i desnu stranu izjednacimo po stepenima promenljive x dobijamo:
p
n
E
n
= C
n1
p
n1
E
n
= C
n1
T C
n2
. . .
p
1
E
n
= C
1
T C
0
p
0
E
n
= C
0
T.
Pomnozimo prvu jednakost zdesna sa T
n
, drugu zdesna sa T
n1
i tako dalje, do
pretposlednje koju mnozimo zdesna sa T. Kada saberemo leve strane dobijamo
p(T) a desne strane se poniste i daju nula matricu.
Lema 13.6. Ako je m(x) minimalan polinom kvadratne matrice T i p(x) poli-
nom takav da je p(T) nula matrica, onda m(x) deli p(x).
dokaz. Po algoritmu deljenja polinoma postoje polinomi q(x) i r(x) takvi da je
p(x) = q(x)m(x) +r(x) i jos je stepen polinoma r(x) striktno manji od stepena
polinoma m(x). Kad x zamenimo sa T dobijamo 0 = p(T) = q(T)m(T)+r(T) =
0 +r(T) = r(T). Posto je m(x) minimalan polinom matrice T a r(x) je manjeg
stepena od m(x), to je r(x) = 0. Dakle, p(x) = q(x)m(x).
Lemma 13.7. Ako je sopstvena vrednost kvadratne matrice T i p(x) polinom
takav da je p(T) nula matrica, onda je p() = 0.
dokaz. Neka je v sopstveni vektor matrice T koji odgovara sopstvenoj vrednosti
. Onda je v sopstveni vektor matrice T
2
koji odgovara sopstvenoj vrednosti
2
zato sto je
T
2
v = T(Tv) = Tv = Tv =
2
v.
Indukcijom mozemo zakljuciti za svako k N da je v sopstveni vektor matrice
T
k
koji odgovara sopstvenoj vrednosti
k
. Dakle, imamo:
0 = p(T)v = (p
m
T
m
+p
m1
T
m1
+. . . +p
0
)v
= p
m
T
m
v +p
m1
T
m1
v +. . . +p
0
v
= p
m
m
v +p
m1
m1
v +. . . +p
0
v = p()v,
gde je p(x) = p
m
x
m
+p
m1
x
m1
+. . . +p
0
. Odavde sledi da je p() = 0, posto
je v ne-nula vektor.
Teorema 13.4 je posledica lema 13.5-7. Po lemama 13.5-6 dobijamo da
je karakteristican polinom deljiv minimalnim polinomom matrice, pa odatle
imamo q
i
p
i
za svako 1 i k u formulaciji teoreme. Iz leme 13.7 sledi da
je svaka sopstvena vrednost neke matrice koren minimalnog polinoma m(x)
te matrice, pa je po Bezuovoj teoremi, m(x) deljiv sa x . Odatle dobijamo
ono 1 q
i
za svako 1 i k u formulaciji teoreme.
Primer. Odrediti minimalan polinom matrice A =
_
_
2 1 1
1 4 1
1 1 2
_
_
.
Karakteristican polinom matrice A je det(A xE
3
) = (2 x)(3 x)
2
pa
je ili (x 2)(x 3) = x
2
5x + 6 ili (x 2)(x 3)
2
= x
3
8x
2
+ 21x 18
minimalan polinom matrice A. Posto je A
2
=
_
_
4 5 5
5 14 5
5 5 4
_
_
, lako vidimo
da je A
2
5A+ 6E
3
nula matrica, pa je x
2
5x + 6 minimalan polinom za A.
13.2. Nilpotentnost
Kao i u prethodnoj sekciji, za linearno preslikavanje t : V V , oznacavamo
sa t
0
, t
1
, t
2
, . . . redom 1
V
, t, t t, . . . Ogranicenje (restrikcija) preslikavanja t
na podskup S od V oznacavamo sa t
S
. Ogranicenje linearnog preslikavanja na
potprostor domena je takode linearno preslikavanje.
Napomena 13.8. Primetimo da je Im(t
n+1
) = Im(t
Im(t
n
)
) i podsetimo se da
je Ker(t
n
) = v V [ t
n
(v) =
0.
Tvr- denje 13.9. Za linearno preslikavanje t : V V vazi:
V Im(t) Im(t
2
) . . .
0 Ker(t) Ker(t
2
) . . .
dokaz. Ako je w Im(t
k+1
), onda postoji v V takav da je w = t
k+1
(v) =
t
k
(t(v)). Posto je u = t(v) V i w = t
k
(u), to je w Im(t
k
). Znaci Im(t
k
)
Im(t
k+1
).
Ako je v Ker(t
k
), onda je t
k+1
(v) = t(t
k
(v)) = t(
0) =

0, pa je v
Ker(t
k+1
). Znaci Ker(t
k
) Ker(t
k+1
).
Lema 13.10. Ako je Im(t
k
) = Im(t
k+1
), onda je Im(t
k+1
) = Im(t
k+2
).
dokaz. Po napomeni 13.8 imamo Im(t
k+2
) = Im(t
Im(t
k+1
)
) = Im(t
Im(t
k
)
) =
Im(t
k+1
).
Lema 13.11. Ako je Ker(t
k
) = Ker(t
k+1
), onda je Ker(t
k+1
) = Ker(t
k+2
).
dokaz. Po tvrdenju 13.9, dovoljno je pokazati Ker(t
k+2
) Ker(t
k+1
). Neka
je v Ker(t
k+2
), sto znaci da je t
k+2
(v) =

0. Za vektor u = t(v) vazi da je u
Ker(t
k+1
) pa je zbog pretpostavke leme on i u Ker(t
k
). Znaci da je t
k
(u) =
0,
pa je onda i t
k+1
(v) =
0. Dakle, v Ker(t
k+1
).
Kao posledicu tvrdenja 13.9 i lema 13.10-11, posto je dimenzija pravog
potprostora strogo manja od dimenzije prostora, imamo sledece tvrdenje.
Tvr- denje 13.12. Za linearno preslikavanje t : V V , dim(V ) = n, vazi:
Im(t
n
) = Im(t
n+1
) = Im(t
n+2
) = . . .
Ker(t
n
) = Ker(t
n+1
) = Ker(t
n+2
) = . . .
Definicija. Neka je t : V V linearno preslikavanje i dim(V ) = n. Za
prostor Im(t
n
) kazemo da je uopstena slika preslikavanja t i oznacavamo ga
sa Im
(t). Za prostor Ker(t

n
) kazemo da je uopsteno jezgro preslikavanja t i
oznacavamo ga sa Ker
(t). Ogranicenje preslikavanja t na Im
(t) oznacavamo
sa t
.
Tvr- denje 13.13. Linearno preslikavanje t
: Im
(t) Im
(t) je 1-1.
dokaz. Posto je Im(t
) = Im(t
n+1
) = Im(t
n
) = Im
(t), imamo da je
dim(Im(t
)) = dim(Im
(t)). Po teoremi 8.17, preslikavanje t
je 1-1.
Tvr- denje 13.14. Za linearno preslikavanje t : V V vazi:
(1) dim(V ) = dim(Ker
(t)) +dim(Im
(t)),
(2) Ker
(t) Im
(t) =
0,
tj. po tvrdenju 5.9, V = Ker
(t) Im
(t).
dokaz. Deo (1) je teorema 8.15 za preslikavanje t
n
: V V . Za dokaz dela (2)
pretpostavimo da je v Ker
(t) Im
(t). Po deniciji Ker
(t) imamo da
je t
n
(v) =
0, pa posto je v Im
(t), to je i t
n
(v) =
0. Po tvrdenju 13.13, t
je 1-1 pa je i t
n
kao kompozicija 1-1 preslikavanja takode 1-1. To znaci da iz

t
n
(v) =
0 mozemo zakljuciti da je v =
0.
Definicija. Linearno preslikavanje t : V V je nilpotentno kada postoji
k 1 takvo da je t
k
nula preslikavanje. Matrica A je nilpotentna kada postoji
k 1 takvo da je A
k
nula matrica. U oba slucaja, najmanje takvo k se zove
indeks nilpotencije.
Definicija. Neka je t : V V linearno preslikavanje i v V takav da su
svi vektori v, t(v), . . ., t
k1
(v) razliciti od

0, dok je t
k
(v) =

0. Kazemo da je
v, t(v), . . . , t
k1
(v)) jedan t-niz generisan vektorom v. Za bazu od V kazemo
da je baza t-nizova kada je ona nastala nadovezivanjem t-nizova.
Tvr- denje 13.15. Neka je t : V V nilpotentno preslikavanje i neka je B baza
t-nizova za V . Tada je duzina najduzeg t-niza u B jednaka indeksu nilpotencije
od t.
dokaz. Neka je k indeks nilpotencije od t. Jasno je da nijedan od t-nizova koji
cine bazu ne moze biti duzi od k. Pretpostavimo da su svi kraci od k. Posto
je indeks nilpotencije jednak k to postoji v V takav da je t
k1
(v) ,=

0. Kad
razvijemo v po bazi B i primenimo t
k1
, dobicemo da je ne-nula vektor jednak
nula vektoru, sto je nemoguce.
Napomena 13.16. Ako V ima bazu t-nizova, gde je t : V V linearno pres-
likavanje, onda je u odnosu na tu bazu, t reprezentovano matricom koja ima sve
nule osim sto ima negde jedinice odmah ispod glavne dijagonale. Ukoliko bismo
unutar t-nizova obrnuli redosled, dobili bismo reprezentaciju od t koja bi imala
sve nule osim nekih jedinica odmah iznad glavne dijagonale. U literaturi se to
cesce uzima za normalnu formu a mi smo zadrzali onu datu u [2].
Primer. Neka je B = v, t(v), t
2
(v), w, t( w)) baza za V . Tada je
Rep
B,B
(t) =
_
_
_
_
_
_
0 0 0 0 0
1 0 0 0 0
0 1 0 0 0
0 0 0 0 0
0 0 0 1 0
_
_
_
_
_
_
Teorema 13.17. Za svako nilpotentno preslikavanje t : V V postoji baza
t-nizova za V .
dokaz. Dokaz izvodimo indukcijom po indeksu nilpotencije k preslikavanja t.
(baza indukcije) Ako je k = 1, onda je t jedno nula preslikavanje i svaka
baza je jedna baza t-nizova (svi su jednoclani).
(induktivni korak) Pretpostavimo da je tvrdenje tacno za svako linearno
preslikavanje ciji je indeks nilpotencije manji od k. Posmatrajmo ogranicenje
t
Im(t)
: Im(t) Im(t) ciji je indeks nilpotencije jednak k 1. Po induktivnoj
pretpostavci Im(t) ima bazu t-nizova i neka je ona sledeceg oblika (uzimamo
konkretan primer da se ne bismo mucili s indeksima)
B = v, t(v), t
2
(v), w, t( w)).
Vidimo da poslednji clanovi t-nizova t
2
(v) i t( w) pripadaju Ker(t). Mozemo
pokazati da je t
2
(v), t( w)) jedna baza za Im(t) Ker(t). Ako je u Im(t)
Ker(t), onda je
u = av +a
1
t(v) +a
2
t
2
(v) +b w +b
1
t( w)
pa kad primenimo t dobijamo

0 = at(v) + a
1
t
2
(v) +
0 + bt( w) +
0. Odavde,
zbog linearne nezavisnosti vektora baze B, dobijamo da je a = a
1
= b = 0 pa se
u nalazi u linearnom omotacu skupa t
2
(v), t( w) koji je linearno nezavisan pa
daje bazu za Im(t) Ker(t).
Po tvrdenju 4.8, postoje
1
, . . . ,
l
takvi da je t
2
(v), t( w),
1
, . . . ,
l
) baza
za Ker(t). Mozemo pokazati da v, t(v), w, t
2
(v), t( w),
1
, . . . ,
l
daje bazu za
Im(t) + Ker(t). Jasno je da taj skup razapinje Im(t) + Ker(t) i samo treba
pokazati njegovu linearnu nezavisnost. Pretpostavimo da je
av +a
1
t(v) +a
2
t
2
(v) +b w +b
1
t( w) +c
1
1
+. . . +c
l
l
=
0
i primenimo t. Dobijamo da je
at(v) +a
1
t
2
(v) +
0 +bt( w) +
0 =
0
pa je zbog linearne nezavisnosti vektora baze B, a = a
1
= b = 0. Uz to, iz
gornje jednakosti, zbog linearne nezavisnosti vektora u bazi za Ker(t), dobijamo
a
2
= b
1
= c
1
= . . . = c
l
= 0, pa je gornji skup linearno nezavisan.
Posto su v i w u Im(t), to postoje v
0
i w
0
takvi da je v = t(v
0
) i w = t( w
0
).
To da je skup
S = v
0
, t(v
0
), t
2
(v
0
), t
3
(v
0
), w
0
, t( w
0
), t
2
( w
0
),
1
, . . . ,
l
linearno nezavisan se pokazuje na isti nacin kao malopre. Po teoremama 8.15 i

5.7 imamo
dim(V ) = dim(Im(t)) +dim(Ker(t))
= dim(Im(t) +Ker(t)) +dim(Im(t) Ker(t)) = 7 +l
koliko elemenata ima i skup S, pa po tvrdenju 4.9 on razapinje V . Znaci
v
0
, t(v
0
), t
2
(v
0
), t
3
(v
0
), w
0
, t( w
0
), t
2
( w
0
),
1
, . . . ,
l
)
je baza za V i ona je nastala nadovezivanjem 2 +l, t-nizova.
Posledica 13.18. Svaka nilpotentna matrica je slicna matrici koja ima sve
nule osim nekih jedinica odmah ispod glavne dijagonale.
13.3.

Zordanova normalna forma
U ovoj sekciji precutno cemo iz polja R preci u njegovo prosirenje, polje kom-
pleksnih brojeva C iz razloga algebarske zatvorenosti. Naime, u polju C svaki
polinom stepena veceg od 0 ima koren, sto znaci da se moze predstaviti u obliku
proizvoda polinoma stepena 1.
U sekciji 5.2 smo denisali kada je vektorski prostor direktna suma dva
svoja potprostora. Sada cemo denisati uopstenje tog pojma sa 2 na k (k 1)
potprostora.
Definicija. Vektorski prostor V je direktna suma svojih potprostora W
1
, . . . ,
W
k
(k 1) kada je V = [W
1
. . . W
k
] i za svako v V postoji jedinstvena
k-torka w
1
, . . . , w
k
), pri cemu je w
i
W
i
, takva da je v = w
1
+. . .+ w
k
. Oznaka
je W
1
. . . W
k
.
Sledece tvrdenje sledi iz denicija.
Lema 13.19. Vektorski prostor V je direktna suma svojih potprostora W
1
, . . . , W
k
za k > 1 akko je V direktna suma (u smislu denicije iz sekcije 5.2) svojih pot-
prostora W
1
i W
2
. . . W
k
.
Sada cemo dokazati nekoliko tvrdenja koja ce nas dovesti do glavnog rezul-
tata ove sekcije a to je normalna forma kvadratne matrice nad C.
Tvr- denje 13.20. Linearno preslikavanje t : V V , za netrivijalan vektorski
prostor V , je nilpotentno akko je 0 jedina njegova sopstvena vrednost.
dokaz. () To sto se nalazimo u polju C i sto je V netrivijalan nam garantuje
da postoji sopstvena vrednost za t. Iz toga sto postoji k 1 takvo da je t
k
nula
preslikavanje, tj. t je ,,koren polinoma p(x) = x
k
, po lemi 13.7 sledi da je svaka
sopstvena vrednost preslikavanja t koren polinoma x
k
a to mora biti 0.
() Ako je 0 C jedina sopstvena vrednost za t, onda se, po napomeni 12.5,
karakteristicni polinom za t faktorise kao x
k
za k 1. Po lemi 13.5, imamo da
je t
k
nula preslikavanje, pa je po deniciji, t nilpotentno.
Posledica 13.21. Linearno preslikavanje t : V V , za netrivijalan
vektorski prostor V , je nilpotentno akko je jedina sopstvena vrednost za t.
dokaz. Nula je jedina sopstvena vrednost za t akko je jedina sopstvena
vrednost za t, zato sto (t )(v) = cv t(v) = ( +c)v.
Tvr- denje 13.22. Ako su matrice T E
n
i S slicne, onda su i matrice T i
S +E
n
slicne uz istu matricu promene baze.
dokaz. Neka je S = P
1
(T E
n
)P. Uz distributivnost dobijamo da je
S = P
1
TP P
1
P = P
1
TP E
n
, pa je S +E
n
= P
1
TP.
13.3.

Napomena 13.23. Ako je C jedina sopstvena vrednost matrice T /
n
,
onda je ona slicna matrici koja na glavnoj dijagonali ima i sve ostale nule
osim nekih jedinica odmah ispod glavne dijagonale.
dokaz. Po posledici 13.21, matrica T E
n
je nilpotentna pa je po posledici
13.18 ona slicna matrici koja ima sve nule osim nekih jedinica odmah ispod
glavne dijagonale. Po tvrdenju 13.22, matrica T je slicna zbiru takve matrice i
dijagonalne matrice E
n
.
Definicija. Neka je t : V V linearno preslikavanje i W potprostor od V
takav da za svako w W vazi t( w) W. Za takav potprostor kazemo da je t
invarijantan.
Napomena 13.24. Za linearno preslikavanje t : V V , potprostori Im
(t) i
Ker
(t) od V su t invarijantni.
Tvr- denje 13.25. Potprostor je t invarijantan akko je za svako on t
invarijantan.
dokaz. () Neka je w W i W je t invarijantan potprostor od V pa je onda
i t( w) W. Posto su t( w), w W i W je potprostor, to je i t( w) w =
(t )( w) W.
() Neka je = 0.
Po napomeni 13.24 i tvrdenju 13.25, za svako ,
i linearno preslikavanje
t : V V , prostori Ker
(t ) i Im
(t ) su t
invarijantni sto cemo

nadalje koristiti bez posebnog napominjanja. Sledece tvrdenje je posledica
denicija t invarijantnih potprostora i matricne reprezentacije linearnih pres-
likavanja.
Tvr- denje 13.26. Neka je V = W
1
W
2
i neka je B baza za V dobijena
nadovezivanjem baza T
1
i T
2
za W
1
odnosno W
2
. Neka je t : V V linearno
preslikavanje takvo da su W
1
i W
2
, t invarijantni. Tada je Rep
B,B
(t) matrica
_
Rep
D
1
,D
1
(t
W
1
) 0
0 Rep
D
2
,D
2
(t
W
2
)
_
Lema 13.27. Ako je T matrica oblika
_
T
1
0
0 T
2
_
, gde su T
1
i T
2
kvadratne
matrice, onda je det(T) = det(T
1
) det(T
2
).
dokaz. Indukcijom po broju k (k 1) vrsta (kolona) matrice T
1
.
(baza indukcije) Ako je k = 1, onda tvrdenje sledi po teoremi 11.17 pri-
menjenoj na prvu vrstu matrice T.
(induktivni korak) Ako je k > 1, onda opet primenimo teoremu 11.17 na
prvu vrstu matrice T i k puta induktivnu hipotezu (preostali sabirci su nule)
da bismo dobili u svakom sabirku zajednicki faktor det(T
2
). Kada iz svih k
sabiraka izvucemo det(T
2
) ostaje nam suma koja je po teoremi 11.17 jednaka
det(T
1
).
Lema 13.28. Ako je sopstvena vrednost za t, onda je jedina sopstvena
vrednost za t
Ker
(t)
.
dokaz. Posto je sopstvena vrednost za t, prostor Ker
(t ) je netrivi-
jalan. Preslikavanje (t )
Ker
(t)
= t
Ker
(t)
je nilpotentno pa je po
posledici 13.21, jedina sopstvena vrednost za t
Ker
(t)
.
Lema 13.29. Ako je sopstvena vrednost za t i
,= , onda je (t
Ker
(t)
jedno 1-1 preslikavanje.
dokaz. Po lemi 13.28,
nije sopstvena vrednost za t
Ker
(t)
, pa za svaki
ne-nula vektor v iz Ker
(t ) vazi (t
)(v) ,=
0.
Lema 13.30. Ako je sopstvena vrednost za t i
,= , onda je
Ker
(t
Im
(t)

) = Ker
(t
).
dokaz. Posto je jasno da vazi Ker
(t
Im
(t)
) Ker
(t
), dovoljno
je pokazati Ker
(t
) Ker
(t
Im
(t)
). Po tvrdenju 13.14, domen

preslikavanja t je jednak Ker
(t)Im
(t), pa za svaki v Ker
(t
)
postoje w
1
Ker
(t ) i w
2
Im
(t ) takvi da je v = w
1
+ w
2
.
Kad primenimo (t
)
n
na levu i desnu stranu ove jednakosti dobijamo

0 =
w
1
+ w
2
, pri cemu je w
1
Ker
(t ) i w
2
Im
(t ). Zbog nezavisnosti
ovih prostora sledi da je w
1
= w
2
=

0. Odavde odmah dobijamo da je w
2

Ker
(t
Im
(t)

).
Posto je (t
Ker
(t)
, po lemi 13.29, 1-1 to je i (t
)
n
Ker
(t)
, kao
kompozicija 1-1 preslikavanja, takode 1-1. Odavde zakljucujemo da je w
1
=
0,
pa je v = w
2
i samim tim u Ker
(t
Im
(t)

).
Teorema 13.31. Ako je karakteristicni polinom linearnog preslikavanja t : V V
oblika (x
1
)
p
1
. . . (x
k
)
p
k
, gde je
i
,=
j
za i ,= j, onda je
V = Ker
(t
1
) . . . Ker
(t
k
),
pri cemu je dim(Ker
(t
i
)) = p
i
.
dokaz. Indukcijom po k (k 1).
(baza indukcije) Ako je k = 1, onda je p
1
= dim(V ) i po posledici 13.21,
preslikavanje t
1
je nilpotentno pa je V = Ker
(t
1
).
13.3.

(induktivni korak) Ako je k > 1, onda je po tvrdenju 13.14,
V = Ker
(t
1
) Im
(t
1
).
Po tvrdenju 13.26, t se moze reprezentovati matricom T oblika
_
T
1
0
0 T
2
_
, gde
su T
1
i T
2
reprezentacije ogranicenja t
Ker
(t
1
)
i t
Im
(t
1
)
. Karakteristicni
polinom preslikavanja t jednak je karakteristicnom polinomu matrice T koji je
po lemi 13.27 jednak proizvodu karakteristicnih polinoma matrica T
1
i T
2
. Posto
je (t
1
)
Ker
(t
1
)
nilpotentno, to je po posledici 13.21,
1
jedina sopstvena
vrednost za t
Ker
(t
1
)
, tj. za T
1
. Po tvrdenju 13.13, (t
1
)
Im
(t
1
)
je
jedno 1-1 preslikavanje pa mu 0 ne moze biti sopstvena vrednost, inace bi ono
neki ne-nula vektor preslikavalo u

0. To znaci da
1
ne moze biti sopstvena
vrednost za t
Im
(t
1
)
, tj. za T
2
. Dakle, (x
1
)
p
1
je karakteristican polinom
za T
1
pa je dim(Ker
(t
1
)) = p
1
i (x
2
)
p
2
. . . (x
k
)
p
k
je karak-
teristican polinom za t
Im
(t
1
)
. Po induktivnoj pretpostavci, uz lemu 13.30,
Im
(t
1
) je jednak
Ker
(t
2
) . . . Ker
(t
k
),
pri cemu je dim(Ker
(t
i
)) = p
i
. Po lemi 13.19, tvrdenje sledi.
Teorema 13.32. Svaka kvadratna matrica nad C je slicna zbiru dijagonalne
matrice i matrice koja ima sve nule osim nekih jedinica odmah ispod glavne
dijagonale.
dokaz. Neka je t : C
n
C
n
linearno preslikavanje reprezentovano kvadratnom
matricom T u odnosu na standardnu bazu. Neka su
1
, . . . ,
k
sve sopstvene
vrednosti preslikavanja t. Po teoremi 13.31, prostor C
n
je jednak
Ker
(t
1
) . . . Ker
(t
k
).
U odnosu na bazu za C
n
nastalu nadovezivanjem baza B
i
za Ker
(t
i
),
kao i u tvrdenju 13.26, preslikavanje t je reprezentovano matricom T
oblika
_
_
_
_
T
1
0 0
0
.
.
.
0
0 0 T
k
_
_
_
_
gde je T
i
= Rep
B
i
,B
i
(t
Ker
(t
i
)
). Po lemi 13.28,
i
je jedina sopstvena vred-
nost za T
i
pa je po napomeni 13.23, T
i
slicna matrici u trazenoj formi. Odavde
zakljucujemo da je T
, pa samim tim i T slicna matrici u trazenoj formi.

Definicija. Gorenavedena forma matrice se zove

Zordanova normalna forma.
Kao sto smo rekli u napomeni 13.16, u literaturi se cesce nailazi na formu oblika
zbira dijagonalne matrice i matrice koja ima sve nule osim nekih jedinica odmah
iznad glavne dijagonale.
Lema 13.33. Neka su
1
, . . . ,
k
C sve sopstvene vrednosti linearnog preslika-
vanja t : V V . Tada vazi: za svako v V , ((t
1
)
q
1
. . . (t
k
)
q
k
)(v) =
0
akko za svako 1 i k i svaki v
i
Ker
(t
i
), (t
i
)
q
i
(v
i
) =
0.
dokaz. () Neka je v
i
Ker
(t
i
). Kao posledicu tvrdenja 13.3 imamo
da kompozicija (t
1
)
q
1
. . . (t
k
)
q
k
komutira pa iz pretpostavke sledi da
je ((t
1
)
q
1
. . . (t
i
)
q
i
)(v
i
) =

0. Po lemi 13.29 za i ,= j preslikavanja
(t
j
)
q
j
su 1-1 u Ker
(t
i
), pa mora biti (t
i
)
q
i
(v
i
) =
0.
() Neka je v V . Po teoremi 13.31, v = v
1
+. . . +v
k
za v
i
Ker
(t
i
).
Za svako 1 i k je ((t
1
)
q
1
. . . (t
k
)
q
k
)(v
i
) =
0, pa tvrdenje sledi.
Posledica 13.34. Polinom (x
1
)
q
1
. . . (x
k
)
q
k
, gde je
i
,=
j
za
i ,= j, je minimalan polinom linearnog preslikavanja t : V V akko je za svako
1 i k, polinom (x
i
)
q
i
minimalan za t
Ker
(t
i
)
.
Teorema 13.35. Minimalan polinom kvadratne matrice je oblika
(x
1
) . . . (x
k
),
gde je
i
,=
j
za i ,= j, akko je matrica dijagonalizabilna.
dokaz. () Neka je t : C
n
C
n
linearno preslikavanje reprezentovano datom
kvadratnom matricom T u odnosu na standardnu bazu. Po posledici 13.34,
za svako 1 i k, minimalan polinom za t
Ker
(t
i
)
je x
i
, pa je
(t
i
)
Ker
(t
i
)
nula preslikavanje i t
Ker
(t
i
)
je reprezentovano matri-
com
i
E
p
i
.
() Neka su
1
, . . . ,
k
C sve sopstvene vrednosti za T. To su onda
elementi glavne dijagonale dijagonalne matrice T
slicne matrici T. Lako se

proveri da je (T
1
E
p
1
) . . . (T
k
E
p
k
) nula matrica (proizvod dijagonalnih
matrica takvih da za svako mesto na dijagonali postoji bar jedna u prozvodu
koja na tom mestu ima 0). Uz pomoc teoreme 13.4, zakljucujemo da je p(x) =
(x
1
) . . . (x
k
) minimalan polinom za T
pa je po tvrdenju 13.1 to i
minimalan polinom za T.
Bibliography
[1] G. Birkhoff and S. Mac Lane, A Survey of Modern Algebra, (4th
edition) Macmillan Publishing Co., Inc., 1977
[2] J. Hefferon, Linear Algebra,
http://joshua.smcvt.edu/linearalgebra
[3] , Answers to Exercises,
http://joshua.smcvt.edu/linearalgebra
[4] G. Kalajdzi c, Linearna algebra i geometrija, Zavod za udzbenike,
2011
[5] , Linearna algebra, Zavod za udzbenike, 2011
[6] A. Lipkovski, Linearna algebra i analiticka geometrija, Zavod za
udzbenike, 2007
[7] S. Lipschutz, Schaums Outline of Theory and Problems of Linear
Algebra, (2nd edition) McGraw-Hill, 1991
[8] G. Strang, Linear Algebra and its Applications, (3rd edition) Thom-
son Learning Inc., 1988
[9] P. Tanovi c, Linearna Algebra i Analiticka Geometrija,
http://alas.matf.bg.ac.rs/ mi10103/predavanja/ laag/skripta 2.pdf,
2011
101
Index
adjungovana matrica, 79
algebarska visestrukost sopstvene
vrednosti, 86
automorzam, 50
baza t-nizova, 94
baza vektorskog prostora, 21
Bessel, Friedrich Wilhelm, 39
Binet, Jacques Philippe Marie, 78
Cauchy, Augustin-Louis, 37, 78
Cayley, Arthur, 90
Cramer, Gabriel, 80
defekt homomorzma, 55
determinanta, 76
dijagonalizabilnost homomorzma, 83
dijagonalizabilnost matrice, 83
dijagonalna matrica, 67
dimenzija vektorskog prostora, 25
direktna suma potprostora, 32, 96
donje-trougaona matrica, 77
elementarna redukcijska matrica, 68
Fourier, Jean Baptiste Joseph, 38
Furijeovi koecijenti, 38
Gausove operacije, 2
Gauss, Carl Friedrich, 2
geometrijska visestrukost sopstvene
vrednosti, 86
glavna dijagonala matrice, 62
gornje-trougaona matrica, 77
Gram, Jrgen Pedersen, 44
Grassmann, Hermann G unther, 31
Hamilton, William, 90
homogena linearna jednacina, 2
homomorzam, 49
indeks nilpotencije, 94
invertibilna matrica, 68
inverzija, 75
izomorzam, 49
izomorfni vektorski prostori, 49
jedinicna matrica, 67
jezgro homomorzma, 55
Jordan, Marie Ennemond Camille, 99
kanonska baza za R
n
, 21
karakteristicna jednacina matrice, 85
karakteristicni polinom homomorzma,
85
karakteristicni polinom matrice, 85
kofaktor elementa matrice, 79
kolona-rang matrice, 27
komplementarni potprostori, 32
komponenta vektora, 35
konacnodimenzionalan vektorski pros-
tor, 23
konkatenacija nizova, 31
koordinata tacke, 35
kvadratna matrica, 6
Laplace, Pierre-Simon, 79
lineal, 15
linearna jednacina, 2
linearna kombinacija promenljivih, 2
linearna kombinacija vektora, 13
linearni omotac, 15
102
Index 103
linearno nezavisan niz, 21
linearno nezavisan skup, 17
linearno preslikavanje, 49
linearno zavisan skup, 17
matricna reprezentacija
homomorzma, 57
matricno ekvivalentne matrice, 72
matrica, 6
matrica promene baze, 70
matrica sistema, 6
minimalan polinom homomorzma, 89
minimalan polinom matrice, 89
Minkowski, Hermann, 37
minor elementa matrice, 79
mnozenje matrica, 63
mnozenje skalarima za R
n
, 1
nadovezivanje nizova, 31
nejednakost trougla, 37
neparna permutacija, 75
nesingularna matrica, 62
nesingularno linearno preslikavanje, 62
nezavisni potprostori, 32
nilpotentna matrica, 94
nilpotentno preslikavanje, 94
norma vektora, 36
nula matrica, 7
nula preslikavanje, 89
obostrani inverz matrice, 68
odgovarajuci homogen sistem, 4
ogranicenje preslikavanja, 92
opste resenje jednacine, 2
opste resenje sistema, 2
ortogonalna baza, 43
ortogonalna dopuna vektora, 46
ortogonalna projekcija vektora, 38, 40,
46
ortogonalni komplement potprostora, 45
ortogonalnost vektora, 38
ortonormiran skup vektora, 39
ortonormirana baza, 44
parna permutacija, 75
partikularno resenje jednacine, 2
partikularno resenje sistema, 2
permutacija, 75
permutacijska matrica, 67
pivot, 3, 7
potprostor vektorskog prostora, 15
prosirena matrica sistema, 6
proizvod matrica, 63
prostor kolona, 27
prostor vrsta, 27
rang homomorzma, 54
rang matrice, 29
rastojanje izmedu tacaka, 37
redukovana stepenasta forma, 9
reprezentacija vektora, 23
restrikcija preslikavanja, 92
sabiranje u R
n
, 1
Schmidt, Erhard, 44
Schwarz, Hermann Amandus, 37
singularno linearno preslikavanje, 62
sistem linearnih jednacina, 2
skalarni proizvod, 36
skup daje bazu, 21
slicnost matrica, 83
slika homomorzma, 54
slobodna promenljiva, 4
sopstvena vrednost homomorzma, 85
sopstvena vrednost matrice, 85
sopstveni prostor homomorzma, 85
sopstveni prostor matrice, 85
sopstveni vektor homomorzma, 85
sopstveni vektor matrice, 85
standardna baza za R
n
, 21
stepenasta forma matrice, 7
stepenasta forma sistema, 4
suma vektorskih prostora, 30
t
, 93
t invarijantan potprostor, 97
t-niz, 94
104 Index
trag matrice, 86
transponovana matrica, 27
trivijalan vektorski prostor, 12
trougaona matrica, 77
ugao izmedu vektora i potprostora, 46
ugao izmedu vektora, 37
unitarni vektorski prostor, 36
uopstena slika preslikavanja, 93
uopsteno jezgro preslikavanja, 93
vektor kolona, 7
vektor polozaja tacke, 35
vektor vrsta, 7
vektorski prostor, 11
vodeca promenljiva, 3
vrsta-ekvivalentne matrice, 10
vrsta-rang matrice, 27
vrsta-redukcija matrice, 10
zatvorenost za sabiranje i mnozenje skalarima,
1
Zordanova normalna forma, 99

Skripta - Prof. Z. Petric

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Skripta - Prof. Z. Petric

Uploaded by

Copyright:

Available Formats

Linearna algebra

Smitov postupak ortogonalizacije 43

dobija od sistema primenom neke Gausove

primenom neke Gausove

dobijen od sistema primenom neke Gausove

, onda je ocigledno s resenje sistema

, onda je s resenje sistema

, onda je s resenje sistema

h je resenje odgovarajuceg homogenog sistema.

h takode resenje tog

matrica koja se dobija od matrice A odbacivanjem poslednje kolone. Primetimo

koja je nastala od B odbacivanjem poslednje kolone i koja je u redukovanoj

, koja nastaje odbacivanjem poslednje

0 obema stranama kao

Napomena 3.3. Linearni omotac od S V je najmanji potprostor od V koji

0 linearno zavisan posto je

0, a ako je n > 1, onda vazi

u stepenastoj formi sa k 1 ne-nula vrsta. U nasem primeru je

linearno zavisan, onda po induktivnoj hipotezi vazi da je u

0 ima samo jednu bazu i to je prazan niz vektora.

t], po lemi 3.8 (1)

t T. Sada mozemo primeniti induktivnu hipotezu

neka druga baza,

konacna i duzina joj nije veca od duzine od B.

je linearno nezavisan, po lemi 4.2, skup B

baze to su njihove duzine redom [B[ i [B

T koji daje bazu za V .

t linearno zavisan. Po lemi 3.8 (2) sledi

P koji daje bazu za V . Po teoremi 4.3 je

[ = n a posto je [P[ n, to znaci da je P

) P[ [T[ = dim(V ) to, po lemi 4.7, sledi da (T T

Sto se tice prostora CS(A), ako izdvojimo kolone matrice u redukovanoj

0 ,= v sledi da je bar jedno b

0 i dim(V ) = dim(U) +dim(W).

i. Time smo ksirali jedan koordinatni

i. Ovo su bijekcije koje

j. Kao i malopre, kazemo

Svarc). [u v[ |u| |v|.

Smitov postupak ortogonalizacije

Smitova ortogonalizacija). Ako je

7.2. Ortogonalna projekcija vektora na potprostor 45

i neka je u proizvoljan vektor iz U. Po lemi 7.6 imamo da je u (c

. Po tvrdenju 3.1 sledi da je U

Smitov postupak ortogonalizacije i neka je

. Po posledici 7.7 imamo da je

. Sa druge strane, neka je w proizvoljan vektor iz

0, tj. defekt je jednak nuli;

0), onda posto je h 1-1 sledi da je

linearno preslikavanje sledi iz toga sto je rotacija izometrija pa

Napomena. Mnozenje matrica nije komutativno.

Lema 10.7. Matrica je invertibilna akko je jednaka proizvodu elementarnih

dve baze za n-dimenzionalni

dve baze za W. Tada sledeci dijagram komutira; posto je

u trazenoj formi. Matrice P i Q su nesin-

Skup svih permutacija skupa 1, 2, . . . , n oznacavamo sa

Napomena 11.1. sgn(

nastaje od permutacije zamenom mesta

dokaz. Ovo je posledica napomene 11.2.

11.1. Determinante, denicija i osnovna svojstva 77

dokaz. Ovo opet sledi direktno iz denicije kao posledica distributivnosti

) +det(A), gde matrica A

ima dve iste vrste,

) = 0, po tvrdenju 11.9 (1).

11.3. Kramerova teorema