Professional Documents
Culture Documents
100
52 44
40 11
d
d
d
d
100
60 66
20
44
d
d
d
d
100
Metoda dve lazne pretpostavke, pomocu koje se dobija tacno resenje line-
arnih zadataka, moze se iskoristiti i za priblizno resavanje zadataka, koji se
svode na jednacine visih stepena. Ovu ideju koristili su u proslosti mnogi po-
znati naucnici.
Indijski matematicari nisu stvorili neki opsti algoritam za resavanje sistema
linearnih jednacina sa vise nepoznatih, vec su odgovarajuce zadatke resavali
vestacki stvorenim receptima. Medutim, u slobodnom operisanju sa nega-
tivnim i iracionalnim brojevima, uopstavanju pravila za resavanje kvadratnih
jednacina, a narocito u algebarskoj simbolici, indijski matematicari su znatno
pretekli kineske.
Evo jednog zadatka staroindijskog matematicara Bhaskare (XII vek):
Zadatak8. Neko rece svom drugu: Daj mi 100 rupija, pa cu imati 2 puta
vise od tebe. Drugi mu odgovori: Daj ti meni samo 10 rupija, pa cu imati 6
puta vise od tebe. Koliko je imao svaki?
a) Ako je prvi imao x, a drugi y rupija, onda, s obzirom na uslove zadatka,
imamo sledeci prevod:
x + 100 = 2 (y 100)
y + 10 = 6 (x 10),
8
pa ostaje samo da se resi ovaj sistem jednacina.
b) Resenje samog Bhaskare je originalno. Neka je prvi imao 2x100 rupija,
a drugi x + 100 rupija, sto zadovoljava prvi uslov (jer kad drugi da prvome 100
rupija ostace mu x rupija, a prvi ce imati 2x rupija, tj. 2 puta vise). Imajuci u
vidu i drugi uslov dobijamo:
6 (2x 110) = x + 110,
odakle je x = 70. Prema tome, prvi je imao 140 100 = 40, a drugi 70 +100 =
170.
Resiti pomocu sistema dveju jednacina sa dve nepoznate sledece zadatke:
Zadatak9. (Al-Horezmi ) Naci dva broja ciji je zbir 10, a kolicnik 4.
Odgovor: 8, 2.
Zadatak10. (Iz Grcke antologije, zbirke zadataka u stihovima): Hronose
(vesnik vremena), reci koji deo dana je prosao?Dva puta po dve trecine pre-
ostalo je od onog sto je vec proslo od pocetka dana. (Drevni narodi su pod
danom podrazumevali 12 casova.)
Odgovor:
36
7
casova.
Savremeni nacin zapisivanja i resavanja jednacina potice iz XVIII veka. Pri
resavanju sistema jednacina prvo se pojavio metod sabiranja (suprotnih koe-
cijenata), a potom metoda zamene i uporedivanja. U Njutnovoj Univerzalnoj
aritmetici (1707. god.), vec se susrecu nacini koji se danas uce u skoli.
Veoma plodotvorna metoda lazne pretpostavke danas je nedovoljno zastu-
pljena u nastavi matematike, cak i pri resavanju zadataka, gde bi njena primena
bila celishodna i poucna. Smatramo korisnim da se ucenici upoznaju sa ovom
lepom idejom drevne matematike, kojom su u proslosti resavani zadaci, koje mi
danas opisujemo linearnim jednacinama. [1]
9
2 Sistemi linearnih jednacina
_
a
11
a
12
a
1n
a
21
a
22
a
2n
a
n1
a
n2
a
nn
_
_
a matrice b i x izrazima
b =
_
_
b
1
b
2
.
.
.
b
n
_
_
, x =
_
_
x
1
x
2
.
.
.
x
n
_
_
.
Skup brojeva x
i
(i = 1, . . . , n), odnosno vektor x, koji svodi sistem na ide-
ntitet, jeste resenje, a brojevi x
i
koreni sistema.
Neka je A nesingularna matrica, tj. detA = = 0. Tada imamo, matricno
izrazen, sledeci postupak i rezultat
Ax = b
A
1
Ax = A
1
b
x = A
1
b,
sto u stvari predstavlja poznate Kramerove formule
x
i
=
i
, i = 1, . . . , n,
gde determinante i
i
imaju poznati smisao. Iako je problem sistema li-
nearnih jednacina ovim teorijski resen, prakticne teskoce su velike. Tako, na
primer, za n = 8, (osam jednacina sa osam nepoznatih), za ispisivanje resenja
potrebno je napisati 1024 broja, zatim za svaku determinantu izvrsiti 282240
mnozenja. Jos treba izvrsiti i 8 deljenja. Zato postoje razni specijalni postupci
za resavanje sistema linearnih jednacina, a takode i razne priblizne metode.
11
2.1 Gausova metoda eliminacije - sema jedinstvenog
deljenja
Kod Gausove metode rec je o izracunavanju vrednosti korena uz postupno
iskljucivanje nepoznatih. Metodu cemo prikazati za n = 4, sto ne smanjuje
opstost.
Neka je dat sistem
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ a
14
x
4
= a
15
a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ a
24
x
4
= a
25
a
31
x
1
+ a
32
x
2
+ a
33
x
3
+ a
34
x
4
= a
35
a
41
x
1
+ a
42
x
2
+ a
43
x
3
+ a
44
x
4
= a
45
.
Neka je a
11
= 0 [2] (prvi vodeci element) [4]. Ukoliko taj uslov u sistemu nije
zadovoljen, permutovanjem jednacina sistema, tj. stavljanjem na prvo mesto
jednacine kod koje je a
p1
= 0, ovaj uslov se moze ispuniti. Element a
p1
= 0
matrice A postoji, jer je po pretpostavci matrica regularna i ne moze imati sve
nula elemente u prvoj koloni.[3] Podelimo prvu jednacinu sa a
11
i dobijamo
x
1
+ b
12
x
2
+ b
13
x
3
+ b
14
x
4
= b
15
.
Pomnozimo li ovu jednacinu sa a
21
i oduzmemo od druge, sa a
31
i oduzmemo
od trece, sa a
41
i oduzmemo od cetvrte, dobicemo
a
(1)
22
x
2
+ a
(1)
23
x
3
+ a
(1)
24
x
4
= a
(1)
25
a
(1)
32
x
2
+ a
(1)
33
x
3
+ a
(1)
34
x
4
= a
(1)
35
a
(1)
42
x
2
+ a
(1)
43
x
3
+ a
(1)
44
x
4
= a
(1)
45
.
Sada podelimo prvu jednacinu sa a
(1)
22
[2] (drugi vodeci element) [4] i dobi-
jamo
x
2
+ b
(1)
23
x
3
+ b
(1)
24
x
4
= b
(1)
25
.
Iskljucivsi x
2
na prethodni nacin, dobijamo
a
(2)
33
x
3
+ a
(2)
34
x
4
= a
(2)
35
a
(2)
43
x
3
+ a
(2)
44
x
4
= a
(2)
45
.
Sada delimo prvu jednacinu sa a
(2)
33
[2] (treci vodeci element) [4] i dobijamo
x
3
+ b
(2)
34
x
4
= b
(2)
35
,
pa svedemo na kraju na
a
(3)
44
x
4
= a
(3)
45
.[2]
12
U rezultatu dobijamo sistem
x
1
+ b
12
x
2
+ b
13
x
3
+ b
14
x
4
= b
15
x
2
+ b
(1)
23
x
3
+ b
(1)
24
x
4
= b
(1)
25
x
3
+ b
(2)
34
x
4
= b
(2)
35
x
4
= b
(3)
45
.
Ovim postupkom smo sistem jednacina, koji ima kvadratnu matricu, transfo-
rmisali u ekvivalentan sistem, koji ima trougaonu matricu. Ovaj proces zove se
direktan hod ili direktan korak eliminacije. Resenje se nalazi obrnutim hodom
(korakom):
x
4
= b
(3)
45
x
3
= b
(2)
35
b
(2)
34
b
(3)
45
.
.
.
Sve se radi u obliku seme da bi mogli kontrolisati racunanje.
i a
i1
a
i2
a
i3
a
i4
a
i5
i,j
a
ij
1 a
11
a
12
a
13
a
14
a
15
j
a
1j
2 a
21
a
22
a
23
a
24
a
25
j
a
2j
3 a
31
a
32
a
33
a
34
a
35
j
a
3j
4 a
41
a
42
a
43
a
44
a
45
j
a
4j
1 1 b
12
b
13
b
14
b
15
j
b
1j
2 a
(1)
22
a
(1)
23
a
(1)
24
a
(1)
25
j
a
(1)
2j
3 a
(1)
32
a
(1)
33
a
(1)
34
a
(1)
35
j
a
(1)
3j
4 a
(1)
42
a
(1)
43
a
(1)
44
a
(1)
45
j
a
(1)
4j
2 1 b
(1)
23
b
(1)
24
b
(1)
25
j
b
(1)
2j
3 a
(2)
33
a
(2)
34
a
(2)
35
j
a
(2)
3j
4 a
(2)
43
a
(2)
44
a
(2)
45
j
a
(2)
4j
3 1 b
(2)
34
b
(2)
35
j
b
(2)
3j
4 a
(3)
44
a
(3)
45
j
a
(3)
4j
4 1 b
(3)
45
j
b
(3)
4j
4 1 x
4
x
4
3 1 x
3
x
3
2 1 x
2
x
2
1 1 x
1
x
1
Kada je obim sistema veliki, koristi se ova sema.
Kontrolna kolona (poslednja kolona u tabeli) se koristi za kontrolu u pro-
cesu racunanja i na kraju. Kontrolna kolona se formira sabiranjem elemenata
13
po vrsti. Kada transformisemo koecijente sistema nekim postupkom, onda do-
bijamo neke druge koecijente, a kontrolna kolona se moze dobiti tako sto tu
transformaciju izvrsimo i nad kontrolnom kolonom ili tako sto transformisane
koecijente saberemo. Ako je razlika izmedu zbira i transformisanog zbira veca
od maksimalne moguce akumulirane greske zaokrugljivanja, onda sigurno po-
stoji greska u racunu. Ako je razlika manja, onda skoro sigurno nije napravljena
greska. Ako u sistemu umesto desnih slobodnih clanova (b
15
,. . . , b
45
) uzmemo
odgovarajuce elemente iz kontrolne kolone, dobijena resenja su za jedan veca
(x
4
= x
4
+ 1, x
3
, x
2
, x
1
). To je kontrola na kraju.[4]
Dobijeni koreni, s obzirom na zaokrugljivanje pri racunu, mahom su samo
priblizne vrednosti. Oni se mogu naci preciznije na sledeci nacin. Uvedemo li
vec poznati matricni nacin obelezavanja, sistem ce biti napisan u obliku
Ax = b.
Neka je nadeno priblizno resenje x
0
. Znaci, x = x
0
+ , gde su popravke.
Tada je
A(x
0
+ ) = b,
odnosno
Ax
0
+ A = b,
tj.
A = b Ax
0
= ,
sto sluzi za izracunavanje popravke.
Gausova metoda ce, izmedu ostalih primena, korisno posluziti kod izracunavanja
inverzne matrice.
Neka je, naime data matrica A
1
= [x
ij
] takva da je AA
1
= E, gde je E
jedinicna matrica. Pomnozimo li AA
1
, imacemo n sistema jednacina u odnosu
na n
2
nepoznatih x
ij
.
n
k=1
a
ik
x
kj
=
ij
,
i, j = 1, . . . , n
ij
=
_
1 : i = j
0 : i = j
Dobijenih n sistema linearnih jednacina za j = 1, . . . , n, koji imaju istu
matricu A i razne slobodne clanove, mogu se istovremeno resiti Gausovom
metodom.
14
2.2 Gausova metoda eliminacije - sema sa izborom glavnih
elemenata
Neka je dat sistem
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= a
1,n+1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= a
2,n+1
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
= a
n,n+1
.
Posmatrajmo prosirenu matricu
M =
_
_
a
11
a
12
a
1j
a
1q
a
1n
a
1,n+1
a
21
a
22
a
2j
a
2q
a
2n
a
2,n+1
a
i1
a
i2
a
ij
a
iq
a
in
a
i,n+1
a
p1
a
p2
a
pj
a
pq
a
pn
a
p,n+1
a
n1
a
n2
a
nj
a
nq
a
nn
a
n,n+1
_
_
.
Izaberemo nenulti, po pravilu najveci po modulu, element a
pq
(q = n + 1),
koji cemo nazvati glavnim elementom ili pivotom, i izracunajmo,
m
i
=
a
iq
a
pq
,
za sve i = p.[2] Radi numericke stabilnosti algoritma, obicno se medu svim
elementima prve kolone razlicitim od nule bira najveci po modulu,
|a
p1
| = max
1in
|a
i1
|.
Nalazenje pivota medu elementima samo jedne kolone (ili vrste) matrice naziva
se delimicno pivotiranje, a potpuno pivotiranje je nalazenje najveceg po modulu
elementa cele matrice,
|a
pq
| = max
1i,jn
|a
ij
|.
Ako se u prvom koraku algoritma vrsi potpuno pivotiranje, onda treba permu-
tovati prvu i p -tu vrstu matrice, kao i prvu i q -tu kolonu.[3]
Vrsta sa indeksom p je glavna vrsta. Svakoj neglavnoj vrsti dodajmo glavnu
pomnozenu odgovarajucim m
i
za tu vrstu. Dobicemo novu matricu u kojoj je
q-ta kolona nula.
Odbacivsi tu kolonu i glavnu vrstu dobijamo M
(1)
. Sa ovom matricom po-
navljamo postupak i dobijamo niz matrica
M, M
(1)
, . . . , M
(n1)
,
15
od kojih je poslednja dvoclana matrica-vrsta. Sada skupimo u sistem sve glavne
vrste, pocinjuci sa poslednjom, koja ulazi u matricu.
Posle odgovarajuce promene numeracije nepoznatih dobija se sistem sa trou-
glastom matricom iz koje se lako, korak po korak, dobijaju nepoznate.[2]
2.3 Istovremeno resavanje vise sistema linearnih jednacina
Direktne metode za resavanje sistema linearnih jednacina mogu se primeniti
za istovremeno resavanje vise sistema linearnih jednacina, koji imaju istu ma-
tricu sistema i za izracunavanje inverznih matrica. Neka treba resiti sisteme
jednacina:
Ax
(1)
= b
(1)
, Ax
(2)
= b
(2)
, . . . , Ax
(k)
= b
(k)
,
gde je
A =
_
_
a
11
a
1n
.
.
.
.
.
.
a
n1
a
nn
_
_, x
(i)
=
_
_
x
(i)
1
x
(i)
2
.
.
.
x
(i)
n
_
_
, b
(i)
=
_
_
b
(i)
1
b
(i)
2
.
.
.
b
(i)
n
_
_
, i = 1, . . . , k.
i
a
ij
1 0, 4290 1, 48 3, 24 1, 27 1, 51 4, 74 12, 2400
2 3,45 1, 25 1, 38 1, 47 4, 81 12, 2600
3 0, 3884 1, 34 1, 42 3, 20 1, 41 5, 03 12, 4000
1 2,7038 0, 6780 0, 8794 2, 6765 6, 9377(6)
3 0, 3456 0, 9345 2, 6640 0, 8391 3, 1618 7, 5994
3 2,4297 0, 5352 3, 2368 5, 2017
3 1 0, 2203 0, 9206 2, 1409
1 1 0, 2699 0, 7591 2, 0290(1)
2 1 0, 2402 0, 7509 1, 9911
16
2.4 Gausova metoda eliminacije -
Zordanova sema
Kod Gausove metode eliminacije, jednacina iz koje je izabran glavni eleme-
nt, posle tog koraka se vise ne transformise. Stoga se posle (n 1) - vog koraka
dobija trougaoni sistem. U Gaus -
Zordanovoj metodi, u svakom koraku se tra-
nsformisu sve jednacine, osim one koja sadrzi glavni element tog koraka. Pri
izboru glavnog elementa ne uzimaju se u obzir koecijenti jednacina iz kojih je
vec biran glavni element. Tako se posle (n 1) - vog koraka dobija sistem sa
dijagonalnom matricom.
Ovom metodom je determinanta matrice A do na znak odredena proizvodom
glavnih elemenata.
U poredenju sa Gausovom metodom eliminacije, broj racunskih operacija,
koje je potrebno izvrsiti da bi se ovom metodom resio sistem, veci je; ali, ova
metoda je ekasnija, kada se odreduje inverzna matrica, jer se u obrnutom hodu
resava n dijagonalnih umesto n trougaonih sistema.[3]
2.5 Metoda kvadratnih korena
Neka je dat sistem
Ax = b,
gde je matrica A takva da su joj glavni dijagonalni minori razliciti od nule i
A
T,
sa
T =
_
_
t
11
t
12
t
1n
0 t
22
t
2n
0 0 t
nn
_
_
; T
=
_
_
t
11
0 0
t
12
t
22
0
t
1n
t
2n
t
nn
_
_
.
Mnozenjem ovih matrica dobijamo jednacine za odredivanje t
ij
. Ako je
t
ii
= 0, sistem ima resenje, jer je
detA = detT
detT = (detT)
2
= (t
11
t
22
t
nn
)
2
= 0.
U samom izracunavanju t
ij
na odreden nacin gurisu kvadratni koreni, sto
opravdava naziv metode. Kada se t
ij
izracunaju, nas se sistem ocigledno ra-
spada na dva sistema
T
y = b,
Tx = y
iz kojih se prvo racuna y, pa onda x. Oba sistema su, medutim, sa trouglastom
matricom koecijenata, sto znatno olaksava racun.
17
2.6 Shema Haleckog
Dat je sistem
Ax = b,
gde je A = [a
ij
] kvadratna matrica, i
x =
_
_
x
1
.
.
.
x
n
_
_, b =
_
_
a
1,n+1
.
.
.
a
n,n+1
_
_.
Ako se matrica A moze napisati u obliku A = BC, gde je
B =
_
_
b
11
0 0
b
21
b
22
0
b
n1
b
n2
b
nn
_
_
; C =
_
_
1 c
12
c
1n
0 1 c
2n
0 0 1
_
_
,
sto je moguce, na primer, kada su glavni dijagonalni minori razliciti od nule,
onda se izracunaju b
ij
i c
ij
, pa se, kao kod prethodne metode, sistem raspada
na dva
By = b
Cx = y,
gde se prvo racuna y, a onda x, pri cemu su obe matrice koecijenata trouglaste.
2.7 Metoda iteracije
Dat je sistem
Ax = b, sa a
ii
= 0.
Svedemo ga na oblik
x
1
=
1
+
12
x
2
+
13
x
3
+ +
1n
x
n
x
2
=
2
+
21
x
1
+
23
x
3
+ +
2n
x
n
x
3
=
3
+
31
x
1
+
32
x
2
+ +
3n
x
n
x
n
=
n
+
n1
x
1
+
n2
x
2
+ +
n,n1
x
n1
.
Uvedimo matrice
=
_
11
12
1n
21
22
2n
n1
n2
nn
_
_
; =
_
1
.
.
.
n
_
_
sa
ii
= 0.
18
Tada mozemo, u matricnom obliku, napisati sistem
x = + x.
Uzmimo za prvu aproksimaciju x
(0)
= , a onda cemo, iteracijom, dobiti
sledece aproksimacije
x
(1)
= + x
(0)
x
(2)
= + x
(1)
x
(k+1)
= + x
(k)
, k = 0, 1, 2, . . . .
Ako postoji
x = lim
k
x
(k)
,
to ce biti resenje sistema.
Ako je
n
j=1
|
ij
| < 1, ili
n
i=1
|
ij
| < 1,
za i = 1, . . . , n, odnosno j = 1, . . . , n, nas ce proces konvergirati jedinstvenom
resenju nezavisno od pocetne aproksimacije. Iz gornjeg proistice i uslov
|a
ii
| >
j=i
|a
ij
|, i = 1, . . . , n.
Ako je detA = 0, pomocu linearnog kombinovanja sistema pocetni sistem se
uvek moze zameniti ekvivalentnim sistemom
x = + x
takvim da uslovi teoreme budu ispunjeni. Neka je, naime, matrica sa argu-
mentima
ij
, malim po modulu. Uvedimo novu matricu D = A
1
. Tada
je
(A
1
)Ax = Db
i
A
1
Ax Ax = Db,
tj.
x = Ax + Db.
Uvedemo li A = i Db = , dobijamo
x = + x.
Ako su |
ij
| dovoljno mali, moze se podesiti da uslovi teoreme budu ispunjeni.
19
2.8 Zajdelova metoda
Rec je o jednoj modikaciji metode iteracije. Osnovna ideja je u tome sto
se pri izracunavanju (k + 1)-e aproksimacije nepoznate x
i
, uracunavaju vec
izracunate ranije (k + 1)-e aproksimacije nepoznatih x
1
, x
2
,. . . ,x
i1
.
Neka je, naime, dat sistem
x
i
=
i
+
n
j=1
ij
x
j
, i = 1, 2, . . . , n.
Izaberimo proizvoljno x
0
1
, x
0
2
,. . . ,x
0
n
.
Dalje racunajuci da su k-te aproksimacije x
(k)
i
poznate, primenicemo
x
(k+1)
1
=
1
+
n
j=1
1j
x
(k)
j
x
(k+1)
2
=
2
+
n
j=2
2j
x
(k)
j
+
21
x
(k+1)
1
x
(k+1)
i
=
i
+
i1
j=1
ij
x
(k+1)
j
+
n
j=i
ij
x
(k)
j
x
(k+1)
n
=
n
+
n1
j=1
nj
x
(k+1)
j
+
nn
x
(k)
n
,
za k = 0, 1, 2, . . . .
Teorema konvergencije za metodu iteracije ostaje u vaznosti i ovde.
2.9 Primedba o dovodenju linearnog sistema na oblik
pogodan za iteraciju
Neka je linearan sistem zadan u opstem obliku
a
11
x
1
+ a
12
x
2
+ a
13
x
3
= a
14
a
21
x
1
+ a
22
x
2
+ a
23
x
3
= a
24
a
31
x
1
+ a
32
x
2
+ a
33
x
3
= a
34
.
Da bi za resenje ovog sistema bilo moguce koristiti se metodom iteracije,
neophodno je dovesti ga na oblik
x
1
= b
11
x
1
+ b
12
x
2
+ b
13
x
3
+ c
1
20
x
2
= b
21
x
1
+ b
22
x
2
+ b
23
x
3
+ c
2
x
3
= b
31
x
1
+ b
32
x
2
+ b
33
x
3
+ c
3
sto se moze uciniti na beskrajno mnogo nacina. Mi treba da izaberemo takav
nacin da dobijemo konvergentan iteracioni proces. Ovakav je zadatak uvek resiv,
kada sistem ima jedinstveno resenje, odnosno kada je determinanta sistema ra-
zlicita od nule.
Narocito se lako zadatak resava ako je
|a
11
| > |a
12
| + |a
13
|
|a
22
| > |a
21
| + |a
23
|
|a
33
| > |a
31
| + |a
32
|.
Tada je dovoljno resiti prvu jednacinu po x
1
, drugu po x
2
, trecu po x
3
. Ako
navedeni uslovi nisu ispunjeni, zadatak se moze, recimo, resiti na sledeci nacin.
U datom sistemu izdvoji se jednacina, kod koje je koecijent uz jednu nepo-
znatu po modulu veci od zbira modula koecijenata uz ostale nepoznate te
jednacine.
Ako pri tome u datom sistemu dve ili veci broj jednacina imaju koecijente
uz jednu istu nepoznatu, koji zadovoljavaju gornji uslov, to se bira jedna od
njih po sledecem kriterijumu. Ako, recimo, u sistemu dati uslov zadovoljavaju
koecijenti uz x
2
u prve dve jednacine, tj.
|a
12
| > |a
11
| + |a
13
|
|a
22
| > |a
21
| + |a
23
|,
to se od prve dve jednacine uzima ona kod koje je razlomak
|a
11
| + |a
13
|
|a
12
|
ili
|a
21
| + |a
23
|
|a
22
|
manji. Dalje se prenumerise sistem izdvojenih jednacina tako, da najveci po
modulu koecijent bude dijagonalan.
Moze se, medutim, desiti, da sve jednacine datog sistema ne udu u novi
sistem, tj. da u novom sistemu sve vrste ne budu popunjene. Tada se iz nei-
skoriscenih jednacina i iz jednacina, zapisanih u nov sistem, sastavljaju alge-
barski zbirovi sa specijalno izabranim koecijentom, tako da nove jednacine
zadovoljavaju gornji uslov i popune sve vrste. Uocimo sistem
x
1
+ 3x
2
+ x
3
= 0, 6
2x
1
+ x
2
x
3
= 0, 7
21
x
1
x
2
+ 2x
3
= 2, 6.
Kako je
=
1 3 1
2 1 1
1 1 2
1 4 1
2 0 1
1 1 2
3 4 1
0 0 1
5 1 1
3 4
5 1
= 3 20 =
= 17 = 0, to je postavljeni zadatak resiv.
U prvoj jednacini ispunjen je uslov
3 > 1 + 1 = 2.
Pomnozimo drugu jednacinu sa 3 i saberemo sa trecom jednacinom. Bice
6x
1
+ 3x
2
3x
3
= 2, 1
+x
1
x
2
+ 2x
3
= 2, 6
7x
1
+ 2x
2
x
3
= 0, 5,
gde je
7 > 2 + 1.
Dalje, pomnozimo prvu i trecu jednacinu sa 2, drugu sa 3, pa saberemo.
Dobija se
2x
1
+ 6x
2
+ 2x
3
= 1, 2
6x
1
3x
2
+ 3x
3
= 2, 1
2x
1
2x
2
+ 4x
3
= 5, 2
2x
1
+ x
2
+ 9x
3
= 8, 5.
Ovde je 9 > 2 + 1.
Novi je sistem
7x
1
+ 2x
2
x
3
= 0, 5
x
1
+ 3x
2
+ x
3
= 0, 6
2x
1
+ x
2
+ 9x
3
= 8, 5,
koji je pogodan za iteraciju, kada se jednacine rese po x
1
, x
2
, x
3
.
22
2.10 Uslovljenost linearnog sistema
Neka je dat sistem
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
= b
n
,
ili, matricno, Ax = b, sa
A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
a
n1
a
n2
a
nn
_
_
, x =
_
_
x
1
x
2
.
.
.
x
n
_
_
, b =
_
_
b
1
b
2
.
.
.
b
n
_
_
.
Normom matrice A zvacemo
||A|| = max
x(R)
|Ax|
|x|
= max
x=0
{[
j
(
k
a
jk
x
k
)
2
]
1
2
[
j
x
2
j
]
1
2
}
gde je (R) realan Euklidov prostor.
Ova norma igra vaznu ulogu pri izracunavanju pojma uslovljenosti linearnog
sistema. Neka je na desnoj strani ucinjena izvesna greska b; dok koecijente
sistema smatramo, jednostavnosti radi, apsolutno tacnim znaci da je
A(x + x) = b + b,
tj.
Ax = b.
Odavde je
x = A
1
b
i
|x| ||A
1
|| |b|, |b| ||A|| |x|,
sto se izvodi iz osobine |Ax| ||A|| |x|.
Dalje je
|x|
|x|
||A|| ||A
1
||
|b|
|b|
.
Proizvod ||A|| ||A
1
|| jeste mera uslovljenosti sistema. Ako je ova mera,
koja ne moze biti manja od jedinice, veoma bliska jedinici, sistem je dobro
23
uslovljen. Ako je velika, sistem je slabo uslovljen; takvi sistemi su veoma neu-
dobni za numericko racunanje.
Preciznije, imamo:
Neka je dat sistem Ax = b. Neka je, dalje,
||A|| = max
xR
|Ax|
|x|
=
_
j
(
k
a
jk
x
k
)
2
_
j
x
2
j
.
Neka je u nezavisnom clanu greska b. Bice A(x + x) = b + b, tj.
Ax = b.
Iz denicije norme sleduje
|Ax|
|x|
||A||, tj. |Ax| ||A|| |x|. Takode je
|Ax| ||A|| |x|, tj. |b| ||A|| |x|.
Ako uzmemo ||A
1
|| max
|A
1
b|
|b|
, sto je ista denicija norme, dobijamo
|A
1
b| ||A
1
|| |b|, tj. |x| ||A
1
|| |b|.
Podemo li od dobijene nejednakosti |b| ||A|| |x| i iskoristimo prethodnu,
onda je
|b| ||A|| ||A
1
|| |b|, tj. ||A|| ||A
1
|| 1.
Sa druge strane,
|Ax| ||A|| |x|, tj. |b| ||A|| |x|,
ili
1
|x|
||A||
|b|
,
tj.
|x|
|x|
||A
1
|| ||A|| |b|
|b|
.[2]
Standardne metode (na primer Gausova eliminacija) su nepogodne za resavanje
sistema linearnih jednacina sa lose uslovljenim matricama, jer male racunske
greske mogu dovesti do velikih gresaka rezultata.
Resenje sistema linearnih jednacina
x
1
+ 12x
2
+ 3x
3
= 38
12x
1
2x
2
+ 9x
3
= 9
24
3x
1
+ 9x
2
+ 4x
3
= 49
je
x
1
= 9157, x
2
= 2166, x
3
= 11729,
a priblizno resenje odredeno Gausovom metodom eliminacije, izracunato u obi-
cnoj tacnosti, je
x
1
= 9157.064000, x
2
= 2166.015000, x
3
= 11729.080000.
S obzirom na malu dimenziju sistema, greska je velika i uzrok tome je losa
uslovljenost matrice sistema (cond(A) = ||A|| ||A
1
|| = 6601). Kada se sistem
resava Gausovom eliminacijom u dvostrukoj tacnosti, postize se tacnost 10
6
.
Primer ukazuje da treba racunati u dvostrukoj tacnosti, ukoliko se prime-
njuju standardne metode za resavanje lose uslovljenih sistema. Ovakve je si-
steme moguce, medutim, bolje resavati iterativnim metodama ili tzv. metodom
singularne dekompozicije.[3]
2.11 Primeri za tacno i priblizno resavanje linearnih
sistema
1. Sistem:
x + y + z = 6
x y + 3z = 8
x + y z = 0,
resiti po metodi glavnih elemenata.
Matrica M :
_
_
1 1 1 6
1 1 3 8
1 1 1 0
_
_
m
i
=
a
iq
a
pq
m
1
=
1
3
m
2
=
1
3
.
Matrica M
(1)
:
_
_
2
3
4
3
10
3
4
3
2
3
8
3
_
_
m
1
=
1
2
.
25
Matrica M
(2)
:
_
1 1
iz koje sledi
x = 1.
Iz prethodne matrice imamo
2
3
1 +
4
3
y =
10
3
, tj. y = 2,
pa iz prve jos dobijamo
1 2 + 3z = 8, tj. z = 3.
2. Sistem:
x + 2y + 3z = 14
2x + y + 4z = 16
3x + 4y + z = 14,
resiti metodom kvadratnih korena.
Imamo A = A
.
Dalje je
_
_
1 2 3
2 1 4
3 4 1
_
_
=
_
_
t
11
0 0
t
12
t
22
0
t
13
t
23
t
33
_
_
_
_
t
11
t
12
t
13
0 t
22
t
23
0 0 t
33
_
_
.
Dobija se
t
11
= 1, t
12
= 2, t
13
= 3, t
22
= i
3, t
23
=
2i
3
, t
33
= 2i
_
5
3
,
pa je
y
1
= 14
2y
1
+ i
3y
2
= 16
3y
1
+
2i
3
y
2
+ 2i
_
5
3
y
3
= 14.
Odavde je
y
1
= 14, y
2
=
12i
3
, y
3
= 10i
_
3
5
,
pa imamo
x + 2y + 3z = 14
i
3y +
2i
3
z =
12i
3
26
2i
_
5
3
z = 10i
_
3
5
,
a odavde
z = 3, y = 2, x = 1.
3. Sistem:
x + 2y + 3z = 14
2x + y + 4z = 16
3x + 4y + z = 14,
resiti po shemi Haleckog.
Ovo je malopredasnji sistem. Imamo
_
_
1 2 3
2 1 4
3 4 1
_
_
=
_
_
b
11
0 0
b
21
b
22
0
b
31
b
32
b
33
_
_
_
_
1 c
12
c
13
0 1 c
23
0 0 1
_
_
.
Odavde je
b
11
= 1, b
21
= 2, b
31
= 3, c
12
= 2, c
13
= 3, b
22
= 3,
c
23
=
2
3
, b
32
= 2, b
33
=
20
3
,
pa imamo
y
1
= 14
2y
1
3y
2
= 16
3y
1
2y
2
20
3
y
3
= 14,
odnosno
y
1
= 14, y
2
= 4, y
3
= 3.
Dalje je
x + 2y + 3z = 14
y +
2
3
z = 4
z = 3,
tj. x=1, y=2, z=3.
4. Metodom iteracije resimo sistem
x =
y
4
+
z
5
1
10
y =
x
7
+
z
2
+
5
14
27
z =
x
2
+
y
3
+
17
6
.
Uzmemo li za pocetne vrednosti
x
0
= 0, y
0
= 1, z
0
= 2,
dobijamo, iteracijom,
x
1
= 0, 55; y
1
= 1, 36; z
1
= 3, 17
x
2
= 0, 87; y
2
= 2, 02; z
2
= 3, 01.
Primenom Zajdelove metode, polazeci od istih x
0
, y
0
, z
0
dobijamo
x
1
= 0, 55; y
1
= 1, 44; z
1
= 3, 04
x
2
= 0, 87; y
2
= 2, 001; z
2
= 3, 07
x
3
= 1, 01; y
3
= 2, 04; z
3
= 3, 01
x
4
= 1, 01; y
4
= 2, 01; z
4
= 2, 998.
Prava su resenja: x = 1, y = 2, z = 3.
2.12 Jos o metodi najmanjih kvadrata
Primena matematike na razna prakticna pitanja cesto dovodi do slucaja
preodredenih problema, odnosno do protivrecnih sistema, na primer, sa vecim
brojem jednacina nego nepoznatih.
Pretpostavimo da su merenja nepoznate duzine x dala tri rezultata
l
1
, l
2
, l
3
.
Tada nepoznata x treba da zadovoljava tri jednacine
l
1
x = 0, l
2
x = 0, l
3
x = 0.
Sa matematickog stanovista, ovo je nesaglasan, protivrecan sistem. Ako sa
1
,
2
,
3
oznacimo greske merenja, dobicemo
l
1
x =
1
, l
2
x =
2
, l
3
x =
3
(tri jednacine sa cetiri nepoznate, gde je preodreden problem sveden na neodre-
den).
Za pretvaranje problema u odreden potrebna je jos jedna jednacina: ona bi
izrazila dopunski uslov, naime na koji nacin u izracunavanju treba uzeti u obzir
dopustene greske
1
,
2
,
3
. To se moze uciniti na vise nacina. Princip, ili metoda
najmanjih kvadrata postavlja kao uslov da zbir kvadrata gresaka bude najmanji.
28
U nasem slucaju treba da bude
2
1
+
2
2
+
2
3
= Min.
Dobicemo
(l
1
x)
2
+ (l
2
x)
2
+ (l
3
x)
2
= Min.
Za odredivanje ekstremuma nase funkcije treba uzeti izvod po x i izjednaciti
ga sa nulom. Kako izvod ima vrednost
2(l
1
x) 2(l
2
x) 2(l
3
x),
za odredivanje imamo jednacinu
l
1
x + l
2
x + l
3
x = 0
tj.
x =
l
1
+ l
2
+ l
3
3
sto je aritmeticka sredina.
Uopste, neka je dato n jednacina sa m nepoznatih (n > m)
f
i
(x, y, z, . . . ) = 0, i = 1, 2, . . . , n.
Treba naci vrednost nepoznatih x, y, z, . . . tako da vrednosti funkcije
f
i
(x, y, z, . . . ) =
i
, i = 1, . . . , n
najmanje odstupaju od nule, tj. prema principu najmanjih kvadrata da je
2
1
+
2
2
+ +
2
n
= Min.
Neka je dat niz linearnih jednacina
a
1
x + b
1
y + c
1
= 0
a
2
x + b
2
y + c
2
= 0
a
n
x + b
n
y + c
n
= 0.
Dobijamo, po principu najmanjih kvadrata, funkciju
F(x, y) = (a
1
x + b
1
y + c
1
)
2
+ (a
2
x + b
2
y + c
2
)
2
+ + (a
n
x + b
n
y + c
n
)
2
,
koja treba da ima minimalnu vrednost. Uslovi za ekstremum ove funkcije su
F
x
= 0,
F
y
= 0.
29
U nasem slucaju ovi uslovi postaju
a
1
(a
1
x + b
1
y + c
1
) + a
2
(a
2
x + b
2
y + c
2
) + + a
n
(a
n
x + b
n
y + c
n
) = 0
b
1
(a
1
x + b
1
y + c
1
) + b
2
(a
2
x + b
2
y + c
2
) + + b
n
(a
n
x + b
n
y + c
n
) = 0
ili, ako uvedemo oznake
[aa] = a
2
1
+ a
2
2
+ + a
2
n
[ab] = a
1
b
1
+ a
2
b
2
+ + a
n
b
n
[ac] = a
1
c
1
+ a
2
c
2
+ + a
n
c
n
itd., dobijamo
[aa]x + [ab]y + [ac] = 0
[ba]x + [bb]y + [bc] = 0
odakle izracunavamo x i y.
1 4
6 11
6 4
4 11
=
11 + 24
66 16
=
35
50
=
7
10
y =
6 1
4 6
50
=
36 + 4
50
=
40
50
=
4
5
.
Sa druge strane, kombinujmo moguce saglasne sisteme iz datog sistema. To
su
x + y 1 = 0 x + y 2 = 0
i
2x 3y + 1 = 0 2x 3y + 1 = 0.
Kod prvog sistema
x =
1 1
1 3
1 1
2 3
=
3 + 1
3 2
=
2
5
; y =
1 1
2 1
5
=
1 2
5
=
3
5
.
31
Kod drugog sistema
x =
2 1
1 3
5
=
6 + 1
5
= 1; y =
1 2
2 1
5
=
1 4
5
= 1.
Dakle,
x
1
=
2
5
, x
2
= 1; y
1
=
3
5
, y
2
= 1.
Dalje je
x
1
+ x
2
2
=
2
5
+ 1
2
=
2 + 5
10
=
7
10
i
y
1
+ y
2
2
=
3
5
+ 1
2
=
8
10
=
4
5
,
sto je isti rezultat kao po metodi najmanjih kvadrata (ne zaboravimo da se ova
metoda zove i metodom aritmetickih sredina).[2]
32
Sadrzaj
1 Sistem linearnih jednacina sa dve nepoznate i njegovo resavanje
u proslosti 1
2 Sistemi linearnih jednacina 10
2.1 Gausova metoda eliminacije - sema jedinstvenog
deljenja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Gausova metoda eliminacije - sema sa izborom glavnih elemenata 15
2.3 Istovremeno resavanje vise sistema linearnih jednacina . . . . . . 16
2.4 Gausova metoda eliminacije -
Zordanova sema . . . . . . . . . . . 17
2.5 Metoda kvadratnih korena . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Shema Haleckog . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.7 Metoda iteracije . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.8 Zajdelova metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.9 Primedba o dovodenju linearnog sistema na oblik
pogodan za iteraciju . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.10 Uslovljenost linearnog sistema . . . . . . . . . . . . . . . . . . . . 23
2.11 Primeri za tacno i priblizno resavanje linearnih
sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.12 Jos o metodi najmanjih kvadrata . . . . . . . . . . . . . . . . . . 28
Literatura
[1] Bogoljub Marinkovic, Dorde Kadijevic, Metoda lazne pretpostavke (u
matematici i informatici), Arhimedesovi materijali za mlade matematicare,
Sveska 78, Arhimedes, Beograd, 1991
[2] dr Milorad Bertolino, Numericka analiza, Univerzitet u Beogradu, Naucna
knjiga, 1977
[3] Bosko Jovanovic, Desanka Radunovic, Numericka analiza, Matematicki
fakultet, Beograd, 2003
[4] Predavanja dr Arifa Zolica iz predmeta Uvod u numericku matematiku
Matematickog fakulteta u Beogradu skolske 2006/2007. godine
[5] Carl Meyer, Matrix Analysis and Applied Linear Algebra Book and
Solutions Manual, (Paperback - Feb 15, 2001), www.amazon.com
33