Upload
luka-kozuh
View
218
Download
0
Embed Size (px)
Citation preview
8/19/2019 la-pred
1/144
Linearna algebra
Vektorji in matrike
Bojan Orel
Fakulteta za računalništvo in informatiko
23. februar 2015
http://goforward/http://find/http://goback/
8/19/2019 la-pred
2/144
Vektorji
Vektor je urejena n-terica števil, ki ga običajno zapiemo kot stolpec
x =
x 1...
x n
Števila x 1, . . . , x n so koordinate ali komponente vektorja.
Komponente vektorja so navadno realna ali kompleksna števila.
Tukaj bodo komponente vektorja realna števila.
http://find/
8/19/2019 la-pred
3/144
Operacije z vektorji
1. Produkt s skalarjem α ∈ R
αx = α
x 1...
x n
=
αx 1...
αx n
2. Vsota
x + y =
x 1.
..x n
+
y 1.
..y n
=
x 1 + y 1
.
..x n + y n
http://find/
8/19/2019 la-pred
4/144
Linearna kombinacija
vektorjev x in y je vsota
αx + β y
http://find/
8/19/2019 la-pred
5/144
Skalarni produkt in dolžina vektorja
Skalarni produkt vektorjev x in y je število
x
·y = x 1y 1 + x 2y 2 +
· · ·+ x ny n
Vektorja x in y sta ortogonalna, kadar je x · y = 0Doľzina vektorja x je ||x|| = √ x · x.Enotski vektor je vektor z dolžino 1.
http://find/
8/19/2019 la-pred
6/144
Kot med vektorjema, trikotniška in Schwartzova neenačba
Če je ϕ kot med vektorjema x in y, potem je
x · y||x||||y|| = cos ϕ
Trikotniška neenakost
||x + y|| ≤ ||x|| + ||y||
Schwartzova neenakost
|x · y| ≤ ||x||||y||
http://find/
8/19/2019 la-pred
7/144
Matrike
Matrika je m × n števil, urejenih v m vrstic in n stolpcev:
A =
a11 a12 · · · a1na21 a22
· · · a2n
......
. . . ...
am1 am2 · · · amn
Števila aij so elementi matrike, navadno realna ali kompleksna
števila.
http://find/
8/19/2019 la-pred
8/144
Operacije z matrikami
1. Produkt s skalarjem
αA =
αa11 αa12 · · · αa1nαa21 αa22 · · · αa2n
......
. . . ...
αam1 αam2
· · · αamn
2. Vsota
A + B =
a11 + b 11 a12 + b 12 · · · a1n + b 1na21 + b 21 a22 + b 22 · · · a2n + b 2n
.
.....
.. .
...
am1 + b m1 am2 + b m2 · · · amn + b mn
Pozor! Seštevamo lahko samo matrike, ki imajo enako število
stolpcev in vrstic.
http://find/
8/19/2019 la-pred
9/144
Linearna algebra
Matrike
Bojan OrelFakulteta za računalništvo in informatiko
2.marec 2015
http://find/
8/19/2019 la-pred
10/144
Matrike
Matrika je m × n števil, urejenih v m vrstic in n stolpcev:
A =
a11 a12 · · · a1na21 a22 · · · a2n
... ... . . . ...am1 am2 · · · amn
Števila aij so elementi matrike, navadno realna ali kompleksna
števila.
http://find/
8/19/2019 la-pred
11/144
Operacije z matrikami
1. Produkt s skalarjem
αA =
αa11 αa12 · · · αa1nαa21 αa22 · · · αa2n
... ...
. . . ...
αam1 αam2 · · · αamn
2. Vsota
A + B =
a11 + b 11 a12 + b 12 · · · a1n + b 1na21 + b 21 a22 + b 22 · · · a2n + b 2n
.
.. .
.. .
. . .
..am1 + b m1 am2 + b m2 · · · amn + b mn
Pozor! Seštevamo lahko samo matrike, ki imajo enako številostolpcev in vrstic.
http://find/
8/19/2019 la-pred
12/144
Produkt matrike in vektorja
Produkt matrike A in vektorja x je linearna kombinacija stolpcevmatrike A, uteži linearne kombinacije so komponente vektorja x:
Ax = u v w ·
x 1x 2
x 3
= x 1u + x 2v + x 3w
Pozor! Matrika A mora imeti toliko stolpcev, kolikor komponentima vektor x.
http://find/
8/19/2019 la-pred
13/144
Množenje vrstice z matriko
Produkt vrstice y z matriko A je linearna kombinacija vrsticmatrike A, uteži linearne kombinacije so komponente vrstice y:
y · A = [y 1, y 2, y 3] ·
u
v
w
= y 1u
y 2v
y 3w
Pozor! Matrika A mora imeti toliko vrstic, kolikor komponent imavrstica y.
http://find/http://goback/
8/19/2019 la-pred
14/144
Množenje matrik
Matrično množenje lahko opišemo po stolpcih, po vrsticah ali kot
skalarne produkte vrstic s stolpci:
po stolpcih: če matriko B sestavljajo stolpci b 1, b 2, . . . , b n,potem je
A · B =
A · [b 1 b
2 · · · b
n] = [Ab
1 Ab
2 · · · , Ab
n] po vrsticah: če matriko A sestavljajo vrstice a1, a2, . . . , am,
potem je
A · B =
a1
a
2
...am
· B =
a1B
a
2
B ...amB
http://find/
8/19/2019 la-pred
15/144
Množenje matrik - nadaljevanje
Skalarni produkt matrike s stolpcem: v produktu C = A · B jeelement v i -ti vrstici in j -tem stolpcu skalarni produkt i -tevrstice matrike A ij j -tega stolpca matrike B
c ij = k
aik b kj .
Pozor: Pri produktu C = A · B mora imeti matrika A tolikostolpcev, kot ima matrika B vrstic. Rezultat (matrika C ) imatoliko vrstic kot A in toliko stolpcev kot B .
A[m×n] · B [n×p ] = C [m×p ]
http://find/
8/19/2019 la-pred
16/144
Enotska matrika
Med matrikami ima posebno vlogo enotska matrika; to jekvadratna matrika, ki ima 1 po diagonali, sicer pa le 0:
I =
1 0 0
0 1 00 0 1
Če katerokoli matriko A pomnožimo (z leve ali z desne) z enotskomatriko, je rezultat A
IA = AI = A
http://find/
8/19/2019 la-pred
17/144
Linearna algebraSistemi linearnih enačb in LU razcep
Bojan OrelFakulteta za računalništvo in informatiko
9.marec 2015
S
http://find/
8/19/2019 la-pred
18/144
Sistem linearnih enačb - primer
Dve linearni enačbi z dvema neznankama
x −2y = 1
3x +2y = 11
Lahko ga zapišemo v matrični obliki:
Ax = b ,
kjer je
A =
1 −23 2
, b =
111
in x =
x
y
V iˇ i l ˇ lik ǐ j ik
http://find/
8/19/2019 la-pred
19/144
Vrstična in stolpčna slika, razširjena matrika
Vrstična slika: dve premici, ki se sekata v točki (rešitev)
Stolpčna slika: linearna kombinacija stolpcev matrike na levi
strani, ki mora biti enaka vektorju na desni strani. Uteži telinearne kombinacije so rešitev.
Razširjena matrika sistema Ax = b je matrika [A b].
G li i ij i
http://find/
8/19/2019 la-pred
20/144
Gaussova eliminacija - primer
x −2y = 1
3x +2y = 11
Prvo enačbo, pomnoženo s 3, odštejemo od druge enačbe:
x −2y = 1
8y = 8
Prva neznanka (x) je iz druge enačbe izginila.
G li i ij l it
http://find/
8/19/2019 la-pred
21/144
Gaussova eliminacija - algoritem
Če je matrika A lepa1, potem algoritem
for k = 1 : n − 1for i = k + 1 : n
M (i , k ) = A(i , k )/A(k , k )for j = k + 1 : n
A(i , j ) = M (i , k ) ∗ A(k , j )end
b (i ) = b (i ) − M (i , k ) ∗ b (k )end
end
sistem linearnih enačb Ax = b predela v ekvivalentni sistem enačbU x = c, kjer je matrika U zgornje trikotna.
1
če je v spodnjem algoritmu A
(k
,k
) (pivot) v imenovalcu vedno različen odnič.
Ob t t lj j l it
http://find/
8/19/2019 la-pred
22/144
Obratno vstavljanje - algoritem
Naslednji algoritem izračuna rešitev sistema linearnih enačbU x = c z zgornje trikotno matriko U :
x (n) = c (n)/U (n, n)for i = n − 1 : −1 : 1
for j = i + 1 : nc (i ) = c (i ) − U (i , j ) ∗ x ( j )
end
x (i ) = c (i )/U (i , i )
end
P i e i ko Ga sso a eli i acija od o e
http://find/
8/19/2019 la-pred
23/144
Primeri, ko Gaussova eliminacija odpove
1. Na pivotnem mestu je 0, z zamenjavo vrstic (pivotiranjem)
lahko nadaljujemo 0 2 43 −2 5
−→
3 −2 50 2 4
2. Na pivotnem mesto je 0, ni rešitve 1 −2 13 −6 11
−→
1 −2 10 0 8
3. Sistem ima neskončno mnogo rešitev 1 −2 13 −6 3
−→
1 −2 10 0 0
Gaussova eliminacija matrična formulacija
http://find/http://goback/
8/19/2019 la-pred
24/144
Gaussova eliminacija - matricna formulacija
Vsak korak Gaussove eliminacije je operacija nad vrsticami matrikeA. Zato ga lahko opǐsemo kot produkt elementarne eliminacijske
matrike E ij z matriko sistema.Primer: Pri matriki
A =
2 4 −24 9 −3
−2 −3 7
moramo najprej (korak (2,1)) od druge vrstice odšteti dvakratnikprve vrstice, ostali dve vrstici pustimo pri miru. To opǐsemo kot(levo) množenje z matriko E 21:
E 21A =
1 0 0−2 1 0
0 0 1
2 4 −24 9 −3−2 −3 7
=
2 4 −20 1 1−2 −3 7
Gaussova eliminacija matrična formulacija (nadaljevanje)
http://find/
8/19/2019 la-pred
25/144
Gaussova eliminacija - matricna formulacija (nadaljevanje)
V naslednjem koraku moramo eliminirati a31, kar naredimo zmatriko E 31,potem pa še a32 z E 32. Tako je
E 32(E 31(E 21A)) = U ,
kjer je U zgornje trikotna matrika. Celotno Gaussovo eliminacijo bilahko opisali z
EA = U ,
kjer je E = E 32E 31E 21 celotna eliminacijska matrika.
http://find/
8/19/2019 la-pred
26/144
Linearna algebraSistemi linearnih enačb
LU razcep
Gauss-Jordanova eliminacija
Bojan OrelFakulteta za računalništvo in informatiko
16.marec 2015
Enotska matrika
http://find/
8/19/2019 la-pred
27/144
Enotska matrika
Med matrikami ima posebno vlogo enotska matrika; to jekvadratna matrika, ki ima 1 po diagonali, sicer pa le 0:
I = 1 0 0
0 1 00 0 1
Če katerokoli matriko A pomnožimo (z leve ali z desne) z enotskomatriko, je rezultat A
IA = AI = A
Inverzna matrika
http://find/
8/19/2019 la-pred
28/144
Inverzna matrika
DEFINICIJA: Kvadratna matrika A je obrnljiva, če obstaja takamatrika A−1, da je
A · A−1 = I in A−1 · A = I .
Matrika A−1
(če obstaja) se imenuje matriki A inverzna matrika.Matrika, ki ni obrnljiva, je singularna.Obrnljiva matrika ima samo eno inverzno matriko.Kvadratna matrika reda n je obrnljiva natanko tedaj, ko priGaussovi eliminaciji dobimo n pivotov.
Če obstaja neničelna rešitev x enačbe Ax = 0, matrika A niobrnljiva (je singularna).
Inverz produkta
http://find/
8/19/2019 la-pred
29/144
Inverz produkta
Če sta matriki A in B obrnljivi, je obrnljiv tudi produkt A · B in
(A · B )−1 = B −1 · A−1
Dokaz:
(B −1 · A−1) · (A · B ) = B −1(A−1A)B = B −1I · B = B −1B = I
Inverz produkta matrik je produkt inverznih matrik v obratnem
vrstnem redu.
Matrična oblika Gaussove eliminacije - nadaljevanje
http://find/
8/19/2019 la-pred
30/144
Matricna oblika Gaussove eliminacije nadaljevanje
Ugotovili smo, da lahko Gauusovo eliminacijo opǐsemo kotE · A = U , kjer je U zgornje trikotna in E spodnje trikotnamatrika. Z matriko L = E −1 lahko to zapišemo kot A = L · U .Ker je E produkt elementarnih inverznih matrik E ij , je L (tudispodnje trikotna) produkt inverznih matrik E −1ij v obratnerm
vrstem redu.Primer za matriko 3 × 3: Namesto
E · A = E 32E 31E 21A = U
imamoA = L · U = E −1
21 E −1
31 E −1
32 U .
LU razcep matrike A
http://find/http://goback/
8/19/2019 la-pred
31/144
LU razcep matrike A
Matrika L je spodnje trikotna z 1 na diagonali. Elementi poddiagonalo so množitelji, s katerimi smo eliminirali elemente na tehmestih v matriki A.Primer:
A =
2 4 −24 9 −3−2 −3 7
=
1 0 02 1 0−1 1 1
·
2 4 −20 1 1
0 0 4
= L · U
Rešitev sistema Ax = b z LU razcepom
http://find/
8/19/2019 la-pred
32/144
Resitev sistema Ax b z LU razcepom
Ko poznamo razcep A = L · U (zanj potrebujemo O(n3) operacij),namesto sistema Ax = b rešujemo sistem L · U x = b, kar lahkonaredimo v dveh korakih. Najprej rešimo
Ly = b, potem pa U x = y
Ker sta oba sistema trikotna, za njuno rešitev potrebujemo O(n2)operacij.
Permutacijske matrike
http://find/
8/19/2019 la-pred
33/144
j
Pri Gaussovi eliminaciji se lahko zgodi, da je element na pivotnemmestu enak 0. Če v istem stolcu pod pivotnim mestom obstajakakšen element = 0, moramo zamenjati vrstici v matriki. Todosežemo z (levim) množenjem s permutacijsko matriko , to jematrika, ki jo dobimo tako, da v enotski matriki I zamenjamo isti
dve vrstici.Množenje permutacijske matrike
P 23 =
1 0 00 0 1
0 1 0
z matriko A zamenja drugo in tretjo vrstico v matriki A.
Simetrične matrike
http://find/http://goback/
8/19/2019 la-pred
34/144
Simetrične so tiste matrike, ki so ”odporne” na transponiranje:
A je simetrǐcna ⇔ AT = A .
Za elemente simetrične matrike velja aij = a ji .
Če je A simetrična, je tudi A−1
simetrǐcna.Če je R poljubna (pravokotna) matrika, sta R T R in R · R T
simetrični matriki.Dokaz za R T R :
(R T R )T = R T (R T )T = R T R .
LU -razcep s pivotiranjem
http://find/http://goback/
8/19/2019 la-pred
35/144
p p j
Vsaka permutacijska matrika je obrnljiva.Če je P permutacijska matrika, je tudi P −1 permutacijska inP −1 = P T .ˇCe je pri Gaussovi eliminaciji potrebna zamenjava vrstic, potemA = L · U ne velja več.Ker bi lahko vse zamenjave vrstic naredili PRED Gaussovoeliminacijo, lahko zapǐsemo P · A = L · U , kjer je P permutacijskamatrika, ki določa potrebne menjave vrstic.
Izračun inverzne matrike — Gauss-Jordanova eliminacija
http://find/
8/19/2019 la-pred
36/144
j
Ideja: Rešitev matrǐcne enačbe A · X = I je inverzna matrikaX = A−1.Z enotsko matriko I razširjeno matriko A, t.j. [A I ] najprej
izvedemo Gaussovo eliminacijo, da imamo na levi zgornje trikotnomatriko, nato nadaljujemo z obratnim vstavljanjem, da dobimo nalevi enotsko matriko I .Na koncu je inverzna matrika na desni strani.
Gauss-Jordanova eliminacija — primer
http://find/
8/19/2019 la-pred
37/144
Iščemo inverzno matriko matrike A =
1 23 4
1 2 1 03 4 0 1
−→
1 2 0 10 −2 −3 1
−→
1 2 1 00 1 3/2 −1/2
−→
1 0 −2 10 1 3/2 −1/2
Tako je A−1 = −2 13/2 −1/2
Preveri!
http://find/http://goback/
8/19/2019 la-pred
38/144
Linearna algebraVektorski prostori in podprostori
Bojan OrelFakulteta za računalništvo in informatiko
23.marec 2015
Vektorski prostori
http://find/
8/19/2019 la-pred
39/144
Definicija: realni vektorski prostor V je množica ”vektorjev”skupaj s pravili za
seštevanje vektorjev
množenje vektorja z realnim številom (skalarjem).
Če sta x in y poljubna vektorja v V , morajo biti v V tudi
vsota x + y in
produkti αx za vse α ∈ R
Zato morajo biti v vektorskem prostoru V tudi VSE linearne
kombinacije αx + β y.
Pravila za operacije v vektorskih prostorih
http://find/
8/19/2019 la-pred
40/144
Operaciji seštevanja vektorjev in množenja vektorja s skalarjem vvektorskem prostoru morajo zadoščati naslednjim pravilom:
1. x + y = y + x (komutativnost seštevanja);
2. x + (y + z) = (x + y) + z (asociativnost seštevanja);
3. obstaja en sam nǐcelni vektor , da velja x + 0 = x;4. za vsak x obstaja natanko en −x, da je x + (−x) = 0
5. 1 · x = x;
6. (αβ )x = α(β x);
7. α(x + y) = αx + αy (distributivnost);8. (α + β )x = αx + β x.
Primeri vektorskih prostorov
http://find/
8/19/2019 la-pred
41/144
Rn - vektorski prostor stolpčnih vektorjev z n komponentami;
R2×2 - vektorski prostor vseh realnih 2 × 2 matrik;
C (a, b ) - vektorski prostor vseh funkcij, zveznih na odprtemintervalu (a, b );
Pn - vektorski prostor vseh polinomov stopnje ne več kot n;
Z - vektorski prostor, ki ga sestavlja samo ničelni vektor.
Podprostori
http://find/
8/19/2019 la-pred
42/144
Definicija: Podmnožica U vektorskega prostora V je podprostor ,
če je za vsak par vektorjev x in y iz U in vsako realno število α tudi x + y ∈ U in
αx ∈ U .
Nekaj posledic definicije:
Vsak podprostor vsebuje ničelni vektor; Za vsak vektor iz V so vsi njegovi mnogokratniki podprostor
(za Rn so to premice skozi izhodišče);
Podprostori v R3 so
1. Z sam ničelni vektor 02. Premice skozi izhodǐsče3. Ravnine skozi izhodǐsče4. Cel prostor R3
Kaj NI podprostor - primeri
http://find/
8/19/2019 la-pred
43/144
1. Naj bo U ⊂ R2 množica tistih dvokomponentnih vektorjev, kiimajo obe komponenti pozitivni, na primer [2, 3]T . To nipodprostor, ker produkt z −1, to je vektor [−2,−3]T ni v U .
2. Tudi če v U vključimo vse vektorje, ki imajo obe komponenti
negativni, na primer [−3,−2], to ne bo podprostor, ker vsotavektorjev [2, 3]T in [−3,−2]T , to je [−1, 1]T ni v U .
3. V množici linearnih polinomov p (x ) = ax + b naj bo U podmnožica tistih polinomov, ki imajo v 0 vrednost 1. Ker ima
vsota dveh takih polinomov v 0 vrednost 2, to ni podprostor.
Primeri podprostorov - kaj JE podprostor
http://find/
8/19/2019 la-pred
44/144
1. V prostoru matrik R2×2 vse zgornje trikotne matrike
a b
0 d
sestavljajo podprostor.
2. V prostoru matrik Rn×n vse simetrične matrike sestavljajo
podprostor.3. V prostoru linearnih polinomov vsi linearni polinomi, ki imajo
v 1 vrednost 0, sestavljajo podprostor.
4. V prostoru C [0, 1] zveznih funkcij na intervalu [a, b ], funkcije,
ki imajo zvezen prvi odvod, sestavljajo podprostor.
Stolpčni prostor matrike
http://find/
8/19/2019 la-pred
45/144
Stolpčni prostor C (A) matrike A je vektorski prostor, ki vsebujenatanko vse linearne kombinacije stolpcev matrike A.Ker je produkt matrike A z vektorjem x linearna kombinacijastolpcev matrike A, je C (A) ravno množica vseh produktov Ax zavse možne x.
C (A) vsebuje ne samo vse stolpce matrike A, ampak tudi vsenjihove linearne kombinacije.Posledica: Sistem linearnih enačb Ax = b je rešljiv natanko tedaj,
ko je b ∈ C (A).
Stolpčni prostor matrike je lahko cel vektorski prostor R
m
ali lenjegov podprostor.
Ničelni prostor matrike
http://find/
8/19/2019 la-pred
46/144
Rešujemo sistem linearnih enačb Ax = 0, kjer je matrika A lahkokvadratna n × n ali pravokotna m × n.
Definicija: Ničelni prostor N (A) matrike A je množica vseh rešitev
sistema Ax = 0.Ničelni prostor N (A) je podprostor v Rn.
Posledica: Če je A kvadratna in obrnljiva, potem je N (A) = Z (samo vektor 0).
Primer izračuna ničelnega prostora
http://find/
8/19/2019 la-pred
47/144
Kaj je ničelni prostor singularne matrike A =
1 23 6
?
Sistem enačb rešimo Ax = 0 z eliminacijo, po prvem koraku
dobimo
1 20 0
, kar pomeni, da si vrednost zadnje spremenljivke
lahko izberemo poljubno, prva je njen (−2)-kratnik.
Posebna rešitev: Če za drugo spremenljivko izberemo 1, dobimoposebno rešitev (−2, 1).
Splošna rešitev: Če za drugo komponento rešitve izberemo c ,potem je prva komponenta −2c . Ker v tem primeru lahko prostoizberemo le eno komponento rešitve, druga pa je s tem določena, je splošna rešitev c (−2, 1).
Splošna rešitev je linearna kombinacija posebnih rešitev.
Vrstična stopničasta oblika matrike
http://find/
8/19/2019 la-pred
48/144
Kadar delamo Gaussovo eliminacijo nad pravokotno matriko Adimenzije m × n, ne moremo pričakovati, da bo končna matrika U zgornje trikotna.
Matrika je vrstǐcno stopničaste oblike , kadar se vsaka od njenih
vrstic začne z vsaj eno ničlo več kot prejšnja.Prvi neničelni element v vsaki vrstici vrstično stopničaste matrike jepivot .
Stolpci, v katerih so pivoti, so pivotni stolpci, ostali stolpci so
prosti .
Stopničasta oblika matrike - primer
http://find/
8/19/2019 la-pred
49/144
Naj bo A =
1 1 2 32 2 8 10
3 3 10 13
. Spremenimo jo v stopničasto
obliko. Najprej prvo vrstico×2 odštejmo od druge, nato pa prvovrstico×3 odštejmo od tretje (v okvirjih so pivoti):
1 1 2 30 0 4 40 0 4 4
,
Potem še drugo od tretje:
U := 1 1 2 30 0 4 4
0 0 0 0
1. in 3. stolpec sta pivotna, 2. in 4. prosta
Primer (nadaljevanje)
http://find/
8/19/2019 la-pred
50/144
2. in 4. spremenljivki (prosti spremenljivki ) lahko poljubnoizberemo vrednost, vrednosti 1. in 3. neznanke potem določata
prvi dve enačbi.Za proste neznanke je ugodno izbrati vrednosti 0 ali 1:
če izberemo x 2 = 1 in x 4 = 0, dobimo x 3 = 0 in x 1 = −1;
če izberemo x 2 = 0 in x 4 = 1, dobimo x 3 = −1 in x 1 = −1.
Ti dve posebni rěsitvi rěsita enačbo U x = 0, torej tudi Ax = 0.Obe sta v ničelnem prostoru. Vsaka druga rešitev je linearnakombinacija teh dveh posebnih rešitev.Ničelni prostor torej sestavljajo vsi vektorji oblike
x = x 2
−1
100
+ x 4
−1
0−1
1
=
−x 2 − x 4
x 2−x 4
x 4
.
http://find/
8/19/2019 la-pred
51/144
Linearna algebraPosebne in splošna rešitev sistema linearnih enačb
Bojan OrelFakulteta za računalništvo in informatiko
25.marec 2014
Reducirana stopničasta oblika matrike
http://find/
8/19/2019 la-pred
52/144
Iz stopničaste oblike dobimo reducirano stopničasto obliko tako, da
1. Vrstice, v katerih je pivot, delimo s pivotom, da so vsi pivotienaki 1;
2. Z obratno eliminacijo postavimo ničle v stolpcih nad pivoti.
Nadaljevanje primera:
U =
1 1 2 30 0 4 4
0 0 0 0
−→
1 1 2 30 0 1 1
0 0 0 0
−→
1 1 0 10 0 1 10 0 0 0
= R
Stopničasta oblika in rang
http://find/
8/19/2019 la-pred
53/144
Število vrstic v matriki še ne določa števila enačb v sistemuAx = 0, saj enačbe, kot je 0 = 0 ne moremo šteti. Če je nekavrstica v matriki linearna kombinacija ostalih vrstic, bomo prieliminaciji dobili stopničasto obliko, ki bo imela v tisti vrstici sameničle. Pravo število neodvisnih enačb nam pove rang matrike.
Definicija: Rang matrike (r ) je število pivotov.
Matrika ranga 1 ima en sam pivot. Taka matrika ima vse vrstice
(in vse stolpce) proporcionalne, zato jo lahko vedno zapǐsemo kot
produkt stolpca in vrstice: A = xyT .
Reducirana stopničasta oblika - nadaljevanje
http://find/
8/19/2019 la-pred
54/144
V reducirani stopničasti matriki R imajo pivotni stolpci 1 napivotnem mestu, drugod same 0.
Vsi pivotni stolpci skupaj sestavljajo r × r enotsko matriko. V
spodnjih m − n
vrsticah so same ničle.Noben od pivotnih stolpcev se ne da zapisati kot kombinacijaprejšnjih stolpcev.
Prosti stolpci so linearna kombinacija pivotnih stolpcev.
Posebne rešitve
http://find/http://goback/
8/19/2019 la-pred
55/144
Posebne rešitve enačb Ax = 0 in R x = 0 bomo izbrali tako, da bo
vedno ena prosta spremenljivka enaka 1, ostale bodo enake 0.Posebne rešitve dobimo direkto iz reducirana stopničaste oblike.
Primer: Iščemo splošno rešitev sistema linearnih enačb kjer jematrika že v reducirani stopničasti obliki (proste neznanke in prosti
stolpci so tiskani debelo)
R x =
1 3 0 2 −10 0 1 4 −3
0 0 0 0 0
=
x 1x2x 3
x4x5
=
00
0
.
Nadaljevanje primera
http://goforward/http://find/http://goback/
8/19/2019 la-pred
56/144
Posebne rešitve so:
1. če izberemo x 2 = 1 in x 4 = x 5 = 0, dobimoz1 = [−3, 1, 0, 0, 0]
T ;
2. če izberemo x 4 = 1 in x 2 = x 5 = 0, dobimoz2 = [−2, 0,−4, 1, 0]
T ;
3. če izberemo x 5 = 1 in x 2 = x 4 = 0, dobimo z3 = [1, 0, 3, 0, 1]T
Tako smo za vsako prosto spremenljivko dobili eno posebno rešitev.
Ničelni prostor matrike R so vse linearne kombinacije vektorjevz1, z2 in z3.
Izrek: Če ima matrika A dimenzije m × n rang r , potem imasistem Ax = 0 r neodvisnih enačb in zato n − r neodvisnih rešitev.
Posebne rešitve in reducirana stopničasta oblika
http://find/
8/19/2019 la-pred
57/144
Iz reducirane stopničeste oblike matrike R zlahka preberemo
posebne rešitve sistema R x = 0: Vzemimo, da je prvih r stolpcevmatrike R pivotnih. Potem je reducirana stopničasta oblika
R =
I F
0 0
,
kjer je I enotska r × r matrika, F dimenzije r × n − r , nǐcelnimatriki pa imata m − r vrstic in n in n − r stolpcev.Sistem enačbe je torej
I
pivotneneznanke
= −F
prosteneznanke
Posebne in splošna rešitev homogenega sistema
http://find/
8/19/2019 la-pred
58/144
Posebne rešitve homogenega sistema Ax = 0 so stolpci matrike
N = −F
I
r pivotnih neznank
n−
r prostih neznank
.
Splošna rešitev homogenega sistema so vse linearne kombinacijeposebnih rešitev, torej stolpčni prostor C (N ) matrike N .
Splošna rešitev sistema Ax = bPogoj, da rešitev sploh obstaja: b ∈ C (A).
http://find/
8/19/2019 la-pred
59/144
Sistem enačb rešimo tako, da matriko A razširimo s stolpcem b.Matrika [A b] je razširjena matrika sistema.
Nato z Gaussovo eliminacijo razširjeno matriko predelamo nastopničasto obliko.Primer: Sistem enačb
1 3 0 20 0 1 4
1 3 1 6
x 1x 2x 3x 4
= 16
7
ima razširjeno matriko 1 3 0 2 10 0 1 4 6
1 3 1 6 7
= [A b]
Primer (nadaljevanje)
http://find/
8/19/2019 la-pred
60/144
Po redukciji dobimo matriko v reducirani stolpčni obliki
1 3 0 2 10 0 1 4 6
0 0 0 0 0
= R .
Rang matrike A je 2, prav tako kot rang razširjene matrike.Pivotna stolpca sta prvi in tretji, torej
pivotni neznanki sta x 1 in x 2;
prosti neznanki sta x 2 in x 4.
Če za prosti neznanki izberemo vrednost x 2 = 0 in x 4 = 0, dobimovrednosti pivotnih neznank x 1 = −1 in x 3 = −6.
Splošna rešitev sistema Ax = b (nadaljevanje)
http://find/
8/19/2019 la-pred
61/144
Splošna rešitev je vsota posebne rešitve xp in splošne rešitve xnhomogene enačbe Ax = 0.
V prejšnjem primeru je xp = [−1, 0,−6, 0]T , splošna rešitev
homogene enačbe pa
xn = x 2
−3
100
+ x 4
−2
0−4
1
Poseben primer - poln stolpčni rang
http://find/
8/19/2019 la-pred
62/144
Za vsako matriko, ki ima poln stolpčni rang n = r , velja tudi
1. Vsi stolpci A so pivotni stolpci;
2. Ni prostih neznank in ni posebnih rešitev;
3. Nǐcelni prostor N (A) vsebuje le ničelni vektor x = 0;
4. Kadar ima sistem enačb Ax = b rešitev (kar ni vedno res!), jerěsitev ena sama.
Poseben primer - poln vrstični rang
http://find/
8/19/2019 la-pred
63/144
Za vsako matrik, ki ima poln vrstični rang m = r , velja tudi
1. vsaka vrstica ima pivot in R (reducirana vrstična obika) nimanobene ničelne vrstice);
2. enačba Ax = b ima rešitev za vsako desno stran b;3. stolpčni prostor je cel prostor Rm;
4. V ničelnem prostoru matrike A je n − r = n −m posebnihrešitev.
Razvrstitev enačb glede na dimenzijo in rang matrike
http://find/
8/19/2019 la-pred
64/144
Sistem linearnih enačb Ax = b spada v enega od 4 razredov gledena število vrstic in stolpcev ter rang matrike A:
1 r = m in r = n kvadratna, obrnljiva ima natančno 1 rešitev2 r = m in r
8/19/2019 la-pred
65/144
Linearna algebraOrtogonalnost in pravokotne projekcije
Bojan OrelFakulteta za računalništvo in informatiko
13.april 2015
Pitagorov izrek z vektorji
http://find/
8/19/2019 la-pred
66/144
Trikotnik naj določata vektorja x in y (dve stranici trikotnika),
tretja stranica naj bo x + y.
Pitagorov izrek: Če sta x in y pravokotna, potem je
|x|2 + |y|2 = |x + y|2.
Ker je
|x+y|2 = (x+y)T (x+y) = xT x+2xT y+yT y = |x|2+2xT y+ |y|2 ,
se to zgodi natanko tedaj, ko je xT y = 0.
Definicija: Vektorja x in y sta ortogonalna natanko tedaj, ko jexT y = 0.
Ortogonalnost podprostorov
http://find/
8/19/2019 la-pred
67/144
Definicija: Podprostora U in V vektorskega prostora staortogonalna, če je vsak vektor u ∈ U ortogonalen na vsak vektorv ∈ V .
Primer: Vodoravna ravnina je ortogonalna na navpično premico.
Primer: Vodoravna in navpična ravnina nista ortogonalni, saj jenjun presek premica. Neničelni vektor, ki določa to premico, pa niortogonalen sam nase!
V preseku dveh ortogonalnih podprostorov je lahko samo ničelni
vektor (to je edini vektor, ki je ortogonalen nase.).
Ortogonalnost osnovnih matričnih podprostorov
http://find/
8/19/2019 la-pred
68/144
Izrek: Za vsako matriko A ∈ Rm×n velja:
1. Nǐcelni prostor N (A) in vrstični prostor C (AT ) staortogonalna podprostora prostora Rn;
2. Levi ničelni prostor N (AT
) in stolpčni prostor C (A) staortogonalna podprostora prostora Rm.
Prvi del izreka dokažemo z enačbo Ax = 0, drugi del z enačboAT y = 0.
Ortogonalni komplement in osnovni izrek LA
http://find/
8/19/2019 la-pred
69/144
Vrstični in ničelni prostor matrike nista samo ortogonalna. Tudinjuni dimenziji se seštejeta do dimenzije celega prostora. Ravnotako velja za levi ničelni in stolpčni prostor.
Definicija: Ortogonalni komplement V ⊥ podprostora V vsebujeVSE vektorje, ki so ortogonalni na V .
Osnovni izrek linearne algebre:
1. Nǐcelni prostor N (A) je ortogonalni komplement vrstičnegaprostora v Rn;
2. levi ničelni prostor N (AT ) je ortogonalni komplementstolpčnega prostora v Rm.
Projekcija na premico
http://find/
8/19/2019 la-pred
70/144
Naloga: Dan je vektor a. Na premici skozi izhodišče v smerivektorja a ǐsčemo vektor p, ki je najbližji vektorju b.
Ključ za rešitev naloge je: premica, ki povezuje b in p mora bitipravokotna na a.
Rešitev: Ker sta a in p kolinearna, pišemo p = x̂ a. ˇStevilo x̂ bomo določili tako, da bo vektor e := b − p pravokoten na a.
aT e = aT (b − x̂ a) = 0 torej x̂ = aT b
aT a ,
Rešitev naloge je p = aT
baT aa
Projekcija na premico (nadaljevanje)
http://find/http://goback/
8/19/2019 la-pred
71/144
Dva posebna primera:
Če je b = αa, potem je x̂ = α in p = b.
Če je b pravokoten na a, potem je x̂ = 0 in p = 0.
Poiskali smo pravokotno projekcijo vektorja b na vektor a. Rešitevlahko predstavimo kot:
1. p = x̂ a, kjer je x̂ = aT b
aT a;
2. p = P b, kjer je projekcijska matrika P = aaT
aT a.
Premisli: Koliko je rang projekcijske matrike P .
Kaj je njen stolpčni prostor C (P )?Kaj je ničelni prostor N (P )?
Projekcija na podprostor
I li ih d i ih kt j Rm
http://find/
8/19/2019 la-pred
72/144
Imamo n linearnih neodvisnih vektorjev v Rm.
Naloga: Iščemo linearno kombinacijo p = x 1a1 + · · · + x nan, ki jenajbližje danemu vektorju b.Z drugimi besedami: iščemo pravokotno projekcijo vektorja b napodprostor, ki ga razpenjajo vektorji a1, . . . an.
Za n = 1 je to projekcija na premico, rešitev že poznamo.
Rešitev: Sestavimo matriko A s stolpci a1, . . . , an. Ǐsčemo takolinearno kombinacijo stolpcev p = Ax̂ (pravokotno projekcijo), kibo najblǐze b.To bo takrat, ko bo vektor napake e := b − Ax̂ pravokoten na
podprostor C (A), torej
AT (b − Ax̂) = 0 .
Projekcija na podprostor (nadaljevanje)
http://find/
8/19/2019 la-pred
73/144
Pravokotna projekcija vektorja b na C (A) je p = Ax̂, kjer x̂ dobimokot rešitev sistema AT Ax̂ = AT b.
Matrika AT A je kvadratna dimenzije n in simetrična. Ker sostolpci matrike A neodvisni, je tudi obrnljiva, zato je rešitev
p = Ax̂ = A(AT A)−1AT b .
Rešitev lahko zapišemo s projekcijsko matriko:
p = P b, kjer je P = A(AT A)−1AT
Projekcijske matrike
http://find/
8/19/2019 la-pred
74/144
Definicija: Matrika P je projekcijska, kadar
je simetrična: P T = P in
velja P 2 = P .
Vprašanje: Ali matrika na preǰsnji strani ima obe lastnosti
projekcijskih matrik?Če je P projekcijska matrika, ki projecira na podprostor U , potem je tudi I − P projekcijska matrika, ki projecira na ortogonalnikomplement U ⊥.
Izziv: Preveri, da je tudi I − P projekcijska matrika, če je P projekcijska!
http://find/http://goback/
8/19/2019 la-pred
75/144
Linearna algebraNajmanjši kvadrati, Gram-Schmidtovaortogonalizacija in QR razcep
Bojan OrelFakulteta za računalništvo in informatiko
20.april 2015
Najmanǰsi kvadrati
http://find/
8/19/2019 la-pred
76/144
ˇCe b ∈ C (A), potem enačba Ax = b nima rešitve. To se pogostodogaja, ker je prisoten šum. Rešitev bi morala biti, pa je ni, ker jeb ”malo pokvarjen”. Kako vseeno priti blizu rešitvi?
V praksi se velikokrat dogaja, da je nek pojav odvisen oddoločenega števila n parametrov. Da bi določili vrednost
parametrov, naredimo veliko meritev, zato je število enačb precejvečje kot število parametrov.
Recept: Enačbo z leve pomnožimo z AT , da dobimo
AT Ax = AT b, kar je kvadraten sistem, Matrika AT A je obrnljiva,
če so le stolpci matrike A linearno neodvisni.
Projekcija in ostanek
http://find/
8/19/2019 la-pred
77/144
S projekcijo smo vektor b razdelili na dve komponenti:1. projekcijo p v smeri stolpčnega prostora C (A) in
2. ostanek e = b − p, pravokoten na C (A), torej v smeri N (AT ).
Projekcijo na podprostor N (AT ) dobimo torej z matriko I − P .
Izziv: Prepričaj se, da matrika I − P res zadošča lastnostim, ki jihmora imeti projekcijska matrika.
Povzetek: Kadar sistem Ax = b nima rešitve (kar pomenib ∈ C (A)), rešujemo raje sistem AT Ax̂ = AT b, ki nam da
najmanjši ostanek e = Ax̂ − b.
Ortogonalne baze
Z l i i k ji j ˇ j lik l ǰ K d l i
http://find/
8/19/2019 la-pred
78/144
Z ortogonalnimi vektorji je računanje veliko lažje. Kadar so stolpcimatrike A paroma pravokotni, je matrika AT A diagonalna.Ta teden imamo dva cilja.
Ugotoviti, kako nam ortogonalnost pomaga pri računanjuprojekcij in
Konstrukcijo ortogonalnih vektorjev.
Definicija: Vektorji q1, q2, . . . , qn so ortonormalni , kadar soortogonalni im imajo vsi dolžino 1, torej
qT i q j = 0 ko je i = j pravokotni vektorji1 ko je i = j enotski vektorji
Za matriko Q = [q1 q2 · · · qn] velja Q T Q = I .
Ortogonalne matrike
D fi i ij M ik Q j l k d j
http://find/http://goback/
8/19/2019 la-pred
79/144
Definicija: Matrika Q je ortogonalna, kadar je
1. kvadratna in2. ima ortonormirane stolpce.
Za ortogonalno matriko Q velja Q T = Q −1.
Primer: Permutacijske matrike (= enotska matrika s preměsanimi
vrsticami) so ortogonalne.Trditev: Množenje z ortogonalno matriko ohranja dolžino
vektorjev in kote med njimi:
||Q x|| = ||x|| za vsak vektor x
(Q x)T Q y = xT Q T Q y = xT y .
Projekcija z ortogonalno bazo: Q namesto A
Č b i kt ji t i i t j j k ij
http://find/
8/19/2019 la-pred
80/144
Ce so bazni vektorji ortonormirani, potem je projekcija napodprostor enostavna: namesto kanoničnega sistemaAT Ax = AT b, imamo
Q T Q ̂x = I ̂x = x̂ = Q T b ,
torej kar eksplicitno izraženo rešitev.
Če je q1, . . . , qn ortonormirana baza celotnega prostora, potem jeb = QQ T b, zato lahko vsak vektor b enostavno razvijemo poortogormirani bazi:
b = q1(qT 1 b) + q2(q
T 2 b) + · · · + qn(q
T n b)
To je osnova Fourierovih vrst (Pridejo na vrsto kasneje).
Gram-Schmidtov postopekKako iz poljubne baze narediti ortonormirano bazo?Začnimo s tremi linearno neodvisnimi (ne ortogonalnimi) vektorji
http://find/http://goback/
8/19/2019 la-pred
81/144
( g ) ja, b in c. Za smer prvega baznega vektorja sprejmemo x := a.
Druga smer mora biti pravokotna na x, zato od b odštejemonjegovo projekcijo na na x:
y = b − xT b
xT xx .
Tretja smer mora biti pravokotna na prvi dve, zato od c odštejemonjegovi projekciji na x in y:
z = c − xT c
xT
x
x − yT c
yT
y
y .
Nazadnje vektorje še delimo z njihovo dolžino:
q1 = x/||x||, q2 = y/||y||, q3 = z/||z||
Gram-Schmidtov postopek (nadaljevanje)
http://find/http://goback/
8/19/2019 la-pred
82/144
Ideja Gram-Schmidtovega procesa je torej preprosta:
od vsakega novega vektorja odštejemo njegove projekcije na žedoločene smeri. Na koncu (ali pa že sproti) vsakega od vektorjevdelimo z njegovo dolžino.
Tako dobljeni vektorji so ortonormalni.
Naloga: Imamo vektorje a = [1,−1, 0]T , b = [2, 0, −2] in
c = [3,−3, 3]. Z Gram-Schmidtovim postopkom izračunaj ustrezneortonormirane vektorje.
QR razcep matrike
http://find/
8/19/2019 la-pred
83/144
Imamo matriko A (n vrstic) in trije stolpci a, b in c. Ko na
stolpcih naredimo Gram-Schmidtov postopek, dobimo matriko Q (n vrstic) z ortonormiranimi stolpci q1, q2 in q3. Kako sta ti dvematriki povezani?
Ker so vsi trije vektorji q linearne kombinacije stolpcev matrike A,
obstaja taka matrika R
, da je A
= QR
. Kaksna je matrika R
?Ker je
1. q1 v smeri a,
2. q2 v ravnini, ki jo določata a in b in
3. q3 v podprostoru, ki ga razpenjajo a, b in c, je matrika R trikotna.
QR razcep matrike - nadaljevanje
http://find/
8/19/2019 la-pred
84/144
Kaj so elementi zgornje trikotne matrike R ?Enačbo A = QR z leve pomnožimo z Q T . Ker ima Q ortogonalnestolpce, je Q T Q = I , zato je Q T A = R , kar pomeni, da enačbaA = QR izgleda kot
... ...
...a b c...
... ...
=
... ...
...q1 q2 q3...
... ...
q
T 1
a qT 1
b qT 1
c
qT 2
b qT 3
c
qT 3
c
http://find/
8/19/2019 la-pred
85/144
Linearna algebraFourierove vrsteDeterminante
Bojan OrelFakulteta za računalništvo in informatiko
4.maj 2015
Neskončno dimenzionalni prostori
http://find/
8/19/2019 la-pred
86/144
Neskončno dimenzionalni prostori se zelo razlikujejo od končnodimenzionalnih, ki smo jih spoznavali do sedaj, vendar nekaterekoncepte lahko, nekoliko spremenjene, še vedno s pridomuporabimo.
Kako lahko opišemo vektor v neskončno dimenzionalnem prostoru?Imamo dve možnosti:
1. Vektorji neskončna zaporedja x = (x 1, x 2, . . .). Na primer(1, 1/2, 1/6, . . . , 1/(n!), . . .).
2. Vlogo vektorjev prevzamejo funkcije. Na primer f (x ) = sin x .
Skalarni produkt za neskončna zaporedja
http://find/
8/19/2019 la-pred
87/144
Naravna posplošitev skalarnega produkta dveh neskončnihvektorjev v = (v 1, v 1, . . .) in u = (u 1, u 2, . . .) na neskončnazaporedja je neskončni produkt u · v = u 1v 1 + u 2v 2 + · · · . Problemnastane, če vrsta ne konvergira. Zato se omejimo na vektorje u,katerih dolžina
||u
|| je končna:
||u||2 = u · u = u 21 + u 22 + · · · < ∞ .
Za tako definiran skalarni produkt velja Schwartzova neenačba
|u
·v
|
8/19/2019 la-pred
88/144
Za funkcije na intervalu (a, b ) je naravna posplošitev vektorskegaprodukta
(f , g ) =
b
a
f (x )g (x ) dx
in naravna posplošitev dolžine vektorja norma
||f || =
b
a
(f (x ))2 dx .
Primer
Za trigonometrične funkcije cos x , cos2x , . . . ter sin x , sin2x , jeprimeren interval [−π π] Norma funkcije f (x) = sin x ne tem
http://find/http://goback/
8/19/2019 la-pred
89/144
primeren interval [ π, π]. Norma funkcije f (x ) = sin x ne temintervalu je
||f || =
(f , f ) =
π
−π
(sin x )2 dx =√
π .
Skalarni produkt f (x ) in g (x ) = cos x pa je
(f , g ) =
π
−π
sin x cos x dx = 1
2
π
−π
sin2x dx = 0 ,
torej sta sin x in cos x ortogonalni na [−π, π].Še več: vse funkcije zaporedja1 = cos 0x , cos x , sin x , cos 2x , sin 2x , cos 3x , sin 3x , . . . so medseboj ortogonalne.
Trigonometrične Fourierove vrste
Če je funkcija f (x ) odsekoma zvezna na intervalu [−π, π), jo lahkora ijemo po sin sih in kosin sih
http://find/
8/19/2019 la-pred
90/144
razvijemo po sinusih in kosinusih:
f (x ) = a0 + a1 cos x + b 1 sin x + a2 cos 2x + b 2 sin 2x + · · · .
Ker razvijamo po funkcijah, ki so ortogonalne na [−π, π), lahkokoeficiente izračunamo kot
a0 = (1, f )(1, 1)
= 12π
π
−π
f (x ) dx ,
ak = (cos kx , f )
(cos kx , cos kx ) =
1
π π
−π
f (x )cos kx dx , k = 1, 2, . . . ,
b k = (sin kx , f )
(sin kx , sin kx ) =
1
π
π
−π
f (x )sin kx dx , k = 1, 2, . . . ,
Primer: Fourierova vrsta za stopničasto funkcijoPo trigonometričnih funkcijah želimo razviti odsekoma konstantno
funkcijo f (x) = 1 0
8/19/2019 la-pred
91/144
funkcijo f (x )
0 −π
≤x
≤0
Najprej izračunamo koeficiente
a0 = 12π
π
0 dx = 1
2
ak =
1π π0 cos kx dx =
1
k π sin kx |π
0 = 0
b k = 1π
π
0 sin kx dx = −1
k π cos kx |π0 =
1 − (−1)k k π
.
Zato je b 2k = 0 in b 2k −1 = 2(2k −1)π . Končno lahko zapišemo razvoj
f (x ) = 1
2 +
∞k =1
2
(2k − 1)π sin (2k − 1)x .
Trigonometrične Fourierove vrste na intervalu [−a, a]S transformacijo t → πx
a iz funkcije f (x ), definirane na [−a, a]
dobimo funkcijo f (x ) = g (πx a
) = g (t ), definirano na [−π, π]. Zato
http://find/
8/19/2019 la-pred
92/144
j ( ) g (a
) g ( ), [ , ]f lahko zapišemo kot vsoto Fourierove vrste
f (x ) = a0 +∞k =1
ak cos
k πx
a + b k sin
k πx
a
,
kjer koeficiente izračunamo kot
a0 = 1
2a
a
−a
f (x ) dx
ak = 1
a a
−a
f (x )cos k πx
a
dx
b k = 1
a
a
−a
f (x )sin k πx
a dx
Legendreovi polinomiNa intervalu [−1, 1] so ortogonalni Legendreovi polinomi .Izračunamo jih lahko iz Rodriguesove formule
http://find/http://goback/
8/19/2019 la-pred
93/144
P n(x ) = 1
2nn!
d n
dx n (x 2 − 1)n
ali s pomočjo rekurzije
(n + 1)P n+1(x ) = (2n + 1)xP n(x )
−nP n−1(x ) .
Prvih nekaj Lagrangeovih polinomov je
P 0(x ) = 1
P 1(x ) = x
P 2(x ) = 1
2(3x 2 − 1)
P 3(x ) = 1
2(5x 3 − 3x )
Determinante
http://find/
8/19/2019 la-pred
94/144
Determinanta je število, ki pripada vsaki kvadratni matriki.
Pogled naprej Determinanto lahko izračunamo
1. z množenjem pivotov - pivotna formula
2. s seštevanjem n! produktov - velika formula
3. s seštevanjem n manjših determinant - kofaktorska formulaNamesto z običajno (precej zapleteno) formulo, bomodeterminanto definirali z njenimi osnovnimi lastnostmi.
Determinanto kvadratne matrike A bomo zapisali kot
|A
| ali
det(A).
Osnovne lastnosti determinant
Osnovne lastnosti popolnoma določajo determinante. ostalelastnosti determinant so posledica osnovnih lastnosti
http://find/
8/19/2019 la-pred
95/144
lastnosti determinant so posledica osnovnih lastnosti.
1. det(I ) = 1 determinanta enotske matrike je enaka 1.2. Ko v matriki zamenjamo dve vrstici, determinanta spremeni
predznak.
a b
c d = − c d
a b 3. Determinanta je linearna funkcija vsake vrstice posebej.
ta tb
c d
= t
c d
a b
a + a b + b c d
= a b c d
+ a b c d
Lastnosti determinant
http://find/
8/19/2019 la-pred
96/144
4. Matrika z dvema enakima vrsticama ima determinanto 0.Posledica lastnosti 2.
5. Če v matriki od poljubne vrstice odštejem mnogokratnik nekedruge vrstice, se determinanta ne spremeni.Posledica lastnosti lastnosti 3 in 4.
Posledica: Pri Gaussovi eliminaciji se determinanta matrikeohranja (ali kvečjemu spremeni predznak, če menjavamovrstice).
6. Matrika, ki ima eno vrstico samih ničel, je enaka 0.
Posledica lastnosti 3.
Lastnosti determinant (nadaljevanje)
7. Determinanta trikotne (spodnje ali zgornje) matrike jed kt di l ih l t
http://find/
8/19/2019 la-pred
97/144
produkt diagonalnih elementov.
Če so vsi diagonalni elementi različni od 0, lahko z običajnimivrstičnimi operacijami (Gauss ali Jordan) eliminiramo vsezunajdiagonalne elemente. Potem uporabimo lastnost 3.Če je vsaj eden izmed diagonalnih elementov enak 0, zeliminacijo dobimo vsaj eno ničelno vrstico in je (zaradilastnosti 6) determinanta enaka 0.
8. Če je A singularna, potem je det(A) = 0. Če je A obrnljiva,potem je det(A) = 0.Pri singularni matriki z eliminacijo pridelamo vsaj eno ničelno
vrstico, uporabimo lastnost 6.Obrnljivo matriko z eliminacijo predelamo v zgornje trikotno,uporabimo lastnost 7.
Lastnosti determinant (nadaljevanje)
9. det(AB ) = det(A)det(B ).Če je B singularna, je det(B) = 0 (lastnost 8), pa tudi AB
http://find/
8/19/2019 la-pred
98/144
Ce je B singularna, je det(B ) 0 (lastnost 8), pa tudi AB
singularna in det(AB ) = 0.Če je B obrnljiva, potem det(B ) = 0 in pogledamo kakšnelastnosti ima razmerje D (A) := det(AB )/ det(B ):
9.1 (Determinanta enotske matrike) D (I ) = det(B )/ det(B ) = 1;9.2 (Zamenjava dveh vrstic) Če v A zamenjamo dve vrstici, se
zamenjata isti dve vrstici v AB . Zato det(AB ) zamenjapredznak, prav tako tudi D (A);
9.3 (Linearnost) Če 1. vrstico matrike A pomnožimo s t , se tudi 1.vrstica AB pomnoži s t , prav tako razmerje D (A).Prvi vrstici matrike A prǐstejmo prvo vrstico matrike A, Potemse tudi prvi vrstici matrike AB prišteje prva vrstica matrikeAB in se zaradi lastnosti 3 determinanti seštejeta. Pracv takose seštejeta razmerji, če delimo z det(B ).
Ker ima D (A) lastnosti 1–3 determinant, je D (A) = det(A).
Lastnosti determinant (nadaljevanje)
10. Transponirana matrika AT ima isto determinanto kot AK j A i l j i l di AT i b i
http://find/
8/19/2019 la-pred
99/144
Ko je A singularna, je singularna tudi AT in obe imatadeterminanto 0.Ko je A obrnljiva, naredimo LU -razcep PA = LU . Obe stranitransponiramo AT P T = U T LT in uporabimo lastnost 9 zadeterminanto produkta.
Posledica: Vsaka lastnost, ki velja za vrstice determinante, veljatudi za njene stolpce.
Determinanta spremeni predznak, če med seboj zamenjamodva stolpca;
Determinanta je enaka 0, če sta dva stolpca enaka; Determinanta je enaka 0, če so v vsaj enem stolpcu same
ničle.
http://find/
8/19/2019 la-pred
100/144
Determinante in njihova uporaba
Bojan Orel
Fakulteta za računalništvo in informatiko
11.maj 2015
Determinanta 3 × 3Podobno kot determinanto matrike 2 × 2 lahko izračunamodeterminanto matrike 3 × 3
a11 a12 a13
http://find/
8/19/2019 la-pred
101/144
D = a11 a12 a13
a21 a22 a23a31 a32 a33
Vsako vrstico razčlenimo v 3 enostavnejše vrstice (npr. [a11 0 0]) spomočjo lastnosti 3b. Tako dobimo 27 enostavnih determinant.
Ko spustimo tiste, ki imajo vsaj eno ničelno vrstico ali stolpec, namostane 6 determinant brez neničelnih vrstic in stolpcev
D =
a11 0 00 a22 0
0 0 a33
+
0 a12 00 0 a23
a31 0 0
+
0 0 a13a21 0 0
0 a32 0
+
a11 0 00 0 a230 a32 0
+
0 a12 0a21 0 0
0 0 a33
+
0 0 a130 a22 0
a31 0 0
Detrerminanta 3 × 3 (nadaljevanje)Z upoštevanjem lastnosti 3b lahko zapišemo
|A|
1 0 00 1 0
+
0 1 00 0 1
http://find/
8/19/2019 la-pred
102/144
|A| = a11a22a33 0 1 00 0 1 + a12a23a31 0 0 11 0 0
+ a13a21a32
0 0 11 0 00 1 0
+ a11a23a32
1 0 00 0 10 1 0
+ a12a21a33
0 1 01 0 00 0 1
+ a13a22a31
0 0 10 1 01 0 0
Za vsako determinanto še prěstejemo, s koliko menjavami vrstic
dobimo enotsko matriko in končno
|A| = a11a22a33 + a12a23a31 + a13a21a32
− a11a23a32 − a12a21a33 − a13a22a31
Velika formula za determinanto
http://find/http://goback/
8/19/2019 la-pred
103/144
Podobno za n × n. Iz vsake vrstice in iz vsakega stolpca izberemopo en element, izračunamo njihov produkt, ga opremimo s pravimpredznakom, vse to seštejemo in pridemo do formule
|A| =
det(P )a1αa2β · · · anω,
kjer seštevamo po vseh n! permutacijah stolpcev P = (α,β , . . . , ω).
Kofaktorji
Determinanto 3 × 3 lahko zapǐsemo tudi kot
http://find/
8/19/2019 la-pred
104/144
|A| = a11(a22a33−a23a32)+a12(a23a31−a21a33)+a13(a21a32−a22a31) .
V tej formuli so faktorji a1 j pomnoženi s kofaktorji C 1 j , ki so, dopredznaka natančno, determinante A1 j dimenzije 2 × 2, ki jihdobimo, ko v prvotni determinanti izpustimo vrstico in stolpec, v
katerih se nahaja a1 j .Kofaktorji elementov i te vrstice so C ij = (−1)
i + j Aij . Razvojdeterminante po kofaktorjih je
det(A) = ai 1C i 1 + ai 2C i 2 + · · · + ainC in .
Razvoj po kofaktorjih je uporaben predvsem takrat, ko ima matrikaveliko elementov enakih 0.
Uporaba determinant
http://find/
8/19/2019 la-pred
105/144
Ogledali si bomo nekaj problemov, pri katerih lahko pridemo dorešitve z uporabo determinante:
Cramerjevo pravilo za reševanje sistemov linearnih enačb;
Formulo za izračun inverzne matrike;
Izračun ploščine romboida in prostornine paralelepipeda.
Nato se bomo spoznali z lastnimi vrednostmi in lastnimi vektorjimatrike, kjer tudi potrebujemo determinante.
Cramerjevo pravilo
S Cramerjevim pravilom zapišemo rešitev sistema enačb Ax = b.
Preprosta ideja nas pripelje do prve komponente vektorja x: če prvi
http://find/
8/19/2019 la-pred
106/144
Preprosta ideja nas pripelje do prve komponente vektorja x: ce prvistolpec enotske matrike nadomestimo z x, dobimo matriko zdeterminanto x 1. To matriko z leve pomnožimo z A. Prvi stolpectako dobljene matrike je Ax, torej b, ostali stolpci so isti kot v A:
A x 1 0 0x 2 1 0x 3 0 1
= b 1 a12 a13b 2 a22 a23b 3 a32 a33
=: B 1Iz determinant teh treh matrik dobimo
det(A)x 1 = det(B 1) torej x 1 = det(B 1)det(A)
.
Cramerjevo pravilo (nadaljevanje)
Cramerjevo pravilo: Če je matrika A nesingularna n × n, potemlahko rešitev sistema Ax = b zapišemo s pomočjo determinant:
http://find/
8/19/2019 la-pred
107/144
x 1 = B 1
det(A), x 2 =
B 2
det(A), · · · x n =
B n
det(A) ,
kjer je vsaka od matrik B j dobljena tako, da v matriki Azamenjamo j -ti stolpec z vektorjem b.
Za rešitev sistema n enačb z n neznankami s Cramerjevim,moramo izračunati n + 1 determinanto reda n. Čeprav za izračundeterminante uporabimo najučinkoviteǰso metodo, t.j. Gaussovoeliminacijo, je to veliko dela. Kot vemo, je za rešitev sistema enačb
dovolj ena sama Gaussova eliminacija.Opozorilo: Cramerjevo pravilo je za reševanje sistemov z več kot
3 neznankami popolnoma neprimerno!
Inverzna matrika
S Cramerjevim pravilom poiščimo inverz matrike 2 × 2 kot rešitevenačbe AX = I :
http://find/
8/19/2019 la-pred
108/144
a b
c d
x 11x 21
=
01
,
a b
c d
x 12x 22
=
10
Za izračun elementov matrike X potrebujemo pet determinant
a b c d in
1 b 0 d
a 1c 0
0 b 1 d
a 0c 1
Zadnje štiri so kofaktorji d , −c , −b , a, zato je
A−1 = 1ad − bc
d −b −c a
Splošna formula za inverzno matriko
Izrek: Inverzna matrika A−1 matrike A je transponirana matrika
http://find/http://goback/
8/19/2019 la-pred
109/144
j p
kofaktorjev, deljena z determinanto |A|:
A−1 = C T
det(A) .
Ideja dokaza: Matriko A pomnožimo s C T :
a11 a12 a13a21 a22 a23a31 a32 a33
C 11 C 21 C 31C 12 C 22 C 32C 13 C 23 C 33
=
det(A) 0 00 det(A) 00 0 det(A)
Ploščine in prostornine
Ploščina paralelograma, ki ga določata vektorja a in b v R2 je
http://find/
8/19/2019 la-pred
110/144
absolutna vrednost determinante |a b|. Ploščina trikotnika jepolovica ploščine paralelepipeda.
Ploš̌cina trikotnika z oglǐšci (x 1, y 1), (x 2, y 2) in (x 3, y 3) je
ploščina trikotnika = 12
x 1 y 1 1
x 2 y 2 1x 3 y 3 1
Prostornina paralelepipeda, ki ga določajo vektorji a, b in c v R3 jeabsolutna vrednost determinante |a b c|. Prostornina tetraedra je16
prostornine paralelepipeda.
Vektorski produkt
Vektorski produkt je posebna operacija, ki je definirana samo v R3.
Definicija: Vektorski produkt vektorjev a = [a1, a2, a3]T in
http://find/
8/19/2019 la-pred
111/144
b = [b 1, b 2, b 3]T je vektor
a×b =
i j k
a1 a2 a3b 1 b 2 b 3
= (a2b 3−a3b 2)i−(a1b 3−a3b 1) j+(a1b 2−a2b 1)k
Lastnosti vektorskega produkta:
Antikomutativnost: b × a = −a × b;
a × b je pravokoten na a in b;
a × a = 0 ||a × b|| = ||a||||b|| sin ϕ, kjer je ϕ kot, ki ga oklepata vektorja
a in b.
http://find/
8/19/2019 la-pred
112/144
Lastne vrednosti in lastni vektorji matrike
Bojan OrelFakulteta za računalništvo in informatiko
18.maj 2015
Lastne vrednosti in lastni vektorji kvadratne matrike
Produkt matrike A in vektorja x je vektor Ax, ki največkrat nikolinearen z x. Nekateri posebni vektorji pa pri množenju z matriko
http://find/
8/19/2019 la-pred
113/144
p j p p j
ohranjajo smer. To so lastni vektorji . Pri množenju z matriko A sesamo pomnožijo s številom λ.
Definicija: Vektor x, za katerega je Ax = λx je lastni vektor .
Število λ je lastna vrednost .
Opomba: Izraz lastni vektor je lahko zavajajoč, saj pomeni samo
smer (enodimenzionalni podprostor). Vsak vektor v tej smeri jelastni vektor z isto lastno vrednostjo. Lastna vrednost pomeni, zakoliko se pri množenju z A vektorji v smeri x podaljšajo ali skrčijo.
Primer: Za enotsko matriko I je vsak vektor lastni vektor, lastnavrednost je enaka 1, saj je vedno I x = 1x.
Lastne vrednosti in lastni vektorji - primeri za posebnematrike
Za projekcijsko matriko P je ena lastna vrednost 1, lastni vektor
http://find/
8/19/2019 la-pred
114/144
je katerikoli vektor iz stolpčnega podprostora C (P ) (lastnipodprostor). Druga lastna vrednost je 0, lastni vektor je katerikolivektor iz ničelnega prostora N (P ) (spet lastni podprostor).
Permutacijska matrika P = 0 1
1 0 ima lastno vrednost 1 z
lastnim vektorjem [1 1]T in lastno vrednost −1 z lastnim vektorjem[1 − 1]T .
Trditev: Če ima A lastno vrednost λ in lastni vektor x, potem imaA2 lastno vrednost λ2 in isti lastni vektor x.
če je Ax = λx potem je A2x = A(Ax) = A(λx) = λAx = λ2x .
Računanje lastnih vrednosti in lastnih vektorjev
Enačbo za lastne vrednosti in lastne vektorje Ax = λx lahkozapišemo tudi kot (A − λI )x = 0. Da bi ta enačba imela rešitev,
http://find/
8/19/2019 la-pred
115/144
p ( λ ) ,mora biti matrika A − λI singularna. Lastne vrednosti so torejrěsitve enačbe
det(A − λI ) = 0 .
Ta karakteristǐcna enačba je algebrajska enačbe stopnje n
(det(A = λI je polinom stopnje n), zato ima n korenov, nekaterikoreni so večkratni, kompleksni koreni nastopajo vedno kot parkonjugiranih števil.
Za vsako lastno vrednost λ lastne vektorje izračunamo kot ničelni
podprostor matrike A − λI . Za vsako k -kratno lastno vrednost jedimenzija ničelnega prostora največ k .
Primer:Poǐsčimo lastne vrednosti in lastne vektorje matrike
A =
1 −1−6 2
.
http://find/
8/19/2019 la-pred
116/144
Iz karakteristǐcne enačbe 1 − λ −1−6 2 − λ = (1 − λ)(2 − λ) − 6 = λ2 − 3λ − 4 = 0 .
Izračunamo lastne vrednosti λ1 = −1 in λ2 = 4.
Za prvo lastno vrednost λ1 = −1 dobimo sistem 2 −1−6 3
x = 0 , katerega rešitev je prvi lastni vektor
x1 = [1, 2]T .
Za drugo lastno vrednost λ1 = 4 dobimo sistem −3 −1−6 −2
x = 0 , katerega rešitev je drugi lastni vektor
x2 = [−1, 3]T .
Povzetek dejstev:
Ax = λx pomeni, da lastni vektor x pri množenju z A ne
http://find/
8/19/2019 la-pred
117/144
spremeni smeri.
Iz (A = λI )x = 0 ugotovimo, da lastne vrednosti λ zadoščajoenačbi det(A − λI ) = 0.
Če je λ lastna vrednost matrike A, ima A2 lastno vrednost λ2
in A−1 lastno vrednost 1/λ.
Vsota vseh lastnih vrednosti A je sled(A)(= a11 + a22 + · · · + ann), produkt lastnih vrednosti je det(A).
Singularna matrika ima vsaj eno lastno vrednost enako 0.
Trikotne matrike imajo lastne vrednosti na diagonali.
Diagonalizacija matrike
Izrek: Denimo, da ima matrika A n linearno neodvisnih lastnihvektorjev x1, x2, . . . , xn. Če jih zložimo kot stolpce v matriko S
http://find/
8/19/2019 la-pred
118/144
S = [x1 x2 · · · xn] ,
potem je Λ =: S −1AS diagonalna matrika z lastnimi vrednostmi nadiagonali
S −1AS = Λ =
λ1 . . .λn
.
Opomba: Kadar so lastne vrednosti matrike med seboj vse
različne, so lastni vektorji neodvisni. Vsako matriko, pri kateri senobena lastna vrednost ne ponovi, lahko diagonaliziramo po temizreku.
Diagonalizacija - primer
Naj bo A =
1 −1−6 2
.
http://find/
8/19/2019 la-pred
119/144
Najprej iz karakteristične enačbe det(A −λI ) = 0 izračunamo lastnivrednosti λ1 = −1 in λ2 = 4, potem lastna vektorja kot rešitevsistemov (A = λi I )x = 0. Dobimo x1 = [1 2]
T in x2 = [−1 3]T .
Sestavimo matriko S in izračunamo njen inverz S −1
S =
1 −12 3
; S −1 = 1
5
3 1−2 1
Končno izračunajmo S −1AS =
−1 0
0 4
= Λ.
Opomba: Lastni vektorji v matriki S so v istem vrstnem redu kotlastne vrednosti v matriki Λ.
Potence matrike
Opozorilo: Vse trditve o uporabi diagonalizacije veljajo le, če imamatrika dovolj linearno neodvisnih lastnih vektorjev.
1 1
http://find/http://goback/
8/19/2019 la-pred
120/144
Enačbo S −
AS = Λ lahko napišemo tudi kot A = S ΛS −
ali pakot AS = S Λ.
Trditev: Če je A = S ΛS −1, potem je A2 = S Λ2S −1 inAk = S Λk S −1.
Potence diagonalne matrike izračunamo preprosto:
Λk =
λk 1 · · · 0...
. . . ...
0 · · · λk n
,
zato lahko preprosto izračunamo tudi potence poljubnediagonalizabilne matrike.
Uporaba potenc matrike
Naj bo A matrika dimenzije n × n in y0 ∈ Rn. A naj ima n linearno
neodvisnih vektorjev. Zanima nas, kako se obnaša zaporedje
http://find/
8/19/2019 la-pred
121/144
vektorjev, definirano kot yk +1 = Ayk . Posebej nas zanima, ali tozaporedje konvergira in kaj je limitni vektor.
Obnašanje zaporedja yk je predvsem odvisno od lastnih vrednostimatrike A.
Najprej y0 razvijemo po bazi lastnih vektorjev
y0 = c 1x1 + c 2x2 + · · · + c nxn
in pomnožimo z A
Ay0 = c 1λ1x1 + c 2λ2x2 + · · · + c nλnxn .
Uporaba potenc matrike (nadaljevanje)
Prav tako je
http://find/http://goback/
8/19/2019 la-pred
122/144
Ak y0 = c 1λk
1x1 + c 2λk
2x2 + · · · + c nλk
nxn .
Vidimo, da je rezultat odvisen od velikosti lastnih vrednosti:
Če je za vsaj eno lastno vrednost |λi | > 1, potem zaporedje yk
neomejeno narašča. Če so vse lastne vrednosti |λ|
8/19/2019 la-pred
123/144
1, 2, 3, 5, 8, 13, . . ..
Vprašanje: Kako hitro naraščajo Fibonaccijeva števila? Koliko jeF 2010?
F 2010 sicer lahko izračunamo s pomočjo rekurzije
F k +2 = F k +1 + F k , vendar bi predolgo trajalo :) .
Fibonaccijevo zaporedje (dvočlenska skalarna rekurzija) lahkozapišemo kot enočlensko vektorsku rekurzijo xk +1 = Axk , ki jo žeobvladamo. Naj bo xk = [F k +1 F k ]
T . Potem pravilo
F k +2=F k +1 + F k F k +1=F k +1
lahko zapišemo v matrični obliki
xk +1 =
1 11 0
xk
Primer: Fibonaccijeva števila (nadaljevanje)
Izračunamo lastne vrednosti in lastne vektorje te matrike:
det(A = λI ) = λ2 − λ − 1 = 0 ,
http://find/
8/19/2019 la-pred
124/144
torej λ1 = 1+
√ 5
2 ≈ 1.618 in λ2 =
1−√ 5
2 ≈ −0.618. Ustrezna lastna
vektorja sta x1 = [λ1 1]T in x2 = [λ2 1]
T . Začetni vektorx0 = [0 1]
T izrazimo kot kombinacijo lastnih vektorjev
10
= 1
λ1 − λ2
λ1
1
− λ2
1
ali x0 = x
1 − x2λ1 − λ2
.
Od tod
x2010 = λ20101 x1 − λ
20102
x2
λ1 − λ2
Tako je F 2010 = 1√ 5
1+
√ 5
2
2010−1−
√ 5
2
2010 ≈ 5.3 · 10419.
L d i i l i k ji ik
http://find/
8/19/2019 la-pred
125/144
Lastne vrednosti in lastni vektorji matrike
Bojan OrelFakulteta za računalništvo in informatiko
25. maj 2015
Primer: Fibonaccijeva številaDefinicija: Zaporedje Fibonaccijevih števil F k zadošča rekurziji
F k +2 = F k +1 + F k .
Če izberemo F 0 = 0 in F 1 = 1, so naslednja Fibonaccijeva števila
1 2 3 5 8 13
http://find/http://goback/
8/19/2019 la-pred
126/144
1, 2, 3, 5, 8, 13, . . ..
Vprašanje: Kako hitro naraščajo Fibonaccijeva števila? Koliko jeF 2010?
F 2010 sicer lahko izračunamo s pomočjo rekurzije
F k +2 = F k +1 + F k , vendar bi predolgo trajalo :) .
Fibonaccijevo zaporedje (dvočlenska skalarna rekurzija) lahkozapišemo kot enočlensko vektorsku rekurzijo xk +1 = Axk , ki jo žeobvladamo. Naj bo xk = [F k +1 F k ]
T . Potem pravilo
F k +2=F k +1 + F k F k +1=F k +1
lahko zapišemo v matrični obliki
xk +1 =
1 11 0
xk
Primer: Fibonaccijeva števila (nadaljevanje)
Izračunamo lastne vrednosti in lastne vektorje te matrike:
det(A − λI ) = λ2 − λ − 1 = 0 ,
http://find/
8/19/2019 la-pred
127/144
torej λ1 = 1+
√ 5
2 ≈ 1.618 in λ2 =
1−√ 5
2 ≈ −0.618. Ustrezna lastna
vektorja sta x1 = [λ1 1]T in x2 = [λ2 1]
T . Začetni vektorx0 = [0 1]
T izrazimo kot kombinacijo lastnih vektorjev
10
= 1
λ1 − λ2
λ1
1
−
λ21
ali x0 = x
1 − x2λ1 − λ2
.
Od tod
x2010 = λ20101 x1 − λ
20102 x2
λ1 − λ2
Tako je F 2010 = 1√ 5
1+
√ 5
2
2010−1−
√ 5
2
2010≈ 5.3 · 10419.
Lastne vrednosti in diferencialne enačbe
Linearna diferencialna enačba 1. reda y = ay ima splošno rešitevy = C exp(ax ). To znanje želimo uporabiti pri sistemu linearnihdiferencialnih enačb s konstantnimi koeficienti y = Ay (A je
t ik × i R→ Rn)
http://find/
8/19/2019 la-pred
128/144
matrika n × n in y : R→ Rn).
Če ima A poln sistem lastnih vektorjev, si lahko pomagamo zdiagonalizacijo: A = S ΛS −1, torej imamo sistem enačby = S ΛS −1y. Z novo spremenljivko u = S −1y sistem enačb
razpade na n nepovezanih enačb u = Λu oz.
u 1 = λ1u 1, u 2 = λ2u 2, . . . u
n = λnu n ,
katerih rešitve so
u 1 = c 1 exp(λ1x ), u 2 = c 2 exp(λ2x ), . . . u n = c n exp(λnx )
To bi radi zapisali z matrikami.
Lastne vrednosti in diferencialne enačbe (nadaljevanje)Rěsitev u(x ) želimo napisati v obliki exp(Ax )u(0). Kaj pomenieksponentna funkcija matrike?
Eksponentna funkcija e x (ali exp(x )) je za realen x definirana kot
neskončna rsta 1 + x + x
2
2! + x
3
3! + Za matričen arg ment Ax
http://find/
8/19/2019 la-pred
129/144
neskoncna vrsta 1 + x + 2! + 3! + · · · . Za matricen argument Ax jo definiramo podobno
exp(Ax ) = I + Ax + x 2
2!A2 +
t 3
3!A3 + · · ·
Pri računanju exp(Ax ) si lahko pomagamo z diagonalizacijo: če Aima n neodvisnih vektorjev, je A = S ΛS −1. vstavimo v vrsto
exp Ax = I + S ΛS −1 + 1
2!(S ΛS −1x )(S ΛS −1x ) + . . . .
Produkt S in S −1 v sredini je I , S na začetku in S −1 in dobimo
exp(Ax ) = S (I + Λx + x 2
2!Λ2 +
x 3
3!Λ3 + · · · )S −1 = S exp(Λx )S −1 .
Primer:
Poǐsčimo tisto rešitev sistema diferencialnih enačb
y = y − z 6 2
http://find/
8/19/2019 la-pred
130/144
z = −6y + 2z ,
ki zadošča začetnima pogojema y (0) = 2 in z (0) = −1.
Najprej obe skalarni funkciji y in z združimo v eno vektorsko
u = [y z ]T
, pa lahko sistem enačb zapišemo v matrični obliki
u = Au, kjer je matrika A =
1 −1−6 2
. Njene lastne vrednosti
in lastne vektorje že poznamo (glej zgoraj): λ1 = −1 z x1 = [1 2]T
ter λ2 = 4 z x2 = [−1 3]T .
Začetno vrednost u(0) = [2 − 1]T izrazimo z lastnima vektorjema:u(0) = x1 − x2.
Primer (nadaljevanje)Iskana rešitev je u(x ) = exp Ax u(0), torej
u(x ) = S exp(Λx )S −1(x1 − x2)
−x 0
http://find/
8/19/2019 la-pred
131/144
Ker je S −1(x1 − x2) = [1 − 1]T in exp(Λx ) =
e −x 0
0 e 4x
,
končno rešitev zapǐsemo kot
u(x ) = e −x 1
2− e
4x −13
,
oziroma s prvotnimi spremenljivkami
y (x ) = e −x + e 4x
z (x ) = 2e −x − 3e 4x .
Preveri, če je to res rešitev zastavljene naloge!
Simetrične matrike
Kakšne so lastne vrednosti in lastni vektorji simetričnih matrik?
Izrek: Vse lastne vrednosti realne simetrične matrike so realne
http://find/
8/19/2019 la-pred
132/144
Izrek: Vse lastne vrednosti realne simetricne matrike so realne.Ideja dokaza Enačbo Ax = λx konjugiramo: Ax̄ = λ̄x̄ in
transponiramo: x̄T A = λ̄x̄T ter pomnožimo z x z desne
x̄T Ax =
λ̄x̄T x .
Ker je x̄T Ax enako x̄T (λx) in ker je x̄T x > 0 za x = 0, je λ̄ = λ,torej realen.
Izrek: Lastni vektorji realne simetrične matrike, ki pripadajo
različnim lastnim vrednostim, so pravokotni.
Spektralni izrek za simetrične matrike
Ker so lastni vektorji simetrične matrike ortogonalni, velja
Izrek: Vsako realno simetrično matriko A lahko razcepimo v
http://find/
8/19/2019 la-pred
133/144
Izrek: Vsako realno simetricno matriko A lahko razcepimo vA = Q ΛQ T , kjer je Q ortogonalna matrika.
Posledica: Vsako realno simetrično matriko lahko zapišem kotlinearno kombinacijo
A = λ1q1qT
1 + λ2q2qT
2 + . . . + λnqnqT
n ,
kjer so qi stolpci matrike Q (torej lastni vektorji matrike A).
Matrike qi qT
i so projekcijske matrike na lastni podprostor, ki ga q1
določa.
Pozitivno definitne simetrične matrike
Definicija: Kvadratna matrika je pozitivno definitna, kadar so vse
njene lastne vrednosti pozitivne
http://find/http://goback/
8/19/2019 la-pred
134/144
njene lastne vrednosti pozitivne.Posledica: Kvadratna matrika reda 2 je pozitivno definitna
natanko tedaj, kadar sta pozitivni njena determinanta in sled.
Izrek: Simetrična matrika A reda n je pozitivno definitna natanko
tedaj, ko je za vsak vektor x = 0 ∈ Rn
xT Ax > 0.
Posledica: Če sta matriki A in B pozitivno definitni, je pozitivno
definitna tudi njuna vsota A + B .
Pozitivno definitne matrike
I k M t ik j iti d fi it t k t d j k d
http://find/
8/19/2019 la-pred
135/144
Izrek: Matrika je pozitivno definitna natanko tedaj, kadar so vsenjene vodilne glavne poddeterminante pozitivne.
Izrek: Če so stolpci matrike R linearno neodvisni, je matrikaA = R T R pozitivno definitna.
Izrek: Za vsako simetrično, pozitivno definitno matriko obstajazgornjetrikotna matrika R , da je A = R T R
Pozitivno definitne matrike - povzetek
Izrek: Simetričan matrika reda n ki ima eno od spodaj naštetih
http://find/
8/19/2019 la-pred
136/144
Izrek: Simetrican matrika reda n, ki ima eno od spodaj nastetihlastnosti, ima tudi vse ostale:
1. Vseh n pivotov je pozitivnih;
2. Vseh n vodilnih glavnih determinant je pozitivnih;
3. Vseh n lastnih vrednosti je pozitivnih;4. Za vsak x = 0 je xT Ax > 0;
5. A = R T R za neko matriko R z linearno neodvisnimi stolpci.
Razcep singularnih vrednosti
http://find/http://goback/
8/19/2019 la-pred
137/144
Razcep singularnih vrednosti
Bojan OrelFakulteta za računalništvo in informatiko
1. junij 2015
Motivacija
Za simetrično matriko A vemo, da obstaja razcep A = Q ΛQ T , kjer je Q ortogonalna matrika lastnih vektorjev in Λ diagonalna matrika
lastnih vrednosti.
http://find/
8/19/2019 la-pred
138/144
lastnih vrednosti.Za poljubno matriko A ∈ Rm×n so z diagonalizacijo A = S ΛS −1hude težave:
če A ni kvadratna, potem enačba Ax = λx sploh nima smisla.
Lastne vrednosti in lastni vektorji pravokotnim matrikam ”nepripadajo”.
Tudi če je A kvadratna, nima nujno dovolj neodvisnih lastnihvektorjev.
Tudi če ima A dovolj lastnih vektorjev, navadno med sebojniso pravokotni.
Razcep singularnih vrednosti
Dobra novica: Vsako matriko (tudi pravokotno) lahko zapišemo
kot produkt A = U ΣV
T
, kjer je matrika U ortogonalna m × m, Σdiagonalna m × n z singularnimi vrednostmi σi na diagonali in V
http://find/
8/19/2019 la-pred
139/144
p , j j g ,diagonalna m × n z singularnimi vrednostmi σi na diagonali in V ortogonalna n × n.Cena, ki jo moramo plačati za diagonalizacijo splošne matrike vprimerjavi s simetrično, sta dve različni ortogonalni matriki
namesto ene same.
Problem: Kako določiti matriki U in V , oziroma ortonormiranobazo levih singularnih vektorjev prostora Rm in ortonormirano bazodesnih singularnih vektorjev prostora Rn?
Kaj so singularne vrednosti σi
Razcep singularnih vrednosti (nadaljevanje)m levih singularnih vektorjev vi moramo poiskati tako, da bodo
1. ortonormirani (to ni težko)
2. vektorji Avi tudi ortogonalni (to je malo težji problem).
Končno za desne singularne vektorje u vzamemo u σ Av kjer
http://find/
8/19/2019 la-pred
140/144
Koncno za desne singularne vektorje ui vzamemo ui = σi Avi , kjer je σi =
1
||Avi ||.
Če je A = U ΣV T , potem je
AT A = V ΣT UTU ΣV T = V ΣT ΣV T ,
kar je spektralni razcep simetrične matrike AT A, saj je Σdiagonalna matrika, tako kot tudi ΣT Σ. Prav tako tudi
AAT = U ΣV T V ΣT U = U ΣΣT U T ,
kar je spektralni razcep simetrične matrike AAT .
Razcep singularnih vrednosti (nadaljevanje)
Tako so levi singularni vektorji lastni vektorji simetrične matrikeAAT in iz njih sestavimo ortogonalno matriko U Desni singularni
http://find/
8/19/2019 la-pred
141/144
g j jAAT in iz njih sestavimo ortogonalno matriko U . Desni singularnivektorji so lastni vektorji simetrične matrike AT A in iz njihsestavimo ortogonalno matriko V .
Singularne vrednosti so koreni lastnih vrednosti matrike AT A (patudi AAT ), ki so vse realne in nenegativne. Iz njih sestavimodiagonalno matriko Σ. Navadno singularne vrednosti uredimopadajoče σ1 ≥ σ2 ≥ · · · ≥ σr > 0.
PrimerIzračunajmo SVD razcep matrike A =
4 34 −3
.
Najprej izračunamo matriko AT A =
32 0
0 18
, ki ima lastno
vrednost λ1 = 32 z lastnim vektorjem x1 = [1 0]T in lastno
http://find/
8/19/2019 la-pred
142/144
j [ ]vrednost λ2 = 18 z lastnim vektorjem x + 2 = [0 1]
T . Ortogonalnamatrika V in diagonalna Σ sta tako
V = 1 0
0 1, Σ =
√
32 0
0 √ 18
Matrika AAT =
25 7
7 25
ima isti lastni vrednosti kot AT A,
λ1 = 32 z lastnim vektorjem x1 = [1 1]T in λ2 = 18 z lastnim
vektorjem x2 = [1 − 1]T . Tako dobimo še
U = 1√
2
1 11 −1 .
SVD in 4 osnovni prostori matrike
Matriki U in V vsebujeta ortonormirana baza štirih osnovniht t ik A
http://find/
8/19/2019 la-pred
143/144
prostorov matrike A:
1. prvih r stolpcev V je baza vrstičnega prostora C (AT );
2. zadnjih n − r stolpcev V je baza ničelnega prostora N (A);3. prvih r stolpcev U je baza stolpčnega prostora C (A);4. zadnjih m − r stolpcev U je baza levega ničelnega prostora
N (AT ).
Uporaba razcepa singularnih vrednosti
Podobno kot pri spektralnem izreku za simetrične matrike, namtudi SVD razcep omogoca, da matriko napǐsemo kot linearno
http://find/
8/19/2019 la-pred
144/144
p g pkombinacijo matrik ranga 1: če je A = U ΣV T matrika ranga r ,potem je
A = σ1u1vT
1 + σ2u2v
T
2 + · · ·σr ur vT r .
Ta enačba je osnova analize glavnih komponent (angl. PrincipalComponent Analysis - PCA), metode ki so jo najprej uporabljali vstatistiki, danes pa je nepogrešljiva med drugim v računalniškemvidu in kompresiji podatkov.
http://find/