Matrix Calculator – Determinant, Inverse & More

Matrisoperaatiot: Lisääminen ja vähennys

Matritsi on neliön muotoinen lukujen joukko, joka on järjestetty rivien ja sarakkeiden muodostamaksi ruudukoksi. m × n -matritsi on m rivin ja n sarakkeen kokoista.

Lisääminen ja vähennys vaativat samankokoisia matrakteja. Lisää tai vähennä vastaavat elementit:

Jos A = [[1, 2], [3, 4]] ja B = [[5, 6], [7, 8]], niin:

• A + B = [[1+5, 2+6], [3+7, 4+8]] = [[6, 8], [10, 12]]
• A − B = [[1−5, 2−6], [3−7, 4−8]] = [[−4, −4], [−4, −4]]

Lisäämisen on osoittanut olevan kommutatiivinen (A + B = B + A) ja assosiatiivinen ((A + B) + C = A + (B + C)).

Matritsin kertolasku

Matritsin kertolasku on monimutkaisempi kuin elementtien kertolasku. Kertoma A (m×n) B (n×p), sisäiset ulottuvuudet on oltava yhtenevät (n), tuottamalla tulosteen C (m×p).

Kunkin elementin C[i][j] = A[i][k] × B[k][j] kaikkien kohdille k.

Esimerkki: A = [[1, 2], [3, 4]] (2×2) × B = [[5, 6], [7, 8]] (2×2):

• C[0][0] = 1×5 + 2×7 = 19
• C[0][1] = 1×6 + 2×8 = 22
• C[1][0] = 3×5 + 4×7 = 43
• C[1][1] = 3×6 + 4×8 = 50

Tulos: C = [[19, 22], [43, 50]]

Avainominaisuus: Matritsin kertolasku ei ole kommutatiivinen — A×B ≠ B×A yleensä. Kuitenkin, se on assosiatiivinen: (A×B)×C = A×(B×C).

Determinant ja käänteismatriisi 2×2-matriisille

Determinant 2×2-matriisille A = [[a, b], [c, d]] on: det(A) = ad − bc

Determinant ilmoittaa, onko matriisi käänteismatriisillä (det ≠ 0) ja edustaa muunnoksen kiihdytystä.

Käänteismatriisi 2×2-matriisille (on olemassa vain, jos det ≠ 0):

A⁻¹ = (1/det) × [[d, −b], [−c, a]]

Esimerkki: A = [[1, 2], [3, 4]]
det = 1×4 − 2×3 = 4 − 6 = −2
A⁻¹ = (1/−2) × [[4, −2], [−3, 1]] = [[−2, 1], [1.5, −0.5]]

Varmenta: A × A⁻¹ = Identiteettimatriisi [[1,0],[0,1]]

Matrakkien käytännön sovellukset

Matritsit ovat perusta monille todellisille sovelluksille:

• Tietokonegrafiikka ja pelien kehitys: Jokainen 3D-rotatio, skaalaus ja siirtymä on matriisikertolasku. 4×4-muunnosmatriisi hoitaa kaikki kolme operaatiota yhtäaikaisesti.
• Neuroverkot: Neuroverkon painot, syöteaineet ja aktivaatiot ovat kaikki matriiseja. Neuroverkon kouluttaminen on periaatteessa miljoonia matriisikertolaskuja.
• Talous: Leontiefin syöte-ja tuotantomalli käyttää matriiseja mallia taloudellisten sektoreiden välisistä riippuvuuksista.
• Fysiikka: Kvanttimekaniikka käyttää matriiseja (operaattoreita) havaittavien määräyksien edustajiksi. Paino- ja kiihdytysvälitteet insinööritieteessä ovat matriisiluokkaa.
• Statistiikka: Kovarianssimatriisit, pääkomponenttianalyysi (PCA) ja regressioarviot kaikki perustuvat matriisiohjelmointiin.

3×3-matriisin determinantti ja kofaktorin laajennus

3×3-matriisin determinantti lasketaan käyttäen kofaktorin laajennusta (myös nimellä Laplace-laajennus). Käytetään:

Determinantti on: det = a(ei − fh) − b(di − fg) + c(dh − eg)

Tehtävä esimerkki: A = [[2, 1, 3], [0, −1, 2], [4, 0, 1]]

• det = 2(−1×1 − 2×0) − 1(0×1 − 2×4) + 3(0×0 − (−1)×4)
• det = 2(−1 − 0) − 1(0 − 8) + 3(0 + 4)
• det = 2(−1) − 1(−8) + 3(4)
• det = −2 + 8 + 12 = 18

Isompiin matriiseihin (4×4, 5×5, jne.), kofaktorin laajennusmenetelmä tulee tietokoneella käytännössä kalliiksi (n! operaatio). Oikeasti, tietokoneet käyttävät LU-dekomponeointia tai rivien vähentämistä laskemaan determinantteja O(n³) aikaa.

Omavalikoimat ja omavalikoimavektoreilla

Omavalikoimat ovat lineaarialgebran keskeisiä käsitteitä. Neliömatriisi A:lle on omavalikoima λ ja sen vastaava omavalikoimavektori v, jolloin A·v = λ·v — matriisi muuttaa omavalikoimavektoria vain skaalaten (ei kääntämällä).

Omavalikoimien löytäminen 2×2-matriisille A = [[a, b], [c, d]] on ratkaistaan omavalikoismaiseen yhtälöön: det(A − λI) = 0

Tämä antaa: (a − λ)(d − λ) − bc = 0, tai: λ² − (a+d)λ + (ad − bc) = 0

Termit (a+d) on matriisin raitavakio, ja (ad − bc) on matriisin det.

Esimerkki: A = [[4, 2], [1, 3]]

• Omavalikoismaiseen yhtälöön: λ² − 7λ + 10 = 0
• Tehty: (λ − 5)(λ − 2) = 0
• Omavalikoimat: λ₁ = 5, λ₂ = 2

Missä omavalikoimat esiintyvät käytännössä:

Yhtälöiden ratkaiseminen matriisien avulla

Yksi matriisien käytännön sovelluksista on yhtälöiden ratkaiseminen. Yhtälöjärjestelmä voidaan kirjoittaa matriisimuodossa Ax = b, missä A on kertoimien matriisi, x on muuttujien vektori ja b on vakiovektori.

Esimerkkijärjestelmä:

• 2x + 3y = 8
• 4x − y = 2

Matriisimuoto: A = [[2, 3], [4, −1]], x = [[x], [y]], b = [[8], [2]]

Ratkaisu matriisin käänteisen avulla: x = A⁻¹ · b

• det(A) = 2(−1) − 3(4) = −2 − 12 = −14
• A⁻¹ = (1/−14) × [[−1, −3], [−4, 2]] = [[1/14, 3/14], [4/14, −2/14]]
• x = A⁻¹ · b = [[1/14 × 8 + 3/14 × 2], [4/14 × 8 + (−2/14) × 2]] = [[1], [2]]
• Ratkaisu: x = 1, y = 2

Cramerin sääntö on toinen menetelmä: kunkin muuttujan sijaan korvataan sen sarakkeella vakiovektorilla ja lasketaan tuloksena saatu matriisin determinantti alkuperäisen matriisin determinantilla. Esimerkiksi edellä mainitussa tapauksessa:

• x = det([[8, 3], [2, −1]]) / det(A) = (−8 − 6) / (−14) = −14 / −14 = 1
• y = det([[2, 8], [4, 2]]) / det(A) = (4 − 32) / (−14) = −28 / −14 = 2

Suurten järjestelmien (n > 3) tapauksessa Gaussianin eliminointi (sarakkeen vähentäminen) on laskentatehokkaampi kuin matriisin käänteisen tai Cramerin säännön käyttäminen ja on tietokoneiden käytännössä käytetty standardialgoritmi.

Erityistä Matrix Tyyppejä Viittaus

Erilaiset matrixit ovat ominaisuuksiltaan yksilöllisiä, mikä helpottaa laskentaa ja ilmenee usein tiettyjen sovellusten yhteydessä:

Matrixien ymmärtäminen auttaa valitsemaan oikea algoritmi. Esimerkiksi, jos tiedät, että matriisi on symmetrinen positiivinen määrä, Choleskyn laajennus on kaksinkertainen nopeampi kuin yleinen LU-laajennus ratkaistaessa lineaarisen järjestelmän.