Calcolatore a matrice - Determinante, inverso e altro
Calcola il determinante, l'inverso, la trasposizione e la moltiplicazione della matrice. Supporta matrici 2x2 e 3x3. Questo strumento matematico gratuito fornisce risultati immediati e accurati.
Operazioni di Matrice: Somma e Sottrazione
Una matrice è una matrice rettangolare di numeri disposti in righe e colonne.m x nla matrice ha m righe e n colonne.
Somma e sottrazionerichiedono matrici di dimensioni identiche; aggiungere o sottrarre gli elementi corrispondenti:
Se A = [[1, 2], [3, 4]] e B = [[5, 6], [7, 8]], allora:
- 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]]
L'addizione di matrici è commutativa (A + B = B + A) e associativa ((A + B) + C = A + (B + C)).
Moltiplicazione della matrice
Per moltiplicare A (mxn) per B (nxp), le dimensioni interne devono corrispondere (n), producendo una matrice di risultato C (mxp).
Ogni elemento C[i][j] = somma di A[i][k] x B[k][j] per tutti i k.
Esempio:A = [[1, 2], [3, 4]] (2x2) x B = [[5, 6], [7, 8]] (2x2):
- C[0][0] = 1x5 + 2x7 = 19
- C[0][1] = 1x6 + 2x8 = 22
- C[1][0] = 3x5 + 4x7 = 43
- C[1][1] = 3x6 + 4x8 = 50
Risultato: C = [[19, 22], [43, 50]]
Proprietà chiave:La moltiplicazione di matrici NON è commutativa -- AxB ≠ BxA in generale. Tuttavia, è associativa: (AxB) xC = Ax(BxC).
Determinante e inversa di una matrice 2x2
Ildeterminantedi una matrice 2x2 A = [[a, b], [c, d]] è: det(A) = ad - bc
Il determinante indica se una matrice è invertibile (det ≠ 0) e rappresenta il fattore di scala della trasformazione.
Inverso di una matrice 2x2(esiste solo se det ≠ 0):
A−1 = (1/det) x [[d, -b], [-c, a]]
Esempio:A = [[1, 2], [3, 4]]
Det = 1x4 - 2x3 = 4 - 6 = -2
A−1 = (1/-2) x [[4, -2], [-3, 1]] = [[-2, 1], [1,5, -0,5]]
Verifica: A x A−1 = Matrice di identità [[1,0],[0,1]]
Applicazioni pratiche delle matrici
Le matrici sono fondamentali per molte applicazioni nel mondo reale:
- Grafica per computer e sviluppo di giochi:Ogni rotazione, ridimensionamento e traslazione 3D è una moltiplicazione di matrice. Una matrice di trasformazione 4x4 gestisce tutte e tre le operazioni simultaneamente.
- Apprendimento automatico:I pesi delle reti neurali, i dati di input e le attivazioni sono tutte matrici. L'addestramento di una rete neurale consiste essenzialmente nell'esecuzione di milioni di moltiplicazioni di matrici.
- Economia (analisi input-output):Il modello input-output di Leontief utilizza matrici per modellare le interdipendenze tra i settori economici.
- Fisica:La meccanica quantistica utilizza matrici (operatori) per rappresentare quantità osservabili.
- StatisticheLe matrici di covarianza, l'analisi delle componenti principali (PCA) e i calcoli di regressione si basano tutte su operazioni di matrice.
Espansione del determinante e del cofattore della matrice 3x3
Per una matrice 3x3, il determinante è calcolato utilizzandoespansione del cofattore(chiamata anche espansione di Laplace).
| Colonna 1 | Col 2 | Colonna 3 | |
|---|---|---|---|
| riga 1 | a | b | c |
| riga 2 | d | e | f |
| riga 3 | g | h | i |
Il determinante è:Det = a(ei - fh) - b(di - fg) + c(dh - eg)
Esempio elaborato:Si consideri che A = [[2, 1, 3], [0, -1, 2], [4, 0, 1]]
- Det = 2 ((-1x1 - 2x0) - 1 ((0x1 - 2x4) + 3 ((0x0 - (-1) x4)
- det = 2(-1 - 0) - 1(0 - 8) + 3(0 + 4)
- Det = 2 ((-1) - 1 ((-8) + 3 ((4)
- det = -2 + 8 + 12 =18
Per matrici più grandi (4x4, 5x5, ecc.), il metodo di espansione dei cofattori diventa computazionalmente costoso (n! operazioni).Decomposizione di LU or riduzione delle righeper calcolare i determinanti in O (n3) di tempo.
Valori propri e vettori propri
Valori proprisono tra i concetti più importanti dell'algebra lineare. Per una matrice quadrata A, un autovalore λ e il suo corrispondente autovettorevsoddisfare:A·v = λ·v-- la matrice trasforma il vettore proprio semplicemente ridimensionandolo (senza rotazione).
Per trovare i valori egeni di una matrice 2x2 A = [[a, b], [c, d], risolviequazione caratteristica: det ((A - λI) = 0
Questo dà: (a - λ) ((d - λ) - bc = 0, o:λ2 - (a+d) λ + (ad - bc) = 0
Il termine (a+d) è iltracciadella matrice, e (ad - bc) è ildeterminante.
Esempio:A = [[4, 2], [1, 3]]
- Equazione caratteristica: λ2 - 7λ + 10 = 0
- Fattorizzazione: (λ - 5) ((λ - 2) = 0
- Valori propri: λ1 = 5, λ2 = 2
Laddove gli autovalori appaiono in pratica:
| Campo | Applicazione | Cosa rappresentano i valori propri |
|---|---|---|
| Scienza dei dati (PCA) | Riduzione delle dimensioni | Varianza spiegata da ciascuna componente principale |
| Ingegneria meccanica | Analisi delle vibrazioni | Frequenze naturali di una struttura |
| Meccanica quantistica | Misure osservabili | Eventuali risultati delle misurazioni |
| Google PageRank | Classificazione delle pagine web | Probabilità allo stato stazionario di visitare ogni pagina |
| Biologia delle popolazioni | Modelli di matrice di Leslie | Tasso di crescita della popolazione |
| Sistemi di controllo | Analisi della stabilità | Stabilità del sistema (valori autogeni negativi = stabili) |
Soluzione di sistemi di equazioni lineari con matrici
Uno degli usi più pratici delle matrici è la risoluzione di sistemi di equazioni lineari. Un sistema di equazioni può essere scritto in forma di matrice comeAx = b, dove A è la matrice dei coefficienti, x è il vettore variabile, e b è il vettore delle costanti.
Sistema di esempio:
- 2x + 3y = 8
- 4x - y = 2
Forma della matrice: A = [[2, 3], [4, -1]], x = [[x], [y]], b = [[8], [2]]
Soluzione utilizzando l'inverso:x = A−1 · b
- Det ((A) = 2 ((-1) - 3 ((4) = -2 - 12 = -14
- A−1 = (1/-14) x [[-1, -3], [-4, 2]] = [[1/14, 3/14], [4/14, -2/14]]
- x = A−1 · b = [[1/14 x 8 + 3/14 x 2], [4/14 x 8 + (-2/14) x 2]] = [[1], [2]]
- Soluzione: x = 1, y = 2
Regola di Cramerè un altro metodo: per ogni variabile, sostituire la sua colonna nella matrice dei coefficienti con il vettore delle costanti e dividere il determinante risultante per il determinante originale.
- 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
Per sistemi di grandi dimensioni (n > 3),Eliminazione gaussiana(riduzione di riga) è più efficiente dal punto di vista computazionale dell'inversione di matrice o della regola di Cramer ed è l'algoritmo standard utilizzato dai computer.
Tipo di matrice speciale
Diversi tipi di matrice hanno proprietà uniche che semplificano il calcolo e appaiono frequentemente in applicazioni specifiche:
| Tipo di matrice | Definizione | Proprietà chiave | Uso comune |
|---|---|---|---|
| Identificazione (I) | 1s sulla diagonale, 0s altrove | AI = IA = A | Elemento neutro nella moltiplicazione |
| Diagonale | Non zero solo sulla diagonale | Facile da invertire (1/ogni voce diagonale) | Trasformazioni di scala |
| Simmetrico | A = AT | Tutti gli autovalori sono reali | Matrici di covarianza, fisica |
| Ortogonale | A−1 = AT | Conserva lunghezze e angoli | Matrici di rotazione in grafica 3D |
| Triangolare superiore | Tutte le voci al di sotto della diagonale = 0 | det = prodotto delle entrate diagonali | Risultato dell'eliminazione gaussiana |
| Triangolare inferiore | Tutte le voci sopra la diagonale = 0 | det = prodotto delle entrate diagonali | Decomposizione di Cholesky |
| Scarsamente | Per lo più zero voci | Speciale memorizzazione/algoritmi | Grafici di rete, simulazioni FEM |
| Positivo definitivo | Tutti gli autovalori > 0 | Rappresenta un vero prodotto interiore | Ottimizzazione (matrici hessiane) |
| Stocastico | Numero di colonne della colonna 060 | Rappresenta le transizioni di probabilità | Catene di Markov, PageRank |
Comprendere i tipi di matrice aiuta a scegliere l'algoritmo giusto. Per esempio, se si sa che una matrice è simmetrica definita positiva, la decomposizione di Cholesky è due volte più veloce della decomposizione generale di LU per risolvere sistemi lineari.
Trasformazioni matrici in computer grafica
Nella grafica 3D e nello sviluppo di giochi, ogni oggetto sullo schermo viene posizionato, ruotato e ridimensionato utilizzando operazioni a matrice.Matrici di trasformazione 4x4(coordinate omogenee) che combinano traslazione, rotazione e ridimensionamento in un'unica moltiplicazione a matrice:
| Trasformazione | Matrice 2D (3x3) | Effetto |
|---|---|---|
| Traduzione di (tx, ty) | [1, 0, tx], [0, 1, ty], [0, 0, 1]] | Sposta l' oggetto in una nuova posizione |
| Scaling per (sx, sy) | [sx, 0, 0], [0, sy, 0], [0, 0, 1]] | Modifica la dimensione dell'oggetto |
| Rotazione di θ | [cos θ, -sin θ, 0], [sin θ, cos θ, 0], [0, 0, 1]] | Ruota attorno all'origine |
| Riflessione (asse x) | [1, 0, 0], [0, -1, 0], [0, 0, 1]] | Specchi attraverso l'asse delle x |
| Taglio (direzione x) | [1, k, 0], [0, 1, 0], [0, 0, 1]] | Oggetto inclinato orizzontalmente |
Le GPU moderne (unità di elaborazione grafica) sono essenzialmente macchine di moltiplicazione di matrici massicciamente parallele. Un frame tipico di un videogioco richiede milioni di moltiplicazioni di matrici al secondo - trasformando vertici, calcolando l'illuminazione, proiettando scene 3D su schermi 2D. Questo è anche il motivo per cui le GPU sono così efficaci per l'addestramento AI / ML: le reti neurali sono fondamentalmente grandi operazioni di matrice e l'architettura GPU è ottimizzata per esattamente questo tipo di calcolo.
Il processo di rendering:Ogni vertice in un modello 3D passa attraverso una catena di moltiplicazioni di matrice: Matrice di modello (posizioni dell'oggetto nel mondo) -> Matrice di visualizzazione (posizioni della fotocamera) -> Matrice di proiezione (converte le coordinate dello schermo 3D in 2D).Matrice MVPper l'efficienza.
Riduzione delle righe (eliminazione gaussiana) passo dopo passo
Eliminazione gaussianaè l'algoritmo più utilizzato per risolvere sistemi di equazioni lineari, calcolare determinanti e trovare inversi di matrice. L'obiettivo è trasformare la matrice inmodulo a livello di riga(triangolare superiore) utilizzando tre operazioni di riga elementari:
- Cambia due righe
- Moltiplicare una riga per uno scalare diverso da zero
- Aggiungere un multiplo di una riga a un'altra
Esempio lavorato - risolvere: x + 2y + z = 9, 2x - y + 3z = 8, 3x + y - z = 2
Matrice aumentata:
| x | y | z | | | b | |
|---|---|---|---|---|---|
| R1 | 1 | 2 | 1 | | | 9 |
| R2 | 2 | −1 | 3 | | | 8 |
| R3 | 3 | 1 | −1 | | | 2 |
Primo passo:R2 <- R2 - 2xR1: [0, -5, 1] -10
Fase 2:R3 <- R3 - 3xR1: [0, -5, -4 -25]
Terza fase:R3 <- R3 - R2: [0, 0, -5] -15
Ora in forma di scala a righe: z = -15/-5 = 3; y = (-10 - 1x3) /-5 = -13/-5 = 2.6; x = 9 - 2(2.6) - 3 = 0.8
Soluzione: x = 0,8, y = 2,6, z = 3. Verificare sostituendo di nuovo nelle equazioni originali.
L'eliminazione gaussiana ha complessità temporale O ((n3) ed è la base della maggior parte dei software di algebra lineare numerica, tra cui MATLAB, NumPy e LAPACK. Per sistemi sparsi molto grandi (milioni di variabili), i metodi iterativi come il gradiente coniugato sono più efficienti.
Matrici nell'apprendimento automatico e nella scienza dei dati
Il moderno apprendimento automatico si basa su operazioni matrici. La comprensione delle matrici è essenziale per chiunque lavori nell'intelligenza artificiale, nella scienza dei dati o nel deep learning:
Passaggio in avanti della rete neurale:Ogni livello di una rete neurale esegue una moltiplicazione matrice seguita da una funzione di attivazione.x(nx1), matrice di pesoW(mxn), e vettore di distorsioneb(mx1):output = attivazione ((W·x + b)Una rete neurale profonda con 10 strati esegue 10 tali moltiplicazioni di matrice per inferenza.
Formazione (ripropagazione)comporta il calcolo dei gradienti attraverso la regola della catena -- che viene implementata come una serie di trasposizioni e moltiplicazioni di matrice che lavorano all'indietro attraverso la rete. Il gradiente della perdita rispetto a ogni matrice di peso viene calcolato per aggiornare i pesi.
| ML Operazione | Operazione matrice utilizzata | Dimensioni tipiche |
|---|---|---|
| Classificazione delle immagini (CNN) | Convoluzione (multiplicazione a matrice scorrevole) | Input: 224x224x3; filtri: 3x3x64 |
| Modello linguistico (Transformer) | Attenzione = softmax ((QKT/√d) ·V | Q, K, V: (secondo il modello) |
| Sistemi di raccomandazione | Fattorizzazione della matrice (SVD) | Utenti x Articoli (milioni x milioni, scarsi) |
| PCA / riduzione della dimensionalità | Composizione propria della matrice di covarianza | Caratteristiche x Caratteristiche |
| Regressione lineare | β = (XTX) −1XTy (equazione normale) | Campioni x caratteristiche |
I grandi modelli di linguaggio come GPT-4 contengono centinaia di miliardi di parametri organizzati in matrici di peso. L'addestramento comporta la moltiplicazione di matrici con miliardi di elementi -- ecco perché l'addestramento di grandi modelli di IA richiede migliaia di GPU in esecuzione in parallelo per settimane, a costi superiori a 100 milioni di dollari. L'intera rivoluzione dell'IA è, nel suo nucleo matematico, un esercizio di moltiplicazione di matrici molto grandi e molto veloci.
Comuni errori di matrice e come evitarli
Gli studenti e i professionisti spesso commettono questi errori quando lavorano con le matrici:
| Errore | Perché è sbagliato | Approccio corretto |
|---|---|---|
| Supponendo AB = BA | La moltiplicazione di matrici non è commutativa | Verificare sempre l'ordine; AB ≠ BA in generale |
| Aggiunta di matrici di diverse dimensioni | L'addizione richiede dimensioni identiche | Controllare prima le dimensioni: entrambe devono essere mxn |
| Dimenticare di controllare det ≠ 0 prima dell'inversione | Le matrici singolari non hanno l'inverso | Calcolare sempre prima il determinante |
| Confondere righe e colonne nella moltiplicazione | A ((mxn) x B ((nxp) = C ((mxp); le dimensioni interne devono corrispondere | Scrivere esplicitamente le dimensioni; verificare la corrispondenza interna |
| Distribuzione errata: (A+B) 2 ≠ A2+2AB+B2 | Poiché AB ≠ BA, l'espansione binomica non si applica | (A+B) 2 = A2 + AB + BA + B2 |
| Supponendo (AB) -1 = A-1B-1 | Inversione inverte l'ordine | (AB) −1 = B−1A−1 (ordine inverso) |
L'abitudine più importante quando si lavora con le matrici:sempre annotare le dimensioniQuesto cattura immediatamente gli errori di disallineamento delle dimensioni e rende chiare le dimensioni del risultato atteso prima di iniziare il calcolo.
Domande frequenti
Qual è la matrice di identità?
La matrice di identità è una matrice quadrata con 1s sulla diagonale principale e 0s dappertutto. Per un'identità 2x2: [[1,0],[0,1]]. Moltiplicando qualsiasi matrice A per la matrice di identità si ottiene A - è l'equivalente matrice di moltiplicazione per 1.
Puoi moltiplicare una matrice 3x2 per una matrice 2x4?
Sì - le dimensioni interne corrispondono (2). Il risultato è una matrice 3x4 (dimensioni esterne). La regola: si può moltiplicare una matrice mxn per una matrice nxp; il risultato è mxp. Se le dimensioni interne non corrispondono, la moltiplicazione è indefinita.
Cosa significa che una matrice sia singolare?
Una matrice singolare ha un determinante di 0 e non ha un inverso. Geometricamente, una trasformazione singolare "appiattisce" lo spazio - riducendo un piano 2D a una linea, o uno spazio 3D a un piano. Le matrici singolari sorgono in sistemi di equazioni senza una soluzione unica (o senza soluzioni o infinitamente molte).
Qual è la trasposizione di una matrice?
La trasposizione di una matrice A (scritta AT) si ottiene capovolgendo righe e colonne. Se A = [[1,2,3],[4,5,6]], allora AT = [[1,4],[2,5],[3,6]]. Una matrice mxn diventa una matrice nxm quando è trasposta.
Operazioni matrici: cosa si può calcolare
Una matrice è un array rettangolare di numeri disposti in righe e colonne. Le operazioni di matrice sono fondamentali per l'algebra lineare, la computer grafica, l'apprendimento automatico, l'ingegneria e la scienza dei dati.
| Funzionamento | Requisito | Dimensioni risultanti |
|---|---|---|
| Somma / Sottrazione | Dimensioni uguali (mxn) | mxn |
| Moltiplicazione scalare | Qualsiasi matrice | Lo stesso dell'input |
| Moltiplicazione di matrici | A è mxn, B è nxp | mxp |
| Trasporre | Qualsiasi matrice mxn | nxm |
| Determinante | Matrice quadrata (nxn) | Valore scalare singolo |
| Inverso | Quadrato, non singolare | nxn |
La moltiplicazione di matrici ènon commutativa: AxB ≠ BxA in generale. La matrice di identità (I) ha 1s sulla diagonale e 0s altrove; moltiplicando qualsiasi matrice per I restituisce la matrice originale. Le matrici sono utilizzate nella grafica 3D per le trasformazioni di rotazione, scalazione e traduzione applicate a ogni vertice in una scena.
Qual è il determinante di una matrice 2x2?
Per la matrice [[a, b], [c, d], il determinante = ad - bc. Se il determinante è 0, la matrice non ha un inverso (è singolare).
Qual è la trasposizione di una matrice?
La trasposizione scambia righe e colonne: la riga i diventa la colonna i. Una matrice 3x2 diventa 2x3 dopo la trasposizione.
A cosa serve la moltiplicazione a matrice?
Trasformazioni lineari (rotazione, taglio, scala in grafica), sistemi di risoluzione di equazioni, calcoli di peso della rete neurale, transizioni di stato della catena di Markov e calcoli di covarianza in statistica.