Kalkulator macierzysty - Determinant, Inverse & More
Oblicz wyznacznik, odwrotność, transpozycję i mnożenie macierzy. Obsługuje macierze 2x2 i 3x3. To darmowe narzędzie matematyczne daje natychmiastowe, dokładne wyniki.
Operacje macierzowe: dodawanie i odejmowanie
Macierze to prostokątny zestaw liczb ułożonych w rzędy i kolumny.m x nma m rzędów i n kolumn.
Dodawanie i odejmowaniewymagają macierzy o identycznych wymiarach. Dodaj lub odejmij odpowiednie elementy:
Jeśli A = [[1, 2], [3, 4]] i B = [[5, 6], [7, 8]], to:
- 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]]
Dodawanie macierzy jest komutatywne (A + B = B + A) i stowarzyszeniowe ((A + B) + C = A + (B + C)).
Mnożenie macierzy
Mnożenie macierzy jest bardziej skomplikowane niż operacje z elementami. Aby pomnożyć A (mxn) przez B (nxp), wymiary wewnętrzne muszą odpowiadać (n), tworząc wynik macierzy C (mxp).
Każdy element C[i][j] = suma A[i][k] x B[k][j] dla wszystkich k.
Przykład: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
Wynik: C = [[19, 22], [43, 50]]
Kluczowa właściwość:Mnożenie macierzy NIE jest komutatywne - AxB ≠ BxA w ogóle. Jednak jest to skojarzenie: (AxB) xC = Ax(BxC).
Determinant i odwrotność macierzy 2x2
Działaniewyznacznikz macierzy 2x2 A = [[a, b], [c, d]] jest: det(A) = ad - bc
Determinant wskazuje, czy macierza jest odwracalna (det ≠ 0) i reprezentuje współczynnik skalowania transformacji.
Odwrotność macierzy 2x2(istnieje tylko wtedy, gdy det ≠ 0):
A−1 = (1/det) x [[d, -b], [-c, a]]
Przykład: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]]
Weryfikacja: A x A−1 = matryca tożsamości [[1,0],[0,1]]
Praktyczne zastosowania macierzy
Matryce są podstawowe dla wielu rzeczywistych zastosowań:
- Grafika komputerowa i tworzenie gier:Każda rotacja, skalowanie i translacja 3D to mnożenie macierzy. Macierzy transformacji 4x4 obsługują wszystkie trzy operacje jednocześnie.
- Uczenie maszynowe:Waga sieci neuronowej, dane wejściowe i aktywacje to wszystkie matryce. Szkolenie sieci neuronowej polega na wykonywaniu milionów mnożeń matrycy.
- Ekonomika (analiza input-output):Model input-output Leontiefa wykorzystuje matryce do modelowania wzajemnych zależności między sektorami gospodarczymi.
- Fizyka:Mechanika kwantowa używa macierzy (operatorów) do reprezentowania wielkości obserwowalnych.
- Statystyki:Matryce kowariacyjne, analiza głównych składników (PCA) i obliczenia regresyjne opierają się na operacjach macierzowych.
Rozszerzenie determinantów i kofaktorów matrycy 3x3
Dla macierzy 3x3 wyznacznik oblicza się za pomocąrozszerzenie współczynnika(zwane również rozszerzeniem Laplace'a).
| Kolumna 1 | Kolumna 2 | Kolumna 3 | |
|---|---|---|---|
| Wiersz 1 | a | b | c |
| Wiersz 2 | d | e | f |
| Wiersz 3 | g | h | i |
Determinantem jest:det = a(ei - fh) - b(di - fg) + c(dh - eg)
Przykład:Przyjmuje się, że 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
W przypadku większych macierzy (4x4, 5x5 itp.) metoda rozszerzenia kofaktorów staje się kosztowna pod względem obliczeniowym (operacje n!).Rozkład LU or zmniejszenie liczby wierszydo obliczenia wyznaczników w czasie O ((n3).
Wartości własne i wektory własne
Wartości własnesą jedną z najważniejszych koncepcji w algebrze liniowej. Dla kwadratowej macierzy A, wartość własna λ i jej odpowiedni wektor własnyvspełniają:A·v = λ·v-- matryca przekształca wektor własny poprzez jego skalowanie (bez obrotu).
Aby znaleźć wartości własne macierzy 2x2 A = [[a, b], [c, d], rozwiążrównanie charakterystyczne: det ((A - λI) = 0
To daje: (a - λ) ((d - λ) - bc = 0, lub:λ2 - (a+d) λ + (ad - bc) = 0
Termin (a+d) jestśladmatrycy i (ad - bc) jestwyznacznik.
Przykład:A = [[4, 2], [1, 3]]
- Równanie charakterystyczne: λ2 - 7λ + 10 = 0
- Czynnikowanie: (λ - 5) ((λ - 2) = 0
- Wartości własne: λ1 = 5, λ2 = 2
W przypadku gdy wartości własne pojawiają się w praktyce:
| Obszar | Zastosowanie | Co oznaczają wartości własne |
|---|---|---|
| Nauka danych (PCA) | Zmniejszenie wymiarów | Odchylenie wyjaśnione przez każdy główny składnik |
| Inżynieria mechaniczna | Analiza drgań | Naturalne częstotliwości struktury |
| Mechanika kwantowa | Obserwowalne pomiary | Możliwe wyniki pomiarów |
| Google PageRank | Ranking stron internetowych | Prawdopodobieństwo odwiedzenia każdej strony w stanie stacjonarnym |
| Biologia populacji | Modele matrycy Leslie | Tempo wzrostu liczby ludności |
| Systemy sterowania | Analiza stabilności | Stabilność systemu (negatywne wartości własne = stabilne) |
Rozwiązywanie układów równań liniowych za pomocą macierzy
Jednym z najbardziej praktycznych zastosowań macierzy jest rozwiązywanie układów równań liniowych.Ax = b, gdzie A jest matrycą współczynników, x jest wektorem zmiennym, a b jest wektorem stałych.
Przykład systemu:
- 2x + 3y = 8
- 4x - y = 2
Forma macierzy: A = [[2, 3], [4, -1]], x = [[x], [y]], b = [[8], [2]]
Rozwiązanie z wykorzystaniem odwrotności: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]]
- Rozwiązanie: x = 1, y = 2
Zasada Cramerajest inną metodą: dla każdej zmiennej zastąp jej kolumnę w macierzy współczynników wektorem stałych i podziel uzyskany wyznacznik przez pierwotny wyznacznik.
- 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
W przypadku dużych systemów (n > 3)Eliminacja Gaussa(redukcja wiersza) jest bardziej wydajny w obliczeniach niż odwrócenie macierzy lub reguła Cramera i jest standardowym algorytmem używanym przez komputery.
Specjalne typy macierzy
Różne typy macierzy mają unikalne właściwości, które upraszczają obliczenia i pojawiają się często w określonych aplikacjach:
| Typ matrycy | Definicja | Właściwości kluczowe | Powszechne zastosowanie |
|---|---|---|---|
| Tożsamość (I) | 1 na przekątnej, 0 gdzie indziej | AI = IA = A | Element neutralny w mnożeniu |
| Diagonalny | Niezerowe tylko na przekątnej | Łatwe odwrócenie (1/każde wejście na przekątnej) | Transformacje skalowania |
| Symetryczne | A = AT | Wszystkie wartości własne są rzeczywiste | Matryce kowariacyjne, fizyka |
| Ortogonalne | A−1 = AT | Zachowuje długości i kąty | Matryce rotacyjne w grafice 3D |
| Górny trójkątny | Wszystkie wpisy poniżej przekątnej = 0 | det = iloczyn wpisów przekątnych | Wynik eliminacji Gaussa |
| Dolny trójkątny | Wszystkie wpisy powyżej przekątnej = 0 | det = iloczyn wpisów przekątnych | Rozkład Choleskiego |
| Odrobina | Głównie zero wpisów | Specjalne algorytmy przechowywania danych | Grafy sieci, symulacje FEM |
| Pozytywny definitywny | Wszystkie wartości własne > 0 | Reprezentuje prawdziwy produkt wewnętrzny | Optymalizacja (matryce hessijskie) |
| Stochastyczne | Wartość całkowita | Reprezentuje przejścia prawdopodobieństwa | Łańcuchy Markova, PageRank |
Zrozumienie typów macierzy pomaga w wyborze odpowiedniego algorytmu. Na przykład, jeśli wiesz, że macierza jest symetryczna dodatnio określona, rozkład Choleskiego jest dwukrotnie szybszy niż ogólny rozkład LU do rozwiązywania systemów liniowych.
Transformacje macierzy w grafice komputerowej
W grafice komputerowej 3D i rozwoju gier każdy obiekt na ekranie jest umieszczany, obraca się i skalowany za pomocą operacji macierzowych.Matryce przekształceń 4x4(koordynaty jednorodne), które łączą translację, rotację i skalowanie w pojedyncze mnożenie matrycy:
| Transformacja | Matryca 2D (3x3) | Wpływ |
|---|---|---|
| Tłumaczenie przez (tx, ty) | [1, 0, tx], [0, 1, ty], [0, 0, 1]] | Przesuwa obiekt do nowej pozycji |
| Skalowanie według (sx, sy) | [sx, 0, 0], [0, sy, 0], [0, 0, 1]] | Zmiana rozmiaru obiektu |
| Obrót przez θ | [cos θ, -sin θ, 0], [sin θ, cos θ, 0], [0, 0, 1]] | Obraca się wokół źródła |
| Odbicie (oś x) | [1, 0, 0], [0, -1, 0], [0, 0, 1]] | Lustra wzdłuż osi x |
| Przecinanie (w kierunku x) | [1, k, 0], [0, 1, 0], [0, 0, 1]] | Pochylenie obiektu w poziomie |
Współczesne procesory graficzne (graphics processing units) są zasadniczo masywnymi, równoległymi maszynami do mnożenia matryc. Typowa ramka wideo wymaga milionów mnożeń matryc na sekundę - przekształcania wierzchołków, obliczania oświetlenia, projekcji scen 3D na ekrany 2D. Dlatego też procesory graficzne są tak skuteczne w szkoleniu AI / ML: sieci neuronowe są zasadniczo dużymi operacjami matrycowymi, a architektura GPU jest zoptymalizowana dokładnie dla tego typu obliczeń.
Rurociąg przetwarzania:Każdy wierzchołek w modelu 3D przechodzi przez łańcuch mnożeń matrycy: Matryca Modelowa (pozycje obiektu w świecie) -> Matryca Widoku (pozycje kamery) -> Matryca Projekcyjna (przetwarza współrzędne ekranu 3D na 2D). Te trzy matryce są często wstępnie mnożone w jedenMatryca MVPdla wydajności.
Redukcja wiersza (eliminacja gausowa) krok po kroku
Eliminacja Gaussajest najczęściej używanym algorytmem do rozwiązywania systemów równań liniowych, obliczania wyznaczników i znajdowania odwrotności macierzy. Celem jest przekształcenie macierzy wFormularz rzędowy(górny trójkąt) przy użyciu trzech podstawowych operacji wiersza:
- Wymiana dwóch rzędów
- Pomnożyć wiersz przez skalar niezerowy
- Dodać wielokrotność jednego wiersza do drugiego
Pracowany przykład -- rozwiązanie: x + 2y + z = 9, 2x - y + 3z = 8, 3x + y - z = 2
Rozszerzona matryca:
| x | y | z | | | b | |
|---|---|---|---|---|---|
| R1 | 1 | 2 | 1 | | | 9 |
| R2 | 2 | −1 | 3 | | | 8 |
| R3 | 3 | 1 | −1 | | | 2 |
Krok pierwszy:R2 <- R2 - 2xR1: [0, -5, 1] -10
Krok drugi:R3 <- R3 - 3xR1: [0, -5, -4] -25
Krok trzeci:R3 <- R3 - R2: [0, 0, -5]
Teraz w formie równikowej. z = -15/-5 = 3; y = (-10 - 1x3) /-5 = -13/-5 = 2.6; x = 9 - 2(2.6) - 3 = 0.8
Rozwiązanie: x = 0,8, y = 2,6, z = 3.
Eliminacja Gaussa ma złożoność czasową O ((n3) i jest podstawą większości oprogramowania do numerycznej algebry liniowej, w tym MATLAB, NumPy i LAPACK.
Matryce w uczeniu maszynowym i nauce danych
Nowoczesne uczenie maszynowe opiera się na operacjach macierzowych. Zrozumienie macierzy jest niezbędne dla każdego, kto pracuje w sztucznej inteligencji, nauce danych lub głębokim uczeniu się:
Przesłanie sieci neuronowej:Każda warstwa sieci neuronowej wykonuje mnożenie macierzy, po którym następuje funkcja aktywacji.x(nx1), matryca masyW(mxn) i wektor przesunięciab(mx1):wyjście = aktywacja ((W·x + b). Głęboka sieć neuronowa z 10 warstwami wykonuje 10 takich mnożeń macierzy na wniosek.
Szkolenie (propagacja wsteczna)Obejmuje obliczanie gradientów poprzez regułę łańcucha, która jest realizowana jako seria transpozycji i mnożeń macierzy pracujących wstecz przez sieć.
| ML Działanie | Zastosowana operacja macierzowa | Typowy rozmiar |
|---|---|---|
| Klasyfikacja obrazu (CNN) | Konwolucja (wielokrotnienie matrycy przesuwnej) | Wpływ: 224x224x3; filtry: 3x3x64 |
| Model językowy (Transformer) | Uwaga = softmax ((QKT/√d) ·V | Q, K, V: (seq_len x d_model) |
| Systemy zaleceń | Faktoryzacja macierzy (SVD) | Użytkownicy x Przedmioty (miliony x miliony, nieliczne) |
| PCA / redukcja wymiarowości | Skład własny macierzy kowariansu | Cechy x Cechy |
| Regresja liniowa | β = (XTX) −1XTy (równanie normalne) | Próbki x Cechy charakterystyczne |
Duże modele językowe, takie jak GPT-4, zawierają setki miliardów parametrów zorganizowanych w matryce wag. Szkolenie obejmuje mnożenie matryc z miliardami elementów - dlatego szkolenie dużych modeli sztucznej inteligencji wymaga tysięcy GPU działających równolegle przez tygodnie, kosztem przekraczającym 100 milionów dolarów. Cała rewolucja sztucznej inteligencji jest, w swej matematycznej istocie, ćwiczeniem bardzo dużego, bardzo szybkiego mnożenia matryc.
Najczęstsze błędy w matrycy i jak ich uniknąć
Uczniowie i praktycy często popełniają te błędy podczas pracy z matrycami:
| Błąd | Dlaczego jest to złe | Prawidłowe podejście |
|---|---|---|
| Zakładając, że AB = BA | Mnożenie macierzy nie jest komutatywne | Zawsze weryfikuj kolejność; AB ≠ BA ogólnie |
| Dodawanie macierzy różnych rozmiarów | Dodanie wymaga identycznych wymiarów | Najpierw sprawdź wymiary: oba muszą być mxn |
| Zapomnienie o sprawdzeniu det ≠ 0 przed odwróceniem | Matryce pojedyncze nie mają odwrotnej | Zawsze najpierw oblicz determinant. |
| Pomieszanie wierszy i kolumn w mnożeniu | A ((mxn) x B ((nxp) = C ((mxp); wymiary wewnętrzne muszą odpowiadać | Wyraźnie wpisać wymiary; sprawdzić zgodność wewnętrzną |
| Nieprawidłowa dystrybucja: (A+B) 2 ≠ A2+2AB+B2 | Ponieważ AB ≠ BA, rozszerzenie binomiczne nie ma zastosowania | (A+B) 2 = A2 + AB + BA + B2 |
| Zakładając, że (AB) −1 = A−1B−1 | Inwersja odwraca kolejność | (AB) −1 = B−1A−1 (porządek odwrotny) |
Najważniejszy nawyk przy pracy z matrycami:zawsze zapisać wymiaryTo natychmiast wyłapuje błędy niezgodności wymiarów i sprawia, że oczekiwane wymiary wyniku są jasne przed rozpoczęciem obliczeń.
Często zadawane pytania
Jaka jest matryca tożsamości?
Macierza tożsamościowa jest macierzą kwadratową z 1 na głównej przekątnej i 0 wszędzie indziej. Dla tożsamości 2x2: [[1,0],[0,1]]. Mnożenie dowolnej macierzy A przez macierzę tożsamościową daje A - jest to macierzysty odpowiednik mnożenia przez 1.
Czy możesz pomnożyć matrycę 3x2 przez matrycę 2x4?
Tak - wymiary wewnętrzne odpowiadają (2). Rezultatem jest matryca 3x4 (wymiary zewnętrzne). Zasada: możesz pomnożyć matrycę mxn przez matrycę nxp; wynik jest mxp. Jeśli wymiary wewnętrzne nie odpowiadają, mnożenie jest nieokreślone.
Co to znaczy, że macierza jest pojedyncza?
Matryca pojedyncza ma wyznacznik 0 i nie ma odwrotnego. Geometrycznie, przekształcenie pojedyncze "spłaszcza" przestrzeń - redukując płaszczyznę 2D do linii lub przestrzeń 3D do płaszczyzny. Matryce pojedyncze powstają w układach równań bez unikalnego rozwiązania (bez rozwiązań lub nieskończenie wielu).
Jaka jest transpozycja macierzy?
Transpozycja macierzy A (pisana AT) uzyskuje się poprzez odwrócenie wierszy i kolumn. Jeśli A = [[1,2,3],[4,5,6]], to AT = [[1,4],[2,5],[3,6]].
Operacje macierzowe: co można obliczyć
Matryca jest prostokątnym układem liczb ułożonych w rzędy i kolumny. Operacje macierzowe są podstawowe dla algebry liniowej, grafiki komputerowej, uczenia maszynowego, inżynierii i nauki o danych.
| Działanie | Wymagania | Wymiary wyników |
|---|---|---|
| Dodawanie / odejmowanie | Te same wymiary (mxn) | mxn |
| Mnożenie skalarne | Każda matryca | To samo co wejście. |
| Mnożenie macierzy | A to mxn, B to nxp | mxp |
| Transpozycja | Każda matryca mxn | nxm |
| Determinant | Matryca kwadratowa (nxn) | Wartość pojedynczego skalaru |
| Odwrotnie | Kwadrat, niejednostkowy | nxn |
Mnożenie macierzy jestniekomutatywne: AxB ≠ BxA ogólnie. Macierza tożsamości (I) ma 1s na przekątnej i 0s gdzie indziej; mnożenie dowolnej macierzy przez I zwraca pierwotną macierzę. Macierze są używane w grafice 3D do rotacji, skalowania i translacji przekształceń stosowanych do każdego wierzchołka w scenie.
Jaki jest wyznacznik macierzy 2x2?
Dla macierzy [[a, b], [c, d], wyznacznik = ad - bc. Jeśli wyznacznik jest równy 0, macierza nie ma odwrotnego (jest pojedyncza).
Jaka jest transpozycja macierzy?
Transpozycja zamienia wiersze i kolumny: wiersz i staje się kolumną i. Macierza 3x2 staje się 2x3 po transpozycji.
Do czego służy mnożenie macierzy?
Transformacje liniowe (rotacja, cięcie, skala w grafikach), rozwiązywanie układów równań, obliczenia wagi sieci neuronowych, przejścia stanu łańcucha Markova i obliczenia kowariansu w statystyce.