Математика

Матрицы, определители

матрицы, определители, системы, собственные значения

120 формул

Формулы темы

Показаны 1-60 из 120. Продолжение находится на соседних страницах темы.

Длина вектора в Rn

Длина вектора в евклидовом пространстве показывает, насколько далеко точка с координатами вектора находится от начала координат. Формула обобщает теорему Пифагора на любое число координат.

$\|x\|=\sqrt{x_1^2+x_2^2+\dots+x_n^2}$

Скалярное произведение векторов

Скалярное произведение складывает попарные произведения координат двух векторов и дает число. Через него находят длину, угол между векторами, ортогональность и проекции.

$a\cdot b=\sum_{i=1}^{n}a_i b_i$

Косинус угла между векторами

Косинус угла между двумя ненулевыми векторами равен скалярному произведению, деленному на произведение их длин. Формула переводит координаты в геометрический угол.

$\cos\varphi=\frac{a\cdot b}{\|a\|\,\|b\|}$

Матричное произведение

Матричное произведение строит элемент новой матрицы как скалярное произведение строки первой матрицы и столбца второй. Порядок множителей важен.

$(AB)_{ij}=\sum_{k=1}^{m}a_{ik}b_{kj}$

Определитель матрицы 2x2

Определитель матрицы 2x2 равен разности произведений диагоналей. Он показывает, во сколько раз линейное преобразование меняет ориентированную площадь.

$\det\begin{pmatrix}a&b\\c&d\end{pmatrix}=ad-bc$

Определитель матрицы 3x3 по правилу Саррюса

Правило Саррюса дает быстрый способ вычислить определитель матрицы 3x3 как сумму трех произведений по нисходящим диагоналям минус сумму трех произведений по восходящим диагоналям.

$\det A=a_{11}a_{22}a_{33}+a_{12}a_{23}a_{31}+a_{13}a_{21}a_{32}-a_{13}a_{22}a_{31}-a_{11}a_{23}a_{32}-a_{12}a_{21}a_{33}$

Обратная матрица 2x2

Обратная матрица 2x2 существует только при ненулевом определителе. Она обращает действие исходной матрицы: A^{-1}A = I, то есть возвращает исходный вектор.

$A^{-1}=\frac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix}$

Решение системы 2x2 по правилу Крамера

Правило Крамера выражает решение системы двух линейных уравнений через определители. Метод работает, когда главный определитель системы не равен нулю.

$x=\frac{\Delta_x}{\Delta},\quad y=\frac{\Delta_y}{\Delta}$

Ранг матрицы через миноры

Ранг матрицы равен наибольшему порядку ненулевого минора. Он показывает, сколько строк или столбцов матрицы действительно независимы.

$\operatorname{rank}A=\max\{r:\text{существует ненулевой минор порядка }r\}$

След матрицы

След квадратной матрицы равен сумме элементов главной диагонали. Он сохраняется при замене базиса и связан с собственными значениями.

$\operatorname{tr}A=a_{11}+a_{22}+\dots+a_{nn}$

Характеристический многочлен матрицы 2x2

Характеристический многочлен матрицы 2x2 выражается через след и определитель. Его корни являются собственными значениями матрицы.

$p(\lambda)=\lambda^2-\operatorname{tr}(A)\lambda+\det(A)$

Матричная форма системы линейных уравнений

Матричная форма Ax = b записывает систему линейных уравнений как произведение матрицы коэффициентов на столбец неизвестных. Такая запись позволяет решать систему не как набор отдельных строк, а как единый линейный объект.

$Ax=b$

Расширенная матрица системы

Расширенная матрица [A|b] объединяет коэффициенты системы и правые части в одну таблицу. Она нужна для метода Гаусса, потому что при преобразовании строк меняются и коэффициенты, и правые части.

$\left[A\mid b\right]$

Элементарные преобразования строк

Элементарные преобразования строк - это три допустимые операции, которые заменяют систему на эквивалентную: перестановка строк, умножение строки на ненулевое число и прибавление кратной строки.

$R_i\leftrightarrow R_j,\quad R_i\leftarrow cR_i\ (c\ne0),\quad R_i\leftarrow R_i+cR_j$

Прямой ход метода Гаусса

Прямой ход метода Гаусса зануляет коэффициенты под ведущими элементами. В результате система приводится к ступенчатому виду, из которого решение находят обратной подстановкой.

$R_i\leftarrow R_i-\frac{a_{ik}}{a_{kk}}R_k$

Обратная подстановка в методе Гаусса

Обратная подстановка находит неизвестные после прямого хода метода Гаусса. Она идет снизу вверх по ступенчатой системе: сначала последняя ведущая переменная, затем предыдущие.

$x_i=\frac{b'_i-\sum_{j=i+1}^{n}u_{ij}x_j}{u_{ii}}$

Ступенчатый вид матрицы

Ступенчатый вид матрицы - это форма, где ведущие элементы ненулевых строк смещаются вправо при движении вниз, а под каждым ведущим элементом стоят нули.

$p_1<p_2<\dots<p_r,\quad a_{ij}=0\ \text{ниже ведущих элементов}$

Приведенный ступенчатый вид матрицы

Приведенный ступенчатый вид, или RREF, усиливает обычный ступенчатый вид: каждый ведущий элемент равен 1, а в его столбце все остальные элементы равны 0.

$\operatorname{rref}(A)$

Метод Гаусса-Жордана

Метод Гаусса-Жордана продолжает метод Гаусса до приведенного ступенчатого вида. Если система имеет единственное решение, расширенная матрица превращается в [I|x], и ответ читается сразу.

$\left[A\mid b\right]\sim\left[I\mid x\right]$

Ранг расширенной матрицы системы

Ранг расширенной матрицы показывает, добавляет ли столбец правых частей новое независимое условие к строкам матрицы коэффициентов. Это ключ к проверке совместности системы.

$\operatorname{rank}[A\mid b]$

Теорема Кронекера-Капелли

Теорема Кронекера-Капелли дает точный критерий совместности линейной системы: решение существует тогда и только тогда, когда ранги матрицы коэффициентов и расширенной матрицы равны.

$\operatorname{rank}A=\operatorname{rank}[A\mid b]$

Условие несовместности линейной системы

Линейная система несовместна, если ранг расширенной матрицы больше ранга матрицы коэффициентов. Это означает, что правые части добавляют противоречивое условие, которое нельзя получить из левых частей уравнений.

$\operatorname{rank}A<\operatorname{rank}[A\mid b]$

Условие единственного решения линейной системы

Линейная система с n неизвестными имеет единственное решение, если она совместна и общий ранг равен числу неизвестных. Тогда все переменные ведущие, свободных параметров не остается.

$\operatorname{rank}A=\operatorname{rank}[A\mid b]=n$

Число свободных переменных в линейной системе

В совместной линейной системе число свободных переменных равно числу неизвестных минус ранг матрицы коэффициентов. Эти переменные становятся параметрами общего решения.

$k=n-\operatorname{rank}A$

Общее решение линейной системы через параметры

Общее решение совместной линейной системы записывают как одно частное решение плюс линейную комбинацию направлений однородной системы. Параметров столько, сколько свободных переменных.

$x=x_p+t_1v_1+\cdots+t_kv_k$

Ядро линейного отображения

Ядро линейного отображения - это множество всех векторов, которые переходят в нулевой вектор. По ядру сразу видно, теряет ли отображение информацию и может ли оно быть инъективным.

$\ker T=\{v\in V\mid T(v)=0\}$

Образ линейного отображения

Образ линейного отображения - это множество всех векторов, которые реально могут получиться на выходе. Для матрицы это столбцовое пространство, натянутое на ее столбцы.

$\operatorname{Im}T=\{T(v)\mid v\in V\}$

Ранг линейного отображения

Ранг линейного отображения равен размерности его образа. Он показывает, сколько независимых направлений результата реально достижимо.

$\operatorname{rank}T=\dim\operatorname{Im}T$

Дефект линейного отображения

Дефект линейного отображения равен размерности его ядра. Он показывает, сколько независимых входных направлений отображение переводит в ноль.

$\operatorname{def}T=\dim\ker T$

Теорема о ранге и дефекте

Теорема о ранге и дефекте говорит, что размерность исходного пространства равна сумме размерности образа и размерности ядра линейного отображения.

$\dim V=\operatorname{rank}T+\dim\ker T$

Размерности ядра и образа матрицы

Если матрица A имеет n столбцов и ранг r, то размерность ее ядра равна n-r, а размерность образа равна r. Это матричная форма теоремы о ранге и дефекте.

$\dim\ker A=n-r,\quad \dim\operatorname{Im}A=r$

Базис векторного пространства

Базис векторного пространства - это набор векторов, который одновременно порождает все пространство и не содержит лишних зависимых направлений. Через базис любой вектор записывается единственным способом.

$B=(e_1,\ldots,e_n),\quad V=\operatorname{span}B,\quad e_1,\ldots,e_n\ \text{линейно независимы}$

Координаты вектора в базисе

Координаты вектора в базисе - это коэффициенты единственного разложения вектора по базисным векторам. Сам вектор не меняется, меняется только числовая запись относительно выбранного базиса.

$v=x_1e_1+\cdots+x_ne_n,\quad [v]_B=(x_1,\ldots,x_n)^T$

Размерность векторного пространства

Размерность конечномерного векторного пространства - это число векторов в любом его базисе. Она показывает, сколько независимых направлений нужно для описания всех элементов пространства.

$\dim V=n\quad\Longleftrightarrow\quad \text{любой базис }V\text{ содержит }n\text{ векторов}$

Критерий базиса в Rn через определитель

В Rn набор из n векторов является базисом тогда и только тогда, когда определитель матрицы из этих векторов как столбцов не равен нулю.

$A=[v_1\ \cdots\ v_n],\quad v_1,\ldots,v_n\text{ - базис }\mathbb R^n\Longleftrightarrow \det A\ne0$

Матрица базиса и стандартные координаты

Матрица базиса переводит координатный столбец в выбранном базисе в стандартные координаты. Ее столбцы - это сами базисные векторы, записанные в стандартной системе.

$v=P_B[v]_B,\quad P_B=[e_1\ \cdots\ e_n]$

Переход координат между базисами

Переход координат между базисами переводит координатный столбец одного и того же вектора из базиса B в базис C. Сам вектор не меняется, меняется только его числовое описание.

$[v]_C=P_C^{-1}P_B[v]_B$

Матрица оператора при смене базиса

При смене базиса матрица одного и того же линейного оператора меняется по формуле подобия. Это позволяет описывать один оператор разными матрицами без изменения самого действия на пространстве.

$[T]_C=S^{-1}[T]_B S,\quad [v]_B=S[v]_C$

Лемма Штейница о замене

Лемма Штейница о замене формализует идею, что независимых направлений не может быть больше, чем в порождающем наборе. Из нее следуют равенство числа векторов в любых базисах и корректность понятия размерности.

$L\text{ независим},\ G\text{ порождает }V\quad\Rightarrow\quad |L|\le |G|$

Критерий линейности отображения

Критерий линейности проверяет, сохраняет ли отображение сложение векторов и умножение на скаляр. Если равенство выполняется для любых u, v и скаляров alpha, beta, отображение линейно.

$T(\alpha u+\beta v)=\alpha T(u)+\beta T(v)$

Столбцы матрицы линейного отображения

j-й столбец матрицы линейного отображения равен образу j-го базисного вектора. Это позволяет читать действие отображения прямо по столбцам матрицы.

$A e_j=a_j=T(e_j)$

Матрица линейного отображения в произвольных базисах

Матрица отображения в базисах B и C переводит координаты входного вектора в базисе B в координаты его образа в базисе C. Ее столбцы - координаты образов базисных векторов.

$[T(v)]_C=A_{C\leftarrow B}[v]_B,\quad A_{C\leftarrow B}=\big[[T(b_1)]_C\ \cdots\ [T(b_n)]_C\big]$

Обратное линейное отображение и обратная матрица

Если линейное отображение T представлено обратимой квадратной матрицей A, то обратное отображение представлено матрицей A^{-1}. Это верно при согласованных базисах.

$T^{-1}\text{ существует }\Longleftrightarrow A^{-1}\text{ существует},\quad [T^{-1}]=A^{-1}$

Линейный оператор как квадратная матрица

Линейный оператор - это линейное отображение пространства в себя. В выбранном базисе конечномерного пространства он записывается квадратной матрицей.

$T:V\to V,\quad [T]_B=A\in M_n(F),\quad [T(v)]_B=A[v]_B$

Линейный функционал как строка матрицы

Линейный функционал - это линейное отображение из пространства в поле скаляров. В выбранном базисе он записывается одной строкой, которая умножается на координатный столбец.

$f(v)=r[v]_B,\quad r=\big(f(b_1),\ldots,f(b_n)\big)$

Собственное значение и собственный вектор

Собственный вектор матрицы A - это ненулевой вектор, который после умножения на A остается на той же прямой. Собственное значение lambda показывает, во сколько раз этот вектор растягивается, сжимается или меняет направление.

$Av=\lambda v,\quad v\ne0$

Характеристическое уравнение матрицы

Характеристическое уравнение det(A-lambda I)=0 находит те значения lambda, при которых у системы (A-lambda I)v=0 появляется ненулевое решение. Именно эти lambda являются собственными значениями матрицы.

$\det(A-\lambda I)=0$

Собственное пространство матрицы

Собственное пространство E_lambda - это множество всех векторов, которые удовлетворяют Av=lambda v, вместе с нулевым вектором. Оно равно ядру матрицы A-lambda I.

$E_\lambda=\ker(A-\lambda I)$

Геометрическая кратность собственного значения

Геометрическая кратность собственного значения - это размерность его собственного пространства. Она показывает, сколько независимых собственных направлений соответствует данному lambda.

$g(\lambda)=\dim E_\lambda=\dim\ker(A-\lambda I)$

Спектр матрицы

Спектр матрицы - это множество ее собственных значений. Для конечной квадратной матрицы он состоит из корней характеристического уравнения.

$\sigma(A)=\{\lambda:\det(A-\lambda I)=0\}$

Сумма собственных значений равна следу

Сумма собственных значений квадратной матрицы, взятых с алгебраическими кратностями, равна следу матрицы. След не меняется при смене базиса.

$\lambda_1+\cdots+\lambda_n=\operatorname{tr}(A)$