Предмет

Математика, страница 7

Формулы по алгебре, геометрии, тригонометрии, началам анализа и вероятности.

454 формулы

Все формулы раздела

Показаны 361-420 из 454. Остальные формулы доступны на соседних страницах раздела.

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.

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

Диагонализация матрицы

Диагонализация представляет квадратную матрицу A в виде A=PDP^{-1}, где D диагональна, а столбцы P являются собственными векторами A. Это переводит действие оператора в собственный базис.

$A=PDP^{-1}$

Базис из собственных векторов

Базис из собственных векторов - это базис пространства, каждый вектор которого является собственным для оператора A. В таком базисе матрица оператора становится диагональной.

$B=(v_1,\ldots,v_n),\quad Av_i=\lambda_i v_i$

Критерий диагонализируемости через геометрические кратности

Матрица n x n диагонализируема тогда и только тогда, когда сумма размерностей всех ее собственных пространств равна n. Это означает, что собственных векторов хватает на базис.

$A\text{ диагонализируема}\Longleftrightarrow \sum_{\lambda\in\sigma(A)}\dim E_\lambda=n$

Диагонализируемость при различных собственных значениях

Если матрица n x n имеет n различных собственных значений, то она диагонализируема. Разным собственным значениям соответствуют линейно независимые собственные векторы.

$\lambda_1,\ldots,\lambda_n\text{ различны}\Longrightarrow A\text{ диагонализируема}$

Диагонализация матрицы 2x2

Матрица 2x2 диагонализируется, если для нее можно найти два линейно независимых собственных вектора. При двух различных собственных значениях это выполняется автоматически.

$A=P\begin{pmatrix}\lambda_1&0\\0&\lambda_2\end{pmatrix}P^{-1}$

Степень диагонализируемой матрицы

Если A=PDP^{-1}, то степень A^k вычисляется как PD^kP^{-1}. Диагональную матрицу D возводят в степень по диагональным элементам.

$A^k=PD^kP^{-1},\quad D^k=\operatorname{diag}(\lambda_1^k,\ldots,\lambda_n^k)$

Функция от диагонализируемой матрицы

Если A диагонализируема, функцию от матрицы можно вычислить через функцию от ее собственных значений. Для диагональной D функция применяется к каждому диагональному элементу.

$f(A)=P f(D) P^{-1},\quad f(D)=\operatorname{diag}(f(\lambda_1),\ldots,f(\lambda_n))$

Недиагонализируемая матрица с жордановым блоком

Жорданов блок 2x2 с единицей над диагональю имеет одно собственное значение lambda алгебраической кратности 2, но только одно независимое собственное направление. Поэтому он не диагонализируем.

$J=\begin{pmatrix}\lambda&1\\0&\lambda\end{pmatrix},\quad \dim E_\lambda=1<2$

Норма вектора через скалярное произведение

Длина вектора в евклидовом пространстве равна квадратному корню из его скалярного произведения с самим собой. Формула связывает геометрическую длину с алгебраической операцией над координатами.

$\|v\|=\sqrt{v\cdot v}$

Ортонормированный базис

Базис называется ортонормированным, если его векторы имеют длину 1 и попарно ортогональны. Краткая запись e_i*e_j=delta_ij объединяет оба условия в одной формуле.

$e_i\cdot e_j=\delta_{ij}$

Координаты в ортонормированном базисе

В ортонормированном базисе коэффициент при базисном векторе равен скалярному произведению x с этим вектором. Поэтому разложение вектора строится без решения системы уравнений.

$x=\sum_{i=1}^{n}(x\cdot e_i)e_i$

Ортогональная проекция на прямую

Ортогональная проекция вектора v на прямую, заданную ненулевым вектором u, равна такому кратному u, что остаток v-proj_u v перпендикулярен прямой.

$\operatorname{proj}_{u}v=\frac{v\cdot u}{u\cdot u}u$

Матрица ортогональной проекции

Если столбцы Q образуют ортонормированный базис подпространства W, то матрица P=QQ^T переводит любой вектор в его ортогональную проекцию на W.

$P=QQ^{T},\quad Q^{T}Q=I$

Ортогональное дополнение подпространства

Ортогональное дополнение W^perp состоит из всех векторов, перпендикулярных каждому вектору подпространства W. В R^n его размерность дополняет размерность W до n.

$W^{\perp}=\{x:\ x\cdot w=0\ \text{для всех }w\in W\},\quad \dim W+\dim W^{\perp}=n$

Ортогональная матрица

Квадратная матрица Q ортогональна, если ее столбцы образуют ортонормированный базис. Тогда обратная матрица равна транспонированной, а преобразование сохраняет длины и углы.

$Q^{T}Q=I,\quad Q^{-1}=Q^{T}$

Проекция вектора на ненормированный вектор

Проекция вектора v на направление u вычисляется через скалярное произведение с нормированием на длину u. Эта формула связывает вычисление с геометрическим смыслом ортогонального разложения: она показывает, какая часть вектора идет вдоль выбранного направления, а какая остается поперек него.

$\operatorname{proj}_{u}(v)=\frac{u^{\top}v}{u^{\top}u}\,u$

Разложение вектора на параллельную и перпендикулярную части

Любой вектор раскладывается на компоненту вдоль u и ортогональную остаточную часть. Эта формула связывает вычисление с геометрическим смыслом ортогонального разложения: она показывает, какая часть вектора идет вдоль выбранного направления, а какая остается поперек него.

$v=\operatorname{proj}_{u}(v)+\left(v-\operatorname{proj}_{u}(v)\right),\quad u^{\top}\left(v-\operatorname{proj}_{u}(v)\right)=0$

Первый вектор в Gram-Schmidt

Нормировка первого столбца задает первый ортонормированный вектор. Эта формула относится к ортогонализации столбцов матрицы и объясняет, как заменить исходный набор векторов ортонормированным базисом с верхнетреугольными коэффициентами перехода.

$q_1=\frac{a_1}{\|a_1\|}$

k-й шаг алгоритма Gram-Schmidt

Для каждого нового столбца убирают вклад уже построенных ортонормированных направлений, затем нормируют остаток. Эта формула относится к ортогонализации столбцов матрицы и объясняет, как заменить исходный набор векторов ортонормированным базисом с верхнетреугольными коэффициентами перехода.

$u_k=a_k-\sum_{j=1}^{k-1}(q_j^{\top}a_k)\,q_j,\quad q_k=\frac{u_k}{\|u_k\|}$

Коэффициенты R через скалярные произведения

После построения Q каждую колонку a_j раскладывают по уже найденным q_i. Эта формула относится к ортогонализации столбцов матрицы и объясняет, как заменить исходный набор векторов ортонормированным базисом с верхнетреугольными коэффициентами перехода.

$R_{ij}=q_i^{\top}a_j,\quad a_j=\sum_{i=1}^{j}R_{ij}q_i,\quad R_{ij}=0\ (i>j)$

Формула QR-разложения

Матрица A раскладывается в произведение ортонормированной матрицы Q и верхнетреугольной R. Эта формула относится к ортогонализации столбцов матрицы и объясняет, как заменить исходный набор векторов ортонормированным базисом с верхнетреугольными коэффициентами перехода.

$A = QR,\quad Q^{\top}Q=I_r,\quad R \text{ верхнетреугольная}$