1. Вектори і векторні простори
Вектор: впорядкований набір чисел v = (v₁, v₂, …, vₙ) ∈ ℝⁿ
Операції:
Додавання: u+v = (u₁+v₁, …, uₙ+vₙ)
Скалярний множник: λv = (λv₁, …, λvₙ)
Скалярний добуток (dot product):
u·v = u₁v₁ + u₂v₂ + … + uₙvₙ = |u||v|cosθ
Норма: |v| = √(v₁²+…+vₙ²)
Ортогональність: u⊥v ⟺ u·v = 0
Векторний добуток (ℝ³):
u×v = (u₂v₃-u₃v₂, u₃v₁-u₁v₃, u₁v₂-u₂v₁)
|u×v| = |u||v|sinθ (площа паралелограма)
2. Матриці і лінійні відображення
Матриця A (m×n): прямокутна таблиця чисел aᵢⱼ
Множення матриць (A·B)ᵢⱼ = Σₖ aᵢₖ bₖⱼ
Умова: A: m×n, B: n×p ⟹ AB: m×p
Транспонування: (Aᵀ)ᵢⱼ = aⱼᵢ
Властивості: (AB)ᵀ = BᵀAᵀ, (AB)⁻¹ = B⁻¹A⁻¹
Одинична матриця I: Iᵢⱼ = δᵢⱼ (1 якщо i=j, 0 інакше)
AI = IA = A
3. Визначник і оборотність
Визначник (det A або |A|):
2×2: det[[a,b],[c,d]] = ad - bc
3×3 (правило Саррюса):
det = a(ei−fh) − b(di−fg) + c(dh−eg)
Властивості:
• det(AB) = det(A)·det(B)
• det(Aᵀ) = det(A)
• det(λA) = λⁿ·det(A)
• Якщо рядки лінійно залежні: det = 0
Обернена матриця A⁻¹: A·A⁻¹ = I
Існує ⟺ det(A) ≠ 0
2×2: [[a,b],[c,d]]⁻¹ = 1/(ad-bc)·[[d,-b],[-c,a]]
Приклад: обернена матриця
A=[[2,1],[5,3]], det=2·3−1·5=1 ≠ 0
A⁻¹ = [[3,-1],[-5,2]]. Перевірка: [[2,1],[5,3]]·[[3,-1],[-5,2]] = [[1,0],[0,1]] ✓
A=[[2,1],[5,3]], det=2·3−1·5=1 ≠ 0
A⁻¹ = [[3,-1],[-5,2]]. Перевірка: [[2,1],[5,3]]·[[3,-1],[-5,2]] = [[1,0],[0,1]] ✓
4. Системи лінійних рівнянь
Ax = b (A: m×n, x∈ℝⁿ, b∈ℝᵐ)
Метод Гаусса (рядкові перетворення → ступінчаста форма):
[A|b] → [U|b'] → розв'язок зворотньою підстановкою
Метод Крамера (для n×n, det(A)≠0):
xᵢ = det(Aᵢ)/det(A)
де Aᵢ — матриця з b замість i-го стовпця
Теорема Кронекера-Капеллі:
Ax=b сумісна ⟺ rank(A) = rank(A|b)
Рішень:
• 0: rank(A) < rank(A|b) (несумісна)
• 1: rank(A) = rank(A|b) = n (єдине рішення)
• ∞: rank(A) = rank(A|b) < n (нескінченно)
5. Власні значення і вектори
Власне рівняння: A·v = λ·v
v ≠ 0 — власний вектор, λ — власне значення
Характеристичний поліном:
det(A - λI) = 0
Для 2×2: λ² - tr(A)·λ + det(A) = 0
tr(A) = a₁₁+a₂₂, сума власних значень = tr(A)
добуток власних значень = det(A)
Діагоналізація: A = P·D·P⁻¹
D = діагональна з λᵢ, P = матриця власних векторів
(можлива якщо n лінійно незалежних власних векторів)
Застосування:
• PCA (головні компоненти) — аналіз даних
• Квантова механіка (оператори, спостережувані)
• Режими коливань (моди) в механіці
Приклад: власні значення
A=[[3,1],[0,2]]. det(A-λI)=(3-λ)(2-λ)=0 → λ₁=3, λ₂=2.
Вектор для λ₁=3: (A-3I)v=0 → [[0,1],[0,-1]]v=0 → v=(1,0).
Вектор для λ₂=2: v=(1,-1)/√2.
A=[[3,1],[0,2]]. det(A-λI)=(3-λ)(2-λ)=0 → λ₁=3, λ₂=2.
Вектор для λ₁=3: (A-3I)v=0 → [[0,1],[0,-1]]v=0 → v=(1,0).
Вектор для λ₂=2: v=(1,-1)/√2.
6. SVD: Розклад за сингулярними значеннями
Сингулярний розклад (SVD): A = U·Σ·Vᵀ
A: m×n, U: m×m (ортогональна),
Σ: m×n (діагональна, σ₁≥σ₂≥…≥0),
V: n×n (ортогональна)
σᵢ — сингулярні значення (√ власних знач. AᵀA)
Застосування:
• Стиснення зображень: A ≈ Σᵢ₌₁ᵏ σᵢ uᵢvᵢᵀ (ранг-k апроксимація)
• Метод найменших квадратів: x = A⁺b (псевдообернена A⁺=VΣ⁺Uᵀ)
• PCA: власні вектори = праві вектори SVD
• NLP: LSA (латентний семантичний аналіз)
Геометрично: U — повертає, Σ — масштабує, Vᵀ — повертає
7. Простори: базис, розмірність, ортогоналізація
Базис V: лінійно незалежна система, що породжує простір
dim(V) = кількість векторів бази
Чотири фундаментальні підпростори матриці A (m×n):
• Col(A) ⊆ ℝᵐ dim = r (ранг)
• Null(A) ⊆ ℝⁿ dim = n-r (дефект)
• Row(A) ⊆ ℝⁿ dim = r
• Null(Aᵀ) ⊆ ℝᵐ dim = m-r
Ортогоналізація Грама–Шмідта:
e₁ = v₁/|v₁|
e₂ = (v₂ - (v₂·e₁)e₁) / |…|
… і т.д.
Результат: ортонормований базис!
QR-розклад: A = Q·R (Q ортогональна, R верхньотрикутна)
Про цю статтю
Ця стаття є частиною бази знань calculator.party — освітнього ресурсу, що поєднує теорію з практичними інструментами. Матеріал орієнтований на студентів, учнів і фахівців, що прагнуть глибокого розуміння теми. Тут зібрані ключові концепції, формули та реальні приклади застосування.
Лінійна алгебра є мовою сучасних технологій. Матриці, вектори та лінійні перетворення лежать в основі комп'ютерної графіки, машинного навчання, квантових обчислень та інженерного моделювання.
Навіщо читати цю статтю
Після прочитання ви зможете впевнено пояснити тему, вирішувати практичні задачі та застосовувати знання у навчанні й роботі. Стаття охоплює теоретичне підґрунтя і числові приклади, що полегшують запам'ятовування матеріалу.
Часті запитання (FAQ)
Що таке Лінійна алгебра: від векторів до SVD і чому це важливо знати?
Лінійна алгебра: від векторів до SVD — ключова тема в математики та комп'ютерних науках. Розуміння її основ дає змогу вирішувати практичні задачі, успішно складати іспити та застосовувати знання в реальних ситуаціях. Стаття розкриває концепцію доступними словами з конкретними прикладами.
Які ключові формули та методи використовуються в лінійна алгебра: від векторів до svd?
Основні формули та методи для лінійна алгебра: від векторів до svd охоплюють як аналітичні підходи, так і числові алгоритми. У статті наведені всі ключові вирази з поясненням кожного позначення та вказівкою одиниць вимірювання.
Де в реальному житті застосовується лінійна алгебра: від векторів до svd?
Сфери застосування лінійна алгебра: від векторів до svd надзвичайно широкі: комп'ютерній графіці (матриці трансформацій), ML (навчання нейромереж), фізиці (квантові стани), криптографії (решітки). Знання цієї теми відкриває кар'єрні можливості в інженерії, науці, фінансах та IT-галузі.
Як розрахувати лінійна алгебра: від векторів до svd онлайн?
На calculator.party є безкоштовні онлайн-калькулятори з тематики 'Лінійна алгебра: від векторів до SVD'. Достатньо ввести вхідні дані — і ви миттєво отримаєте точний результат з покроковим поясненням. Це ідеально для перевірки ручних розрахунків.
Яка різниця між лінійна алгебра: від векторів до svd та суміжними темами?
Стаття чітко описує межі тематики 'Лінійна алгебра: від векторів до SVD', порівнюючи її з близькими поняттями. Чітке розуміння відмінностей допомагає уникнути типових помилок та плутанини при розв'язанні задач.