Uchebnik3_3
.pdfЭту формулу запомнить довольно просто, развернутое объяснение спрашивается
не всеми семинаристами. Запомнив эту формулу, вы сможете моментально находить обратную матрицу для любой матрицы 2 × 2 при решении матричного
уравнения. Вероятность того, что будет необходимо найти обратную матрицу для какой-то другой матрицы (не 2 × 2) крайне мала.
Задачи.
−2 3
3.27д. Решите матричное уравнение: X(−13 −52) = (−45 −21).
Решение: ясно, что нам нужно домножить наше уравнение на матрицу, обратную матрице (−13 −52). Выпишем такую матрицу (допустим, что мы не ученики Котовой, и можем сразу смело применять формулу для матрицы 2 × 2).
|
1 |
−2 |
) |
−1 |
1 |
5 |
2 |
|
|
|
|
|
|
|
|
|
Итак, (−3 |
5 |
|
= |
( − 1)(3 |
1). |
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
−2 |
|
|
Тогда, чтобы обратная матрица «прилепилась» к (−3 |
|
5 ), нам нужно домножить |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
1 |
5 |
2 |
|
|
|
|
обе части нашего уравнения на |
|
|
( − 1) |
(3 |
1) |
справа. Тогда получим: |
||||||||||
X = |
−2 |
3 |
|
1 |
|
5 2 |
|
|
|
|
|
|
|
|
|
|
4 −1 |
|
|
. |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
(−5 2 ) |
( − 1)(3 1) |
|
|
|
|
|
|
|
|
|
|
||||
Умножив матрицы, получим: X = |
1 |
−1 |
−1 |
= |
|
1 |
1 |
|
||||||||
17 |
7 |
|
−17 |
−7 |
. |
|||||||||||
|
|
|
|
|
|
|
|
|
( − 1) |
(−19 −8) |
|
( 19 |
8 ) |
|
||
|
|
1 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Ответ: (−17 −7). |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
19 |
8 |
|
|
|
|
|
|
|
|
|
|
|
|
20
3.11г. Исследуйте систему векторов на линейную зависимость или независимость: a1 = (1;2;3), a2 = (2; − 1;1), a3 = (1;3;4).
Решение: как мы знаем из предыдущей главы, система векторов линейно
зависима, если один вектор можно представить через другие. Раньше мы
занимались тем, что пытались найти такое представление, а если не находили, то
говорили, что наша система линейно независима.
Теперь наша задача гораздо проще: оказывается, если система векторов линейно
зависима, то определитель соответствующей матрицы равен нулю.
1 |
2 |
3 |
1 |
2 |
3 |
|
Итак, наша матрица: (2 |
−1 |
1). Найдем |
2 |
−1 |
1 |
= − 4 + 18 + 2 + 3 − 3 − 16 = 0 |
1 |
3 |
4 |
1 |
3 |
4 |
|
Заметим, что такой способ определения линейной зависимости гораздо проще
предыдущих!
Ответ: линейно зависима.
21
Системы
линейных уравнений. Метод Гаусса. Свободные и базисные переменные.
Терминология
Заметим, что любую систему линейных
алгебраических уравнений (СЛАУ) мы можем представить в виде: Ax = b , где А - матрица
коэффициентов при переменных в исходной системе, x - вектор-столбец, компоненты которого - все наши переменные, а b - вектор-столбец свободных членов.
Приведем пример: пусть у нас есть система :
x1 − x2 + 2x3 = 2 |
|
|
|
|
|||
{3x |
− 3x |
2 |
+ 7x = 9. Тогда, если мы хотим представить |
||||
1 |
|
3 |
|
|
x |
|
|
|
|
|
1 |
−1 |
2 |
2 |
|
|
|
|
x1 |
||||
ее в виде Ax = b, то получим: (3 |
−3 |
7) |
x2 |
= (9). |
|||
|
|
|
|
|
|
3 |
|
Все аналогии вам предлагается провести
самостоятельно.
Однородной системой считается система, в которой
все свободные члены равны 0.
22
Расширенная матрица - основная матрица (матрица коэффициентов) с
дописанным к ней через черту столбцом свободных членов. В рассмотренном
(1 −1 2 2)
выше примере расширенной матрицей будет: 3 −3 7 9 .
Система линейных уравнений называется совместной, если у нее имеется хотя бы одно решение. В противном случае система называется несовместной.
Теорема Кронекера-Капелли: ранг основной матрицы равен рангу
расширенной матрицы тогда и только тогда, когда система является совместной.
Если rangA = rangB = n , где А и В - основная и расширенная матрицы соответственно, а n - количество переменных в системе, то у системы имеется единственное решение.
Если же rangA = rangB n , то решений бесконечно много, и в этом случае появляются свободные и базисные переменные.
Метод Гаусса - метод решения систем линейных уравнений:
Шаг1: выписать расширенную матрицу.
Шаг2: привести ее к треугольному виду.
Шаг 3 : последовательно выражать переменные, преобразовывая строчки полученной матрицы обратно в уравнения. Начинать с последней строчки. В
случае rangA = rangB = n получим значения для каждой переменной и наше единственной решение. В случае, если rangA = rangB n, необходимо обозначить свободные и базисные переменные. Для того, чтобы определить, какие переменные свободные, а какие базисные, предлагается в уме провести черту,
отделяющую все нули в нашей матрице треугольного вида (черту, отделяющую левый нижний угол). Получается линия ступенчатого вида. Все те числа, которые будут стоять непосредственно у стенок получившихся ступенек, отвечают базисным переменным, остальные - свободным.
Шаг 4 (случай rangA = rangB n ): выразить все переменные через свободные,
обозначив свободные переменные как параметры.
23
Рассмотрим применение метода Гаусса на примерах:
|
|
|
Задачи. |
x1 − x2 + 2x3 = 2 |
|||
Задача: решить систему {3x |
− 3x |
2 |
+ 7x = 9. |
1 |
|
3 |
Решение: будем действовать по методу Гаусса (собственно, других методов в рамках этого курса и не будет).
1 |
−1 |
2 2 |
Выпишем расширенную матрицу: (3 |
−3 |
7 9). Приведем ее к треугольному |
виду: для этого вычтем из второй строки первую, умноженную на 3. Получим:
1 |
−1 |
2 2 |
(0 |
0 |
1 3). Видим, что переменных три, а ранг расширенной матрицы |
(количество ненулевых строк) - 2 . То есть, мы вынуждены ввести свободные и базисные переменные. Проведем вышеупомянутую линию:
На картинке видим: 1 в первом столбце стоит рядом со стенкой, значит,
отвечающая этому столбику переменная x1 - базисная. -1 во втором столбике у стенки не стоит, следовательно, x2 - свободная переменная. 1 в третьем столбце стоит около «стенки», поэтому x3 - базисная переменная.
Итак, у нас имеется одна свободная переменная: |
x2 . Согласно инструкции, |
обозначим ее как параметр: пусть x2 = t. |
|
Теперь начинаем преобразовывать нашу матрицу обратно в уравнения, начиная с последней строки: x3 = 3. Перепишем первую строку как уравнение:
x1 − 1 t + 2x3 = 2. Подставим в это уравнение x3 = 3: x1 − t + 6 = 2. Отсюда x1 = t − 4.
24
|
x1 |
−4 |
1 |
Осталось записать ответ. Это делается так: |
x |
= ( 0 )+ t (1). Таким образом, |
|
x2 |
|||
|
3 |
3 |
0 |
как и ожидалось, мы получили бесконечное количество решений: подставляя
различные t из полученной формулы получим именно такие значения переменных,
которые будут удовлетворять изначальной системе уравнений. При этом столбик
−4
( 03 )называют частным решением системы.
|
x1 |
−4 |
1 |
Ответ: |
x |
= ( 0 )+ t (1). |
|
x2 |
|||
|
3 |
3 |
0 |
25
Линейный оператор, собственные вектора и собственные числа матриц.
Теория: собственные числа и вектора
В этом разделе мы будем рассматривать, в основном,
собственные числа и собственные вектора матриц
2 × 2 и 3 × 3. Если в задаче будут спрашиваться собственные вектора для данной матрицы, то сначала по определенному алгоритму мы будем находить собственные числа, и уже по ним - собственные векторы. Но на случай, если задача будет сформулирована иначе, хорошо будет сначала разобрать суть изучаемых понятий. Сразу оговоримся,
что речь в данном блоке будет идти исключительно о квадратных матрицах.
Итак, рассмотрим какую-нибудь произвольную
|
3 × 3: A = |
a1 |
a12 |
a13 |
|
матрицу размера |
a21 |
a22 |
a23 |
, где все |
|
|
|
a |
a |
a |
|
|
|
31 |
32 |
33 |
|
элементы - конкретные числа.
26
x
Возьмем какой-нибудь вектор n = (yz). Заметим, что если мы умножим нашу
матрицу А на вектор n, то получим опять вектор, назовем его n1. Запишем его:
|
a11 |
a12 |
a13 |
x |
a11x + a12y + a13z |
m |
|
||
n1 = An = |
a21 |
a22 |
a23 |
y |
= a21x + a22y + a23z = |
n |
. |
||
|
a31 |
a32 |
a33 |
(z) |
a x + a y + a z |
(q) |
|
||
|
|
|
|
|
31 |
32 |
33 |
|
|
Прокомментируем последний шаг: когда мы задумывали матрицу А и вектор n, мы договорились, что как все элементы матрицы, так и все координаты вектора - совершенно конкретные числа. Поэтому их суммы и произведения - тоже числа, и
каждая строчка получившейся после умножения матрицы - это всего лишь одно
число, поэтому мы можем договориться, что первое из этих чисел назовем m ,
второе - n, и третье - q.
Мы снова получили вектор-столбец, в чем мы и хотели убедиться.
Таким образом, мы могли бы взять какой-нибудь другой вектор , а не обязательно вектор n . И в итоге матрица А перевела бы его опять в вектор, как мы в этом убедились. На самом деле, лучше говорить « оператор», а не «матрица», когда речь идет о таком преобразовании векторов. Класс таких операторов называют линейным (так как он «сохраняет» сумму, но это уже необязательные подробности),
кроме этого, часто говорят « линейное преобразование». Действительно, вектор n был преобразован в вектор n1.
Теперь мы готовы к тому, чтобы сформулировать определение собственных векторов и чисел преобразования (матрицы).
Собственным вектором матрицы А называется тот вектор n , который после
умножения на А (после того, как А его преобразует) перейдет в вектор |
n1 , |
коллинеарный исходному n. |
|
То, что получившийся вектор n1 коллинеарен исходному вектору n, означает, что существует такое число λ, умножив на которое исходный n мы получим n1. Такое число λ называется собственным числом преобразования А, соответствующим вектору n. Разберемся с этой терминологией на примере.
27
Рассмотрим матрицу A = (10 02). Что получится, если преобразовать с помощью А
каждый вектор, лежащий на плоскости? Имеется в виду самая обычная плоскость с прямоугольной декартовой системой координат; та, на которой в школе все рисовали графики прямых, парабол и так далее. Оказывается, наша плоскость растянется вдоль оси ОY в два раза.
Для ясности покажем действие такого преобразования на картинке.
]] |
|
]] |
Слева - наша плоскость до |
преобразования. Пусть на ней живут несколько векторов. Наше утверждение заключается в том, что плоскость растянется, то есть, любой вектор не изменит своей координаты ] по оси ОХ, но по оси ОY координаты всех векторов «вырастут» в два раза.
] |
] ] |
|
] |
]] |
Теперь слева то, что получится |
после «действия» матрицы А на нашу плоскость. Видно, что вектора растянулись вдоль оси OY.
Вспомним, что же такое собственные вектора? Это те вектора, которые перешли в параллельные. Легко заметить, что на нашем рисунке есть только один такой вектор, он подсвечен оранжевым цветом. Действительно, с
этим вектором не случилось вообще
28
ничего! То есть, собственное число, соответствующее этому собственному вектору - это 1. Ведь его нужно умножить на единицу, чтобы получить вектор, появившийся после преобразования.
____________________________
Для интересующегося читателя:
На самом деле, преобразование было совершено не совсем над векторами, и не сделать это замечание было бы слишком неправильно.
В нашем примере растягиваются не сами вектора, а плоскость. Можно представлять, что плоскость сделана из резины, и у нас есть возможность взяться за нее сверху и снизу и растянуть вдоль ОУ.
Преобразование А плоскости называется линейным, если для любой точки на
«новой» плоскости ее «новые» координаты (x *, y * )могут быть записаны через
«старые» (x, y):
{x = a1x + b1y + c1 y = a2x + b2y + c2
При этом, естественно, коэффициенты в этой системе должны оставаться постоянными для любой точки. Очевидно, линейное преобразование характеризуется равномерными растяжениями, поворотами, смещениями и масштабированием.
В нашем преобразовании координата х не изменялась, а у просто увеличивалась в два раза, поэтому в данном частном случае система имеет вид:
{x = x y = 2y
И уже отсюда можно показать, что векторы тоже «растянутся» в два раза:
предположим, у нас был вектор a с началом в точке (x1; y1) и концом в точке (x2; y2).
Тогда его координаты в «старой» плоскости: a = (xy22 −− yx11). После преобразования
29