You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Mana personīgā lapa − šeit.<br />
Adrese komentāriem: Karlis.Podnieks@lu.lv<br />
Algebra:<br />
Matricas<br />
Kārlis Podnieks, LU profesors<br />
Lekcijas<br />
This work is licensed under a Creative Commons License and is copyrighted © 2009-2014 by<br />
me, Karlis Podnieks.<br />
Literatūra<br />
[1] E-kursa materiāli (latviešu valodā).<br />
[2] A. G. Kurošs. Vispārīgās <strong>algebra</strong>s kurss. Nauka, Maskava,<br />
1971 (vai cita gada izdevums), piejama tiešsaistē šeit (krievu<br />
valodā).<br />
[3] Matrix Wikipedia – ātram pārskatam, ja tēma jau zināma.<br />
[4] WolframAlpha Wikipedia – aprēķiniem tiešsaistē.<br />
Matricas<br />
Matrica ir tabula, ko raksta lielās apaļās<br />
iekavās (sk. Matrix Wikipedia ):<br />
(a 11 a 12 a 13<br />
a 21 a 22 a 23<br />
a 31 a 32 a 33)<br />
– 3x3 matrica.<br />
( a 11 a 12<br />
a 21 a 22)<br />
– 2x2 matrica.
(a 11<br />
) – 1x1 matrica.<br />
(a 11<br />
a 12<br />
) – 1x2 matrica (vektors – horizontāls).<br />
( a 11<br />
a 21)<br />
– 2 x1 matrica (vektors – vertikāls).<br />
Jēdziens par s x n matricu – s rindas, n kolonas:<br />
(a ij<br />
| i=1..s; j=1..n):<br />
(a 11 a 12 ... a 1n<br />
a 21 a 22 ... a 2n<br />
... ... ... ...<br />
a s1<br />
a s2<br />
... a sn)<br />
Skaitļus a ij<br />
sauc par matricas elementiem.<br />
Elementi a ii<br />
, t.i. a 11<br />
, a 22<br />
, a 33<br />
, ... veido matricas<br />
diagonāli.<br />
n x n matricu sauc par kvadrātisku matricu.<br />
Tās izmanto visvairāk.<br />
s x n lineāru vienādojumu sistēma:<br />
a 11<br />
x 1<br />
+a 12<br />
x 2<br />
+ ... + a 1n<br />
x n<br />
=b 1<br />
;<br />
a 21<br />
x 1<br />
+a 22<br />
x 2<br />
+ ... + a 2n<br />
x n<br />
=b 2<br />
;<br />
a s1<br />
x 1<br />
+a s2<br />
x 2<br />
+ ... + a sn<br />
x n<br />
=b s<br />
sastāv no koeficientu matricas:<br />
...
11 a 12 ... a 1n<br />
A=(a a 21 a 22 ... a 2n<br />
... ... ... ...<br />
a s1<br />
a s2<br />
... a sn)<br />
un brīvo locekļu (vertikālā) vektora:<br />
Piemērs.<br />
x+2y+3z=1,<br />
2x+2y+z=3,<br />
3x+3y+5z=4.<br />
( 1 2 3<br />
Koeficientu matrica: 2 2 1<br />
B=(b 1<br />
b 2<br />
...<br />
b s)<br />
3 3 5)<br />
,<br />
.<br />
brīvo locekļu vektors:<br />
(<br />
Vēsture – sk. http://en.wikipedia.org/wiki/Matrix_(mathematics)<br />
1 3<br />
4)<br />
.<br />
Determinanta ideja bija zināma jau senajiem ķīniešiem (ap mūsu ēras sākumu).<br />
Gabriels Kramers savas formulas publicēja 1750.gadā. Bet matricu kā objektu,<br />
kam ir ne tikai determinants, pirmais sāka pētīt angļu matemātiķis Artūrs Kelijs<br />
(Artur Cayley, 1821-1895), publikācija – 1858.gadā.<br />
Lineārie pārveidojumi (transformācijas)<br />
Tas ir mazliet savādāks matemātiķa skats uz tām pašām<br />
lineārajām vienādojumu sistēmam:<br />
Piemērs:<br />
x+2y+3z=1;
2x+2y+z=3;<br />
3x+3y+5z=4.<br />
( x<br />
Šeit y<br />
z)<br />
ir<br />
koeficientu matrica<br />
(<br />
kaut kādi trīs skaitļi. Vienādojumu sistēmas<br />
1 2 3<br />
2 2 1<br />
3 3 5)<br />
šos<br />
skaitļus pārveido<br />
("transformē") par 3 citiem skaitļiem – vertikālu vektoru:<br />
x+2y+3z,<br />
2x+2y+z,<br />
3x+3y+5z.<br />
( x<br />
Apgrieztais uzdevums: atrast tādus skaitļus y<br />
z)<br />
,<br />
sistēmas matrica pārveido (transformē) par sistēmas brīvajiem<br />
1<br />
4)<br />
3 .<br />
locekļiem – vertikālo vektoru<br />
(<br />
kurus<br />
Atrast šādus skaitļus<br />
nozīmē atrisināt minēto vienādojumu sistēmu.<br />
Katrai matricai atbilst sava lineārā tranformācija (un otrādi).<br />
Vēlāk – lineārās <strong>algebra</strong>s kursā ar šādu skatu uz matricām<br />
nāksies daudz nodarboties.<br />
Kā šī transformēšana notiek<br />
Vektoru skalārais reizinājums
Vektora {2, 3, 4} un vektora {7, 8, 9} skalāro reizinājumu<br />
definē ka skaitli 2∙7+3∙8+4∙9=74. [Kāpēc tas ir interesanti]<br />
Tāpat:<br />
{2, 2, 1}∙{x, y, z} = 2x+2y+z;<br />
{3, 3, 5}∙{x, y, z} = 3x+3y+5z;<br />
{1,2,3}∙{4,5,6} = 1∙4+2∙5+3∙6 = 32.<br />
Reizināt var arī 2-dimensiju un citus vektorus:<br />
{2, 1}∙{x, y} = 2x+y;<br />
{3, 5}∙{x, y} = 3x+5y;<br />
{1,2}∙{3,4} = 1∙3+2∙4 = 11;<br />
{1,2,3,4}∙{5,6,7,8}=1∙5+2∙6+3∙7+4∙8=70.<br />
Matricas reizinājums ar vektoru<br />
1 2<br />
5) 3<br />
( x 2 2 1 pārveido vektoru y<br />
3 3<br />
( z)<br />
Matrica par jaunu<br />
vektoru, ko iegūst, skalāri sareizinot matricas rindas ar<br />
( x z) (<br />
vektoru y<br />
, tā iegūstot vektoru<br />
x+ 2y+ 3z<br />
2x+ 2y+ z<br />
3x+ 3y+ 5z)<br />
.<br />
Matricas veikto pārveidojumu ar vektoru {x, y, z} turpmāk<br />
sauksim par matricas reizināšanu ar vektoru (vektorus te<br />
labāk rakstīt matricām labajā pusē vertikāli):<br />
z) (<br />
x+ 2y+ 3z<br />
= 2x+ 2y+ z ;<br />
3x+ 3y+ 5z)<br />
(<br />
1 2 3<br />
5)( x 2 2 1 y<br />
3 3
(<br />
1 2<br />
3 4)( 5 6) = (<br />
1⋅5+ 2⋅6<br />
3⋅5+ 4⋅6) = ( 17<br />
39) .<br />
Sareizināt matricu A ar (vertikālu) vektoru x nozīmē skalāri<br />
sareizināt katru matricas rindu ar šo vektoru, tādā veidā<br />
iegūstot jaunu (vertikālu) vektoru<br />
y=Ax.<br />
[Matricas kolonu skaitam, protams, ir jāsakrīt, ar vektora komponentu skaitu.]<br />
Tādā veidā 3x3 vienādojumu sistēmā<br />
a 11<br />
x 1<br />
+a 12<br />
x 2<br />
+a 13<br />
x 3<br />
=b 1<br />
;<br />
a 21<br />
x 1<br />
+a 22<br />
x 2<br />
+a 23<br />
x 3<br />
=b 2<br />
;<br />
a 31<br />
x 1<br />
+a 32<br />
x 2<br />
+a 33<br />
x 3<br />
=b 3<br />
mēs redzam:<br />
11 a 12 a 13<br />
koeficientu matricu A=(a a 21<br />
a 22<br />
a 23<br />
a 31<br />
a 32<br />
a 33)<br />
;<br />
nezināmo vektoru x=(x 1<br />
x 2<br />
x 3)<br />
;<br />
brīvo locekļu vektoru b=(b 1<br />
b 2<br />
b 3)<br />
.<br />
Un visu sistēmu tagad varam pierakstīt ļoti īsi:<br />
Ax = b.
Atrisināt šo sistēmu nozīmē atrast vektoru x<br />
tādu, ka reizinājums Ax sakrīt ar b.<br />
Vai atrisinājums būs x = b/A Pagaidām tas ir tikai joks: ko<br />
varētu nozīmēt vektora dalīšana ar matricu<br />
Divu matricu A un B reizinājums AB<br />
Mēs protam sareizināt 3x3 matricu ar vertikālu (t.i. 3x1)<br />
vektoru. Cik tālu mēs šo metodi varam vispārināt Vai pratīsim<br />
sareizināt arī divas matricas A un B<br />
Reizinot AB, princips varētu būt šāds:<br />
a) matricas B kolonas uztveram kā vertikālus<br />
vektorus,<br />
b) katru A rindu skalāri sareizinām ar kārtējo B<br />
kolonu, iegūstot kārtējo reizinājuma AB<br />
kolonu.<br />
Piemērs. A=[{1,2},{3,4}] reizinām ar B=[{5,6},{7,8}].<br />
Reizinot A ar B pirmo kolonu {5,7}, iznāk kolona {1∙5+2∙7, 3∙5+4∙7}, jeb<br />
{19,43}.<br />
Reizinot A ar B otro kolonu {6,8), iznāk kolona {1∙6+2∙8, 3∙6+4∙8}, jeb {22,50}.<br />
Tātad AB = [{19,22},{43,50}]<br />
To pašu var izpildīt arī vienā paņēmienā:<br />
[{1∙5+2∙7, 1∙6+2∙8},{ 3∙5+4∙7, 3∙6+4∙8}] jeb [{19,22},{43,50}]<br />
Bet tas nozīmē, ja lai reizinājums AB sanāktu, tad A rindām un<br />
B kolonām ir jābūt vienāda garuma! T.i. sareizināt A ar<br />
B varēsim tikai tad, ja A būs s x n matrica, bet<br />
B – n x t matrica. Reizinājums AB tad būs s x t<br />
matrica.<br />
Piemērs: 2x3 matricas reizināšana ar 3x4 matricu dod 2x4<br />
matricu.<br />
Secinājums. Kvadrātiskas matricas vienmēr var sareizināt, bet
ne-kvadrātiskas – ne vienmēr.<br />
Formulās tas izskatās šādi:<br />
2x2 gadījumā:<br />
( a 11 a 12<br />
a 21<br />
a 22)( b 11 b 12<br />
b 21<br />
b 22) =<br />
( a 11b 11 + a 12 b 21 a 11 b 12 + a 12 b 22<br />
a 21 b 11 + a 22 b 21 a 21 b 12 + a 22 b 22) .<br />
Ja A = {a ij<br />
| i=1..s; j=1..n}<br />
un B = {b ij<br />
| i=1..n; j=1..t},<br />
tad AB = {c ij<br />
| i=1..s; j=1..t}, kur:<br />
n<br />
c =∑ ij<br />
k=1<br />
a ik b kj<br />
.<br />
Piemēri. a) n×n matricu A reizinām ar vertikālu n×1 vektoru<br />
x. Iegūstam atkal vertikālu n×1 vektoru Ax.<br />
b) Horizontālu 1×n vektoru y reizinām ar n×n matricu A.<br />
Iegūstam atkal horizontālu 1×n vektoru yA.<br />
c) Horizontālu 1×n vektoru x reizinām ar vertikālu n×1<br />
vektoru y. Iegūstam 1×1 matricu (z), kur z ir vektoru x un y<br />
skalārais reizinājums xy.<br />
d) Vertikālu n×1 vektoru x reizinām ar horizontālu 1×n<br />
vektoru y. Iegūstam n×n matricu A=(a ij<br />
) , kur<br />
a ij<br />
=x i<br />
⋅y j .<br />
e) nxn matricas kāpināšana: A 2 , A 3 utt.<br />
Atkal lineārās transformācijas...
Teorēma (matemātikas cienītājiem). Pieņemsim, ka A un B ir<br />
attiecīgi s x n un n x t matricas, kas uzdod lineārus<br />
pārveidojumus L A<br />
un L B<br />
. Tad, izpildot vispirms pārveidojumu<br />
L B<br />
un pēc tam – L A<br />
(tieši tādā secībā!), iegūstam atkal lineāru<br />
pārveidojumu L AB<br />
, ko uzdod matricu reizinājums AB.<br />
Pierādījums (i-iespēja). Matemātikas cienītājiem – ļoti viegls.<br />
<strong>Matricu</strong> reizināšanas īpašības<br />
Šobrīd matricu reizināšana liekas esam tikai matemātiska<br />
paspēlēšanās...<br />
Un tomēr,<br />
"ja ir reizināšana, tad vajag arī algebru".<br />
Vai matricu reizināšanai piemīt tās pašas īpašības, kas skaitļu<br />
reizināšanai<br />
AB=BA (komutativitāte)<br />
(AB)C=A(BC) (asociativitāte) Šī īpašība ļautu<br />
mums (AB)C, ((AB)C)D vietā rakstīt vienkārši ABC, ABCD.<br />
Vai ir tāda matrica E, kas "uzvedas" kā skaitlis<br />
1 (x∙1=x): A∙E=A<br />
Vai matricas var arī dalīt: ja AX=B, tad<br />
X=B/A<br />
Teorēma. <strong>Matricu</strong> reizināšana NAV<br />
komutatīva operācija.<br />
Jo AB=BA tikai ļoti retos gadījumos!<br />
Piemēri [pārliecinieties paši]:<br />
Komutējošas matricas (AB=BA) – ļoti liels retums, piemēram:<br />
[{1,2},{3,4}]∙[{2,2}, {3,5}] = [{8,12}, {18,26}]<br />
[{2,2}, {3,5}]∙[{1,2},{3,4}] = [{8,12}, {18,26}]
Nekomutējošas matricas (AB≠BA) – parasta parādība, nejauši izvēlētas matricas<br />
parasti nekomutē, piemēram:<br />
[{1,2},{3,4}]∙[{5,6},{7,8}] = [{19,22},{43,50}]<br />
[{5,6},{7,8}][{1,2},{3,4}] = [{23,34},{31,46}]<br />
Teorēma. <strong>Matricu</strong> reizināšana IR asociatīva<br />
operācija: (AB)C=A(BC).<br />
Pierādījums (i-iespēja). Matemātikas cienītājiem – ļoti viegls.<br />
Tātad varam rakstīt bez iekavām: ABC, ABCD utt.<br />
Kādiem te jābūt matricu izmēriem (s x n)∙(n x t)∙(t x m) – tad<br />
sanāk s x m matrica! [pārliecinieties paši]<br />
Teorēma. (AB) T =B T A T .<br />
Pierādījums (i-iespēja). Matemātikas cienītājiem – ļoti viegls.<br />
Sapnis par matricu dalīšanu – vēlāk.<br />
Vienības matrica E n<br />
Skaitļiem: x∙1=x. Bet vai ir arī tāda matrica:<br />
AE=EA=A<br />
Kāpēc te rakstām AE=EA=A, nevis tikai AE=A Tāpēc, ka<br />
matricu reizināšana nav komutatīva: AE=EA mums neviens<br />
iepriekš negarantē!<br />
Ar E n<br />
apzīmēsim n x n matricu, kurai uz<br />
diagonāles visi elementi ir 1, bet pārējie<br />
elementi – 0.<br />
=( =(<br />
Piemēri. E 1<br />
= (1); E 1 0<br />
1) 2<br />
0 , E 3<br />
1 0 0<br />
0 1 0<br />
0 0 1)<br />
.<br />
Pārliecināsimies, ka tiešām, AE 2<br />
=E 2<br />
A=A:<br />
[{1,0},{0,1}]∙[{a,b},{c,d}] = [{a,b},{c,d}].
Vispārīgais gadījums:<br />
(1 0 ... 0<br />
1)<br />
E n<br />
= { e ij<br />
| i=1..n; j=1..n}=<br />
0 1 ... 0<br />
,<br />
... ... ... ...<br />
0 0 ...<br />
kur e ii<br />
=1, bet ja i≠j, tad e ij<br />
=0.<br />
Teorēma. E n<br />
ir vienīgā n×n matrica, kurai<br />
piemīt vieninieka īpašība: visām n×n matricām<br />
A,<br />
AE n<br />
= E n<br />
A = A.<br />
[T.i. E n<br />
tiešām "uzvedas" kā skaitlis 1, tāpēc sauksim to par<br />
vienības matricu. Saprotams, katram skaitlim n tā ir sava...]<br />
Pierādījums. a) E n<br />
tiešām piemīt īpašība AE n<br />
= E n<br />
A = A – to ir viegli pārbaudīt.<br />
b) No otras puses: pierādīsim, ka ja visām A, AE=A, tad E=E n<br />
. Tiešām, ņemam<br />
A=E n<br />
,tad E n<br />
E=E n<br />
un tā kā E n<br />
E=E, tad E=E n<br />
.<br />
<strong>Matricu</strong> reizinājuma determinants<br />
Te, protams, runa ir tikai par n x n matricām.<br />
Fakts. det(E n<br />
)=1. [Pārliecināsimies.]<br />
Teorēma. <strong>Matricu</strong> reizinājuma determinants ir<br />
vienāds ar atsevišķo matricu determinantu<br />
reizinājumu:<br />
det(AB) = det(A)det(B);<br />
det(ABC) = det(A)det(B)det(C); utt.<br />
Dažās grāmatās to raksta tā: |AB| = |A| |B|; ...
Pierādījums. 2x2 gadījumam – viegls. Vispārīgais gadījums –<br />
grūtāks, i-iespējai – sk. e-kursa materiālus.<br />
Piemērs. [{1,0},{2,3}]∙[{−1,2},{3,2}].<br />
Ja det(A)=0, tad matricu A sauc par singulāru<br />
matricu (citos tekstos − par deģenerētu matricu).<br />
Ja det(A)≠0, tad matricu A sauc par<br />
nesingulāru matricu (citos tekstos – par nedeģenerētu<br />
matricu). Sakars ar Kramera formulām...<br />
Secinājumi no teorēmas par matricu reizinājuma determinantu:<br />
a) Reizinājums ABCD... ir singulāra matrica<br />
tad un tikai tad, ja kaut viena no matricām A, B,<br />
C, D, ... ir singulāra.<br />
b) Reizinājums ABCD... ir nesingulāra matrica<br />
tad un tikai tad, ja visas matricas A, B, C, D, ...<br />
ir nesingulāras.<br />
Inversā (apgrieztā) matrica A −1<br />
Sk. arī Invertible matrix Wikipedia .<br />
Ķeramies pie matricu dalīšanas:<br />
Tā kā matricu reizināšana nav komutatīva, tad, vispārīgajā<br />
gadījumā, AX=B un YA=B ir dažādi vienādojumi. Arī to<br />
atrisinājumi (ja tādi eksistētu), varētu būt dažādi. Tātad mums<br />
būs<br />
"kreisās puses dalīšana" X=A\B (no AX=B) un<br />
"labās puses dalīšana" Y=B/A (no YA=B.<br />
Skaitļiem b un a dalījumu b/a var iegūt, reizinot b ar skaitļa a<br />
1<br />
apgriezto skaitli<br />
a jeb b<br />
a−1 :<br />
a =ba−1 .<br />
Apgrieztā skaitļa a −1 galvenā īpašība ir: aa −1 =1.
Līdzīgi mēs varētu mēģināt rīkoties ar<br />
matricām – vispirms centīsimies matricai A<br />
atrast inverso matricu A −1 ar īpašību:<br />
A −1 A=AA −1 =E n<br />
.<br />
[Kāpēc prasām, lai A −1 A=AA −1 ]<br />
Ja mums tas izdosies, tad, lai atrisinātu vienādojumu AX=B,<br />
reizināsim tā abas puses ar A −1 "no kreisās":<br />
A −1 AX=A −1 B,<br />
E n<br />
X=A −1 B,<br />
X=A −1 B.<br />
Tātad "kreisās puses dalījums" būs jādefinē kā A\B = A −1 B.<br />
Un lai atrisinātu vienādojumu YA=B, reizinām tā abas puses ar<br />
A −1 "no labās":<br />
YAA −1 =BA −1 ,<br />
YE n<br />
=BA −1 ,<br />
Y=BA −1 .<br />
Tātad "labās puses dalījums" būs jādefinē kā B/A = BA −1 .<br />
Bet tad ir jāievēro, ka:<br />
det(A −1 A)=det(A −1 )det(A)=det(E n<br />
)=1.<br />
Secinājums. Ja det(A)=0, t.i. ja A ir singulāra<br />
matrica, tad inversā matrica A −1 neeksistē. Ar<br />
singulāru matricu nevar "dalīt", tas būtu kaut kas līdzīgs<br />
dalīšanai ar nulli.<br />
Bet nesingulārai matricai A, kam det (A)≠0 Vai tad A −1
varēsim iegūt vienmēr Izrādās – varēsim!<br />
Ja det ( A)≠0 , tad<br />
inversā matrica A −1 eksistē!<br />
Atcerēsimies: par n×n matricas A elementa a ij<br />
algebrisko<br />
papildinājumu (cofactor) mēs nosaucām skaitli<br />
C ij<br />
=(−1) i+ j det (M ij<br />
) ,<br />
kur M ij<br />
ir (n−1)×(n−1) matrica, ko iegūst no matricas A,<br />
izsvītrojot i-to rindu un j-to kolonu.<br />
No skaitļiem C ij<br />
var sastādīt matricu<br />
A C = (C ij<br />
| i, j=1..n),<br />
ko sauc par A kofaktoru matricu (matrix of<br />
cofactors).<br />
Piemēri: a)<br />
11 a 12 a 13<br />
11 C 12 C 13<br />
A=(a a 21<br />
a 22<br />
a 23<br />
a 31<br />
a 32<br />
a 33)<br />
; A =(C C C 21<br />
C 22<br />
C 23<br />
C 31<br />
C 32<br />
C 33)<br />
.<br />
b) A=( 1 2<br />
3 4) ; A C =(<br />
4 −3<br />
−2 1 ) .<br />
Aplūkosim A C transponēto matricu (A C ) T .<br />
Piemēra turpinājums: ( A C ) T =(<br />
4 −2<br />
) −3 1 ;
A( A C ) T =( A C ) T A=( −2 0<br />
0 −2) .<br />
Kas ir −2 Tas ir det(A).<br />
Tātad matrica (A C ) T pēc savām īpašībām ir ļoti<br />
tuvu iecerētajai inversajai matricai A −1 .<br />
[Mācību grāmatās A C transponēto matricu (A C ) T parasti sauc<br />
par A pievienoto matricu (adjugate matrix) un apzīmē ar adj(A)<br />
vai A*.]<br />
Teorēma. Reizinot A(A C ) T vai (A C ) T A, iegūst<br />
matricu, kurai visi elementi ir 0, izņemot<br />
diagonāles elementus, kas ir vienādi ar det(A).<br />
[Mācību grāmatās šī teorēma skan tā: Reizinot AA * vai A * A,<br />
iegūst matricu, kurai visi elementi ir 0, izņemot diagonāles<br />
elementus, kas ir vienādi ar det(A).]<br />
Pierādījums (i-iespēja). Matricas A(A C ) T elementu apzīmēsim ar p ij<br />
:<br />
n<br />
p ij<br />
=∑ a ik<br />
C jk<br />
k=1<br />
(pie C ir jk nevis kj, jo (A C ) T ir A C transponētā matrica).<br />
Diagonāles elementi:<br />
(saskaņā ar Laplasa teorēmu).<br />
n<br />
p ii =∑ a ik C ik =det (A)<br />
k =1<br />
Bet ārpus diagonāles − ja i≠j Izrādās, ka tad p ij<br />
= 0. Tiešām, matricā A j-tās<br />
rindas vietā ieliksim i-to rindu. Iegūtās matricas A' determinants det(A')=0, jo tā<br />
satur divas vienādas rindas. No otras puses, saskaņā ar Laplasa teorēmu, A' j-ai<br />
rindai:<br />
n<br />
det( A')=∑<br />
k=1<br />
n<br />
a ' jk C ' jk =∑ a ik C jk = p ij<br />
.<br />
k=1<br />
(Te mēs ievērojām, ka a' jk<br />
=a ik<br />
un C' jk<br />
=C jk<br />
, jo matricas j-tā rinda C jk<br />
vērtības
neietekmē.) Tātad p ij<br />
=0.<br />
Iznāk, ka matricai A(A C ) T visi elementi ir 0, izņemot diagonāles elementus, kas ir<br />
vienādi ar det(A), ko arī vajadzēja pierādīt.<br />
Līdzīgā mēs varam aplūkot otru reizinājumu (A C ) T A, apzīmējot tā elementu ar<br />
q ij<br />
:<br />
n<br />
q ij =∑ C ki a kj<br />
k =1<br />
(pie C ir ki nevis ik, jo (A C ) T ir A C transponētā matrica).<br />
Tālākie spriedumi ir līdzīgi iepriekšējiem, tikai rindu vietā aplūkojam kolonas.<br />
Teorēma pierādīta.<br />
Secinājums. Ja det(A)≠0, tad par inverso<br />
matricu A −1 varam ņemt matricu<br />
1<br />
det ( A) ( AC ) T ,<br />
t.i. matricu (A C ) T , kuras visi elementi ir izdalīti<br />
ar det(A).<br />
[Mācību grāmatās šis secinājums skan tā: Ja det(A)≠0, tad par<br />
inverso matricu A −1 varam ņemt matricu<br />
Piemēra turpinājums: ( A C ) T =(<br />
det(A)=−2. Tātad A −1 =(<br />
1<br />
det (A) adj ( A) .]<br />
4 −2<br />
) −3 1 ;<br />
−2 1<br />
2)<br />
3<br />
− 1 .<br />
2<br />
Pierādījums. Ja reizinājumā AB matricas B visus elementus izdala ar skaitli c,<br />
tad arī visi AB elementi "izdalās" ar c. Tātad saskaņā ar tikko pierādīto teorēmu,<br />
AA −1 =E n<br />
. Un otrādi: ja reizinājumā BA matricas B visus elementus izdala ar<br />
skaitli c, tad arī visi BA elementi "izdalās" ar c. Tātad A −1 A=E n<br />
. Secinājums<br />
pierādīts.
Vēl mums ir jāpārliecinās, ka inversā matrica var būt tikai<br />
viena:<br />
Teorēma. Ja det(A)≠0 un AX=E n<br />
, tad<br />
X =A −1 = 1<br />
det (A) ( AC ) T<br />
. Tātad:<br />
a) A −1 = 1<br />
det( A) ( AC ) T<br />
ir matricas A vienīgā inversā matrica.<br />
b) Inversā matrica A −1 ir vienādojuma AX=E n<br />
, vienīgais<br />
atrisinājums.<br />
Pierādījums. Tā kā AX =E n , tad no vienas puses,<br />
bet no otras puses,<br />
A −1 ( AX )=A −1 E n<br />
=A −1 ,<br />
A −1 ( AX )=( A −1 A) X =E n<br />
X = X ,<br />
tātad X = A −1 . Q.E.D.<br />
Inversās matricas aprēķināšana<br />
Viena metode mums jau ir. Ja dota matrica A, tad vispirms<br />
jāaprēķina det(A).<br />
Ja det(A)=0, tad inversā matrica A −1 neeksistē.<br />
Ja det(A)≠0, tad jāizveido kofaktoru matrica A C , tā jātransponē<br />
par (A C ) T , un visi tās elementi jāizdala ar det(A). Tā arī būs<br />
inversā matrica A −1 .<br />
WolframAlpha šo uzdevumu risina šādā sintaksē:<br />
invert [{3,2},{4,3}].<br />
Piemēri:<br />
A = [{3,2},{4,3}], A −1 = [{3,−2},{−4, 3}];<br />
Kāpēc šeit A −1 ir tikai veseli skaitļi Tāpēc, ka det(A)=1.<br />
A = [{2,−1,0},{−1,1,1},{2,−1,1}], A −1 = [{2,1,−1},{3,2,−2},{−1,0,1}].<br />
invert [{2,−1,0},{−1,1,2},{2,−1,1}]
invert [{2,−1,0},{−1,1,3},{2,−1,1}]<br />
invert [{2,−1,0},{−1,1,4},{2,−1,1}]<br />
Cik sarežģīti ir aprēķināt A −1 <br />
Gausa-Jordana metode<br />
Tikko aprakstītā "kofaktoru metode" ir ļoti laba 2x2<br />
matricām.<br />
Bet tā nav praktiski lietojama jau 4x4 matricām (ja rēķinām<br />
"ar rokām", bez datora). Tiešām, nxn matricai A ir jāaprēķina<br />
vispirms algebriskie papildinājumi C ij<br />
skaitā n 2 . Tie ir<br />
(n−1)x(n−1) determinanti, katram no tiem aprēķins ar Gausa<br />
metodi izmanto Cn 3 operāciju, tātad kopā viss process izmanto<br />
Cn 5 operāciju.<br />
Izrādās, ka (atkal) daudz labāka ir Gausa<br />
metode, tiesa − tā ir nedaudz jāpapildina, un tad<br />
to sauc par Gauss-Jordan elimination – sk.<br />
http://en.wikipedia.org/wiki/Gauss_Jordan_elimination. Ar šo<br />
metodi inverso matricu var aprēķināt, izmantojot Cn 3<br />
operācijas.<br />
Metodes papildinājums radās 1888.gadā, un tam ir divi autori:<br />
1) Vācietis, ģeodēzists Wilhelm Jordan (1842-1899).<br />
2) Abats no Luksemburgas Bernard Isidor Clasen (1829-1902).<br />
Sk. viņa biogrāfiju (franču valodā).<br />
Ideja: ja det(A)≠0, tad inversā matrica A −1 ir<br />
vienādojuma AX=E n<br />
vienīgais atrisinājums.<br />
Tiešām, rezinām šo vienādojumu no kreisās puses ar A −1 :<br />
A −1 AX=A −1 E n<br />
;<br />
E n<br />
X=A −1 ;
X=A −1 .<br />
Tātad, lai atrastu matricas X ( t.i. A −1 ) visas n kolonas xj, ir<br />
katrai matricas E n<br />
kolonai b j<br />
jāatrisina lineāru vienādojumu<br />
sistēma Ax j<br />
=b j<br />
, un visi vektori x j<br />
ir jāsaliek matricā A −1 .<br />
Gausa-Jordana metode šo n sistēmu (tām ir kopīga koeficientu<br />
matrica A) risināšanu apvieno vienā procesā.<br />
Piemēru 3x3 matricai A sk. http://en.wikipedia.org/wiki/Gauss-<br />
Jordan_elimination.<br />
Piemērs 2x2: A=[{1,2},{3,4}]; pierakstām A labajā pusē E 2<br />
:<br />
[{1,2,1,0},{3,4,0,1}]; dalām/reizinām rindas ar skaitļiem,<br />
saskaitām/atņemam rindas, kamēr iegūstam E 2<br />
kreisajā pusē:<br />
[{1,0,−2,1},{0,1,3/2,−1/2}]; tad labajā pusē esam ieguvuši<br />
A −1 =[{−2,1},{3/2,−1/2}].<br />
Uzdevums (i-iespēja): pierādiet, ka Gausa-Jordana metode<br />
tiešām vienmēr dod inverso matricu.<br />
Saskaitot, cik operāciju ir jāizpilda, lai nxn matricai A<br />
aprēķinātu A −1 , Gausa-Jordana metodei sanāk kopā Cn 3<br />
operāciju (kur C − konstante).<br />
Vēl vairāk par to sk. Computational complexity of<br />
mathematical operations Wikipedia .<br />
Inverso matricu īpašības un lietojumi<br />
Teorēma. (AB) −1 = B −1 A −1 . [<strong>Matricu</strong> reizināšana nav<br />
komutatīva!]<br />
Pierādījums. (AB)(B −1 A −1 ) = A(BB −1 )A −1 = (AE)A −1 =<br />
AA −1 = E. Tātad saskaņā ar mūsu teorēmu par inversās<br />
matricas vienīgumu: B −1 A −1 = (AB) −1 .<br />
Atcerēsimies tagad savu sapni par matricu dalīšanu...
<strong>Matricu</strong> vienādojumu risināšana<br />
(jeb matricu dalīšana, A, X, B − n x n matricas):<br />
ja AX=B un det(A)≠0, tad X = A −1 B.<br />
ja XA=B un det(A)≠0, tad X = BA −1 .<br />
Abos gadījumos X ir vienīgais atrisinājums.<br />
[Bet ja det(A)=0]<br />
Pierādījums. Viegls, sk. augstāk.<br />
Lineāru vienādojumu sistēmu risināšana,<br />
izmantojot inverso matricu (tā mums ir jau trešā<br />
metode − līdzās Gausa un Kramera metodēm):<br />
Ax=b,<br />
kur A ir n x n matrica, x un b − vertikāli n x 1<br />
vektori.<br />
Ja det(A)≠0, tad vektors x=A −1 b ir sistēmas<br />
vienīgais atrisinājums.<br />
Pierādījums. Viegls.<br />
Piemērs. 3x+2y=1; 4x+3y=1; A=[{3,2},{4,3}]; b={1,1};<br />
A −1 =[{3,−2},{−4, 3}]; A −1 b={1,−1}; x=1; y=−1.<br />
Šī metode "neatmaksājas", ja mums ir jārisina tikai viena<br />
atsevišķa vienādojumu sistēma, bet tā ir sevišķi efektīva, ja ir<br />
jārisina vairākas sistēmas Ax=b ar vienu un to pašu<br />
koeficientu matricu A, bet ar dažādiem brīvo locekļu vektoriem<br />
b (jo vairāk sistēmu, jo lielāks efekts):<br />
A −1 ir jāaprēķina tikai vienreiz, tālāk – reizinājumus A −1 b<br />
visiem dažādajiem b pēc kārtas aprēķināt jau ir daudz vieglāk.
<strong>Matricu</strong> reizināšana ar skaitli<br />
Ja jau esam tikuši galā ar samērā sarežģīto matricu<br />
reizināšanu...<br />
Kā būtu jādefinē matricas A reizinājums ar<br />
skaitli c Protams, visi elementi a ij<br />
būtu<br />
jāpareizina ar c. Iegūto matricu apzīmēsim ar<br />
cA.<br />
Piemērs: 2∙[{1,2},{3,4}] = [{2,4},{6,8}].<br />
Reizināt ar skaitli var jebkuru izmēru matricu.<br />
Šīs operācijas īpašības:<br />
c(d(A) = (cd)A;<br />
1∙A = A.<br />
Jau interesantāk – kā reizināšana ar skaitli “uzvedas” pret<br />
matricu reizināšanu<br />
Teorēma. (cA)B = A(cB) = c(AB).<br />
Pierādījums.<br />
n<br />
c∑<br />
k=1<br />
n<br />
a ik b kj =∑<br />
k=1<br />
n<br />
(ca ik )b kj =∑ a ik (cb kj )<br />
k=1<br />
[Šo īpašību jau izmantojām agrāk: A −1 = 1<br />
det ( A) ( AC ) T .]<br />
Teorēma. Ja A ir n x n matrica, tad:<br />
Pierādījums. Viegls.<br />
det(cA)=c n det ( A) .<br />
<strong>Matricu</strong> saskaitīšana<br />
Kā nodefinēt matricu A, B summu A+B<br />
Ja gribam, lai
A+A=2A;<br />
A+A+A=3A<br />
utt.,<br />
tad matricu A, B summa A+B mums ir<br />
jādefinē, saskaitot attiecīgos elementus:<br />
c ij<br />
=a ij<br />
+b ij<br />
.<br />
Saskaitīt var tikai vienādu izmēru matricas.<br />
Piemērs: [{1,2},{3,4}] + [{2,1},{4,3}] = [{3,3},{7,7}].<br />
Šīs operācijas īpašības:<br />
(A+B)+C=A+(B+C);<br />
A+B=B+A;<br />
(matricu saskaitīšana IR komutatīva!)<br />
c(A+B) = cA + cB;<br />
(c+d)A = cA +dA;<br />
Bet kā matricu saskaitīšana “uzvedas” pret matricu<br />
reizināšanu<br />
Teorēma. Distributīvie likumi: [kāpēc divi dažādi]<br />
(A+B)C = AC + BC;<br />
C(A+B) = CA + CB.<br />
Pierādījums.<br />
n<br />
∑<br />
k =1<br />
n<br />
∑<br />
k =1<br />
Nulles matrica<br />
n<br />
(a ik + b ik )c kj =∑<br />
k=1<br />
n<br />
c ik (a kj +b kj )=∑<br />
k =1<br />
n<br />
a ik c kj + ∑ b ik c kj<br />
;<br />
k=1<br />
n<br />
c ik a kj +∑ c ik b kj .<br />
k=1
m×n matricai X piemīt nulles īpašība, ja<br />
jebkurai m×n matricai A: A+X=A.<br />
O mn<br />
− m x n matrica, kurā visi elementi ir 0.<br />
O mn<br />
piemīt nulles īpašība: A+O mn<br />
=A jebkurai<br />
m x n matricai A.<br />
Un tā ir vienīgā matrica, kam piemīt nulles īpašība: ja A+X=A<br />
kaut vienai m x n matricai A, tad X=O mn<br />
. [Pierādiet to.]<br />
Secinājums (vēlāk sapratīsim, ko tas nozīmē).<br />
n×n matricas veido gredzenu, bet neveido<br />
lauku.<br />
Mana personīgā lapa − šeit.<br />
Adrese komentāriem: Karlis.Podnieks@lu.lv