Матриця — це зручний спосіб подати багато чисел у вигляді таблиці, щоб з ними було легко працювати за чіткими правилами. Вона часто зустрічається в лінійній алгебрі, чисельних методах, програмуванні та аналізі даних. Чому це важливо? Бо матриця дозволяє коротко записувати системи рівнянь, описувати перетворення та виконувати обчислення без плутанини. Тож розгляньмо послідовно: що таке матриця, де її застосовують і які операції з нею є базовими.
Матриця як Таблиця Чисел: Означення і Позначення
Матрицею \( A \) розмірності \( m\times n \) називають прямокутну таблицю чисел, що має \( m \) рядків і \( n \) стовпців, де \( m,n\in\mathbb{N} \). Її записують так:
\[ A=\begin{pmatrix} a_{11} & a_{12} & a_{13} & \dots & a_{1n}\\ a_{21} & a_{22} & a_{23} & \dots & a_{2n}\\ a_{31} & a_{32} & a_{33} & \dots & a_{3n}\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ a_{m1} & a_{m2} & a_{m3} & \dots & a_{mn} \end{pmatrix}. \]
Числа \( a_{ij} \) називають елементами матриці. Перший індекс \( i \) показує номер рядка, а другий індекс \( j \) — номер стовпця. Отже, елемент \( a_{ij} \) стоїть на перетині \( i \)-го рядка та \( j \)-го стовпця. Тут корисно запам’ятати просте правило: спочатку рядки, потім стовпці.
Наприклад, нехай
\[ A=\begin{pmatrix} 7 & 0 & -3\\ 1 & 8 & -5 \end{pmatrix}. \]
Тут матриця має розмірність \( 2\times 3 \). При цьому \( a_{11}=7 \), а \( a_{23}=-5 \). Зручно: ви одразу бачите і значення, і місце елемента.
Далі корисно знати два особливі випадки. Якщо є лише один рядок, маємо матрицю-рядок:
\[ A=\begin{pmatrix} a_{11} & a_{12} & a_{13} & \dots & a_{1n} \end{pmatrix}. \]
А якщо є лише один стовпець, маємо матрицю-стовпець:
\[ B=\begin{pmatrix} b_{11}\\ b_{21}\\ b_{31}\\ \vdots\\ b_{m1} \end{pmatrix}. \]
Такі об’єкти часто називають векторами, і в задачах вони зустрічаються дуже часто.
Матриця в Задачах: Де Її Застосовують на Практиці
Тепер логічне питання: навіщо взагалі вводити матриці, якщо можна просто записати числа списком? Річ у тім, що матричний запис задає стандартну форму для задач і допомагає застосовувати відомі методи без зайвих переписувань.
По-перше, системи лінійних рівнянь. У чисельних методах це одна з центральних тем. Наприклад, система
\[ \begin{cases} 2 \cdot x_1+3 \cdot x_2=5,\\ -x_1+4 \cdot x_2=6 \end{cases} \]
записується коротко у вигляді
\[ A \cdot x=b, \quad A=\begin{pmatrix} 2 & 3\\ -1 & 4 \end{pmatrix}, \quad x=\begin{pmatrix} x_1\\ x_2 \end{pmatrix}, \quad b=\begin{pmatrix} 5\\ 6 \end{pmatrix}. \]
Далі вже застосовують метод Гауса, ітераційні методи та оцінки похибок. До того ж на практиці розв’язок часто шукають наближено, і саме матрична форма робить такі обчислення зручними для контролю.
По-друге, лінійні перетворення в геометрії та фізиці. Повороти, розтягнення, віддзеркалення часто описують множенням матриці на вектор:
\[ y=T \cdot x. \]
Так одним записом задають правило перетворення і далі обчислюють результат для різних векторів.
По-третє, дані та моделі. Матриці широко використовують для представлення даних: рядки можуть відповідати об’єктам, а стовпці — ознакам. Крім того, матричні обчислення лежать в основі регресії, методу найменших квадратів та багатьох алгоритмів роботи з даними.
Отже, матриця допомагає задавати задачу компактно й працювати з нею за зрозумілими правилами. А вже на прикладах буде видно, як це виглядає в обчисленнях крок за кроком.
Матриця та Спеціальні Типи: Квадратна, Діагональна, Трикутна
Переходимо далі: матриці бувають різні, і деякі типи мають особливо прості властивості, важливі для обчислень.
Матриця називається квадратною, якщо число її рядків дорівнює числу стовпців:
\[ A=\begin{pmatrix} a_{11} & a_{12} & a_{13} & \dots & a_{1n}\\ a_{21} & a_{22} & a_{23} & \dots & a_{2n}\\ a_{31} & a_{32} & a_{33} & \dots & a_{3n}\\ \vdots & \vdots & \ddots & \ddots & \vdots\\ a_{n1} & a_{n2} & a_{n3} & \dots & a_{nn} \end{pmatrix}. \]
Елементи \( a_{11},a_{22},a_{33},\dots,a_{nn} \) утворюють головну діагональ.
Наприклад,
\[ A=\begin{pmatrix} 1 & 5\\ 4 & 2 \end{pmatrix} \]
— квадратна матриця другого порядку. Тут головна діагональ — це елементи \( 1 \) і \( 2 \).
Далі, якщо всі елементи нижче головної діагоналі дорівнюють нулю, матриця є верхньою трикутною:
\[ U=\begin{pmatrix} u_{11} & u_{12} & u_{13} & \dots & u_{1n}\\ 0 & u_{22} & u_{23} & \dots & u_{2n}\\ 0 & 0 & u_{33} & \dots & u_{3n}\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ 0 & 0 & 0 & \dots & u_{nn} \end{pmatrix}. \]
А якщо нулі стоять вище головної діагоналі, маємо нижню трикутну:
\[ L=\begin{pmatrix} \ell_{11} & 0 & 0 & \dots & 0\\ \ell_{21} & \ell_{22} & 0 & \dots & 0\\ \ell_{31} & \ell_{32} & \ell_{33} & \dots & 0\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ \ell_{n1} & \ell_{n2} & \ell_{n3} & \dots & \ell_{nn} \end{pmatrix}. \]
Такі матриці часто з’являються в алгоритмах на кшталт LU-розкладу та під час кроків методу Гауса.
Також є діагональна матриця, де всі елементи поза головною діагоналлю — нулі:
\[ D=\begin{pmatrix} d_{1} & 0 & 0 & \dots & 0\\ 0 & d_{2} & 0 & \dots & 0\\ 0 & 0 & d_{3} & \dots & 0\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ 0 & 0 & 0 & \dots & d_{n} \end{pmatrix}. \]
Окремий випадок — одинична матриця:
\[ I=\begin{pmatrix} 1 & 0 & 0 & \dots & 0\\ 0 & 1 & 0 & \dots & 0\\ 0 & 0 & 1 & \dots & 0\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ 0 & 0 & 0 & \dots & 1 \end{pmatrix}. \]
Вона відіграє роль «одиниці» в матричних обчисленнях: множення на \( I \) не змінює матрицю чи вектор. У літературі її також можуть позначати літерою \( E \).
І, нарешті, нульова матриця:
\[ O=\begin{pmatrix} 0 & 0 & 0 & \dots & 0\\ 0 & 0 & 0 & \dots & 0\\ 0 & 0 & 0 & \dots & 0\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ 0 & 0 & 0 & \dots & 0 \end{pmatrix}. \]
Вона, як і нуль у звичайній арифметиці, має прості правила під час додавання та множення.
Основні Операції з Матрицями: Правила і Важливі Перевірки
Тепер перейдемо до найпрактичнішого: які операції з матрицями використовують найчастіше? Тут є один ключовий момент: перед будь-якою дією корисно спочатку перевірити розмірності. Саме на цьому етапі найчастіше виникають помилки, а в прикладах ми побачимо це особливо чітко.
Множення матриці на число
Якщо \( \alpha \) — число, то множення \( \alpha \cdot A \) означає, що кожен елемент матриці множиться на \( \alpha \):
\[ B=\alpha \cdot A,\qquad b_{ij}=\alpha \cdot a_{ij}. \]
Додавання та віднімання
Додавати можна лише матриці однакової розмірності. Якщо \( A \) і \( B \) — одного розміру, то
\[ C=A+B,\qquad c_{ij}=a_{ij}+b_{ij}. \]
Віднімання визначають аналогічно:
\[ C=A-B,\qquad c_{ij}=a_{ij}-b_{ij}. \]
Якщо ж розмірності різні, то додавання і віднімання не визначені — і це варто перевіряти одразу.
Множення матриць
Операція множення \( A \cdot B \) можлива лише тоді, коли матриці узгоджені за розмірами. Нехай \( A \) має розмірність \( m \times k \), а \( B \) має розмірність \( k\times n \). Тоді добуток існує:
\[ A_{m\times k}\cdot B_{k\times n}=C_{m\times n}. \]
Елементи матриці \( C \) обчислюються за формулою
\[ c_{ij}=\sum_{s=1}^{k} a_{is} \cdot b_{sj}. \]
Тобто беруть \( i \)-й рядок матриці \( A \) та \( j \)-й стовпець матриці \( B \), перемножують відповідні елементи і додають.
І ще одне важливе зауваження: загалом \( A \cdot B\neq B \cdot A \). Більше того, може бути так, що \( A \cdot B \) існує, а \( B \cdot A \) — ні, бо розмірності не підходять. Тому порядок множення завжди має значення.
Піднесення квадратної матриці до степеня
Якщо \( A \) — квадратна матриця і \( m>0 \), то
\[ A^{m}=\underbrace{A\cdot A\cdot A\cdot \dots \cdot A}_{m}. \]
Транспонування
Транспонування міняє місцями рядки і стовпці:
\[ A=\begin{pmatrix} a_{11} & a_{12} & a_{13} & \dots & a_{1n}\\ a_{21} & a_{22} & a_{23} & \dots & a_{2n}\\ a_{31} & a_{32} & a_{33} & \dots & a_{3n}\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ a_{m1} & a_{m2} & a_{m3} & \dots & a_{mn} \end{pmatrix}, \qquad A^{T}=\begin{pmatrix} a_{11} & a_{21} & a_{31} & \dots & a_{m1}\\ a_{12} & a_{22} & a_{32} & \dots & a_{m2}\\ a_{13} & a_{23} & a_{33} & \dots & a_{m3}\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ a_{1n} & a_{2n} & a_{3n} & \dots & a_{mn} \end{pmatrix}. \]
Ця операція часто потрібна і в теорії, і в чисельних методах, наприклад, коли працюють із симетричними матрицями або переходять до виразів виду \( A^{T} \cdot A \).
Матриця на Практиці: Приклади Обчислень Крок за Кроком
Тепер перейдемо до практики. Саме на прикладах найкраще видно, де легко помилитися і що варто перевіряти перед обчисленнями. Кожен приклад нижче має готове рішення, але краще спершу спробувати розв’язати його самостійно, а вже потім звірити відповідь крок за кроком.
Приклад 1. Знайти суму матриць \( A \) та \( B \)
\[ A=\begin{pmatrix} 2 & -1\\ 3 & 4 \end{pmatrix}, \qquad B=\begin{pmatrix} 5 & 6\\ -2 & 1 \end{pmatrix}. \]
Обидві матриці мають розмірність \( 2\times 2 \), отже додавання визначене. Обчислюємо суму поелементно:
\[ A+B=\begin{pmatrix} 2+5 & -1+6\\ 3+(-2) & 4+1 \end{pmatrix} =\begin{pmatrix} 7 & 5\\ 1 & 5 \end{pmatrix}. \]
Отримали матрицю тієї ж розмірності \( 2\times 2 \), як і очікувалося.
Приклад 2. Знайти добуток матриці \( A \) і числа \( \alpha \)
\[ A=\begin{pmatrix} -3 & 2 & 0\\ 1 & -4 & 5 \end{pmatrix}, \qquad \alpha=2. \]
Множення \( \alpha\cdot A \) означає, що кожен елемент матриці множиться на \( \alpha \). У нашому випадку \( \alpha=2 \), тому маємо:
\[ 2 \cdot A=\begin{pmatrix} 2\cdot(-3) & 2\cdot 2 & 2\cdot 0\\ 2\cdot 1 & 2\cdot(-4) & 2\cdot 5 \end{pmatrix} =\begin{pmatrix} -6 & 4 & 0\\ 2 & -8 & 10 \end{pmatrix}. \]
Розмірність при множенні на число не змінюється: було \( 2\times 3 \) і залишилося \( 2\times 3 \).
Приклад 3. Знайти добуток матриць \( A\cdot B \)
\[ A=\begin{pmatrix} 1 & 2 & -1\\ 0 & 3 & 4 \end{pmatrix}, \qquad B=\begin{pmatrix} 2 & 1\\ -1 & 0\\ 3 & 2 \end{pmatrix}. \]
Матриця \( A \) має розмірність \( 2\times 3 \), а матриця \( B \) — \( 3\times 2 \). Число стовпців першої дорівнює числу рядків другої, тому добуток \( A \cdot B \) існує і матиме розмірність \( 2\times 2 \). Обчислюємо елементи:
\[ A \cdot B=\begin{pmatrix} c_{11} & c_{12}\\ c_{21} & c_{22} \end{pmatrix}. \]
Знаходимо \( c_{11} \) як добуток першого рядка \( A \) на перший стовпець \( B \):
\[ c_{11}=1\cdot 2+2\cdot(-1)+(-1)\cdot 3=2-2-3=-3. \]
Далі \( c_{12} \) — перший рядок \( A \) на другий стовпець \( B \):
\[ c_{12}=1\cdot 1+2\cdot 0+(-1)\cdot 2=1+0-2=-1. \]
Переходимо до другого рядка:
\[ \begin{gathered} c_{21}=0\cdot 2+3\cdot(-1)+4\cdot 3=0-3+12=9,\\[4pt] c_{22}=0\cdot 1+3\cdot 0+4\cdot 2=0+0+8=8. \end{gathered} \]
Отже,
\[ A \cdot B=\begin{pmatrix} -3 & -1\\ 9 & 8 \end{pmatrix}. \]
Зверніть увагу: якби ми поміняли порядок і взяли \( B\cdot A \), то розмірності були б \( 3\times 2 \) і \( 2\times 3 \), тобто добуток існував би, але результат мав би зовсім інший розмір \( 3\times 3 \). Порядок множення справді важливий.
Приклад 4. Знайти транспоновану матрицю \( A^{T} \)
\[ A=\begin{pmatrix} 4 & -2 & 7\\ 1 & 0 & -3 \end{pmatrix}. \]
Транспонування міняє місцями рядки й стовпці. Отже, стовпці матриці \( A \) стають рядками матриці \( A^{T} \):
\[ A^{T}=\begin{pmatrix} 4 & 1\\ -2 & 0\\ 7 & -3 \end{pmatrix}. \]
Перевірка проста: \( A \) має розмірність \( 2\times 3 \), а \( A^{T} \) повинна мати \( 3\times 2 \). Так і вийшло.
Приклад 5. Піднести матрицю до другого степеня
\[ A=\begin{pmatrix} 1 & 2\\ 3 & 0 \end{pmatrix}. \]
Знайдемо \( A^{2} \). За означенням
\[ A^{2}=A\cdot A. \]
Перемножуємо:
\[ A^{2}=\begin{pmatrix} 1 & 2\\ 3 & 0 \end{pmatrix} \cdot \begin{pmatrix} 1 & 2\\ 3 & 0 \end{pmatrix} = \begin{pmatrix} 1\cdot 1+2\cdot 3 & 1\cdot 2+2\cdot 0\\ 3\cdot 1+0\cdot 3 & 3\cdot 2+0\cdot 0 \end{pmatrix} = \begin{pmatrix} 7 & 2\\ 3 & 6 \end{pmatrix}. \]
Це часта помилка: \( A^{2} \) — не квадрат кожного елемента, а добуток \( A\cdot A \) (для квадратної матриці \( A \)) за правилами матричного множення.
Матриця на Наступному Рівні: Теми для Продовження
Базові дії з матрицями вже зрозумілі, тож хочеться продовження, правда? Нижче — три теми, які логічно доповнюють цей матеріал і добре розширюють уявлення про матричні обчислення.
- Обернена матриця: Як «скасувати» множення — Коротко розберемо, коли обернена матриця існує, як її знаходять і що вона означає в обчисленнях.
- Псевдообернена матриця: Рішення, коли оберненої немає — Пояснимо ідею псевдообернення та навіщо воно корисне для стійких чисельних обчислень.
- Визначник матриці: Що показує і навіщо його рахують — Покажемо, що саме відображає визначник, як його трактувати та які висновки він дає про матрицю.
Матриця в Коді: Перетворення Блок-схеми на Маленькі Програми
Якщо вам хочеться побачити, як матричні правила працюють не лише на папері, а й у практиці, ці блок-схеми стануть чудовою опорою. Візьміть будь-яку улюблену мову програмування й спробуйте написати невеличкі програми, які роблять базові операції з матрицями: додавання та віднімання, множення матриці на число, транспонування, добуток матриць і піднесення матриці до степеня. Це справді мотивує, бо ви одразу бачите результат, можете підставляти свої дані й перевіряти себе без зайвих сумнівів. До того ж такі мініпрограми легко перетворюються на корисні інструменти для навчання або для власних проєктів, де матриці трапляються частіше, ніж здається на перший погляд.
