Wykład z algebry liniowej o rzucaniu wektorami na płaszczyzny i podprzestrzenie: rzut ortogonalny, algorytm Grama–Schmidta i rozkład QR. Motywacja fizyczna (klocek ciągnięty po podłożu z tarciem), wzór na rzut w bazie ortonormalnej, dwie wersje Grama–Schmidta i ortogonalizacja wielomianów z wagą e^(−x²), czyli wielomiany Hermite’a.
W tym nagraniu
Rzut ortogonalny na podprzestrzeń – istnienie, jednoznaczność, motywacja fizyczna
Wzór na rzut w bazie ortonormalnej i macierz AᵀA
Algorytm Grama–Schmidta: normalizacja na końcu i w trakcie
Rozkład QR (zbieżność nazwy z kodami QR przypadkowa)
Wielomiany ortogonalne z wagą e^(−x²) (wielomiany Hermite’a)
Wykład z algebry liniowej o rzucaniu wektorów na płaszczyzny i podprzestrzenie. Motywacja jest fizyczna: przy klocku ciągniętym po podłożu z tarciem liczy się składowa siły równoległa do podłoża, czyli jej rzut ortogonalny. Wykład pokazuje, że rzut ortogonalny na podprzestrzeń istnieje i jest jednoznaczny.
W bazie ortonormalnej e₁, …, eₖ rzut ma prosty wzór: P(v) = ∑ ⟨v, eᵢ⟩·eᵢ, a w dowolnej bazie (kolumny macierzy A) pojawia się macierz AᵀA. Bazę ortonormalną buduje algorytm Grama–Schmidta — w dwóch wersjach: z normalizacją na końcu i w trakcie — który zapisany macierzowo daje rozkład QR (zbieżność nazwy z kodami QR jest przypadkowa).
Na koniec ortogonalizacja wielomianów z wagą e^(−x²), czyli z iloczynem skalarnym ⟨f, g⟩ = ∫ f(x)·g(x)·e^(−x²) dx na całej prostej. Wychodzą z niej wielomiany Hermite’a, ważne m.in. w fizyce kwantowej.
Lekcje kursu „Matematyka od nowa” na ten temat
Szkolne podstawy tego, o czym jest nagranie — interaktywnie i za darmo.
Transkrypt został wygenerowany automatycznie na podstawie napisów YouTube, więc może zawierać błędy w zapisie wzorów, nazwisk i terminów. Kliknij znacznik czasu, aby przewinąć wideo do danego fragmentu. (6118 słów)
Dobra. Będziemy rzucać wektorami. Będziemy rzucać wektorami w płaszczyzny. Na poprzednim wykładzie udało nam się wymusić, że możemy rzucać wektorem wprostą. Opisaliśmy sobie dokładnie to, co się rysowało w szkole, albo na fizyce, albo gdziekolwiek. Mamy jakąś prostą przechodzącą przez dwa punkty. Najlepiej przez zero, bo tak się najlepiej liczy. Jest zero. Jest jakiś wektor V. I mamy gdziekolwiek indziej wektor W. I tak. I patrzymy, ile jest takich wektorów P, że tu jest kąt prosty.
Intuicja geometryczna podpowiada, że dokładnie jeden. Powiedzmy, że w skończonym wymiarze raczej należy się spodziewać, że intuicje geometryczne będą prawdziwe. Tylko jeszcze będę oby to udowodnił. I tydzień temu tego dowodziliśmy. Mówiliśmy, że jak jestem w spanie V, to muszę być w postaci V raz jakaś liczba. Dowodziliśmy, że tu jest dokładnie jeden taki wektor. O i ta liczba jest dokładnie taka, że tu jest kąt prosty. Nazywaliśmy go rzutem W na V i jeszcze jako wisienkę na torcie udowodniliśmy, że zachodzi to, czego się spodziewamy z geometrii, to znaczy jak ja mam tu jakikolwiek inny wektor U, który nie jest równy P, to odległość od W do U jest gorsza niż odległość od W do P.
To będzie przez Waszą karierę powracający motyw, że nawet w światach, w których prostopadłość jest trudna do wymuszenia to minimalizowanie odległości często się definiuje prościej. I to potrafi funkcjonować jako substytut prostopadłości. Warto zauważyć, że ten wzór jest tak zrobiony, że był jednorodny. Dlaczego? Obiekt geometryczny, jaki jest prosty przez 0 i V on nie zależy od skalowania V. Mogę wziąć 2V, mogę wziąć minus 5V, mogę wziąć I razy V. A każdym razem jak dopiszę do V skalar o, jak tu dopiszę lambda i tu dopiszę lambda i tu dopiszę lambda to co mi się stanie?
Ta lambda, o, stąd stąd ona wyskoczy z kwadratem modułu. Tak jak to liczba zespoła nas pod długości wektora. Stąd wyskoczy z modułem. Dlatego perfidnie dałem V na drugim miejscu i czynę skalarnego. Mówiąc modułem niejednolity sprzężeniem. To akurat skróci się lambda lambda sprzężony z modułem lambda kwadrat. To było takie sprawdzenie, że jednostki we wzorze mają sens. No i fajnie. Przy okazji jeszcze fizyk wypowiedział, że myślimy o tym w ten sposób, że tu mamy jakiegoś klocka na sznurku i ciągniemy klocka po prostej, po której jest tarcie.
No i to P to jest ta składowa tej siły ciągnącej w kierunku poruszania się ta, która działa przeciwko tarciu. No i jak się geometrią powie, że długość tego rzutu to jest długość V, gdzie długość V to jest długość V razy kosinus kąta UV, to jest praktycznie dowód tego wzoru, który widzieliśmy, że iloczyn skalarny się wyraża jako ilość długości razy kosinus kąta. Tak, ten napis to jest trochę tendencyjny, bo on jeszcze kosztuje minusa, jak mamy kontrol zwarty, ale tak inspiracyjnie, fizycznie chodziło o to.
Plan jest taki, żeby to samo zrobić z 1 równym m. To znaczy, będziemy mieć stwierdzenie. Mamy przestrzeń z leczynem skalarnym. Stać nas na to, żeby dorobić nad c. To jest przestrzeń unitarną. Jak wiemy, można wziąć wszystkie napisy, które się dzieją, zapomnieć o sprzężeniach, zapomnieć o tym, że istniały liczby zespolone i stwierdzić, że to wszystko jest odpowiedź o przestrzeni wg-sowej. To wtedy też działa. Powiedzmy, że mam co ja mam? Mam układ nawet może być ortogonalny. Przy normalnym wzorze są trochę prostsze.
Tak samo jakbyśmy tutaj wymusili, że długość V jest 1, to by nie było tego. To ja powiem, że V0 to jest span span V1 do Vm. To co ja teraz chcę powiedzieć ja chcę powiedzieć, że jeśli ja zdefiniuję P jako suma i mam jakikolwiek wektor obrazek jest taki, że tu jest V0, tu jest gdzieś wektor 0, tu jest gdzieś W i rzucamy W w płaszczyznę. Tak naprawdę to wyobrażamy sobie, że płaszczyzna jest pozioma, trzymamy W w powietrzu, puszczamy i ona spada.
To się powinno nazywać upust niż rzut. Taka tradycja. Cyk, cyk, o. Takie coś ma być. Ja twierdzę, że rzutowanie na płaszczyznę to jest to samo, co suma rzutów na wszystkie proste bady osie, które się na nią składają. Tu jest rzut na VK. VK wektora W. Czyli po prostu jawnym wzorem to jest W razy VK przez VK do kwadratu kwadratu razy Vk. To ja twierdzę, że P jest jedyny należącym do V0.
Takim, że P minus W jest prostopadłe do całego V0. I przy okazji, jak już to udowodnię, to dodatkowo udowodnię, że to jest argmin, to nie jest obszar gminy, tylko argument, w którym jest przyjmowany minimum po U, które należą do V0 z z u minus w. Po polsku najbliższy punkt od punktu do płaszczyzny to jest rzut prostopadu. Tak jak pewnie gdzieś tam widzieliśmy w szkole. Dowód będzie po prostu przez sprawdzenie, że działa.
Po pierwsze to, oczywiście to jest liczba, więc to jest ze spanu V0. To ja poszukam wszystkich wektorów, które są w V0, które spełniają takie coś. Każdy taki wektor w V0 to jest jakaś suma. Jakaś suma CK razy VK. To co? To teraz P minus W prostopadłe do całej podprzestrzeni. To jest oczywiście równoważne z tym, że dla każdego J, P minus W jest prostopadłe do VJ. Jak jestem prostopadły do każdego kierunku, to jestem też prostopadły do wszystkich kombinacji nowych tych kierunków, czyli do całego V0.
No dobra, to jest równoważne z tym, że dla każdego j i teraz, żeby ten żeby to nie wyszło głupio ze sprzężeniami to napiszemy po lewej stronie to napiszemy po prawej i tu jest suma po k i to jest 0 No dobra, to są takie rzeczy, jakie my widywaliśmy to jest tu będzie strasznie dużo iloczynów skarnych, które się zerują to jest to samo, co suma po k c k wychodzi bez sprzężenia v k razy v j No, ale coś zgubiłem. Tak, ja chciałem tutaj napisać to minus w. I patrzcie, nawet przez to, że publiczność jest ode mnie oddziela na barierę czasu, to nawet nie mogę narzekać, że nikt na mnie nie krzyczał, że gubię literki.
Tu jest ta suma razy vj minus w razy vj. Czyli ja tutaj orzekam, że taka suma jest równa w razy vj. No, ale widzicie, to jest taka suma, w której dzięki ortogonalności tych wektorów, to tylko jeden skład nikt się nie wyzeruje. Każde VK razy VJ dla każdego różnego od J będzie 0. Czyli jednym co nam zostaje to jest CK. Tu jest VJ razy VJ, gdzie mówiąc K miałem na myśli J, to ma być równe W razy VJ. Czyli wyszło.
To jest pełny katalog wszystkich elementów V0. Co więcej jest 1 do 1, ponieważ jak się nie trudno przekonać, chyba już to robiliśmy, to każdy układ ortogonalny jest liowo niezależny, więc jest dokładnie jeden wektor, który to spełnia i jest to dokładnie ten, którego współczynniki są zadane wzorem w razy vj przez vj do kwadratu. No, a dlaczego to jest argmin? No, to jest jeszcze prostsze. Robimy ten sam obrazek, co tam. Tu jest p, tu jest w, tu jest jakiś lepszy kandydat. No, to piszemy twierdzenie pitego rasa. Jeśli już mamy ten konkretny p, który ma tutaj kąt prosty, no to przecież u minus w do kwadratu, bo jak znakomicie wiecie, podnoszenie do kwadratu liczby dodatniej, a nawet nie ujemnej, jest funkcją rosnącą.
Więc wszystko jedno, czy ja tutaj dopiszę kwadrat. Ja minimalizuję wielkość tylko wtedy, kiedy minimalizuję jej kwadrat, jeśli ta wielkość była nie ujemna. To, to jest z cierpienia Pitagorasa, że na razie to jest z rachunków. To był wielki straszny rachunek i teraz Pitagoras. Bo te rzeczy są prostopadłe. Czyli to coś jest równe swojemu minimum. To jest minimum, tylko kiedy U jest równe P. Wszędzie indziej jest gorzej. Cieszmy się, że żyjemy w takim świecie, w którym ten najbliższy punkt jest jednoznaczny.
Są takie, w których on nie jest jednoznaczny. Jakoś trzeba kombinować. To umiemy rzutować na przestrzeń, w której jest ładna od linijki stabelkowana baza ortogonalna. To nawet... Zaraz, czy my nawet umiemy napisać wzór? Tak, my umiemy napisać wzór. No patrzcie. Powiedzmy, że ja zapakuję... Powiedzmy, że ja zapakuję te wektory do macierzy. Jako jeszcze jeden element tego twierdzenia. mogę dopisać to, że macierz teraz powiem, że rzut na V0 to ja powiem, że to jest P i teraz to jest przekształcenie liniowe, które jest opisane wzorem to ja dodatkowo jeszcze mogę powiedzieć, że macierz rzutu a nie, to napiszemy to jako osobne twierdzenie, bo tu będzie ileś znaczków.
Tak, twierdzenie. Znowu V tak samo jak wcześniej. to ja powiem, że ma w niej jakąś bazę ortonormalną i ja powiem, że niech A to będzie macierz, której kolumnami są współrzędne naszych wektorów w bazie B. Ta macierz jest w najgorszym wypadku kwadratowa, a często jest chudsza i wyższa. To ja teraz powiem, że macierz, warunek warunek ortogonalności układu tych wektorów to w ogóle jest taki, że a nie, dobra, ja tutaj zrobię, żeby one były ortonormalne.
Żeby wzór ładnie wyglądał. Jak nie są, to po prostu się dzieli przez długość. To nie jest prawda. Ortonormalność tych wektorów to jest to samo, co powiedzenie, że a z gwiazdką razy a to jest identyczność rozmiaru m na m. Równienie jest takie, że a z gwiazdką to jest transpozycja i sprzężenie. Jeśli jesteśmy w settingu rzeczywistym, to w ogóle możemy myśleć o transpozycji. Ja twierdzę, że żeby zrobić macierz rzutu na V0, to ja biorę to i odwracam kolejność.
Macierz przekształcenia rzutowania na span tych wektorów w bazie B to jest a razy a z gwiazdką. Jak a jest taka wysoka i chuda, to to, to jest takie coś, co ma szansę być macierzem pełnego rzędu. To jest taki iloczyn. Tutaj jest iloczyn odwrotnie. To jest taki iloczyn, który w ogólnym przypadku to będzie bardzo niepełnego rzędu. I tak naprawdę to jest napisane tutaj.
No bo, no co? No bo to jest, tu mam kolumny V1, Vm a tu mam wiersze. Tu mam wiersze V1 z gwiazdką, aż do Vm z gwiazdką. Ojejku, jesteś po złej stronie drzwi. No tak mi przykro. No i dlaczego to jest prawda? No dlatego, że jak ja przyłożę te macierze, o to tutaj, V1, Vm, razy V1 z gwiazdką.
Nawet nie muszę je przykładać do wektora. Zauważcie, że to po prostu z tego jak działam na rzędzie macierzy, To jest ten wektor razy ten wektor, zachowując to, że tu jest kolumna, a tu jest wiersz, plus ten pionowy wektor razy ten poziomy wektor. To jest taka suma macierzy rzędu 1. To jest dokładnie suma VK razy VK z gwiazdką. No ale zaraz, my już mówiliśmy, że to jest macierz rzutu ortogonalnego na VK. Powinniśmy to i powiedzieć tutaj. Tak, powinniśmy i powiedzieć tutaj, że macierz projekcji na V w tej samej bazie ortonormalnej, w której jest wyrażony V to jest V pionowe razy V poziome.
To jest to samo. To jest dokładnie to samo. Jak ja przyłożę tę macierz do wektora W to tu mam V z giazdką razy W. Po polsku W razy V razy wektor V. Czyli dokładnie rzut rzut W na V. Czyli tu jest suma macierzy rzutu na VK, czyli macierz sumy rzutów na VK, czyli jak się już przekonaliśmy, macierz dokładnie rzutu, powinien to bardziej tak pisać, bo to jest w indeksie, czyli to jest dokładnie rzut na span całego towarzystwa. A teraz chcemy zrobić to samo, tylko nie mamy ortogonalności.
I plan jest taki, że będziemy tę ortogonalność brutalnie wymuszać. I to będzie taki twierdzeniem algorytmu, który będzie jednocześnie opisem algorytmu i indukcyjnym dowodem poprawności. Powiedzmy, że ja mam jakieś wektory V1, Vm. Dla ustalenia uwagi załóżmy, że one są linijowo niezależne. Jak są linijowo zależne, to nam ani trochę nie przeszkadza, tylko po prostu trzeba skipnąć któryś krok co chwilę. To zaraz zobaczymy. To ja twierdzę, że wtedy istnieją a tak nawet to istnieje dokładnie jeden dokładnie jeden o nie dokładnie jeden, bo z dokładnością doznakuję to.
Wszystko jeden. Chcielibyśmy zrobić taki algorytm. Istnieją V1 z wąsem, aż do Vm z wąsem. I one są ortonormalne. Takie, że dla każdego k od 1 do m, span się zgadza. Span początkowego odcinku tutaj, to jest to samo, co span początkowego odcinku z wąsem. Jak to będziemy dowodzić przez pokazanie ich palcem?
To znaczy wersja jedna jest taka, że ja powiem, że V1 z wąsem to jest po prostu V1. Potem zrobię taką rekurencję, że VK z wąsem to jest VK, tylko że z urwanym rzutem na wszystko poprzednie. Minus 1. Wszystko jednoczone są z wąsem, czy nie, bo chcemy mieć ten warunek. Takie coś. A potem to jest jedna pętla, a druga pętla jest taka, że zamieniamy VK z wąsem na V z wąsem zmuszone do tego, że były długości 1.
Czyli tu jest po prostu wzór suma od 0 do k minus 1 V razy poprzednie poprzednie do kwadratu razy poprzednie. Wersja druga się różni bardzo nieznacznie. Daje dokładnie ten sam wynik. Tylko, że tutaj mamy trochę ładniejszy wzór kosztem tego, że normalizujemy je przez cały czas po drodze, a nie na końcu. I wtedy od początku mamy ekspozycję na pierwiastki, które się pojawiają w tym wszystkim. To znaczy tu już robimy normalizację.
Tu mamy zagwarantowane, że wszystkie do tej pory już są długości 1, oprócz bycia ortogonalnymi. Czyli tego nie ma. Tu była jedna pętla, a tu była druga. A tutaj wszystko jest jedną pętlą. robimy to na początku potem robimy tak, a potem normalizujemy wektor VK i dowód, że to działa w zasadzie już jest treść intelektualna w tym twierdzeniu to jest powiedzenie, że spodziewamy się, że tak można bo jak już wiemy, że tak można to to musi wyglądać w taki sposób bo to gołym okiem widać, że V jak to chcemy zrobić także span w obu przypadkach span v1 z wąsem aż do v z wąsem to jest to samo co span jest to absolutnie wszystko jedno czy piszę nawiasy okrągłe czy klawiarkowe
A piszę różnie bo się nie mogę zdecydować tu jest od 1 do k-1 mógłbym napisać sumę prostą ale nawet nie muszę w taki sposób ja teraz twierdzę że Zauważcie, że to jest span tego wąsa, tego towarzystwa, plus, tak naprawdę ja to mogłem pisać od razu w ten sposób. Tu mam napisane VK minus suma coś tam razy VJ z wąsem.
Od 1 do K minus 1. Teraz, na podstawie tego jak działa span, to ja mogę użyć tych wektorów, żeby odwrócić to, co się tutaj zdarzyło. tu mogę napisać po prostu VK a teraz już tak jak zrobiliśmy przed chwilą tu z założenia indukcyjnego to jest span po tym jakim urwiemy wąsy i to z definicji tego jak działa span to jest jedno drugie to jest to, że to są wektory ortonormalne normalizacja nam zapewnia zapewnia ten krok normalizacyjny tutaj a dlaczego są ortogonalne self-explanatory to jest dokładnie ta jedyna własność rzutu ortogonalnego, która jest.
Jak tu mamy span tego towarzystwa, tu mamy VK, tu mamy rzut, to V minus rzut oczywiście jest prostopadły do spanu poprzednich. Czyli to nam gwarantuje, że VK z wąsem jest prostopadły do VJ z wąsem. Dla J mniejszych od K to jest wszystko. Dla każdej pary J i JK, w której j jest różny od k to któryś jest mniejszy. Więc prostopadłość wracamy po trudnościach technicznych o tak.
Także jak to jest taki no-brainer, że jak się chcemy przekonać, że każde dwa wektory w tym towarzystwie są prostopadłe to wystarczy, żeby ten z mniejszym indeksem był prostopadły z tego z większym indeksem. Bo w każdej parze dwóch któryś ma mniejszy indeks. No. Także tak. To jest takie bardziej algorytm niż twierdzenie. To jest samodowodzący się algorytm. To jeszcze, co jest w nim fajne, to zauważcie, że w tej wersji tutaj whisky, dlaczego to robisz? W internecie nikt nie wie, że jestem kotem.
Nikt. Przyszedł przeszkadzać. No, pokaż się. Tymczasem. Tymczasem. A, chcielibyśmy zobaczyć, jak dokładnie się... To znaczy, mamy napisane, jak się wyrażają te wektory z wąsem od tych poprzednich, ale to jest takim wzorem, który jest trochę nieprzyjemny. To jak się przyjrzymy na typ tego, co się tutaj dzieje, to zauważcie, że z dokładnością tego skalowania, to tutaj VK z wąsem czyta VK ze współczynnikiem konkretnie 1 i poprzednie.
Czyli tak naprawdę, jak ja sobie wyobrażę to całe towarzystwo w ten sposób, że mam macierz, który jest złożony z V o z Vm ze współrzędnych tych wektorów w jakiejś bazie ortonormalnej zapisanej w kolumnach to to co ja robię w tym moim algorytmie niech ja tworzę V1 z wąsem w tej wersji, w której normalizuję na końcu to ja tu po prostu przepisuję dokładnie manifestacja tego, że działanie na kolumnach to jest domnażanie z prawej strony macierzy odwracalnej whisky. Zdajesz sobie sprawę z tego, że jak zjesz mi te słuchawki, to zostaniesz czapką.
Skaranie boskie z tym kodem. V2 z wąsem. To jak my robimy? Mówimy, że to jest V2. To jest V1, V2. One są w kolumnach. Jedno obok drugiego. To było V2 minus jakaś cała razy V1. Znaczy, no skończyliśmy? Na macierze trójkątnej. V2 z wąsem to było V2 minus coś tam razy V1. Czyli tu była jakaś tam liczba. No i potem dokładnie tak samo. V3 z wąsem. Tu było 1, tu było coś, tu było coś. No już widzicie konspirację. To są same jedynki.
A co robiliśmy jeszcze potem? Robiliśmy normalizację. Czyli tu dzieliliśmy przez długość V1 z wąsem. I tak dalej. To jest domnażanie skalarów do kolumn tutaj. Tu była macierzyk górna trójkąta, a tutaj dalej jest macierzyk górna trójkątna. To znaczy, jak ja powiem, że to jest A, powiem, że iloczyn tych dwóch to jest U, to A razy U od upper triangular to będzie macierz, który ma kolumny, które są układem ortonormalnym. Nazwijmy ją Q.
Ortonormalność układu to jest dokładnie to, że Q sprzężone hermitowsko razy Q to jest identyczność. no bo patrzcie, jak tu mam V1 z wąsem, Vm z wąsem to jest macierz Q tu domnożę Q z gwiazdką czyli tu jest V1 z wąsem z gwiazdką i tak dalej to co ja tutaj dostaję to jest dokładnie macierz idoczynów skalarnych jak tu mam I i tu mam J to tu mam dokładnie VJ razy VI bo to I jest w wersji z gwiazdką czyli to I jest po tej stronie skośnoliniowej także tak udało nam się udowodnić, że każda macierz A powiedzmy niech ona będzie N na M może być nad R, może być nad C a jeśli jak chcemy N większe równe M chcemy jeszcze
Żeby rząd A był pełny to wtedy istnieją taka macierz R górnotrójkątna i taka macierz Q ortogonalna. Powinienem tu jeszcze osobno zrobić definicję, że powiemy, że macierz Q jest ortogonalna. Wtedy tylko wtedy, gdy Q z gwiazdką Q to jest identyczność. Tak naprawdę to jest definicjo mikrotwierdzenie, że to jest równoważne z tym, że kolumny Q są ortonormalne.
Dlaczego to się nazywa macierzą ortogonalną, a nie ortonormalną? Ponieważ Ponieważ notacja ma wbudowane sporo inercji. Takie, że a jest równe q razy r. Oczywiście to stąd wynika w ten sposób, że to mnożymy z prawej strony razy u do minus pierwszej i to r to jest u do minus pierwszej. To co byśmy jeszcze chcieli zrobić? Chcielibyśmy jako wniosek z tego wyprowadzić ogólny wzór na to, jak się rzutuje na podprzestrzeń.
Czy my jesteśmy w stanie to zrobić teraz tak za darmo? Bo ogólny plan jest taki, że setting jest taki sam jak wcześniej, to wtedy ja bym chciał, żeby macierz rzutu V0 to jest spankolumna rzutu na V0 to ja twierdzę, że to jest takie coś i teraz tu dopiszę a z gwiazdką i tu dopiszę a.
Zobaczcie, jak to jest perfidny napis. Gdyby a była macierzą kwadratową, gdyby a była macierzą kwadratową, to coś mi się jeszcze nie podoba w tym, co ja tutaj napisałem. Tak? A, to jest rzeczywiste. Tak, bo oczywiście ten wydarzeń wygląda właśnie w ten sposób. A w ogólnym przypadku jest długa i chuda. Więc a razy a z gwiazdką to jest to z lewej i to z prawej, czyli to jest mała macierz. To jest ta macierz m na n. Odwracalna cartesial de facto, że rząd a jest m. No, natomiast tu, tak jakby a była ortogonalna po prostu, to to a razy a z gwiazdką to była macierz rzutu. A tu mam taką korektę.
Jakby a była kwadratowa i odwracalna, to im a to jest całość. Czyli ten rzut na całość to jest identyczność. I tego się należy spodziewać, bo jakby po prostu byśmy to rozwałkowali ze wzoru na odwracanie iloczynu, napisalibyśmy, że to jest a do minus pierwszej, a z gwiazdką do minus pierwszej. Ten by się skrócił z tym, ten by się skrócił z tym i idziemy do domu. I dokładnie tak samo, jak mieliśmy w podobieństwie macierzy, to domnażanie z prawej strony coś i z lewej strony coś do minus pierwszej, co się nie skraca dzięki faktowi, że to jest nieprzemienne, to podobnie mamy tutaj, że to się a w ogóle nie jest kwadratowe więc pisanie samego adominens pierwszej nie ma sensu i czy jesteśmy w stanie się teraz z tego wytłumaczyć tak na szybko jesteśmy w stanie się z tego wytłumaczyć na powoli zobaczmy czy jak się wstawi to tutaj to nam wyjdzie no bo zauważcie, że obraz macierzy A R tylko miesza kolumny Więc to jest to samo, co obraz tej macierzy Q z rozkładu QR.
Zbieżność nazwisk z kodami QR całkowicie przypadkowa. Kody QR to jest algebra nad Z2, a to jest algebra, która musi być nad R, żeby działała. Więc ja bym chciał, żeby to było to samo, co Q razy Q z gwiazdką. No to podstawmy. A to jest QR. Tu mam QR z gwiazdką. do minus pierwszej. A tu będę miał qr i tu będę miał qr. No to rozkompresowujemy, co się tutaj zdarzyło.
R z gwiazdką q z gwiazdką razy q. Aha! r z gwiazdką razy q z gwiazdką. To tu mam qr. To! To jest ten iloczyn w tę dobrą stronę. q jest pionowa i chuda, więc q z gwiazdką jest pozioma. To jest ta macierz m na m, r z gwiazdką r do minus pierwszej, r z gwiazdką q z gwiazdką i teraz to już hudaj dusza, bo ja tego nie napisałem tutaj, ale to było takie self-evident, że to jest macierz m na m kwadratowa, a to jest macierz o takich samych wymiarach jak a. Więc oczywiście żebyśmy nie stracili rzędu, to r musi być odwracalna.
Więc tu jest po prostu qr r do minus pierwszej, r z gwiazdką do minus pierwszej, r z gwiazdką, q z gwiazdką no i znowu to się skraca, to się skraca a o tym się już przekonaliśmy dosłownie parę minut temu, w którym to miejscu napisaliśmy o, w tym miejscu napisaliśmy, że to jest dokładnie macierz rzutu na span kolumn tak, a że to jest tak, to jest dokładnie macierz rzutu na span kolumn a Dowód, który miałem w głowie, to był taki bardziej brutalny, który tak naprawdę przechodził przez napisanie jawnie tych współczynników na tej macierzy, ale kolejny argument za tym, że rozkład QR jest fajny.
By the way, da się udowodnić, że jeśli co, a już założyliśmy, że ma pełny rząd, to się da udowodnić, że ten rozkład QR jest jednoznaczny z dokładnością do mnożenia kolumn przez plus minus 1 w wersji rzeczywistej i przez liczbę o module 1 w wersji zespolonej. A, jeszcze obiecałem komentarz, co się dzieje, jak tutaj nakarmimy dane, które się psują, jak tu nie ma będzie zależności. Pamiętacie, jak był dowód, że każda przestrzeń, która jest rozpięta przez skończenie wielu wektorów, ma jakąś bazę. To, co robiliśmy? Stawialiśmy bramkarza, który zapraszał do klubu tylko nowe wektory. W tym klubie domyślnie jest zero.
Spotyka pierwszy wektor i jeśli nam dostarczy coś mądrzejszego niż zero, to wchodzi do klubu, jak nie, to go odrzucamy. No i tak mamy 0, V1, jeśli V2 jest równego do V1, to odrzucamy, jak nie, to bierzemy. I w ten sposób odrzucamy każdy wektor, który jest kombinacją linii poprzednich i w ten sposób się pozbawiamy każdej liniowej zależności. To jest dokładnie to samo. Zauważcie, że jeśli VK jest kombinacją linii poprzednich, to tu rzut VK na poprzednie, to będzie całe VK i tu się zrobi 0. I w tym miejscu się zatnie. Więc ten algorytm sam z siebie wykrywa, czy faktycznie dane, które były do niego narkomione, są nierównie zależne.
Więc to się robi tak, że się przejeżdża tym algorytmem i po prostu się zapomina o wektorach, które się tutaj wyzerowały. Więc te wektory, które są zerowe, nie kontrybuują i dlatego nie ma straty ogólności, jak myślimy o macierzach, a o nierównie zależnych kolumnach. Dobra, to żebym nie był gołosłownym, to fajnie byłoby coś policzyć. fajnie byłoby coś policzyć to żeby Wam zostawić prostsze rzeczy na ćwiczeniach z liczeniem z liczeniem tego jak iloczyn skalarny jest dany po prostu takim zwykłym normalnym iloczynem skalarnym na R to policzymy z bardzo fajnym iloczynem skalarnym na bardzo fajnej przestrzeni mamy przestrzeń wielomianów iloczyn skalarny na niej to nie będzie teraz całka z f od x razy g od x po całym r.
Bo to byłaby strasznie głupia całka. Dla żadnego niezerowego wielbiewiałem, bo to nie miało sensu. Tutaj domnożymy takiego zbuja. Jak znakomicie wiecie z analizy 2, ten zbój powoduje, że ta całka jest zbieżna. To jest uczciwa funkcja ciągła, więc całka do dowolnego miejsca jest dobrze określona, a przez to jak szybko to wygasa, to granica też działa. i zrobimy sobie ortogonalizację Gramma-Schmitta na wektorach na tylu wektorach, na ile nam starczy czasu. To znaczy, ogólnie ta przestrzeń to ma pod ręką mnóstwo wektorów.
Zrobimy na takim ciągu. To zanim jeszcze się to zabierzemy, to przypomnimy sobie parę rzeczy. Po pierwsze całka z e do minus x kwadrat to możecie potraktować jako black box, że to jest pierwiastek z pi. Tak naprawdę to ja mógłbym jeszcze znormalizować ten ioczync karny przez pierwiastek z pi, ale już trudno. Są to, którzy dopisują pi x kwadrat w wykładniku. I teraz uważcie, że wszystkie, jak tu mam wielomian razy wielomian, jakie powtarzam nawiasy, to wszystko, co mi się tutaj pojawi, to będą jakieś całki postaci całka z x do k tej razy e do minus x kwadrat.
Całka z x e do minus x kwadrat to takie całki to my umiemy liczyć. przecież to jest jakaś pochodna to jest jak wezmę e do minus x kwadrat i teraz pochodnuję to będę miał minus 2x raz e do minus x kwadrat miał mi wyjść x to muszę skorygować o czynnik minus 1 druga czyli ja dostanę co ja dostanę a tutaj ja w ogóle dostanę 0 tak, bo ten bo my to liczymy po całej prostej i jednocześnie próbowałem to liczyć po całej prostej od 0 do nieskończoności.
Nie polecam bycia mną. To jest oczywiście 0, bo to jest funkcja nieparzysta. Jak mamy całkę z x kwadrat e do minus x kwadrat dx, to to jest kolejna całka, w której to nie ma funkcji pierwotnej, która się wyraża, ale funkcja pierwotna do tego się wyraża przez funkcję pierwotną do tego. I to się jakoś robi. To się robi na przykład przez części. To się mówi, że... Jak to się mówi? jak to najszybciej zrobić, żeby się nie narobić. Wiem, jak to zrobimy.
Zrobimy to tak trochę na piechotę, trochę nie. Zrobimy sobie katalog pochodnych w rzeczy w postaci x do k razy e do minus x kwadrat. Oczywiście to się daje policzyć jakąś tam rekurencją. Dlaczego jestem tak niezdestrowany? Dobra, zróbmy tak. Weźmy x do 2k. Spróbujmy to zaatakować całkowajem przez części. No to to ja tutaj mogę to napisać jako x do 2k plus pierwszej przez 2k plus 1 z tego pochodna razy e do minus x kwadrat dx.
No to it stands to reason, że chcielibyśmy zrobić to przez części i przerzucić primę tutaj. Tak, to na szczęście jest 0, bo to jest byle wielomiana. To jest aż e do minus x kwadrat. To w obu nieskończonościach tu mam e do minus nieskończoność minus całka i teraz mamy przerzucony prim. Ale patrzcie, jakie to paskudne jest. Jak ja tutaj przerzucę prima, to mi się dorobi jeszcze jeden stopień wielomianu. Tak? Czyli jak ja powiem, że to jest całka, nazwijmy to hk. Normalnie jak się liczy całki, to się oznacza przez duże i, od integra.
Tutaj to będzie wyglądało jak identity matrix. Dlaczego hk? Wracamy po przerwie na reklamy. To jest 0. tu są dwa minusy, tu jest plus dwa, dwa k plus jeden i co? x do dwa k tu jest plus jeden, plus dwa więc zdawałoby się, że zamienił się tutaj kierkę na kijek, wyraziliśmy h k przez przez h k plus jeden ale każda równość ma dwa końce h k plus jeden jest równe dwa razy k plus jeden przez 2 razy hk.
O. Czyli czyli co? Czyli ja mogę powiedzieć, że hk to jest tak jak tutaj zamienimy indeksy, to jest 2k minus 1 przez 2 razy hk minus 1. Czyli to jest 2k minus 1 razy 2k minus 3 przez 4 razy hk minus 2. I tak dalej. Dla nieparzystych to i tak jest w ogóle głupie. Nie tak chciałem powiedzieć.
Akurat k tu jest byle jaką liczbę naturalną. Czyli po prostu zjeżdżamy z k do 0. Równa się, równa się. Chcemy skończyć ten cały iloczyn na h k minus k, bo h0 to jest pierwiastek z pi. Czyli ja chcę mieć tu k czynników przez 2 do k tej. tu jest 2 razy k minus 1 to się ma kończyć na 2 razy 1 minus 1 czyli akurat iloczyn wszystkich liczb nieparzystych mniejszych równych mniejszych równych 2k minus 1 przez 2 do k razy pieriastek z pi dobra to co? to to analizujemy najpierw mamy najpierw mamy co?
Mierzymy prosto po 1 równe 1 jak robimy tę wersję w której mamy długości wektorów do kwadratu w mianowniku, a normalizować będziemy na końcu. V1 to jest 1, po prostu, bez zmian. V2 to jest, no i teraz to jest wielomian x minus x razy poprzedni przez długość poprzedniego do kwadratu razy poprzedni. Czyli x minus x razy 1 to jest 0. To jest całka z x e do minus x kwadrat. Więc tu jest cokolwiek, tu jest cokolwiek, więc to jest x. Świetnie.
Jak na razie to w ogóle jest bez zmian. V3. x kwadrat minus x kwadrat razy. Jeden poprzedni i jeszcze drugi poprzedni. Tu jest x kwadrat minus no i co? Długość x do kwadratu to jest to jest to jest całka z x kwadrat. Całka z x kwadrat to jest to jest to, co nazwaliśmy h1. Tu x kwadrat razy x. Całka z x sześcien razy e do minus x. Zero.
Minus. Tu się w końcu coś zaczyna. To jest x kwadrat razy 1 razy e do minus x. Czyli tu mamy h1. A tu mamy po prostu h0 razy 1. Czyli x kwadrat minus nasze h0 to był pierwiastek z pi. Zobaczcie jak on się pięknie skraca. Spoiler alert. We współczynnikach tych wielomianów w ogóle wyjdą same liczby całkowite. a h1 jak już ustaliliśmy to jest to jest co? to jest 2 razy 1 minus 1 przez 2 razy h0 czyli po prostu 1 druga równa się x kwadrat minus 1 druga to następny v4 to będzie x tak naprawdę powinienem numerować od 0, żeby było ładniej jeszcze mam szansę to pozmieniać 0, 1, 2 czy x sześcian x sześcian razy x kwadrat albo nie, róbmy to od najmniejszego
Żeby była rosnąca trudność x sześcian razy x przez x do kwadratu razy x minus brutalnie urywamy z każdego wielomianu przepraszam was, ja tutaj napisałem jakiś totalny absurd już się poprawiam tu chciałem napisać jedynka x zostają tu chciałem napisać właśnie V2. Tak naprawdę powinienem napisać to V z wąsem, ale mi się nie chce. Tu jest x sześcian.
Minus. To jest znowu. Nie parze z tą potęgą, to jest 0. Minus. x sześcian. Tu jest całka z x sześcian razy x razy e do minus x kwadrat. Tu jest przez całka z moduł x do kwadratu, czyli x razy x, czyli x kwadrat e do minus x kwadrat do kwadratu razy x. Minus. Minus co? I teraz się zacznie liczenie. Tak, ja coś. Całka z x kwadrat minus jedna druga do kwadratu razy V2. Tu jest co? Tu jest H4. Tu na dole jest H2 do kwadratu.
Coś mi się strasznie nie podoba w tym co ja tutaj napisałem. Tak, ponieważ ja absolutnie piszę kwadraty, których tutaj nie powinno być. Nie jest ze mną dobrze. Tak, no to, no dlatego to się miał tutaj skracać. Długość x do kwadratu to jest po prostu całka z x razy, x razy, razy wagę do minus x kwadratu. Minus. No i tu trzeba znowu policzyć. x do piątej minus jedna druga, x do trzeciej.
Ojej, znowu będzie zero. Tak? Tu jest jakaś tam całka. Tu znowu jest mało liczenia. Jak już ustaliliśmy, tak, tu nie było tego kwadratu, Ja go wyhalcynowałem. Jak już ustaliliśmy, H4 się zaczyna od... H4 się zaczyna od 2 razy 4 minus 1, czyli od 7. 7 razy 5, razy 3.
Podzielone przez 2 do 3. Na sobie reastyk spi. H2, to jak już ustaliliśmy, to jest 3 razy 1. przez 2 do kwadratu. Równa się. Wait a second. Oczywiście, że nie. Ja tu coś strasznie sknociłem z tymi napisami. Już wam mówię, co ja sknociłem.
Tu było dobrze. Tu napisałem bez sensu H4, to aż to się nazywa H2. A to było H1, tak, bo zrobiłem taką konwencję notacyjną, że HK to jest całka 2K tej. I teraz i teraz wszystko gra i błoczy. Mają być dwie sztuki liczb nieparzystych, to ma być jedna sztuka liczby nieparzystej. Uda się. x sześcian minus trzy drugie x. To jeszcze możemy policzyć w 4 do porządku.
To będzie co? Będzie x do czwartej. Minus. x do czwartej razy v1. Tak naprawdę, jakby to liczyć tak porządnie, to by należało sobie na boczku napisać, jakie są kwadraty długości tych wszystkich rzeczy, żeby tego nie liczyć za każdym razem od nowa. Numerowaliśmy od 0. Tak. Razy V. I jeszcze x do czwartej razy V3 przez V3 do kwadratu razy V3.
No to teraz co? V0 to było po prostu 1. Więc to jest całka z x do czwartej razy 1 e do minus x kwadrat. To była po prostu całka z 1 do kwadratu. e do minus x kwadrat. Razy 1. Minus. tam było, x do czwartej V1 to w ogóle był x. Bla, bla, bla, razy bla, bla, bla i tak wyjdzie 0. Minus x do czwartej razy V2. Tu już trzeba uważać. To jest x do czwartej razy V2 to było wyszło nam ile? x kwadrat minus 1 druga.
V2 do kwadratu to będzie całka z x kwadrat minus 1 druga do kwadratu. To samo co pisaliśmy tutaj. I tu to niestety trzeba będzie policzyć, bo licznik się nie wyzeruje. Jeśli Wam przeszkadza to, że zmienna tutaj, ta wielomianowa, to jest to samo, co zmienna pod całką, to słusznie. Na szczęście tu będziemy mieć x do czwartej razy V3. V3 to jest wielomian nieparzysty. Przez bla bla bla razy bla bla bla.
No i zauważamy, że to jest 0 i to jest 0. To co ja dostaję. x do czwartej minus całka z x do czwartej, czyli h2. przez h1, tak samo jak już ustaliliśmy, minus, co tutaj mamy? x do czwartej razy x kwadrat, czyli to jest h3 minus 1 druga samej x do czwartej, czyli h2 przez, o mój Boże, to będzie całka z x do czwartej, czyli h2, minus 2 razy 1 druga razy x kwadrat, czyli po prostu minus x kwadrat, czyli minus h1 plus 1 czwarta h0.
Point. Miałem na myśli h0. Teraz to więcej sensu. Tak. Spodziewamy się, że pierwiastki z pi się skrócą. Tu zamówienie na dwie liczby nieparzyste przez dwa do kwadratu. Tu było razy pierwiastek z pi. Tu będzie też jeden razy pierwiastek z pi.
Minus razy jeden. Minus. H3. To już będzie zamówienie na trzy liczby nieparzyste. Minus. Jedna, druga. Dwie liczby nieparzyste. Tu będzie h2, gdzie liczba nieparzysta, minus h1, jedna liczba nieparzysta, plus 1 czwarta, minus. Tu nam zostawię 3 czwarte. A tu mamy co? Tu mamy w ogóle mianownik 8, tu jest 5 razy 3, to jest chyba 15. 15 minus 3 to jest chyba 12.
A tutaj pod mianownikiem 4 jest 3 minus 2 plus 1. Jak mówiłem, że wyjdą liczby całkowite, to po odpowiedniej normalizacji. Takiej, która się bierze z trochę innej rekurencji, która produkuje te same wielomiany. Ale przynajmniej wychodzą wymierne. Minus i tu będzie to jest 1 plus 1. 2 przez 4 to jest 1 druga. Czyli to ląduje tutaj. Tu mam razy 2, czyli mam 20 przez 4. 20 przez 4 to jest 3 chyba. x do czwartej. Minus 3x kwadrat.
I teraz co? Minus 3 czwarte, minus 3 drugie. Tak, ja coś Jedna druga plus jedna czwarta to chyba są trzy czwarte To razem jest dziewięć czwartych No, i prawdopodobnie to wyszło dobrze A może nie