Stryg for at vise menuen

Matrixdekompositionsteknikker er essentielle værktøjer i numerisk lineær algebra, der muliggør løsninger af ligningssystemer, stabilitetsanalyse og matrixinversion.

Udførelse af LU-dekomposition

LU-dekomposition opdeler en matrix i:

L: nedre trekantsmatrix;
U: øvre trekantsmatrix;
P: permutationsmatrix til at tage højde for rækkebytninger.


              123456789101112
            
import numpy as np
from scipy.linalg import lu

# Define a 2x2 matrix A
A = np.array([[6, 3],
              [4, 3]])

# Perform LU decomposition: P, L, U such that P @ A = L @ U
P, L, U = lu(A)

# Verify that P @ A equals L @ U by reconstructing A from L and U
print(f'L * U:\n{np.dot(L, U)}')

Hvorfor dette er vigtigt: LU-dekomponering anvendes i stor udstrækning i numeriske metoder til effektiv løsning af lineære ligningssystemer og inversion af matricer.

Udførelse af QR-dekomponering

QR-dekomponering faktorerer en matrix i:

Q: Ortogonal matrix (bevarer vinkler/længder);
R: Øvre trekantsmatrix.


              123456789101112
            
import numpy as np
from scipy.linalg import qr

# Define a 2x2 matrix A
A = np.array([[4, 3],
              [6, 3]])

# Perform QR decomposition: Q (orthogonal), R (upper triangular)
Q, R = qr(A)

# Verify that Q @ R equals A by reconstructing A from Q and R
print(f'Q * R:\n{np.dot(Q, R)}')

Hvorfor dette er vigtigt: QR bruges ofte til at løse mindste kvadraters problemer og er mere numerisk stabil end LU i visse situationer.

1. Hvad er permutationmatricen `P`'s rolle i LU-dekomponering?

2. Antag, at du skal løse systemet $A·x = b$ ved hjælp af QR-dekomponering. Hvilken kodeændring skal du foretage?

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 9

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Implementering af Matrixdekomposition i Python

Matrixdekompositionsteknikker er essentielle værktøjer i numerisk lineær algebra, der muliggør løsninger af ligningssystemer, stabilitetsanalyse og matrixinversion.

Udførelse af LU-dekomposition

LU-dekomposition opdeler en matrix i:

L: nedre trekantsmatrix;
U: øvre trekantsmatrix;
P: permutationsmatrix til at tage højde for rækkebytninger.


              123456789101112
            
import numpy as np
from scipy.linalg import lu

# Define a 2x2 matrix A
A = np.array([[6, 3],
              [4, 3]])

# Perform LU decomposition: P, L, U such that P @ A = L @ U
P, L, U = lu(A)

# Verify that P @ A equals L @ U by reconstructing A from L and U
print(f'L * U:\n{np.dot(L, U)}')

Hvorfor dette er vigtigt: LU-dekomponering anvendes i stor udstrækning i numeriske metoder til effektiv løsning af lineære ligningssystemer og inversion af matricer.

Udførelse af QR-dekomponering

QR-dekomponering faktorerer en matrix i:

Q: Ortogonal matrix (bevarer vinkler/længder);
R: Øvre trekantsmatrix.


              123456789101112
            
import numpy as np
from scipy.linalg import qr

# Define a 2x2 matrix A
A = np.array([[4, 3],
              [6, 3]])

# Perform QR decomposition: Q (orthogonal), R (upper triangular)
Q, R = qr(A)

# Verify that Q @ R equals A by reconstructing A from Q and R
print(f'Q * R:\n{np.dot(Q, R)}')

Hvorfor dette er vigtigt: QR bruges ofte til at løse mindste kvadraters problemer og er mere numerisk stabil end LU i visse situationer.

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 9

Implementering af Matrixdekomposition i Python

Udførelse af LU-dekomposition

Udførelse af QR-dekomponering

1. Hvad er permutationmatricen P's rolle i LU-dekomponering?

2. Antag, at du skal løse systemet A⋅x=bA·x = bA⋅x=b ved hjælp af QR-dekomponering. Hvilken kodeændring skal du foretage?

Implementering af Matrixdekomposition i Python

Udførelse af LU-dekomposition

Udførelse af QR-dekomponering

1. Hvad er permutationmatricen `P`'s rolle i LU-dekomponering?

2. Antag, at du skal løse systemet $A·x = b$ ved hjælp af QR-dekomponering. Hvilken kodeændring skal du foretage?