Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lernen Numerische Operationen auf Vektoren und Matrizen | Linear Algebra
Mathematik für Datenanalyse und Modellierung

bookNumerische Operationen auf Vektoren und Matrizen

Numerische Operationen an Vektoren

In Python können numerische Operationen an Vektoren mit verschiedenen Bibliotheken wie NumPy durchgeführt werden. NumPy bietet effiziente und praktische Funktionen für vektorisierte Operationen, die es einfach machen, Berechnungen an Vektoren durchzuführen.

Hier sind einige gängige numerische Operationen an Vektoren, zusammen mit Beispielen in Python:

Addition

Zwei Vektoren elementweise zusammen addieren.


              
123456

            
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b
print(c)
copy

Subtraktion

Einen Vektor elementweise von einem anderen subtrahieren.


              
123456

            
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a - b
print(c)
copy

Skalarmultiplikation

Ein Vektor wird mit einem Skalar multipliziert.


              
123456

            
import numpy as np

a = np.array([1, 2, 3])
b = 2
c = a * b
print(c)
copy

Skalarprodukt

Berechnung des Skalarprodukts zwischen zwei Vektoren.
Das Skalarprodukt zweier Vektoren ist eine mathematische Operation, die einen Skalarwert ergibt. Das Skalarprodukt zweier Vektoren u und v wird berechnet, indem die Summe der Produkte ihrer entsprechenden Komponenten gebildet wird:

u · v = u₁ * v₁ + u₂ * v₂ + u₃ * v₃ + ... + uₙ * vₙ


              
12345678

            
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.dot(a, b)

# Dot Product = 1*4 + 2*5 + 3*6
print(c)
copy

Operationen an Matrizen

Betrachten wir nun numerische Operationen an Matrizen.

Addition und Subtraktion

Matrizen und Vektoren gleicher Form können elementweise addiert oder subtrahiert werden.


              
123456789

            
import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

S = A + B
D = A - B
print(S)
print(D)
copy

Skalare Multiplikation und Division

Jedes Element einer Matrix oder eines Vektors kann mit einem Skalarwert multipliziert oder durch diesen dividiert werden. Beispiel in Python:


              
1234567891011

            
import numpy as np

A = np.array([[1, 2], [3, 4]])
scalar = 2

B = scalar * A  # Scalar multiplication
C = A / scalar  # Scalar division

print(B)
print(C)
copy

Matrixmultiplikation

Die Multiplikation von zwei Matrizen ist eine binäre Operation, die zwei Matrizen kombiniert, um eine neue Matrix zu erzeugen. Um das Ergebnis der Multiplikation von zwei Matrizen zu berechnen, muss die Anzahl der Spalten in der ersten Matrix gleich der Anzahl der Zeilen in der zweiten Matrix sein. Das Skalarprodukt von Matrizen wird berechnet, indem das Skalarprodukt der entsprechenden Zeilen der ersten Matrix und der Spalten der zweiten Matrix genommen wird. Die resultierende Matrix wird die gleiche Anzahl von Zeilen wie die erste Matrix und die gleiche Anzahl von Spalten wie die zweite Matrix haben. Der Prozess der Matrixmultiplikation kann wie folgt visualisiert werden:

Beispiel


              
12345678910111213141516171819202122232425262728

            
import numpy as np

# Define matrices A and B
A = np.array([[1, 2, 3], [4, 5, 6]])  # Matrix A with shape `(2, 3)`
B = np.array([[7, 8], [9, 10], [11, 12]])  # Matrix B with shape `(3, 2)`

# Perform dot product of matrices A and B
C = np.dot(A, B)  # Resulting matrix C with shape `(2, 2)`

# Print the resulting matrix C
print("Resulting matrix C (A dot B):")
print(C)

# Element-wise calculation of `C[0, 0]`
# c11 = 1*7 + 2*9 + 3*11
print("C[0, 0] = 1*7 + 2*9 + 3*11 =", C[0, 0])

# Element-wise calculation of `C[0, 1]`
# c12 = 1*8 + 2*10 + 3*12
print("C[0, 1] = 1*8 + 2*10 + 3*12 =", C[0, 1])

# Element-wise calculation of `C[1, 0]`
# c21 = 4*7 + 5*9 + 6*11
print("C[1, 0] = 4*7 + 5*9 + 6*11 =", C[1, 0])

# Element-wise calculation of `C[1, 1]`
# c22 = 4*8 + 5*10 + 6*12
print("C[1, 1] = 4*8 + 5*10 + 6*12 =", C[1, 1])
copy

Hinweis

Beachten Sie, dass die Matrixmultiplikation nicht kommutativ ist. Im Allgemeinen gilt A * B != B * A.

question mark

Was wird das Ergebnis der Multiplikation einer Matrix mit der Form (4, 5) mit einer Matrix mit der Form (3, 4) sein?

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 1

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

Fragen Sie mich Fragen zu diesem Thema

Zusammenfassen Sie dieses Kapitel

Zeige reale Beispiele

Awesome!

Completion rate improved to 4.76

bookNumerische Operationen auf Vektoren und Matrizen

Swipe um das Menü anzuzeigen

Numerische Operationen an Vektoren

In Python können numerische Operationen an Vektoren mit verschiedenen Bibliotheken wie NumPy durchgeführt werden. NumPy bietet effiziente und praktische Funktionen für vektorisierte Operationen, die es einfach machen, Berechnungen an Vektoren durchzuführen.

Hier sind einige gängige numerische Operationen an Vektoren, zusammen mit Beispielen in Python:

Addition

Zwei Vektoren elementweise zusammen addieren.


              
123456

            
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b
print(c)
copy

Subtraktion

Einen Vektor elementweise von einem anderen subtrahieren.


              
123456

            
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a - b
print(c)
copy

Skalarmultiplikation

Ein Vektor wird mit einem Skalar multipliziert.


              
123456

            
import numpy as np

a = np.array([1, 2, 3])
b = 2
c = a * b
print(c)
copy

Skalarprodukt

Berechnung des Skalarprodukts zwischen zwei Vektoren.
Das Skalarprodukt zweier Vektoren ist eine mathematische Operation, die einen Skalarwert ergibt. Das Skalarprodukt zweier Vektoren u und v wird berechnet, indem die Summe der Produkte ihrer entsprechenden Komponenten gebildet wird:

u · v = u₁ * v₁ + u₂ * v₂ + u₃ * v₃ + ... + uₙ * vₙ


              
12345678

            
import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.dot(a, b)

# Dot Product = 1*4 + 2*5 + 3*6
print(c)
copy

Operationen an Matrizen

Betrachten wir nun numerische Operationen an Matrizen.

Addition und Subtraktion

Matrizen und Vektoren gleicher Form können elementweise addiert oder subtrahiert werden.


              
123456789

            
import numpy as np

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

S = A + B
D = A - B
print(S)
print(D)
copy

Skalare Multiplikation und Division

Jedes Element einer Matrix oder eines Vektors kann mit einem Skalarwert multipliziert oder durch diesen dividiert werden. Beispiel in Python:


              
1234567891011

            
import numpy as np

A = np.array([[1, 2], [3, 4]])
scalar = 2

B = scalar * A  # Scalar multiplication
C = A / scalar  # Scalar division

print(B)
print(C)
copy

Matrixmultiplikation

Die Multiplikation von zwei Matrizen ist eine binäre Operation, die zwei Matrizen kombiniert, um eine neue Matrix zu erzeugen. Um das Ergebnis der Multiplikation von zwei Matrizen zu berechnen, muss die Anzahl der Spalten in der ersten Matrix gleich der Anzahl der Zeilen in der zweiten Matrix sein. Das Skalarprodukt von Matrizen wird berechnet, indem das Skalarprodukt der entsprechenden Zeilen der ersten Matrix und der Spalten der zweiten Matrix genommen wird. Die resultierende Matrix wird die gleiche Anzahl von Zeilen wie die erste Matrix und die gleiche Anzahl von Spalten wie die zweite Matrix haben. Der Prozess der Matrixmultiplikation kann wie folgt visualisiert werden:

Beispiel


              
12345678910111213141516171819202122232425262728

            
import numpy as np

# Define matrices A and B
A = np.array([[1, 2, 3], [4, 5, 6]])  # Matrix A with shape `(2, 3)`
B = np.array([[7, 8], [9, 10], [11, 12]])  # Matrix B with shape `(3, 2)`

# Perform dot product of matrices A and B
C = np.dot(A, B)  # Resulting matrix C with shape `(2, 2)`

# Print the resulting matrix C
print("Resulting matrix C (A dot B):")
print(C)

# Element-wise calculation of `C[0, 0]`
# c11 = 1*7 + 2*9 + 3*11
print("C[0, 0] = 1*7 + 2*9 + 3*11 =", C[0, 0])

# Element-wise calculation of `C[0, 1]`
# c12 = 1*8 + 2*10 + 3*12
print("C[0, 1] = 1*8 + 2*10 + 3*12 =", C[0, 1])

# Element-wise calculation of `C[1, 0]`
# c21 = 4*7 + 5*9 + 6*11
print("C[1, 0] = 4*7 + 5*9 + 6*11 =", C[1, 0])

# Element-wise calculation of `C[1, 1]`
# c22 = 4*8 + 5*10 + 6*12
print("C[1, 1] = 4*8 + 5*10 + 6*12 =", C[1, 1])
copy

Hinweis

Beachten Sie, dass die Matrixmultiplikation nicht kommutativ ist. Im Allgemeinen gilt A * B != B * A.

question mark

Was wird das Ergebnis der Multiplikation einer Matrix mit der Form (4, 5) mit einer Matrix mit der Form (3, 4) sein?

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 1
some-alt