वेक्टर आणि मॅट्रिक्स स्पष्ट केले: बाकीच्यांसाठी रेखीय बीजगणित

रेखीय बीजगणित घाबरवणारा वाटतो, परंतु त्याच्या मूळ कल्पना उल्लेखनीय आहेत. वेक्टर, मॅट्रिक्स आणि त्यांच्यामधील ऑपरेशन्स भौतिकशास्त्राच्या सिम्युलेशनपासून ते मशीन लर्निंग मॉडेल्सपर्यंत सर्व गोष्टींचे वर्णन करतात. हे मार्गदर्शक मूलभूत गोष्टींना प्रवेशयोग्य बनवते — कोणत्याही प्रगत नोटेशनची आवश्यकता नाही.

वेक्टर म्हणजे काय?

व्हेक्टर म्हणजे फक्त परिमाण (आकार) आणि दिशा दोन्ही. 2D मध्ये, v = [३, ४] सारखा वेक्टर म्हणजे "३ युनिट उजवीकडे आणि ४ युनिट्स वर हलवा." 3D मध्ये, तुम्ही तिसरा घटक जोडता: v = [३, ४, २].

भौमितिकदृष्ट्या, सदिश हा उत्पत्तीपासून बिंदूपर्यंतचा बाण असतो. बीजगणितानुसार, ही संख्यांची (घटक) क्रमबद्ध सूची आहे. दोन्ही दृश्ये तितकीच वैध आहेत आणि तुम्ही त्यांच्यामध्ये सतत स्विच कराल.

वेक्टरची विशालता (लांबी) पायथागोरियन प्रमेय वापरते जे सामान्यीकृत n परिमाणांमध्ये असते:

|v| = √(v₁² + v₂² + v₃²)

v = [३, ४] साठी: |v| = √(9 + 16) = √25 = 5

युनिट वेक्टर ची परिमाण तंतोतंत 1 आहे. कोणत्याही वेक्टरला युनिट वेक्टरमध्ये रूपांतरित करण्यासाठी, प्रत्येक घटकाला परिमाणाने विभाजित करा: v̂ = v / |v|.

वेक्टर जोडणी आणि स्केलर गुणाकार

दोन वेक्टर घटकानुसार जोडतात:

[1, 2, 3] + [4, 5, 6] = [5, 7, 9]

भौमितिकदृष्ट्या हा "हेड-टू-टेल" नियम आहे — दुसऱ्या वेक्टरची शेपटी पहिल्या वेक्टरच्या डोक्यावर ठेवा.

स्केलर (सामान्य संख्या) ने गुणाकार केल्यास प्रत्येक घटक मोजला जातो:

3 × [1, 2, 3] = [3, 6, 9]

सकारात्मक स्केलर वेक्टर ताणतात; −1 चा स्केलर त्याची दिशा उलट करतो; 0 आणि 1 मधील स्केलर ते संकुचित करतात.

डॉट उत्पादन

दोन सदिशांचे डॉट उत्पादन एक स्केलर (एकल संख्या) तयार करते:

A·B = a₁b₁ + a₂b₂ + a₃b₃

A = [१, २, ३] आणि B = [४, ५, ६] साठी:

A·B = (1×4) + (2×5) + (3×6) = 4 + 10 + 18 = 32

भौमितिक अर्थ अधिक प्रकट करणारा आहे:

A·B = |A| × |B| × cos(θ)

जेथे θ हा सदिशांमधील कोन आहे. हे आम्हाला एक गंभीर अंतर्दृष्टी देते:

• A·B > 0: कोन < 90° — सदिश अंदाजे समान दिशा दाखवतात
• A·B = 0: कोन = 90° — सदिश लंब (ऑर्थोगोनल) आहेत
• A·B < 0: कोन > 90° — सदिश अंदाजे विरुद्ध दिशा दाखवतात

उपयोजित गणितामध्ये डॉट प्रॉडक्ट सर्वत्र आहे. दस्तऐवज आणि वापरकर्ता प्राधान्ये यांची तुलना करण्यासाठी मशीन लर्निंग कोसाइन समानता (डॉट उत्पादनाची परिमाणाने भागून) वापरते. भौतिकशास्त्र हे काम मोजण्यासाठी वापरते: W = F·d (फोर्स डॉट विस्थापन).

क्रॉस प्रॉडक्ट

क्रॉस उत्पादन फक्त 3D मध्ये कार्य करते आणि दोन्ही इनपुटला लंबवत वेक्टर (स्केलर नाही) तयार करते:

A × B = [a₂b₃ - a₃b₂, a₃b₁ - a₁b₃, a₁b₂ - a₂b₁]

दिशा उजव्या हाताच्या नियमाचे पालन करते: तुमची बोटे A च्या दिशेने करा, त्यांना B कडे वळवा आणि तुमचा अंगठा A × B च्या दिशेने करा.

A × B चे परिमाण दोन सदिशांनी पसरलेल्या समांतरभुज चौकोनाच्या क्षेत्रफळाच्या बरोबरीचे आहे:

|A × B| = |A| × |B| × sin(θ)

बिंदू उत्पादनाच्या विपरीत, क्रॉस उत्पादन हे अँटी-कम्युटेटिव्ह आहे: A × B = −(B × A).

अनुप्रयोग: भौतिकशास्त्रातील टॉर्क τ = r × F आहे. संगणक ग्राफिक्समधील पृष्ठभाग सामान्य (पृष्ठभागाची दिशा) एज व्हेक्टरची क्रॉस उत्पादने म्हणून गणना केली जाते.

मॅट्रिक्स म्हणजे काय?

मॅट्रिक्स ही संख्यांची आयताकृती ॲरे आहे, जी पंक्ती आणि स्तंभांमध्ये आयोजित केली जाते. 3×2 मॅट्रिक्समध्ये 3 पंक्ती आणि 2 स्तंभ असतात.

मॅट्रिसेस रेषीय परिवर्तन दर्शवतात — कार्ये जी स्ट्रेच करतात, फिरवतात, परावर्तित करतात किंवा वेक्टर्स कातरतात. वेक्टरला मॅट्रिक्सने गुणाकार केल्याने त्याचे रूपांतर होते.

2×2 मॅट्रिक्स A आणि वेक्टर v साठी:

A = [[3, 0],    v = [1]    Av = [3×1 + 0×2] = [3]
     [0, 2]]        [2]         [0×1 + 2×2]   [4]

हे परिवर्तन x-घटक 3 ने आणि y-घटक 2 ने मोजते.

मॅट्रिक्स गुणाकार

मॅट्रिक्स C = AB देण्यासाठी दोन मॅट्रिक्स A आणि B गुणाकार करतात, जेथे प्रत्येक घटक c_ij हा B च्या स्तंभ j सह A च्या पंक्ती i चा बिंदू गुणाकार आहे.

[1, 2] × [5, 6] = [(1×5 + 2×7), (1×6 + 2×8)] = [19, 22]
[3, 4]   [7, 8]   [(3×5 + 4×7), (3×6 + 4×8)]   [43, 50]

गंभीर नियम:

• जेव्हा A मधील स्तंभांची संख्या B मधील पंक्तींच्या संख्येइतकी असते तेव्हाच AB ची व्याख्या केली जाते
• मॅट्रिक्स गुणाकार सामान्यतः कम्युटेटिव्ह नसतो: AB ≠ BA

निर्धारक

स्क्वेअर मॅट्रिक्सचा निर्धारक हा एक स्केलर आहे जो तुम्हाला मॅट्रिक्स किती क्षेत्रफळ (2D मध्ये) किंवा व्हॉल्यूम (3D मध्ये) मोजतो हे सांगते.

2×2 मॅट्रिक्ससाठी:

det [[a, b]] = ad - bc
    [[c, d]]

निर्धारक मूल्य	अर्थ
det > 0	परिवर्तन अभिमुखता टिकवून ठेवते
det < 0	परिवर्तन प्रतिबिंबित करते (भिमुखता पलटते)
	det
	det
det = 0	परिवर्तन एकवचनी आहे — स्क्वॅश ते खालच्या आयामापर्यंत

जेव्हा det = 0, तेव्हा मॅट्रिक्स एकवचनी असते — त्याला कोणतेही व्यस्त नसते आणि ते प्रतिनिधित्व करत असलेल्या समीकरणांच्या प्रणालीला एकतर कोणतेही समाधान नसते किंवा अनेक नसतात.

मॅट्रिक्स इनव्हर्स

व्यस्त A⁻¹ AA⁻¹ = I (ओळख मॅट्रिक्स) चे समाधान करते. जेव्हा det(A) ≠ 0 असेल तेव्हाच ते अस्तित्वात असते.

2×2 मॅट्रिक्ससाठी:

A = [[a, b]]    A⁻¹ = (1/det) × [[ d, -b]]
    [[c, d]]                     [[-c,  a]]

मॅट्रिक्स व्युत्क्रम रेषीय समीकरणांची प्रणाली सोडवण्यासाठी वापरले जातात: जर Ax = b, तर x = A⁻¹b.

व्यवहारात, A⁻¹ ची थेट गणना करण्याऐवजी मोठ्या प्रणाली गॉसियन एलिमिनेशनद्वारे सोडवल्या जातात — संख्यात्मकदृष्ट्या अधिक कार्यक्षम आणि स्थिर.

Eigenvalues ​​आणि Eigenvectors

मॅट्रिक्स A चा इगेनव्हेक्टर हा एक विशेष वेक्टर v आहे जो A द्वारे रूपांतरित केल्यावर फक्त मोजला जातो (फिरवलेला नाही):

Av = λv

स्केलर λ हे संबंधित इगेनव्हॅल्यू आहे — ते तुम्हाला इजनव्हेक्टर किती ताणले किंवा संकुचित होते ते सांगते.

eigenvalues ​​शोधण्यासाठी, वैशिष्ट्यपूर्ण समीकरण सोडवा:

det(A - λI) = 0

2×2 मॅट्रिक्ससाठी हे (सामान्यतः) दोन सोल्यूशन्ससह एक द्विघात समीकरण देते.

इगेनव्हॅल्यूज का महत्त्वाच्या आहेत?

• प्रिन्सिपल कॉम्पोनेंट ॲनालिसिस (PCA): डेटा कोव्हेरिअन्स मॅट्रिक्सचे इजिनव्हेक्टर कमाल भिन्नतेची दिशा परिभाषित करतात — "मुख्य घटक" जे माहिती जतन करताना आयाम कमी करतात.
• Google PageRank: वेब लिंक मॅट्रिक्सचा प्रबळ इजनव्हेक्टर यादृच्छिक वेब सर्फरचे स्थिर वितरण देतो
• क्वांटम मेकॅनिक्स: निरीक्षण करण्यायोग्य प्रमाण (ऊर्जा पातळी, फिरकी अवस्था) ही ऑपरेटरची इजिनव्हॅल्यू आहेत

ध्रुवीय समन्वय

रेखीय बीजगणिताचा काटेकोर भाग नसला तरी, समन्वय प्रणाली परिवर्तनांशी संबंधित आहेत. ध्रुवीय निर्देशांक कोणत्याही 2D बिंदूचे उत्पत्तीपासून r अंतर आणि धनात्मक x-अक्षापासून θ कोन दर्शवतात.

प्रणालींमधील रूपांतरण:

Cartesian → Polar:   r = √(x² + y²),  θ = atan2(y, x)
Polar → Cartesian:   x = r cos(θ),    y = r sin(θ)

ध्रुवीय निर्देशांक वर्तुळे आणि परिभ्रमण समाविष्ट असलेल्या अनेक समस्या सुलभ करतात - कार्टेशियनमध्ये जटिल समीकरणे ध्रुवीय स्वरूपात शोभिवंत बनतात.

हे सर्व एकत्र ठेवणे

रेखीय बीजगणिताची शक्ती या वस्तुस्थितीवरून येते की ती तुम्हाला एकाच गणितीय वस्तू म्हणून एकाच वेळी अनेक चलांसह कार्य करू देते. लाखो पॅरामीटर्स असलेले मशीन लर्निंग मॉडेल हे फक्त मॅट्रिक्स गुणाकार आणि नॉन-लिनियर फंक्शन्सचा एक क्रम आहे. 3D गेम इंजिन रोटेशन, स्केलिंग आणि प्रोजेक्शन मॅट्रिकसह प्रति सेकंद लाखो शिरोबिंदू बदलत आहे.

मूलभूत तत्त्वे — व्हेक्टर, डॉट उत्पादने, मॅट्रिक्स, निर्धारक — या सर्वांचा पाया आहे.

आमचे डॉट प्रोडक्ट कॅल्क्युलेटर, क्रॉस प्रोडक्ट कॅल्क्युलेटर, Matrix Determinant Calculator, [Matrix Inverse] वापरा कॅल्क्युलेटर](/en/math/algebra/matrix-inverse), आणि Eigenvalue Calculator या संकल्पना परस्परसंवादीपणे एक्सप्लोर करण्यासाठी.