線性代數入門——矩陣乘積和乘冪在實際問題中的應用舉例

2021-02-19 數學若只如初見

系列簡介:這個系列文章講解線性代數的基礎內容,注重學習方法的培養。線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。對於一些難度較大或對理解所學知識有幫助的「經典好題」,我們會詳細講解。閱讀更多「線性代數入門」系列文章,歡迎關注數學若只如初見

矩陣乘法是初學者不易理解的問題之一,一個常見問題是:「為什麼要這麼定義?」本節我們結合實際問題來對矩陣乘法的意義作一些初步說明。須指出矩陣乘法的理論意義非常重要,例如與行列式的關係等,隨著學習的深入會逐步加深理解。(由於公式較多,故正文採用圖片形式給出。)

關於矩陣應用中「商業問題」和「航線問題」的初步介紹見下文:

線性代數入門——矩陣的基本概念及應用舉例

(請讀者務必先複習這兩個例子,再閱讀本節內容。)

二、矩陣應用中的的商業問題「後續」。

三、矩陣應用中的航線問題「後續」。

四、「航線矩陣」乘冪的意義。

(思考題答案:矩陣B主對角線上的(i,i)元表示與i市之間存在雙向航線的城市的個數。例如1市與2市、4市之間都存在雙向航線,因此與1市存在雙向航線的城市有2個。)

五、關於矩陣乘冪的一個典型應用題。

六、例3的解答與評註。(本題的解答方法非常有代表性,利用矩陣乘冪還可以計算出第n年後在崗與培訓的人數。)

上一篇:線性代數入門——計算方陣乘冪的基礎方法及典型例題

謝謝支持!

相關焦點

  • 線性代數入門——計算方陣乘冪的基礎方法及典型例題
    線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。
  • 線性代數入門——矩陣乘法的定義及其意義
    線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。
  • 線性代數入門——矩陣的按行、列分塊及其簡單應用
    線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。
  • 線性代數入門——矩陣的轉置運算及對稱矩陣的概念
    線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。
  • 線性代數入門——伴隨矩陣的定義及其基本性質
    線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。
  • 深度學習和機器學習的線性代數入門
    在模型構建過程中,我們經常設計各種概念,例如維數災難、正則化、二進位、多分類、有序回歸等。神經元是深度學習的基本單位,該結構完全基於數學概念,即輸入和權重的乘積和。至於Sigmoid,ReLU等等激活函數也依賴於數學原理。
  • 矩陣與矩陣乘積簡介
    維度在矩陣的上下文中,術語維度不同於向量表示的維數(空間維數)。當我們說矩陣是二維數組時,意味著數組中有兩個方向:行和列。矩陣表示如下:矩陣A有兩行兩列,如果矩陣有m行和n列,並且包含實值,可以用以下符號來刻畫它:A∈(m×n)。我們可以使用不帶粗體的矩陣名稱引用矩陣中的元素,但是後面需要跟著行索引和列索引。
  • 線性代數的第一堂課──矩陣乘法的定義
    1857年,英國數學家凱萊(Arthur Cayley)發表一篇被後世公認為近代矩陣理論和線性代數基石的論文〈矩陣理論備忘錄〉( A Memoir on the Theory of Matrices ),他將矩陣從行列式抽離出來,視之為另一個數學物件,並且定義完備的矩陣代數運算。
  • 線性代數入門——三階行列式的定義與計算
    線性代數課程的一個重要特點(也是難點)是概念眾多,而且各概念間有著千絲萬縷的聯繫,對於初學者不易理解的問題我們會不惜筆墨加以解釋。在內容上,以國內的經典教材「同濟版線性代數」為藍本,並適當選取了一些補充材料以開闊讀者的視野。本系列文章適合作為初學線性代數時的課堂同步輔導,也可作為考研複習的參考資料。文章中的例題大多為紮實基礎的常規題目和幫助加深理解的概念辨析題,並有相當數量的歷年考研試題。
  • 人工智慧中的線性代數:如何理解並更好地應用它
    如果不掌握應用數學這個領域,你永遠就只能是「門外漢」。當然,學習線性代數道阻且長。數學,尤其是線性代數常與枯燥、複雜和毫無意義的事物聯繫起來。不過你還可以另闢蹊徑。閱讀完本文後,你將了解到:線性代數的本質;線性代數的真實應用場景;線性代數可用於 AI、ML 和數據科學的原因;學習線性代數最有效的方法。
  • 教程| 基礎入門:深度學習矩陣運算的概念和代碼實現
    什麼是線性代數?在深度學習中,線性代數是一個強大的數學工具箱,它提供同時計算多維數組的方法。線性代數不僅會提供如同向量和矩陣那樣的結構來儲存這些數字,還會提供矩陣的加、減、乘、除和其他運算規則。線性代數為什麼如此實用?
  • 機器學習中的線性代數:關於常用操作的新手指南
    它提供多種可以放置數據的結構,如向量(vectors)和矩陣(matrices, 即spreadsheets)兩種結構,並定義了一系列的加減乘除規則來操作這些結構。線性代數可以將各種複雜問題轉化為簡單、直觀、高效的計算問題。下面這個Python例子展現了線性代數的高速與簡潔。
  • 微積分和線性代數之間的關係——高頓小侯七老師
    微積分和線性代數之間的關係——高頓小侯七老師數學學科總的分成三大塊:代數學,幾何學,分析學。線性代數是代數學中研究的內容,以矩陣為工具研究線性變換,線性方程組求解等問題。因為矩陣比較形象直觀,所以線性代數入門不是很難,但要學深入,還需要下一番功夫才行。
  • 詳細解讀,8000字線性代數知識點長文,帶你入門深度學習/機器學習
    正確理解機器學習和深度學習的概念,掌握以下這些數學領域至關重要:機器學習和深度學習中的線性代數在機器學習中,很多情況下需要向量化處理,為此,掌握線性代數的知識至關重要。對於機器學習中典型的分類或回歸問題,通過最小化實際值與預測值差異進行處理,該過程就用到線性代數。通過線性代數可以處理大量數據,可以這麼說,「線性代數是數據科學的基本數學。」
  • Python學習第117課——numpy中dot的運用舉例
    我們現在入門階段知道有這個概念就行,能解決實際問題就行,後面遇到了問題再去深入。現在我們是為了入門,入門之後,你可以根據自身的底子去選擇發展方向。閒話少敘,我們對numpy中的矩陣相乘做一些舉例說明。我們還是使用上節的兩個矩陣為例。上節我們用手寫推導矩陣相乘過程如下:我們現在用代碼演示一下numpy中的矩陣相乘。
  • 線性代數基礎-矩陣
    "矩陣"     矩陣應用在咱們生活中隨處可見, 比如經常使用的二維碼就是矩陣, 在計算機裡面顯示的圖片,存儲的方式就是矩陣
  • 線性代數(行列式與矩陣)複習導學
    《線性代數》強化複習Lucky        線性代數在研考中佔據 34 分,考察兩道選擇題,一道填空題
  • 衝刺階段線性代數行列式及矩陣章節複習過後看法
    今天是國慶長假第二天,早上看了看考研數學的線性代數部分,主要看的前兩章的內容,行列式和矩陣,比較簡單,我的理解是考到行列式和矩陣的內容,大家應該是要拿完分數的。言歸正傳,本來說今天是要寫複習完衝刺階段的概率論後三章的總結的,但是我的計劃表上稍微改動了一點,所以明天再複習概率論後三章。
  • 線性代數拾遺(三):線性變換以及矩陣的意義
    線性代數拾遺(一):線性方程組、向量方程和矩陣方程線性代數拾遺(二):線性方程組的解集及其幾何意義上一章我們討論了齊次和非齊次兩種線性方程組的解集,以及它們的幾何意義。我不知道他們之間有沒有更深一層的聯繫,不過從這一層面再來看矩陣,感覺又多了一層趣味……除此之外,以動態的眼光來看待矩陣,也有助於我們理解為什麼一些隨時間變化的系統可以用線性代數來建模。比如馬爾科夫鏈中的轉移矩陣,就是用靜態的矩陣來表示一個變換的過程。不難發現,當變換T為x↦Ax ,向量x若有n維,則變換的定義域就是
  • 線性代數學習之矩陣不只是m*n個數字
    開始,而實際上人們一談到線性代數第一想到的不是向量,而是矩陣【Matrix】。通過上面的舉例可以看出:線性方程組在各個領域,都有著非常重要的應用,而在線性代數中,將這樣的方程組稱之為「線性系統【之後還會再學】」,而這裡多次在強調「系統」的概念,那它跟矩陣有啥關係呢?這裡以上述網絡系統的方程組為例,其實是可以做轉換的,如下: