Determinanter, inverser och transponering

Transponeringen av en matris vänder den över sin diagonal: rader blir kolumner och kolumner blir rader. Om A har formen (m, n) har A.T formen (n, m). Transponeringar förekommer överallt inom linjär algebra: vid beräkning av kovariansmatriser, implementering av gradientbackpropagering och konvertering mellan konventioner för radvektorer och kolumnvektorer. NumPy hämtar transponeringen med attributet .T – ingen kopia skapas, utan det är endast en vy med omordnade steg.

Ett vanligt mönster är att beräkna A.T @ A, vilket ger en symmetrisk kvadratisk matris som förekommer i minsta-kvadratregression, PCA och normalekvationer. Om A har formen (n, p) har A.T @ A formen (p, p). Resultatet är alltid symmetriskt eftersom (A.T @ A)[i,j] == (A.T @ A)[j,i]. Många numeriska lösare utnyttjar denna egenskap för att bli effektivare.

Determinanten för en kvadratisk matris är ett skalärt värde som beskriver geometrisk information: den mäter faktorn som matrisen skalar areor (i 2D) eller volymer (i högre dimensioner) med. En determinant på noll betyder att matrisen är singulär – den pressar ihop rummet till ett underrum med lägre dimension och saknar invers. En determinant som inte är noll garanterar att matrisen är inverterbar. NumPy beräknar den med np.linalg.det().

Inversen till en matris A, skriven A⁻¹, uppfyller A @ A⁻¹ = I, där I är identitetsmatrisen. Inverser finns endast för kvadratiska, icke-singulära matriser. np.linalg.inv(A) beräknar inversen numeriskt. I praktiken bör Ni sällan beräkna inverser explicit eftersom det är numeriskt instabilt; använd i stället np.linalg.solve() för ekvationssystem. Men det är viktigt att förstå inverser begreppsmässigt.

Att beräkna inversen till en matris och sedan multiplicera introducerar flyttalsfel som ackumuleras. Att till exempel lösa A_inv @ b är mindre exakt än att direkt anropa np.linalg.solve(A, b). En välkonditionerad matris (med en determinant långt från noll) är mindre känslig för dessa fel. Konditionstalet (np.linalg.cond(A)) kvantifierar hur nära en matris är att vara singulär – höga konditionstal signalerar numeriska problem.

En särskild klass av matriser är ortogonala matriser, där A.T @ A = I. Det innebär att transponeringen ÄR inversen, vilket gör ortogonala matriser mycket enkla att invertera. Rotationsmatriser och Q-faktorn i QR-faktorisering är ortogonala. Kolumnerna i en ortogonal matris bildar en ortonormal bas – varje kolumn har längden ett och är vinkelrät mot alla andra kolumner.

En vanlig invers finns endast för kvadratiska matriser, men Moore–Penrose-pseudoinversen generaliserar invertering till godtyckliga matriser. np.linalg.pinv(A) beräknar den med SVD. Den utgör grunden för minsta-kvadratlösningen till överbestämda system (fler ekvationer än obekanta), vilket är exakt det som linjär regression löser. Om A är kvadratisk och inverterbar är pinv(A) lika med inv(A).

Determinantens tecken anger om transformationen bevarar eller vänder orienteringen. En positiv determinant innebär att orienteringen bevaras (som vid en rotation), medan en negativ determinant innebär att orienteringen vänds (som vid en spegling). Absolutbeloppet anger volymskalningsfaktorn. För en 2×2-matris [[a,b],[c,d]] gäller det = a*d - b*c. NumPy hanterar kvadratiska matriser av godtycklig storlek effektivt.

För stora matriser kan determinanten bli oändlig eller underflyta till noll även när matrisen inte är singulär. np.linalg.slogdet(A) returnerar (sign, log_abs_det) – tecknet och den naturliga logaritmen av determinantens absolutbelopp – vilket undviker numeriskt overflow. Detta används ofta i probabilistiska modeller (gaussiska sannolikhetsmodeller), där man arbetar i logaritmrymden för att hålla talen hanterbara.

För en 2×2-matris [[a, b], [c, d]] är inversen (1/det) * [[d, -b], [-c, a]], där det = ad - bc. Om Ni kan denna formel blir det lättare att kontrollera NumPys resultat. För allt större än så är det opraktiskt att beräkna inversen analytiskt – det är precis därför vi använder np.linalg.inv(). Verifiera alltid numeriska resultat med np.allclose(A @ A_inv, np.eye(n)).

Ett vanligt mönster inom linjär algebra kombinerar transponering och invers: (A.T @ A)⁻¹ @ A.T ger den projektionsmatris som används i vanlig minsta-kvadratmetod. I NumPy kan detta skrivas som np.linalg.inv(A.T @ A) @ A.T, men även här är np.linalg.lstsq numeriskt att föredra. Om Ni känner till det underliggande mönstret blir det lättare att förstå vad lösaren gör och att felsöka problem när matriser är nära singulära.

I den här lektionen har Ni lärt Er att A.T är transponeringen som byter plats på rader och kolumner, att np.linalg.inv() beräknar matrisinversen men sällan bör användas direkt (använd helst solve eller lstsq) och att np.linalg.det() returnerar determinanten, som är noll för singulära matriser. Härnäst utforskar vi hur man löser linjära system direkt med np.linalg.solve.