Калькулятор QR-разложения

Разложите матрицу 2 на 2 на ортогональную матрицу Q и верхнюю треугольную матрицу R.

QR-разложение матрицы
Введите четыре элемента по строкам, затем выполните разложение методом Грама — Шмидта.

О QR-разложении

QR-разложение представляет матрицу A в виде произведения Q на R. Столбцы Q ортонормированы: каждый имеет единичную длину, а разные столбцы перпендикулярны друг другу. R — верхняя треугольная матрица, поэтому все элементы ниже её главной диагонали равны нулю. Для квадратной матрицы полного ранга произведение показанных Q и R восстанавливает исходную матрицу с небольшими отличиями из-за округления десятичных чисел. Этот калькулятор выполняет такое разложение для вещественной матрицы 2 на 2. Вычисление использует классический процесс Грама — Шмидта для столбцов A. Сначала определяется евклидова длина первого столбца. Деление столбца на его длину даёт первый единичный вектор Q, а сама длина становится первым диагональным элементом R. Затем второй столбец проецируется на первый единичный вектор. После вычитания проекции остаётся перпендикулярный вектор, который нормируется и образует второй столбец Q. Коэффициент проекции и длина второго вектора дополняют верхнюю треугольную матрицу R. QR-разложение — один из основных инструментов численной линейной алгебры. Оно применяется в методе наименьших квадратов для переопределённых систем, где уравнений больше, чем неизвестных, и в алгоритмах поиска собственных значений. Ортогональные преобразования удобны для численных расчётов, поскольку сохраняют длины и обычно не усиливают ошибки округления так сильно, как прямые операции. Здесь рассматривается двумерный случай, чтобы каждый шаг было легко проверить, но тот же принцип ортогонализации столбцов применим к прямоугольным матрицам большего размера. Чтобы калькулятор получил два единичных вектора, входные столбцы должны быть линейно независимыми. Нулевой первый столбец нельзя нормировать, а если второй является кратным первого, после вычитания проекции не остаётся перпендикулярного направления. Такая матрица имеет неполный ранг и не допускает используемую здесь полную форму QR. QR-разложения также могут различаться знаками: одновременная смена знака столбца Q и соответствующей строки R не меняет их произведение. Калькулятор выбирает неотрицательные длины на диагонали R, обеспечивая устойчивое и предсказуемое соглашение для сравнения результатов.

Примеры QR-разложения

Матрица AМножителиНаблюдение
[1, 0] [0, 1]Q = единичная матрица, R = единичная матрицаСтолбцы уже ортонормированы
[3, 0] [4, 5]Q = [0.6, -0.8] [0.8, 0.6], R = [5, 4] [0, 3]Процесс Грама — Шмидта отделяет длину от направления
[1, 1] [1, -1]Q приблизительно равна [0.707107, 0.707107] [0.707107, -0.707107]Входные столбцы перпендикулярны, но не нормированы

Как вычислить QR-разложение

  1. Введите все четыре элемента матрицы A в указанные позиции строк и столбцов.
  2. Убедитесь, что оба столбца ненулевые и не являются скалярными кратными друг друга.
  3. Нажмите «Вычислить QR-разложение», чтобы применить процесс Грама — Шмидта.
  4. Прочитайте Q и R по строкам и перемножьте их для проверки разложения.

Частые вопросы

Что означают Q и R?

Q содержит ортонормированные векторы-столбцы, описывающие направления. R — верхняя треугольная матрица, в которой записаны длины и коэффициенты проекций для восстановления исходной матрицы.

Почему столбцы должны быть независимыми?

Процессу Грама — Шмидта нужен ненулевой перпендикулярный остаток для каждого нового столбца Q. Зависимые столбцы дают нулевой остаток, поэтому таким способом нельзя построить полный ортонормированный базис из двух столбцов.

Единственно ли QR-разложение?

Выбор знаков может давать эквивалентные разложения, поскольку соответствующие знаки в Q и R сокращаются в произведении. Требование неотрицательности диагональных элементов R — распространённое соглашение для единственности.

Как проверить результат?

Умножьте Q на R и сравните каждый элемент с исходной матрицей A. Также можно проверить, что произведение транспонированной Q на Q равно единичной матрице.

Для чего используется QR-разложение?

Оно широко применяется в задачах наименьших квадратов, алгоритмах собственных значений и устойчивом решении уравнений. Ортогональные матрицы помогают контролировать численную погрешность этих расчётов.