विकर्ण म्याट्रिक्स रूप

विकर्ण म्याट्रिक्स फारम

गणितमा, विशेष गरी रेखीय बीजगणितमा, म्याट्रिक्स सबैभन्दा महत्त्वपूर्ण अवधारणाहरू मध्ये एक हो। भौतिक विज्ञान र तथ्याङ्कदेखि अर्थशास्त्रदेखि कम्प्युटर विज्ञानसम्मका विभिन्न क्षेत्रहरूमा - म्याट्रिक्सहरू डेटा, समीकरण प्रणाली, रूपान्तरणहरू, र धेरै कुराहरू प्रतिनिधित्व गर्न प्रयोग गरिन्छ। धेरै ज्ञात प्रकारका म्याट्रिक्सहरू मध्ये, विकर्ण म्याट्रिक्सहरूले तिनीहरूको सरलताको कारणले विशेष स्थान राख्छन्, तर गणना र विश्लेषणमा तिनीहरूको शक्ति। यस लेखले विकर्ण म्याट्रिक्सहरूको परिभाषा, विशेषताहरू, सामान्य रूप, गुणहरू, र उदाहरणहरूको बारेमा छलफल गर्दछ।

डायगोनल म्याट्रिक्स बुझ्दै

विकर्ण म्याट्रिक्स भनेको वर्ग म्याट्रिक्स हो (पङ्क्तिहरूको संख्या स्तम्भहरूको संख्या बराबर हुन्छ) जसमा मुख्य विकर्ण बाहिरका सबै तत्वहरू शून्य हुन्छन्। मुख्य विकर्णमा माथि बायाँदेखि तल दायाँसम्म अवस्थित तत्वहरू हुन्छन्, अर्थात् स्थितिहरूमा रहेका तत्वहरू \((१,१), (२,२), (३,३)\), र यस्तै अन्य।

अर्को शब्दमा, मुख्य विकर्णमा रहेका तत्वहरू मात्र शून्य हुन सक्छन्, जबकि मुख्य विकर्ण बाहिरका तत्वहरू शून्य हुनुपर्छ। केसको आधारमा मुख्य विकर्णमा मानहरू शून्य वा शून्य हुन सक्छन्।

उदाहरणका लागि, निम्न म्याट्रिक्स विकर्ण म्याट्रिक्स हो:

\[
\सुरु{pmatrix}
६ र ० र ० \\
० र -२ र ० \\
0 र 0 र 7
\अन्त{pmatrix}
\]

ध्यान दिनुहोस् कि ४, -२, र ७ बाहेक सबै तत्वहरू शून्य छन्, त्यसैले म्याट्रिक्सले विकर्ण म्याट्रिक्सको परिभाषालाई सन्तुष्ट पार्छ।

विकर्ण म्याट्रिक्सको सामान्य रूप

सामान्यतया, क्रम \(n \times n\) को विकर्ण म्याट्रिक्सलाई यसरी लेख्न सकिन्छ:

\[
डी =
\सुरु{pmatrix}
d_1 र ० र ० र \cdots र ० \\
० र d_२ र ० र \cdots र ० \\
० र ० र d_३ र \cdots र ० \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
० र ० र ० र \cdots र d_n
\अन्त{pmatrix}
\]

यहाँ, \(d_1, d_2, \ldots, d_n\) मुख्य विकर्णका तत्वहरू हुन्। सन्दर्भमा निर्भर गर्दै, तिनीहरूमध्ये प्रत्येक वास्तविक, पूर्णांक, वा जटिल पनि हुन सक्छन्।

संक्षिप्त नोटेशन पनि प्रायः प्रयोग गरिन्छ:

\[
D = \text{diag}(d_1, d_2, \ldots, d_n)
\]

यो नोटेशनले बताउँछ कि म्याट्रिक्स \(D\) मा मुख्य विकर्ण तत्वहरू \(d_1\) देखि \(d_n\) सम्म छन् र अन्य सबै तत्वहरू शून्य छन्।

विकर्ण म्याट्रिक्सका विशेषताहरू

विकर्ण म्याट्रिक्सहरू पहिचान गर्न सजिलो बनाउने केही विशेषताहरू यस प्रकार छन्:

१. आवश्यक वर्ग म्याट्रिक्स
विकर्ण म्याट्रिक्स सधैं \(n \गुणा n\) आकारको हुन्छ, यो आयताकार हुन सक्दैन।

२. विकर्ण नभएका तत्वहरू शून्य हुनुपर्छ
\(i \neq j\) भएका सबै तत्वहरू \(a_{ij}\) ० हुनुपर्छ।

३. मुक्त विकर्ण तत्वहरू
विकर्ण तत्वहरू \(a_{ii}\) कुनै पनि मान (० सहित) हुन सक्छन्।

४. विकर्ण म्याट्रिक्स त्रिकोणीय म्याट्रिक्सको विशेष केस हो।
विकर्ण म्याट्रिक्स भनेको माथिल्लो त्रिकोणीय र तल्लो त्रिकोणीय म्याट्रिक्स दुवै हो।

पहिचान म्याट्रिक्स र स्केलर म्याट्रिक्ससँगको सम्बन्ध

विकर्ण म्याट्रिक्सहरूको प्रायः देखा पर्ने दुई अन्य प्रकारका म्याट्रिक्सहरूसँग नजिकको सम्बन्ध हुन्छ, अर्थात्:

१. पहिचान म्याट्रिक्स
पहिचान म्याट्रिक्स एक विकर्ण म्याट्रिक्स हो जसमा सबै विकर्ण तत्वहरू १ बराबर हुन्छन्:

\[
म =
\सुरु{pmatrix}
६ र ० र ० \\
६ र ० र ० \\
0 र 0 र 1
\अन्त{pmatrix}
\]

यो म्याट्रिक्स महत्त्वपूर्ण छ किनभने यसले गुणनमा संख्या १ जस्तै काम गर्छ: पहिचान म्याट्रिक्सले अर्को म्याट्रिक्सलाई गुणन गर्दा म्याट्रिक्स (उपयुक्त आकारको) परिवर्तन हुँदैन।

२. स्केलर म्याट्रिक्स
स्केलर म्याट्रिक्स भनेको विकर्ण म्याट्रिक्स हो जसमा सबै विकर्ण तत्वहरूको मान समान हुन्छ, उदाहरणका लागि \(k\):

\[
kI =
\सुरु{pmatrix}
के र ० र ० \\
० र के र ० \\
० र ० र के
\अन्त{pmatrix}
\]

अर्को शब्दमा, स्केलर म्याट्रिक्स विकर्ण म्याट्रिक्सको एक विशेष रूप हो, र पहिचान म्याट्रिक्स स्केलर म्याट्रिक्सको एक विशेष रूप हो।

विकर्ण म्याट्रिक्सका महत्त्वपूर्ण गुणहरू

विकर्ण म्याट्रिक्स फारमको सरलताले यसलाई गुणहरू दिन्छ जसले गणनालाई धेरै सजिलो बनाउँछ।

१. जोड र घटाउ
यदि \(D_1\) र \(D_2\) एउटै आकारका विकर्ण म्याट्रिक्सहरू हुन् भने,:

– \(D_1 + D_2\) पनि एक विकर्ण म्याट्रिक्स हो
– \(D_1 – D_2\) पनि एक विकर्ण म्याट्रिक्स हो

किनभने जोड केवल सम्बन्धित तत्वहरूमा हुन्छ, र सबै गैर-विकर्ण तत्वहरू शून्य रहन्छन्।

२. विकर्ण म्याट्रिक्स गुणन
दुई विकर्ण म्याट्रिक्सको गुणनफल पनि विकर्ण म्याट्रिक्स हो। यदि:

\[
D_1 = \text{diag}(a_1, a_2, \ldots, a_n), \quad
D_2 = \text{diag}(b_1, b_2, \ldots, b_n)
\]

त्यसैले:

\[
D_1D_2 = \पाठ{चित्र}(a_1b_1, a_2b_2, \ldots, a_nb_n)
\]

यो धेरै कुशल छ किनकि यसलाई पूर्ण म्याट्रिक्स गुणन गर्न आवश्यक पर्दैन जुन सामान्यतया जटिल हुन्छ।

३. निर्धारक
विकर्ण म्याट्रिक्सको निर्धारक गणना गर्न धेरै सजिलो छ, अर्थात् यसको विकर्ण तत्वहरूको गुणनफल:

\[
\det(D) = d_1 \cdot d_2 \cdot \ldots \cdot d_n
\]

४. उल्टो
सबै विकर्ण तत्वहरू शून्य नभएको अवस्थामा विकर्ण म्याट्रिक्सलाई सजिलै उल्टाउन सकिन्छ। उल्टो यो हो:

\[
D^{-1} = \text{diag}\left(\frac{1}{d_1}, \frac{1}{d_2}, \ldots, \frac{1}{d_n}\right)
\]

यदि कुनै विकर्ण तत्व शून्य छ भने, निर्धारक शून्य हुन्छ र म्याट्रिक्सको कुनै व्युत्क्रम हुँदैन।

५. म्याट्रिक्स श्रेणी
विकर्ण म्याट्रिक्सको घातांकहरू पनि सरल छन्:

\[
D^k = \text{diag}(d_1^k, d_2^k, \ldots, d_n^k)
\]

यो गतिशील मोडेल र पुनरावृत्ति रूपान्तरणहरूको गणनामा धेरै उपयोगी छ।

विकर्ण र गैर-विकर्ण म्याट्रिक्सका उदाहरणहरू

विकर्ण म्याट्रिक्सको उदाहरण:

\[
\सुरु{pmatrix}
२ र १ \\
0 र 5
\अन्त{pmatrix}
\]

विकर्ण नभएका म्याट्रिक्सका उदाहरणहरू (किनकि त्यहाँ शून्य गैर-विकर्ण तत्वहरू छन्):

\[
\सुरु{pmatrix}
२ र १ \\
0 र 5
\अन्त{pmatrix}
\]

यद्यपि म्याट्रिक्स माथिल्लो त्रिकोणीय छ, यो विकर्ण म्याट्रिक्स होइन किनभने तत्व (१,२) १ हो, ० होइन।

विकर्णीकरण: म्याट्रिक्सलाई विकर्ण रूपमा रूपान्तरण गर्ने

"विकर्ण म्याट्रिक्स" लाई म्याट्रिक्सको एक प्रकारको रूपमा बाहेक, विकर्णीकरण भनिने एउटा महत्त्वपूर्ण अवधारणा छ, जुन रूपान्तरण मार्फत दिइएको म्याट्रिक्सलाई विकर्ण रूपमा रूपान्तरण गर्ने प्रक्रिया हो:

\[
A = PDP^{-1}
\]

जहाँ \(D\) एक विकर्ण म्याट्रिक्स हो जसमा इजिनभ्यालुहरू छन्, र \(P\) एक म्याट्रिक्स हो जसको स्तम्भहरू इजिनभेक्टर्स हुन्। यदि म्याट्रिक्सलाई विकर्ण गर्न सकिन्छ भने, म्याट्रिक्सको श्रेणी गणना गर्ने जस्ता धेरै गणनाहरू धेरै सजिलो हुन्छन् किनभने यो \(D\) सँग काम गर्न पर्याप्त छ।

विज्ञान र इन्जिनियरिङमा, विकर्णीकरण प्रायः भिन्नता प्रणाली, स्थिरता विश्लेषण, डेटा कम्प्रेसन, र सिग्नल प्रशोधन समाधान गर्न प्रयोग गरिन्छ।

वास्तविक जीवनमा विकर्ण म्याट्रिक्सको प्रयोग

विकर्ण म्याट्रिक्सहरू प्राकृतिक रूपमा विभिन्न अनुप्रयोगहरूमा देखा पर्दछन्, उदाहरणका लागि:

१. कम्प्युटर ग्राफिक्समा रूपान्तरण स्केल
\(x\), \(y\), र \(z\) अक्षहरूमा छुट्टाछुट्टै वस्तुलाई ठूलो बनाउन वा घटाउन, विकर्ण म्याट्रिक्स प्रयोग गरिन्छ जसको विकर्ण तत्वहरूमा स्केल कारकहरू हुन्छन्।

२. तथ्याङ्कमा सहप्रसरण
यदि अनियमित चरहरू असंबद्ध छन् भने, सहप्रसरण म्याट्रिक्स विकर्ण हुन्छ किनभने चरहरू बीचको सहप्रसरण शून्य हुन्छ।

३. रेखीय मोडेल र तौल
अप्टिमाइजेसन र मेसिन लर्निङमा, विकर्ण म्याट्रिक्सहरू प्रायः तौल म्याट्रिक्सको रूपमा प्रयोग गरिन्छ जसले प्रत्येक कम्पोनेन्टलाई फरक-फरक दण्ड तोक्छ।

बन्द

विकर्ण म्याट्रिक्स रूप सबैभन्दा सरल तर सबैभन्दा उपयोगी म्याट्रिक्स संरचनाहरू मध्ये एक हो। यो म्याट्रिक्स सबै गैर-विकर्ण तत्वहरू शून्य भएको विशेषता हो, जबकि विकर्ण तत्वहरू फरक हुन सक्छन्। यो रूपले निर्धारक, व्युत्क्रम, गुणन, र घातांक जस्ता महत्त्वपूर्ण कार्यहरूलाई धेरै सजिलो बनाउँछ। रेखीय बीजगणितमा विकर्ण म्याट्रिक्सहरू सैद्धान्तिक रूपमा महत्त्वपूर्ण मात्र होइन, तिनीहरू तथ्याङ्कदेखि कम्प्युटर ग्राफिक्ससम्म विभिन्न वास्तविक-विश्व अनुप्रयोगहरूमा पनि व्यापक रूपमा प्रयोग गरिन्छ।

विकर्ण म्याट्रिक्सहरू बुझ्नु भनेको धेरै आधुनिक कम्प्युटेशनल विधिहरूको मुटुमा रहेका इगेनभ्यालु, इगेनभेक्टर र विकर्णीकरण जस्ता उन्नत अवधारणाहरू सिक्नको लागि एक शक्तिशाली पहिलो चरण हो।