Video
Đăng bởi Ban biên tập OpenER ·
Tác giả giữ toàn bộ bản quyền (All Rights Reserved) — không phải giấy phép mở. Bạn vẫn xem và học miễn phí trên OpenER; muốn tái sử dụng cần xin phép tác giả.
[VIDEO PLAYBACK] - In a previous — [END PLAYBACK]
[PHÁT VIDEO] - Trong bài trước — [KẾT THÚC VIDEO]
PROFESSOR
Okay, let's get started. I wanted to actually start today's lecture with showing off this video that I think is really cool from a lab at ETH.
Được rồi, chúng ta bắt đầu nhé. Hôm nay tôi muốn mở đầu bài giảng bằng một video mà tôi thấy rất hay, từ một phòng thí nghiệm ở ETH.
And since you've all been doing the segue problem on the homework, the segue problem talks about one of the really basic principles behind control.
Vì các em đều đang làm bài segue trong bài tập về nhà, bài đó nói về một trong những nguyên lý cơ bản của điều khiển.
And it talks about it in the context of an inverted pendulum, which is basically saying, well, if I have — can I stabilize basically something that I'm trying to have standing up by moving the base, right?
Và nó đặt trong bối cảnh con lắc ngược, tức là nói rằng, nếu tôi có — liệu tôi có thể giữ ổn định một vật mà tôi muốn cho nó đứng thẳng bằng cách di chuyển phần đế không?
And if you play this game with your pen, you'll see that it's possible, but can be quite challenging.
Nếu các em chơi trò này với cây bút, sẽ thấy là làm được, nhưng khá khó.
But turns out that using ideas from basic linear algebra and control, like you're exploring in the segue problem, and using the concept of eigenvalues and eigenvectors, which we're going to talk about today, we can build up some of the fundamental principles behind control.
Nhưng hóa ra, dùng các ý tưởng từ đại số tuyến tính cơ bản và điều khiển, như các em đang khám phá trong bài segue, và dùng khái niệm giá trị riêng và vectơ riêng, mà hôm nay chúng ta sẽ nói tới, ta có thể xây dựng một số nguyên lý nền tảng của điều khiển.
And we're not going to be able to do all of the things that are done in this video in this class.
Trong lớp này chúng ta sẽ không thể làm mọi thứ trong video này.
But if these are the kinds of things you're interested in, the fundamental principles that we're building up in 16A will help you get there. So let me just play this.
Nhưng nếu các em quan tâm đến những thứ như vậy, các nguyên lý nền tảng ta xây dựng trong 16A sẽ giúp các em đi đến đó. Giờ tôi sẽ phát video.
[VIDEO PLAYBACK] So this a quadcopter that is actually balancing an inverted pendulum.
[PHÁT VIDEO] Đây là một quadcopter đang giữ thăng bằng một con lắc ngược.
It's pretty impressive. Like, you saw how hard it was for me to do it with my finger, but this is doing it automatically, and it can fly.
Khá ấn tượng. Các em thấy tôi làm bằng ngón tay khó thế nào, còn cái này làm tự động, và nó còn bay được.
Not only this, what it can also do is the following.
Không chỉ vậy, nó còn làm được điều sau.
- In previous ETH theory flying machinery in a video, we demonstrated how a quadcopter can balance an inverted pendulum.
- Trong video trước về máy bay của ETH, chúng tôi đã trình diễn một quadcopter giữ thăng bằng con lắc ngược.
Now, we will show how two quadcopters work together to throw and catch the inverted pendulum between them.
Giờ chúng tôi sẽ cho thấy hai quadcopter phối hợp để ném và bắt con lắc ngược giữa hai bên.
[STUDENTS GASPING] A 6 centimeter radius plate mounted on top of each quadcopter serves as a supporting base for throwing and catching the pole.
[SINH VIÊN THÁN PHỤC] Một tấm đĩa bán kính 6 centimet gắn trên mỗi quadcopter làm đế đỡ để ném và bắt thanh.
Shock absorbers attached to both ends of the pole dampen the impact when it hits the cage in place. As soon as physical contact is made, the quadcopter begins to balance the pole.
Bộ giảm chấn gắn ở hai đầu thanh làm giảm va đập khi nó chạm vào khung giữ. Ngay khi có tiếp xúc vật lý, quadcopter bắt đầu giữ thăng bằng cho thanh.
The throwing maneuver begins with the quadcopter hovering at the constant position.
Động tác ném bắt đầu khi quadcopter lơ lửng ở một vị trí không đổi.
By modeling the dynamics of the quadcopter pole system, we have identified a state in which the contact force between the pole and the quadcopter is zero, meaning that the pole will be launched off the quadcopter when optimal open loop trajectory is generated to maneuver to quadcopter to produce long state, and track using feedback control.
Bằng cách mô hình hóa động lực học của hệ quadcopter và thanh, chúng tôi xác định được một trạng thái mà lực tiếp xúc giữa thanh và quadcopter bằng không, nghĩa là thanh sẽ bị phóng khỏi quadcopter khi quỹ đạo vòng hở tối ưu được tạo ra để điều khiển quadcopter tới trạng thái đó, và bám theo bằng điều khiển hồi tiếp.
The catching quadcopter starts above the expected impact points and begins to fly down, and the other quadcopter throws the pole.
Quadcopter bắt xuất phát phía trên điểm va chạm dự kiến và bắt đầu bay xuống, còn quadcopter kia ném thanh.
As soon as the pole is in the air, the system predicts the impact position.
Ngay khi thanh ở trên không, hệ thống dự đoán vị trí va chạm.
In order to catch and balance the pole with minimum control effort to catch an instant is chosen such that the pole will rotate into the upright equilibrium position by itself.
Để bắt và giữ thăng bằng thanh với nỗ lực điều khiển nhỏ nhất, thời điểm bắt được chọn sao cho thanh tự xoay về vị trí cân bằng thẳng đứng.
The catching trajectory is recomputed 50 times per second to end at the predicted impact position.
Quỹ đạo bắt được tính lại 50 lần mỗi giây để kết thúc tại vị trí va chạm dự đoán.
Because the catch [INAUDIBLE] was only about 0.65 seconds to correct its position and catch the pole, we apply learning algorithms to the system in order to improve its performance over time.
Vì quadcopter bắt chỉ có khoảng 0,65 giây để chỉnh vị trí và bắt thanh, chúng tôi áp dụng các thuật toán học cho hệ thống để cải thiện hiệu năng theo thời gian.
[QUADCOPTERS BUZZING] [END PLAYBACK] [APPLAUSE] PROFESSOR: Yeah, it's very cool.
[QUADCOPTER KÊU VO VO] [KẾT THÚC VIDEO] [VỖ TAY] GIẢNG VIÊN: Vâng, rất tuyệt.
Anyway, so we're not going to, unfortunately, be able to get to doing all of this in this class, but we're going to talk today about eigenvalues and eigenvectors.
Dù sao thì, tiếc là chúng ta sẽ không làm được hết những điều này trong lớp, nhưng hôm nay ta sẽ nói về giá trị riêng và vectơ riêng.
And these are some of the basic principles that are used in stabilization and control. Could I switch to the document cameras, please?
Đây là một số nguyên lý cơ bản được dùng trong ổn định hóa và điều khiển. Cho tôi chuyển sang camera tài liệu nhé.
So we introduced this idea very, very briefly last lecture about eigenvalues and eigenvectors. And I know that last lecture introduced a lot of new terminology and jargon.
Bài trước ta đã giới thiệu rất sơ lược ý tưởng về giá trị riêng và vectơ riêng. Tôi biết bài trước có rất nhiều thuật ngữ mới.
And I wanted to just say that we will build this up very, very carefully and slowly in today's lecture.
Tôi muốn nói là ta sẽ xây dựng điều này thật cẩn thận và chậm rãi trong bài hôm nay.
Today's lecture and tomorrow's — and the next lecture are basically the culminating lectures of module 1. Right?
Bài hôm nay, ngày mai và bài tiếp theo về cơ bản là các bài đỉnh điểm của module 1. Đúng không?
So we are dealing now with some of the most advanced concepts in the first module of this class.
Giờ ta đang đụng đến một số khái niệm nâng cao nhất trong module đầu tiên của lớp.
It's going to be slightly more — it's going to be slightly different, because we're starting to get into more involved material. So I'm going to ask you really to give it your best.
Sẽ hơi — sẽ hơi khác một chút, vì ta bắt đầu đi vào phần phức tạp hơn. Nên tôi mong các em cố gắng hết sức.
Pay as much attention as you can. Don't allow yourself to be distracted by your phones and your computers, and ask questions if things are unclear. And we'll build this up slowly together.
Hãy tập trung nhiều nhất có thể. Đừng để bản thân bị phân tâm bởi điện thoại và máy tính, và hãy hỏi nếu có chỗ nào chưa rõ. Chúng ta sẽ cùng nhau xây dựng dần dần.
A lot of the ideas that we will talk about in today's class and the next class will be built up in the 16B to help you understand the connections between eigenvalues, and eigenvectors, and ideas and control that lead to the kinds of demos that you see here.
Nhiều ý tưởng mà ta nói tới trong bài hôm nay và bài sau sẽ được phát triển tiếp trong 16B để giúp các em hiểu mối liên hệ giữa giá trị riêng, vectơ riêng, và các ý tưởng về điều khiển dẫn tới những demo như các em thấy ở đây.
Okay, so let's get started. So last time — oh, right.
Được rồi, bắt đầu nhé. Bài trước — à đúng rồi.
I forgot one quick thing, which is that I should remind you that we have a midterm coming up.
Tôi quên một điều nhỏ, đó là tôi phải nhắc các em là sắp có bài thi giữa kỳ.
[LAUGHTER] It's going to be next week, and we will have a review session, which will be exactly a week from today.
[CƯỜI] Nó sẽ diễn ra vào tuần sau, và sẽ có một buổi ôn tập, đúng một tuần kể từ hôm nay.
So there will be an optional review session in the evening, which your GSIs and UGSIs will be hosting.
Sẽ có một buổi ôn tập không bắt buộc vào buổi tối, do các GSI và UGSI của các em tổ chức.
No new material will be covered, but if you want to like sit through and see all of module one in one go, it would be a good idea to attend that.
Sẽ không có kiến thức mới, nhưng nếu các em muốn ngồi xem lại toàn bộ module một trong một lần, thì nên đến tham dự.
So last time — now moving on — we talked about determinants.
Lần trước, giờ chuyển sang phần mới nhé, chúng ta đã nói về định thức.
Right?
Đúng không?
We introduced this idea, and we also introduced very, very briefly, and I will introduce them again, this idea of an eigenvalue and eigenspace, and an eigenvector.
Chúng ta đã giới thiệu ý tưởng này, và cũng giới thiệu rất, rất sơ lược, và hôm nay tôi sẽ giới thiệu lại, khái niệm giá trị riêng, không gian riêng và vectơ riêng.
And we talked furthermore about the PageRank algorithm, right? I looked up this morning and I just checked that Google is currently valued at $739 billion.
Ngoài ra chúng ta còn nói về thuật toán PageRank, đúng không? Sáng nay tôi có tra cứu và thấy Google hiện được định giá 739 tỷ đô la.
Billion — how do I spell billion? B-I-L-L-I-O-N, yeah.
Billion, billion đánh vần thế nào nhỉ? B-I-L-L-I-O-N, đúng rồi.
And really, this company was founded based on the PageRank algorithm, which we will be talking about today.
Và thực sự, công ty này được thành lập dựa trên thuật toán PageRank, mà hôm nay chúng ta sẽ nói đến.
So the fundamentals behind — like, I'm trying to understand the mathematics and developing the model for the internet. For example, the pumps analogy that we'd talked about last time.
Vậy nền tảng đằng sau là cố gắng hiểu phần toán học và xây dựng mô hình cho internet. Ví dụ, phép so sánh với các cái bơm mà lần trước chúng ta đã nói.
That's not exactly how the internet behaves, right? Clearly, people don't exactly follow a model like that.
Internet không hoạt động đúng như vậy, đúng không? Rõ ràng, con người không hành xử đúng theo một mô hình như thế.
But being able to take something super complex and simplifying it down, and understanding that problem, and then being able to build it back up is basically what allowed for some of the fundamental advances in the search algorithms.
Nhưng việc lấy một thứ cực kỳ phức tạp rồi đơn giản hóa, hiểu bài toán đó, và sau đó xây dựng lại dần lên, về cơ bản chính là điều đã tạo nên những bước tiến nền tảng trong các thuật toán tìm kiếm.
And that's exactly the same kind of thing we do when we're doing, for example, proofs for larger problems, right? We say, let's do a simple example.
Và đó đúng là việc chúng ta làm khi, ví dụ, chứng minh cho những bài toán lớn hơn. đúng không? Ta nói, hãy làm một ví dụ đơn giản.
Let's understand the simple example first, and let's build from there. So this is the same principle that we're applying in 16A, also, you know, has a big relevance in the real world.
Hãy hiểu ví dụ đơn giản trước, rồi phát triển từ đó. Đây cũng là nguyên tắc chúng ta áp dụng trong 16A, và nó có ý nghĩa lớn trong thực tế.
So let's pick up where we left off last time. So just as a reminder, we talked about the determinant of a 2 by 2 matrix, right?
Vậy hãy tiếp tục từ chỗ lần trước đã dừng. Nhắc lại, chúng ta đã nói về định thức của ma trận 2 nhân 2, đúng không?
a, b, c, d — and we said — and we showed that, actually, this is equal to ab minus bc, right?
a, b, c, d, và chúng ta đã chỉ ra rằng định thức này bằng ab trừ bc, đúng không?
We showed that this is exactly the value of the determinant, and we connected the determinant to linear dependence and independence of the columns, as well as invertability, right?
Chúng ta đã chỉ ra đây chính xác là giá trị của định thức, và liên hệ định thức với sự phụ thuộc tuyến tính và độc lập tuyến tính của các cột, cũng như tính khả nghịch, đúng không?
So just as a quick reminder, think about what happens when ad minus bc is equal to 0.
Nhắc nhanh nhé, hãy nghĩ điều gì xảy ra khi ad trừ bc bằng 0.
In this case, this implies that ad is equal to b times c, right? I just changed the order.
Khi đó, điều này suy ra ad bằng b nhân c, đúng không? Tôi chỉ đổi vế thôi.
And now, I can rewrite this as a over c is equal to b over d, right?
Và giờ tôi có thể viết lại thành a trên c bằng b trên d, đúng không?
I did nothing here but just simple algebra. What if I set this value to be equal to alpha?
Ở đây tôi chỉ làm đại số đơn giản. Nếu tôi đặt giá trị này bằng alpha thì sao?
This implies that c is equal to alpha times a, and d is equal to alpha times b. What does this make my matrix?
Suy ra c bằng alpha nhân a, và d bằng alpha nhân b. Ma trận của tôi trở thành gì?
I can rewrite my matrix as a, alpha a; b, alpha b, right?
Tôi viết lại ma trận là a, alpha a; b, alpha b, đúng không?
When you write the matrix out in this way, what do you immediately see about the columns? They're linearly dependent, right?
Khi viết ma trận theo cách này, các em thấy ngay điều gì về các cột? Chúng phụ thuộc tuyến tính, đúng không?
So this is another way of reminding yourself of why the determinant is connected to linear dependence and independence, right?
Đây là một cách khác để nhắc lại vì sao định thức liên quan đến phụ thuộc tuyến tính và độc lập tuyến tính, đúng không?
You can see immediately in the two by two case that, when your determinant is zero, you can connect it to linear dependence and independence. This is true more generally.
Trong trường hợp hai nhân hai, các em thấy ngay rằng khi định thức bằng không, ta có thể liên hệ nó với phụ thuộc và độc lập tuyến tính. Điều này đúng tổng quát hơn.
We've only proved it in the two by two case, and you don't need to know how to prove it in, you know, the 3 by 3 case or the end by end case.
Ta mới chứng minh cho trường hợp hai nhân hai, và các em không cần biết chứng minh cho trường hợp 3 nhân 3 hay n nhân n.
Following classes will deal with that. But the intuition from the two by two case, I hope, will carry you when you're dealing with matrices of larger dimensions.
Các môn học sau sẽ đề cập đến. Nhưng tôi hy vọng trực giác từ trường hợp hai nhân hai sẽ giúp các em khi làm việc với các ma trận có số chiều lớn hơn.
Okay.
Được rồi.
So we talked last time about the tale of two websites, right? Yes, question?
Lần trước chúng ta nói về câu chuyện của hai trang web, đúng không? Vâng, em có câu hỏi?
STUDENT
[INAUDIBLE] PROFESSOR: Can't really make it any bigger. Does this help?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Không thể làm to hơn được nữa. Thế này có giúp được không?
STUDENT
Are we able to turn the lights down low?
Có thể giảm đèn xuống không ạ?
PROFESSOR
STUDENT: Can we turn the lights off? I don't have control, but they might.
SINH VIÊN: Có thể tắt đèn không ạ? Tôi không điều khiển được, nhưng có thể họ làm được.
PROFESSOR
Does this help? Thank you. Yeah? Yes?
Thế này có giúp được không? Cảm ơn. Vâng? Em nói đi?
STUDENT
[INAUDIBLE] PROFESSOR: What? Sorry. First question is about visibility. Can everyone see?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Sao cơ? Xin lỗi. Câu hỏi đầu tiên là về khả năng nhìn thấy. Mọi người đều nhìn thấy chứ?
Can everyone read? Thumbs up if you can read. Okay, everyone can read, great. Questions about material?
Mọi người đọc được chứ? Giơ ngón cái nếu đọc được. Được rồi, ai cũng đọc được, tốt. Có câu hỏi nào về nội dung không?
STUDENT
[INAUDIBLE] PROFESSOR: How did I get to c equals alpha a? I have a over c equal to alpha. So I have a equal to alpha c. Oh, did I?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Sao tôi suy ra c bằng alpha a ư? Tôi có a trên c bằng alpha. Vậy a bằng alpha c. Ồ, vậy sao?
Oh, sorry.
Ồ, xin lỗi.
a is equal to alpha c, and b is equal to alpha d.
a bằng alpha c, và b bằng alpha d.
So I have — alpha cc and alpha dd.
Vậy tôi có alpha c và alpha d.
Thank you. But you got the point I was trying to make. Everyone clear on this? Any questions?
Cảm ơn em. Nhưng các em hiểu ý tôi muốn nói rồi. Mọi người rõ phần này chưa? Có câu hỏi nào không?
Okay, moving on, to the tale of two websites that we talked about last time.
Được rồi, tiếp tục với câu chuyện về hai trang web mà lần trước chúng ta đã nói.
So we had two websites, the Stanford website and the Berkeley website, and we had this flow of people between them, right?
Ta có hai trang web, trang Stanford và trang Berkeley, và có dòng người di chuyển giữa chúng, đúng không?
And let's say we started at x of 1 is equal to 1,0. Right?
Giả sử ta bắt đầu với x của 1 bằng 1,0. Đúng không?
So all the people are at the Stanford website; no one's at the Berkeley website. What did we see that would happen as time went on?
Vậy tất cả mọi người đều ở trang web Stanford; không ai ở trang web Berkeley. Chúng ta đã thấy điều gì xảy ra theo thời gian?
What did we say, that x of t would be?
Ta đã nói x của t sẽ là gì?
Let's actually call this x of 0, just to be consistent with the notation we had last time.
Thực ra hãy gọi nó là x của 0, cho thống nhất với ký hiệu của buổi trước.
We said that every single time, what would happen to the number of people on the Stanford website? It would be halved, right?
Ta đã nói rằng mỗi lần, số người ở trang web Stanford sẽ thế nào? Nó giảm một nửa, đúng không?
So in t time steps here, you would have one half to the t.
Vậy sau t bước thời gian, ở đây bạn có một nửa mũ t.
And here you would have all of the remainder, because no one ever leaves the Berkeley website, but here, people — there's constant attrition.
Còn ở đây bạn có toàn bộ phần còn lại, vì không ai rời trang web Berkeley, nhưng ở đây thì người dùng cứ liên tục rời đi dần.
Are there any questions on how we arrived at this x of t? Is everyone with me here? Yeah? Okay, great.
Có câu hỏi nào về cách ta ra x của t này không? Mọi người theo kịp chưa? Rồi chứ? Tốt lắm.
And we wrote out basically what was the transition matrix for this, right? x of t plus 1 is equal to Q times x of t, where Q is equal to 1/2, 0, 1/2, 1.
Và ta đã viết ra ma trận chuyển của hệ này. x của t cộng 1 bằng Q nhân x của t, trong đó Q bằng 1/2, 0, 1/2, 1.
Right? Everyone with me up til here? And what did we observe that as t went to infinity? What did x of t tend to in this limit?
Đúng không? Mọi người theo kịp đến đây chứ? Và ta đã quan sát thấy gì khi t tiến đến vô cùng? x của t tiến về đâu trong giới hạn này?
0, 1, right? Where, even though you started with everyone at the Stanford website, everyone ended up exactly at the Berkeley website, right?
Về 0, 1, đúng không? Dù ban đầu mọi người đều ở trang web Stanford, cuối cùng tất cả đều ở trang web Berkeley, đúng không?
By slow, constant attrition. And we said, well, here's this. If we started out in this state, you're going to end up at 0, 1.
Do sự rời đi chậm và liên tục. Và ta nói rằng, đây này. Nếu bắt đầu ở trạng thái này, bạn sẽ kết thúc ở 0, 1.
But what if they started — what if we started at x of 0 equal to 0, 1?
Nhưng nếu họ bắt đầu — nếu ta bắt đầu với x của 0 bằng 0, 1 thì sao?
Would the reverse happen if we started at 0, 1? Maybe everyone would then end up on the other website. Does that happen? No, it doesn't happen, right?
Liệu điều ngược lại có xảy ra không? Có thể khi đó mọi người sẽ chuyển sang trang web kia. Có xảy ra vậy không? Không, không xảy ra, đúng không?
If we start at 0, 1, what is Q times 0, 1? Q times 0, 1 equal to 1/2 0, 1/2, 1, times 0, 1, what is this matrix multiplication?
Nếu bắt đầu ở 0, 1, thì Q nhân 0, 1 bằng gì? Q nhân 0, 1 bằng 1/2, 0, 1/2, 1, nhân 0, 1, phép nhân ma trận này ra sao?
This gives me a 0 here. And this gives me exactly a 1 here, right?
Ở đây ta được 0. Và ở đây ta được đúng 1, đúng không?
So x-steady is equal to 0, 1 is a vector, such that Q times x-steady is equal to exactly x-steady it
Vậy x-steady bằng 0, 1 là một vectơ sao cho Q nhân x-steady bằng đúng x-steady; nó
doesn't change even when the transition matrix is applied to it.
không thay đổi dù áp dụng ma trận chuyển lên nó.
This is what we call a steady state vector. So if you start out in a steady state vector, basically you never leave.
Đây gọi là vectơ trạng thái dừng. Nếu bạn bắt đầu ở một vectơ trạng thái dừng, thì bạn không bao giờ rời khỏi nó.
And so we see that this is one example of a steady state vector, right? For this transition matrix.
Vậy đây là một ví dụ về vectơ trạng thái dừng, đúng không? Cho ma trận chuyển này.
But the question we want to ask is, how, in general, would we be able to find all of the steady state vectors? Do we know if there is many?
Nhưng câu hỏi ta muốn đặt ra là, nói chung làm sao tìm được tất cả các vectơ trạng thái dừng? Ta có biết là có nhiều vectơ không?
Do we know if there is just one? How do we figure this out, right? That's the question that we want to try and answer.
Hay chỉ có một? Làm sao xác định được, đúng không? Đó là câu hỏi ta muốn trả lời.
Everyone clear on the question here? Yeah? Okay.
Mọi người rõ câu hỏi chưa? Rồi chứ? Được.
So, what is the general problem that we're trying to solve?
Vậy bài toán tổng quát ta cần giải là gì?
For some matrix Q, can I find which vectors solve this equation? Which vectors satisfy such an equation, right? This is basically the equation of a general steady state vector.
Với một ma trận Q, tôi có thể tìm những vectơ nào thỏa phương trình này không? Những vectơ nào thỏa một phương trình như vậy? Đây chính là phương trình của một vectơ trạng thái dừng tổng quát.
And we said, well, this is a — you know, it's like — it looks like a system of linear equations, but it's not exactly in the format that we liked, right?
Và ta đã nói, nó giống như một hệ phương trình tuyến tính, nhưng không đúng dạng mà ta ưa thích, đúng không?
Why is this not in the format that we like? Because there's x on both sides of the equation, and x is unknown, right? We don't like it when there's unknowns on both sides.
Tại sao nó không đúng dạng ta thích? Vì x xuất hiện ở cả hai vế của phương trình, mà x là ẩn, đúng không? Ta không thích có ẩn ở cả hai vế.
We like a times x equal to b. b is known, a is known, and x is the unknown. So how do we reformulate this to make it into the format that we like?
Ta thích a nhân x bằng b. b đã biết, a đã biết, và x là ẩn. Vậy làm sao biến đổi nó về dạng mà ta thích?
Subtract x, right? So I can write this as Qx minus x equal to 0.
Trừ x, đúng không? Tôi có thể viết thành Qx trừ x bằng 0.
Furthermore, I can rewrite this as Q minus the identity matrix times x is equal to 0, right?
Hơn nữa, tôi có thể viết lại thành Q trừ ma trận đơn vị, nhân x, bằng 0, đúng không?
Because x is just the same as the identity matrix minus x. And now, what are the x's that satisfy this?
Vì x chính là ma trận đơn vị nhân x. Vậy những x nào thỏa phương trình này?
All x in the null space of Q minus I satisfy this.
Mọi x thuộc không gian không (null space) của Q trừ I đều thỏa.
So this is basically solving a system of linear equations. It's solving. It's computing the null space of a matrix, which is something that, at this point, we know how to do.
Vậy thực chất là giải một hệ phương trình tuyến tính. Là giải. Là tính không gian không (null space) của một ma trận, việc mà đến giờ ta đã biết cách làm.
Right? So let's just write out going back to our example, what is Q minus I?
Đúng không? Quay lại ví dụ của ta, hãy viết ra Q trừ I bằng gì?
1/2, 0, 1/2, 1, minus 1, 0, 0, 1, is equal to minus 1/2, 0, 1/2, 0, right?
1/2, 0, 1/2, 1, trừ 1, 0, 0, 1, bằng trừ 1/2, 0, 1/2, 0, đúng không?
And then what we did last time was we computed the null space of this matrix, right? How many people want me to do out the Gaussian elimination for this null space one more time?
Và buổi trước ta đã tính không gian không (null space) của ma trận này, đúng không? Có bao nhiêu bạn muốn tôi làm lại phép khử Gauss cho null space này một lần nữa?
If people want me to do it, I'm happy to do it again. Okay, so we now — is everyone with me on why we want to compute the null space of this matrix?
Nếu mọi người muốn, tôi sẵn lòng làm lại. Được rồi, vậy mọi người có hiểu vì sao ta muốn tính null space của ma trận này không?
Are there any questions about why we care about this matrix?
Có câu hỏi nào về lý do ta quan tâm đến ma trận này không?
Okay, good. So now to compute the null space, we're going to say minus 1/2, 0, 1/2, 0.
Được, tốt. Bây giờ để tính null space, ta viết trừ 1/2, 0, 1/2, 0.
This is equal to 0, 0.
Cái này bằng 0, 0.
This basically goes to 1, 0, 0, 0, 1/2, 0, which goes to 1, 0, 0. And then I have 0, 0, 0.
Nó biến thành 1, 0, 0, 0, 1/2, 0, rồi thành 1, 0, 0. Và rồi tôi có 0, 0, 0.
Right? Everyone followed the Gaussian elimination? What is the free parameter here?
Đúng không? Mọi người theo kịp phép khử Gauss chưa? Biến tự do ở đây là gì?
This is free, right?
Cái này là tự do, đúng không?
Okay. So I set x2 equal to some parameter, t. What is x1 equal to? What does this row imply?
Được. Vậy tôi đặt x2 bằng một tham số nào đó, t. x1 bằng bao nhiêu? Hàng này cho ta biết điều gì?
This means 1 times x1, plus 0 equal to 0, so what is x1? x1 is equal to 0, so x1 is not free. So x equal to 0 comma t is a solution.
Nó nói 1 nhân x1, cộng 0 bằng 0, vậy x1 bằng bao nhiêu? x1 bằng 0, nên x1 không tự do. Vậy x bằng (0, t) là một nghiệm.
How do I write this as a span or an entire vector space, as opposed to just writing it as, you know, zero t, where t is a parameter?
Làm sao viết nó dưới dạng một không gian sinh (span) hay cả một không gian vectơ, thay vì chỉ viết là, các em biết đấy, (0, t), với t là một tham số?
STUDENT
[INAUDIBLE] PROFESSOR: I can write it as a span, right? So therefore, null space of Q minus I is equal to span of 0, t.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Tôi có thể viết nó dưới dạng không gian sinh (span), đúng không? Vậy không gian không (null space) của Q trừ I bằng không gian sinh (span) của (0, t).
Yes? Question?
Có câu hỏi không? Em hỏi đi?
STUDENT
[INAUDIBLE] PROFESSOR: Oh, sorry. You're exactly right. We can write it as the span of 0, t, we can write it as a span of 0, 1.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: À, xin lỗi. Em nói hoàn toàn đúng. Ta có thể viết nó là không gian sinh (span) của (0, t), cũng có thể viết là không gian sinh (span) của (0, 1).
No matter what real number, we put there, it would still be fine. What is the span of 0, 1 versus the span of 0, 2? They're exactly the same, right?
Dù ta đặt số thực nào vào đó, thì vẫn được. Không gian sinh (span) của (0, 1) so với của (0, 2) thì sao? Chúng hoàn toàn giống nhau, đúng không?
But the simplest way to write it, as is correctly pointed out, is 0, 1.
Nhưng cách viết đơn giản nhất, như bạn đã chỉ ra đúng, là (0, 1).
STUDENT
[INAUDIBLE] PROFESSOR: t should not be equal to 0; you're correct.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: t không được bằng 0; em nói đúng.
Other questions?
Còn câu hỏi nào khác không?
So this span, which is the null space of Q minus I, we also call — we call this the eigenspace of the matrix Q,
Vậy không gian sinh (span) này, tức là không gian không (null space) của Q trừ I, ta còn gọi là — ta gọi nó là không gian riêng của ma trận Q,
corresponding to eigenvalue 1.
ứng với giá trị riêng 1.
So, what does eigenspace and eigenvalue mean? We will define this in just a minute.
Vậy không gian riêng và giá trị riêng nghĩa là gì? Chúng ta sẽ định nghĩa ngay sau đây.
But fundamentally, eigenspace, eigenvalue, these are basically saying, what are the fundamental directions and what are the fundamental values that are part of this matrix?
Nhưng về cơ bản, không gian riêng và giá trị riêng cho biết những hướng cơ bản nào và những giá trị cơ bản nào gắn với ma trận này.
That's basically what eigenspace and eigenvalue mean. So more generally, here we said, we're looking at Qx equal to x.
Đó về cơ bản là ý nghĩa của không gian riêng và giá trị riêng. Tổng quát hơn, ở đây ta xét Qx bằng x.
This is a way of saying that x is an invariant direction under the transformation Q, right?
Đây là cách nói rằng x là một hướng bất biến dưới phép biến đổi Q, đúng không?
x is an invariant direction. What does invariant mean? Invariant is the thing that isn't varying. It's not changing, right?
x là một hướng bất biến. Bất biến nghĩa là gì? Bất biến là cái không thay đổi. Nó không đổi, đúng không?
When Q is applied to it, you get back the same direction. But is x and 2x and 3x — are these the same direction, or are they different directions?
Khi áp dụng Q lên nó, ta nhận lại cùng một hướng. Nhưng x, 2x và 3x — chúng cùng hướng hay khác hướng?
They're the same direction, right?
Chúng cùng hướng, đúng không?
So more generally, we can consider the following.
Vậy tổng quát hơn, ta xét như sau.
For a matrix, Q, and we want this to be square.
Với một ma trận Q, và ta muốn nó là ma trận vuông.
If Q times x is equal to lambda times x, lambda is some real number. Lambda is just a Greek letter.
Nếu Q nhân x bằng lambda nhân x, với lambda là một số thực nào đó. Lambda chỉ là một chữ cái Hy Lạp.
This is called lambda.
Cái này đọc là lambda.
If Q times x equal to lambda times x, then we call lambda an eigenvalue value of Q, and x is an eigenvector of Q, corresponding to the eigenvalue
Nếu Q nhân x bằng lambda nhân x, thì ta gọi lambda là một giá trị riêng của Q, và x là một vectơ riêng của Q, ứng với giá trị riêng
Q. More generally, you would write x belongs to the eigenspace corresponding to the eigenvalue lambda.
lambda. Tổng quát hơn, ta sẽ viết x thuộc không gian riêng ứng với giá trị riêng lambda.
Yes, question?
Vâng, em hỏi?
STUDENT
[INAUDIBLE] PROFESSOR: Yes, correct.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Vâng, đúng rồi.
STUDENT
[INAUDIBLE] PROFESSOR: OK.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Được.
Just to repeat the question that I received at the front, let's look at this definition, right? So lambda can be any real value.
Tôi nhắc lại câu hỏi ở phía trước, hãy nhìn định nghĩa này, nhé? Lambda có thể là bất kỳ giá trị thực nào.
In this case, in this equation here, what is the value of lambda? 1, right? So here, we're finding the eigenvector corresponding to the eigenvalue 1, or the eigenspace.
Trong trường hợp này, trong phương trình ở đây, lambda bằng bao nhiêu? Bằng 1, đúng không? Vậy ở đây ta đang tìm vectơ riêng ứng với giá trị riêng 1, hay không gian riêng.
When we talk about the span of this vector, we call that the eigenspace. All of the vectors in this span, they're all eigenvectors. There's not just one eigenvector; there's many, many of them.
Khi nói đến không gian sinh (span) của vectơ này, ta gọi đó là không gian riêng. Mọi vectơ trong không gian sinh (span) này đều là vectơ riêng. Không chỉ có một vectơ riêng; có rất, rất nhiều.
What's another value of lambda that we've interacted with before or seen before? Lambda equal to 0, right?
Một giá trị lambda khác mà ta đã gặp trước đây là gì? Lambda bằng 0, đúng không? Nếu lambda bằng 0, nghĩa là Q nhân x chỉ bằng 0, đúng không?
If lambda equal to 0, that means Q times x is just 0, right?
If Q times x is equal to 0, x belongs to the null space of Q, but also, x belongs to the eigenspace corresponding to the eigenvalue of 0.
Nếu Q nhân x bằng 0, thì x thuộc không gian không (null space) của Q, nhưng đồng thời x cũng thuộc không gian riêng ứng với giá trị riêng 0. Mọi người rõ chưa?
Is that clear to everyone? So you've actually seen and interacted with this idea of eigenvalues and eigenspaces before, just, you know, in a slightly different form.
Vậy thực ra các em đã thấy và đã làm việc với ý tưởng giá trị riêng và không gian riêng này rồi, chỉ là ở một dạng hơi khác. Và bây giờ chúng ta sẽ phát triển tiếp từ đó.
And what we're going to do now is we're going to build up on this. Yes, question?
Em hỏi đi?
STUDENT
In that example that you just did, if you had made your eigenvalues 2, would the only difference be instead of t minus I, would it be t minus 2I?
Trong ví dụ thầy vừa làm, nếu giá trị riêng là 2, thì khác biệt duy nhất có phải là thay vì t trừ I, sẽ là t trừ 2I không ạ? Chúng ta sẽ làm ví dụ và sẽ đến phần đó.
PROFESSOR
We'll do examples and get to that.
Vâng, em ở phía sau?
SINH VIÊN
Yeah, at the back?
Vâng.
STUDENT
Yeah. So every single time you said eigenvalue and you get eigenspace, is that eigenspace [INAUDIBLE] for all eigenvalues or only that one value?
Mỗi lần thầy nói giá trị riêng và ra không gian riêng, thì không gian riêng đó [KHÔNG NGHE RÕ] cho mọi giá trị riêng hay chỉ cho một giá trị đó ạ?
PROFESSOR
The question was, if I say that — I say there's an eigenspace corresponding to an eigenvalue, is that eigenspace for that eigenvalue value or for all eigenvalues?
Câu hỏi là, nếu tôi nói có một không gian riêng ứng với một giá trị riêng, thì không gian riêng đó là cho giá trị riêng đó hay cho mọi giá trị riêng? Câu trả lời là, chúng đi theo cặp. Mỗi giá trị riêng có một không gian riêng.
The answer is, these things come in pairs. There's an eigenspace for every eigenvalue. The eigenspace of one eigenvalue does not correspond to the other eigenvalue.
Không gian riêng của giá trị riêng này không ứng với giá trị riêng kia. Và ta sẽ làm một ví dụ giải thích đúng điều này ngay sau đây.
And we'll do an example that will explain just this in the next example. We'll clarify this, hopefully. There's another question somewhere over here? Okay, great.
Hy vọng sẽ làm rõ. Có câu hỏi nào khác ở đằng này không? Được, tốt. Vậy tôi sẽ làm một ví dụ, hy vọng trả lời được cả hai câu hỏi của các em.
So I'm going to do an example that will hopefully answer both of your questions.
So we had this Q, and we wrote — our Q for our Berkeley, Stanford example was the following, right?
Ta có Q này, và ta đã viết — Q cho ví dụ Berkeley, Stanford của ta là như sau, đúng không?
And we did, by brute force observation, compute that, oh, you know, we checked — we did a guess and check style of argument here, right?
Và ta đã tính bằng cách quan sát trực tiếp rằng, à, các em biết đấy, ta đã kiểm tra — Và chúng ta đã tính được, bằng cách quan sát trực tiếp, rằng, ồ, bạn biết đấy, chúng ta đã kiểm tra — ở đây ta đã lập luận kiểu đoán rồi kiểm tra, đúng không?
We said, oh, we think 0, 1 is a steady state. We think 0, 1 is an eigenvector. Let's try. Right?
Ta nói: ồ, ta nghĩ 0, 1 là một trạng thái dừng. Ta nghĩ 0, 1 là một vectơ riêng. Thử xem nào. Đúng không?
That's what we did over here. We said, we think 0, 1 should work by just looking at the system. And oh, look, it actually does work.
Đó là những gì ta đã làm ở đây. Ta nói, ta nghĩ 0, 1 sẽ đúng chỉ bằng cách nhìn vào hệ. Và nhìn xem, nó thật sự đúng.
But what if we wanted to compute this in a more principled way, right? Maybe we can't just look at this and check and guess, especially if the matrix isn't just a two by two.
Nhưng nếu ta muốn tính điều này một cách có hệ thống hơn thì sao? Đúng không? Có thể ta không thể chỉ nhìn rồi đoán và kiểm tra, nhất là khi ma trận không phải chỉ cỡ hai nhân hai.
So more generally, how do we find eigenvalues and eigenvectors, right?
Vậy tổng quát hơn, làm sao tìm giá trị riêng và vectơ riêng?
So now, we want to find lambda and x — lambda is a real number; x is a vector — such that Q times x is equal to lambda times x.
Bây giờ ta muốn tìm lambda và x — lambda là một số thực; x là một vectơ — sao cho Q nhân x bằng lambda nhân x.
Right?
Đúng không?
So now, what we can do is look at this and do the same trick that we did last time, right?
Bây giờ ta có thể nhìn vào đây và dùng cùng mẹo như lần trước, đúng không?
We said, OK, you know, there's x on both sides of this; we don't like that.
Ta nói: OK, x xuất hiện ở cả hai vế; ta không thích thế.
So let's move the x's to the same side and write this as Qx minus lambda times identity times x is equal to 0.
Vậy ta chuyển các x về cùng một vế và viết thành Qx trừ lambda nhân ma trận đơn vị nhân x bằng 0.
This is the same as writing Q minus lambda-I times x is equal to 0, right?
Điều này giống như viết Q trừ lambda-I nhân x bằng 0, đúng không?
So now, do we have this in the format of a system of linear equations that we can use Gaussian elimination to solve?
Vậy bây giờ, ta đã có dạng hệ phương trình tuyến tính để có thể dùng phép khử Gauss giải chưa?
Kind of, but not really, right? What are our unknowns here?
Cũng gần, nhưng chưa hẳn, đúng không? Ẩn số của ta ở đây là gì?
x is unknown, but lambda is also unknown, right? Both of these are unknowns.
x là ẩn, nhưng lambda cũng là ẩn, đúng không? Cả hai đều là ẩn.
So, what do we do now? How can we get around this? We haven't really seen this type of problem before.
Vậy giờ ta làm gì? Làm sao vượt qua chuyện này? Ta chưa gặp dạng bài toán này bao giờ.
So this is where we want to use the fact that we've been building up this arsenal of tools and start to bring our concepts together.
Đây là lúc ta tận dụng việc ta đã xây dựng cả một kho công cụ và bắt đầu kết hợp các khái niệm lại với nhau.
So now, x is going to be a vector that is going to be in the null space of this matrix, Q minus lambda-I. Right? What is always an x that works?
Bây giờ x sẽ là một vectơ nằm trong không gian không (null space) của ma trận Q trừ lambda-I. Đúng không? Có một x nào luôn thỏa mãn?
STUDENT
Zero.
Không.
PROFESSOR
Zero, right? 0 is an x that always works, but 0 is an uninteresting x that works, right?
Không, đúng rồi. 0 là một x luôn thỏa mãn, nhưng 0 là một nghiệm không thú vị, đúng không?
Because 0 is an element of every single eigenspace, because 0 is an element of every single vector space. Right? So zero is always going to be a solution.
Vì 0 thuộc mọi không gian riêng, bởi vì 0 thuộc mọi không gian vectơ. Đúng không? Nên 0 luôn là một nghiệm.
So we want to see, when is the null space of Q minus lambda-I non-trivial?
Vậy ta muốn xem khi nào không gian không (null space) của Q trừ lambda-I không tầm thường?
What does that mean? When is it bigger than zero?
Điều đó nghĩa là gì?
Just the 0 vector.
Khi nào nó lớn hơn không gian chỉ có vectơ 0?
And did we just learn about something that helps us write an equation using the elements of the matrix and connected to the null space and the linear dependence and independence of the columns?
Và ta vừa học điều gì giúp viết một phương trình từ các phần tử của ma trận, liên quan đến không gian không và sự phụ thuộc, độc lập tuyến tính của các cột?
What did we learn about? The determinant, right? So can we use the determinant to help us solve this problem?
Ta đã học về cái gì? Định thức, đúng không? Vậy ta có thể dùng định thức để giải bài toán này không?
So our idea is to use the determinant.
Ý tưởng của ta là dùng định thức.
So let's do this together. How are we going to do this? Let's first write out the matrix Q minus lambda times I. What does this matrix even look like?
Ta cùng làm nhé. Ta sẽ làm thế nào? Trước hết viết ra ma trận Q trừ lambda nhân I. Ma trận này trông như thế nào?
Let's do it for our simple example here, where Q is equal to this. And we're going to say, 1/2, 1/2, 0, 1. What does the matrix lambda-I look like?
Làm với ví dụ đơn giản của ta ở đây, với Q bằng thế này. Ta có 1/2, 1/2, 0, 1. Ma trận lambda-I trông thế nào?
I have lambda, 0, 0, lambda, so this is equal to 1/2, minus lambda, 0, lambda, 1, minus lambda.
Ta có lambda, 0, 0, lambda, nên nó bằng 1/2 trừ lambda, 0, lambda, 1 trừ lambda.
Right? So now, take a minute and write out the determinant of this new matrix that you have just written down.
Đúng không? Bây giờ hãy dành một phút viết ra định thức của ma trận mới mà các em vừa viết.
Use this also as a minute to think about if you have any questions. Ask me or ask your neighbor, or — let's make sure we're all on the same page together.
Cũng nhân dịp này nghĩ xem các em có câu hỏi nào không. Hỏi tôi hoặc hỏi bạn bên cạnh, hoặc — hãy đảm bảo cả lớp cùng theo kịp.
[INTERPOSING VOICES] PROFESSOR: Are there any questions
[NHIỀU NGƯỜI NÓI CHEN NHAU] GIẢNG VIÊN: Có câu hỏi nào không
ON how we've gotten here so far?
về cách ta đi đến đây không?
Yes?
Em nào?
STUDENT
Why do you want the [INAUDIBLE] PROFESSOR: Can you speak up?
Tại sao ta muốn [KHÔNG NGHE RÕ] GIẢNG VIÊN: Em nói to hơn được không?
Why do we want the matrix to be — have a null space?
Tại sao ta muốn ma trận có không gian không (null space)?
So that's a great question. Why do we want Q minus lambda-I to have a null space? So let's go back to this example here, right?
Câu hỏi rất hay. Tại sao ta muốn Q trừ lambda-I có không gian không (null space)? Quay lại ví dụ này nhé.
Q is basically deciding our transitions, right? And we said that we want to find an x, such that Q times x is exactly equal to x.
Về cơ bản Q quyết định các chuyển đổi của ta, đúng không? Và ta nói ta muốn tìm x sao cho Q nhân x đúng bằng x.
But this problem, we said, is equivalent to finding the null space of this matrix Q minus I, right? Is this part clear?
Nhưng bài toán này, ta nói, tương đương với việc tìm không gian không (null space) của ma trận Q trừ I, đúng không? Chỗ này rõ chưa?
So in the same way, instead of just having Q times x equal to x, we want Q times x equal to lambda-x.
Tương tự, thay vì chỉ có Q nhân x bằng x, ta muốn Q nhân x bằng lambda-x.
That's equivalent to finding the null space of Q minus lambda-I, right?
Điều đó tương đương với tìm không gian không (null space) của Q trừ lambda-I, đúng không?
But now, this — you know, the only x that satisfies this equation, and what's an x that trivially satisfies this equation? Zero, right?
Nhưng giờ, x duy nhất thỏa mãn phương trình này, mà một x hiển nhiên thỏa mãn phương trình này là gì? Là không, đúng không?
So if we want to find an x that isn't just zero, right?
Vậy nếu ta muốn tìm một x không chỉ là không thì sao?
If we have zero people on each website, no matter how many times you run the pumps, you're still going to have zero people on each website. But that's not a very interesting setup.
Nếu mỗi trang web có không người, dù em chạy bao nhiêu lần bước chuyển, mỗi trang web vẫn có không người. Nhưng đó không phải một thiết lập thú vị.
So the more interesting case is when you have a steady state vector that is actually not equal to exactly zero.
Trường hợp thú vị hơn là khi có một vectơ trạng thái dừng không đúng bằng không.
And the only way that's possible is if this matrix, Q minus lambda-I, has a null space that is bigger than just zero. Is that clear to everyone?
Và điều đó chỉ có thể xảy ra nếu ma trận này, Q trừ lambda-I, có không gian không (null space) lớn hơn chỉ vectơ 0. Mọi người rõ chưa?
Yep? Does that answer the question?
Rõ chưa? Vậy đã trả lời câu hỏi của em chưa?
STUDENT
[INAUDIBLE] PROFESSOR: Why is the determinant equal to 0?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Tại sao định thức bằng 0?
So that was basically exactly what we talked about in yesterday's lecture, or Tuesday's lecture. I don't have the full time to go over that argument again.
Đó chính xác là điều chúng ta đã nói ở bài giảng hôm qua, à không, bài giảng thứ Ba. Tôi không đủ thời gian để nhắc lại toàn bộ lập luận đó.
But if it's unclear, I'm happy to talk more in office hours. But go back and look at the webcast for the last time's lecture, and that's exactly where we talk about it.
Nhưng nếu chưa rõ, tôi sẵn lòng trao đổi thêm trong giờ office hours. Các em hãy xem lại webcast của bài giảng lần trước, đúng chỗ chúng ta đã nói về điều này.
But if you want a quick intuition, basically, this says that the determinant is zero when the columns are linearly dependent.
Còn nếu muốn hiểu nhanh bằng trực giác, thì điều này nói rằng định thức bằng không khi các cột phụ thuộc tuyến tính.
And we know that, when the columns are linearly dependent, the matrix is not invertible, and it also means that the null space has more than just the 0 vector.
Và ta biết rằng khi các cột phụ thuộc tuyến tính, ma trận không khả nghịch, và điều đó cũng có nghĩa là không gian không có nhiều hơn chỉ vectơ 0.
So remember last time we had these set of statements that were all equivalent to each other? That's where that came from.
Nhớ lần trước ta có một tập các phát biểu tương đương với nhau không? Điều này xuất phát từ đó.
Okay, so what is the determinant, now, of Q minus lambda-I?
Được rồi, vậy định thức của Q trừ lambda-I là gì?
It's ad minus b times c, right?
Là ad trừ b nhân c, đúng không?
We have this here — ad minus bc, so this is 1/2 minus lambda times 1 minus lambda, minus 1/2, times 0.
Ta có ở đây — ad trừ bc, tức là (1/2 trừ lambda) nhân (1 trừ lambda), trừ 1/2 nhân 0.
Right? Is this the determinant everyone wrote out? Can we write this as a quadratic equation? What is that quadratic equation equal to?
Đúng không? Mọi người có viết ra định thức này không? Ta có thể viết nó thành phương trình bậc hai không? Phương trình bậc hai đó bằng gì?
1/2 minus 3 by 2 lambda, plus lambda-squared, equal to 0, right?
1/2 trừ 3/2 lambda, cộng lambda bình phương, bằng 0, đúng không?
And so, now what we get is basically 1/2 minus lambda times 1 minus lambda equal to 0.
Và bây giờ ta có (1/2 trừ lambda) nhân (1 trừ lambda) bằng 0.
So, what are the roots of this equation? Lambda 1 equal to 1/2, lambda equal to 1 — lambda 2 equal to 1 are solutions.
Vậy nghiệm của phương trình này là gì? Lambda 1 bằng 1/2, lambda 2 bằng 1 là các nghiệm.
Yes?
Em hỏi đi?
STUDENT
So we don't know for sure that Q minus lambda-I is [INAUDIBLE] linear dependent. So how can we say [INAUDIBLE]?
Ta đâu chắc chắn Q trừ lambda-I [KHÔNG NGHE RÕ] phụ thuộc tuyến tính. Vậy sao ta nói được [KHÔNG NGHE RÕ]?
PROFESSOR
I'm saying, for which values of lambda is the determinant 0? I'm going to find which lambdas make the determinant zero; that's exactly what I'm solving for.
Tôi đang hỏi: với những giá trị lambda nào thì định thức bằng 0? Tôi sẽ tìm các lambda làm định thức bằng không; đó chính là điều tôi đang giải.
What did we say here?
Ta đã nói gì ở đây?
We said that the determinant is basically going to be exactly equal to 0 — determinant is equal to 0 if and only if null space is non-trivial, if and only if matrix
Ta nói rằng định thức sẽ bằng đúng 0 — định thức bằng 0 khi và chỉ khi không gian không khác tầm thường, khi và chỉ khi ma trận
is invertible.
khả nghịch.
And we're saying, is this going to be true for all values of lambda? No, right?
Và ta đang hỏi, điều này có đúng với mọi giá trị lambda không? Không, đúng không?
Because the determinant is equal to this equation If I chose lambda equal to 42, is this going to be equal to 0? No, right?
Vì định thức bằng biểu thức này Nếu chọn lambda bằng 42, nó có bằng 0 không? Không, đúng không?
But there are some special values of lambda, for which this is equal to 0. Yes, question? Yeah, green shirt. Yeah?
Nhưng có một số giá trị đặc biệt của lambda khiến nó bằng 0. Có câu hỏi à? Ừ, em áo xanh lá. Em nói đi?
STUDENT
[INAUDIBLE] PROFESSOR: Yep.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Ừ.
STUDENT
Why [INAUDIBLE]?
Tại sao [KHÔNG NGHE RÕ]?
PROFESSOR
So we'll come to that. Hold that question. Good question.
Ta sẽ nói tới điều đó. Em giữ câu hỏi đó nhé. Câu hỏi hay.
STUDENT
You said [INAUDIBLE]?
Thầy nói [KHÔNG NGHE RÕ]?
PROFESSOR
Matrix is non-invertible. Sorry, yes.
Ma trận không khả nghịch. Xin lỗi, đúng vậy.
Other questions? Yes, question.
Còn câu hỏi nào khác không? Vâng, em hỏi đi.
STUDENT
So the eigenvalue, it can span all reals? It's not limited to — PROFESSOR: The question is, can the eigenvalues be all reals? Yes, an eigenvalue can be any real number.
Giá trị riêng có thể sinh ra mọi số thực không? Nó không bị giới hạn ở — GIẢNG VIÊN: Câu hỏi là giá trị riêng có thể là mọi số thực không? Có, giá trị riêng có thể là bất kỳ số thực nào.
It turns out that eigenvalues can also be complex numbers, because, you know, if you have roots of a quadratic equation, are they always real? Sometimes they're complex, right?
Hóa ra giá trị riêng cũng có thể là số phức, vì nếu có nghiệm của phương trình bậc hai, chúng có luôn thực không? Đôi khi là số phức, đúng không?
Sometimes the idea is imaginary numbers. We're not going to deal with that right now. Right now, we're going to start with the simpler cases and move to the more complex cases later on.
Đôi khi là các số ảo. Bây giờ ta chưa xét trường hợp đó. Bây giờ ta bắt đầu với các trường hợp đơn giản hơn rồi sau này mới chuyển sang các trường hợp phức tạp hơn.
Yes?
Em hỏi đi?
STUDENT
[INAUDIBLE] PROFESSOR: The question was, the determinant is equal to 0 means it has one solution. Do we want to show it has more than one solution?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Câu hỏi là định thức bằng 0 nghĩa là có một nghiệm. Ta có muốn chứng minh có nhiều hơn một nghiệm không?
What we want to do is we want to find all pairs of lambda and x that satisfy this.
Điều ta muốn là tìm tất cả các cặp lambda và x thỏa mãn điều này.
So it turns out that, for a two by two matrix, you will typically have a quadratic equation here. This is sometimes called the characteristic polynomial. You will have, therefore, two eigenvalues.
Hóa ra với ma trận hai nhân hai, ở đây thường sẽ là một phương trình bậc hai. Đôi khi nó được gọi là đa thức đặc trưng. Do đó bạn sẽ có hai giá trị riêng.
They may be repeated eigenvalues, they may be real eigenvalues, they may be complex eigenvalues.
Chúng có thể là giá trị riêng lặp, có thể là giá trị riêng thực, có thể là giá trị riêng phức.
For most of today and tomorrow, we're going to be dealing with the simple case where the eigenvalues are not repeated and they're real numbers.
Hầu hết hôm nay và ngày mai, ta sẽ xét trường hợp đơn giản là các giá trị riêng không lặp và là số thực.
So basically in general, for a two by two matrix, you will have two eigenvalues and two corresponding eigenspaces. Yes, at the back?
Vậy nói chung, với ma trận hai nhân hai, bạn sẽ có hai giá trị riêng và hai không gian riêng tương ứng. Em ở cuối lớp hỏi đi?
STUDENT
So why is it [INAUDIBLE] PROFESSOR: So this, again, like, this is basically from the previous lecture.
Tại sao nó [KHÔNG NGHE RÕ] GIẢNG VIÊN: Điều này, một lần nữa, về cơ bản là từ bài giảng trước.
The question is, why is the determinant equal to 0, meaning the null space is non-trivial? Determined equal to 0 means the columns are linearly dependent.
Câu hỏi là tại sao định thức bằng 0, nghĩa là không gian không khác tầm thường? Định thức bằng 0 nghĩa là các cột phụ thuộc tuyến tính.
Columns are linearly dependent means you have a non-trivial null space. So this we discussed in the lecture where we introduced null spaces.
Các cột phụ thuộc tuyến tính nghĩa là không gian không khác tầm thường. Điều này ta đã bàn ở bài giảng giới thiệu về không gian không.
So if this isn't completely clear, like, I'm happy to talk about it more in office hours. Yes?
Nếu chỗ này vẫn chưa hoàn toàn rõ thì tôi sẵn lòng trao đổi thêm trong giờ office hours. Bạn nói đi?
STUDENT
So right now, [INAUDIBLE] PROFESSOR: Yes, we will get to this.
Vậy bây giờ, [KHÔNG NGHE RÕ] GIẢNG VIÊN: Vâng, chúng ta sẽ đến phần đó.
Other questions? Okay. So we're here. We have, now, two eigenvalues, right?
Còn câu hỏi nào khác không? Được rồi. Vậy chúng ta đang ở đây. Bây giờ ta có hai giá trị riêng, đúng không?
And the question that was just asked is, well, how do we then get to the corresponding eigenspaces, right? We've only done part of our job so far.
Và câu hỏi vừa được đặt ra là làm sao tìm các không gian riêng tương ứng, đúng không? Cho đến giờ ta mới làm được một phần việc.
So now, we know that for these particular values, we have that the null space of this has, you know, vectors in it other than 0.
Bây giờ ta biết rằng với những giá trị cụ thể này, không gian không của ma trận này có những vectơ khác 0.
So let's do it step by step. We consider, now, lambda-1 equal to 1 — or let's choose — let's choose the first one.
Vậy ta làm từng bước. Xét lambda-1 bằng 1 — hay chọn đi, ta chọn cái đầu tiên.
Which one should we do first? Let's do lambda-2 equal to 1 first.
Nên làm cái nào trước nhỉ? Làm lambda-2 bằng 1 trước.
Is an eigenvalue value.
Đó là một giá trị riêng.
Okay? Now, we want to find all of the vectors in this null space. If I tell you the value of lambda, here, are we now in the situation that we are comfortable with?
Được chưa? Giờ ta muốn tìm tất cả vectơ trong không gian không này. Nếu tôi cho bạn giá trị của lambda, thì ở đây, ta có đang ở tình huống mà mình đã quen thuộc không?
Yes, right? Now we're in the case where we have to now compute the null space of Q minus lambda-2I.
Có, đúng không? Bây giờ ta phải tính không gian không của Q trừ lambda-2I.
This is the null space of basically 1/2 minus 1, 0, 1/2, and 1 minus 1.
Đó là không gian không của ma trận 1/2 trừ 1, 0, 1/2, và 1 trừ 1.
Here, I'm substituting lambda equal to 1, per what we just calculated. And I can now do Gaussian elimination to find this null space.
Ở đây tôi thay lambda bằng 1, theo những gì ta vừa tính. Và giờ tôi có thể dùng phép khử Gauss để tìm không gian không này.
This is minus 1/2, 0, 1/2, 0. We just did this Gaussian elimination earlier, so I'm going to skip the steps.
Đây là trừ 1/2, 0, 1/2, 0. Ta đã làm phép khử Gauss này ở trên rồi, nên tôi sẽ bỏ qua các bước.
Does everyone remember how to do Gaussian elimination for this to find the null space? Okay, so, dot, dot, dot. This gives you that.
Mọi người còn nhớ cách dùng phép khử Gauss ở đây để tìm không gian không chứ? Được rồi, vậy là, chấm chấm chấm. Ta được kết quả này.
Let's call this V2 is equal to 0 comma t is in the null space of Q minus lambda-2 times I. Therefore, the span of 0, 1 is the eigenspace corresponding
Gọi V2 bằng 0 phẩy t, nằm trong không gian không của Q trừ lambda-2 nhân I. Do đó, không gian sinh (span) của 0, 1 là không gian riêng tương ứng
to eigenvalue lambda-2 equal to 1.
với giá trị riêng lambda-2 bằng 1.
Okay?
Được chưa?
When you have an eigenvalue equal to 1, the vectors in the corresponding eigenspace are called steady state vectors.
Khi giá trị riêng bằng 1, các vectơ trong không gian riêng tương ứng được gọi là các vectơ trạng thái dừng.
Because when you apply Q to them, you get exactly the same vector out, right? There's not even any scaling because the scaling factor, which is the lambda, is exactly equal to 1.
Vì khi áp dụng Q lên chúng, ta nhận lại đúng vectơ đó, đúng không? Thậm chí không có sự co giãn nào, vì hệ số co giãn, tức là lambda, đúng bằng 1.
But we have seen now that it's possible to have eigenvalues that are not exactly equal to 1, right? We have this other eigenvalue here, eigenvalue lambda-1 equal to 1/2.
Nhưng giờ ta đã thấy có thể có những giá trị riêng không đúng bằng 1, phải không? Ta có giá trị riêng còn lại ở đây, giá trị riêng lambda-1 bằng 1/2.
So let's now explore what happens in that case.
Giờ ta xem trường hợp đó xảy ra điều gì.
So for the case lambda-1 equal to 1/2, what is Q minus lambda-I?
Với trường hợp lambda-1 bằng 1/2, Q trừ lambda-I là gì?
this is 1/2 minus lambda-1, 0, 1/2, 1 minus lambda-1.
Là 1/2 trừ lambda-1, 0, 1/2, 1 trừ lambda-1.
1/2 minus 1/2 is 0. This is the 0. This is a 1/2, this is a 1/2.
1/2 trừ 1/2 bằng 0. Đây là số 0. Đây là 1/2, đây cũng là 1/2.
Let us now do Gaussian elimination to find the null space.
Giờ ta dùng phép khử Gauss để tìm không gian không.
Just get 1, 1, 0, 0, 0, 0.
Ta được 1, 1, 0, 0, 0, 0.
What is the free variable here? x2 is free, right? And what does this mean? This means x1 plus x2 equal to 0.
Biến tự do ở đây là gì? x2 là biến tự do, đúng không? Điều này có nghĩa là gì? Nghĩa là x1 cộng x2 bằng 0.
Right? So, what vectors are solutions?
Đúng không? Vậy những vectơ nào là nghiệm?
These are all vectors that are in the span of negative 1, 1. Right? Because here we have x1 is equal to negative x2, and x2 is free.
Đó là mọi vectơ nằm trong không gian sinh (span) của âm 1, 1. Đúng không? Vì ở đây x1 bằng âm x2, và x2 tự do.
Yes?
Bạn nói đi?
STUDENT
[INAUDIBLE] PROFESSOR: We'll get to that in a little bit.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Lát nữa ta sẽ nói đến.
Other questions? Is everyone with me up till here?
Còn câu hỏi nào khác không? Mọi người theo kịp đến đây chứ?
This is a calculation in the process of finding eigenvalues and eigenvectors.
Đây là phép tính trong quá trình tìm giá trị riêng và vectơ riêng.
It is basically something that is involving multiple pieces of things that you have learned in the past month, pulling them all together, right?
Về cơ bản nó kết hợp nhiều phần kiến thức mà các bạn đã học trong tháng qua, gom lại hết với nhau, đúng không? Đúng không?
It's OK if everything isn't perfectly clear the first time you see it.
Không sao nếu lần đầu thấy chưa hiểu hết mọi thứ.
But hopefully, by doing the homework, by going to discussion, by doing all of this practice, you'll get, you know, used to these kinds of calculations. There's multiple steps that are involved.
Nhưng hy vọng khi làm bài tập về nhà, đi buổi thảo luận, luyện tập thật nhiều, các bạn sẽ quen dần với những phép tính kiểu này. Có nhiều bước liên quan. Có nhiều bước liên quan.
Yes?
Bạn nói đi?
STUDENT
[INAUDIBLE] PROFESSOR: Would row reducing our original matrix, Q, change the eigenvalues? The answer is yes, in general. Yes?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Rút gọn hàng ma trận gốc Q có làm thay đổi các giá trị riêng không? Câu trả lời là có, nói chung là vậy. Bạn nói đi?
STUDENT
So there are only those two eigenvalues for that matrix?
Vậy ma trận đó chỉ có hai giá trị riêng thôi ạ?
PROFESSOR
Yes. The question is, are there only those two eigenvalues for that matrix? The answer is yes, because those are the only two that make the determinant equal to 0.
Đúng. Câu hỏi là ma trận đó có chỉ hai giá trị riêng thôi không? Câu trả lời là có, vì đó là hai giá trị duy nhất làm cho định thức bằng 0.
The determinant of the matrix, Q minus lambda-I. Yes?
Định thức của ma trận Q trừ lambda-I. Bạn nói đi?
STUDENT
[INAUDIBLE] PROFESSOR: Yes. Is the number of eigenvalues dependent on dimensions? The answer is yes, for a two by two matrix, you would expect to have two eigenvalues.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Đúng. Số giá trị riêng có phụ thuộc vào số chiều không? Câu trả lời là có, với ma trận hai nhân hai, bạn sẽ kỳ vọng có hai giá trị riêng.
What?
Sao cơ?
STUDENT
[INAUDIBLE] PROFESSOR: Can you have less? In general, no, because the quadratic will have two routes. You might have repeated and complex eigenvalues, but we're not dealing with those yet.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Có thể ít hơn không? Nói chung là không, vì phương trình bậc hai sẽ có hai nghiệm. Có thể có giá trị riêng lặp và phức, nhưng ta chưa xét những trường hợp đó.
At the very back.
Bạn ở cuối lớp.
STUDENT
Are all vectors that are in the span of the eigenvalues [INAUDIBLE] PROFESSOR: Yes. The question is, are all vectors in the eigenspace eigenvectors?
Có phải mọi vectơ mà nằm trong không gian sinh của các giá trị riêng [KHÔNG NGHE RÕ] GIẢNG VIÊN: Đúng. Câu hỏi là: mọi vectơ trong không gian riêng có phải là vectơ riêng không?
Basically, all vectors that are in the span of an eigenvector, they're all called eigenvectors.
Về cơ bản, mọi vectơ nằm trong không gian sinh của một vectơ riêng đều được gọi là vectơ riêng.
STUDENT
[INAUDIBLE] PROFESSOR: No.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Không.
Linear combinations of two distinct eigenvectors are not eigenvectors, just span of the individual eigenvector.
Tổ hợp tuyến tính của hai vectơ riêng khác nhau không phải là vectơ riêng, chỉ có không gian sinh của từng vectơ riêng riêng lẻ thôi.
Okay.
Được rồi.
So I want to explore this a little bit more. So now, here, I'm going to call this eigenvector w.
Tôi muốn khám phá thêm một chút. Giờ tôi gọi vectơ riêng này là w.
What happens when I take Q times w? What is the eigenvalues corresponding to the eigenvector, w?
Điều gì xảy ra khi lấy Q nhân w? Giá trị riêng ứng với vectơ riêng w là bao nhiêu?
What did we calculate the null space for?
Ta đã tính không gian không (null space) cho giá trị nào?
1/2, right? So when I take Q times w, what do I expect to get out?
1/2, đúng không? Vậy khi nhân Q với w, ta kỳ vọng ra gì?
1/2 times w, right?
1/2 nhân w, đúng không?
So, what is Q again? Q is equal to 1/2, 1/2, 0, 1, right? So why don't you quickly verify?
Vậy Q là gì nhỉ? Q bằng 1/2, 1/2, 0, 1, đúng không? Các em kiểm tra nhanh nhé.
Quickly verifiable Q times w is. This is Q, this is w.
Dễ kiểm tra Q nhân w bằng bao nhiêu. Đây là Q, đây là w.
What do you get? What do you expect to get?
Các em được gì? Các em kỳ vọng được gì?
STUDENT
[INAUDIBLE] PROFESSOR: Q times w should be one half of the original, right? Can you do the simple matrix multiplication out?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Q nhân w phải bằng một nửa vectơ ban đầu, đúng không? Các em làm phép nhân ma trận đơn giản được không?
You just do 1/2, 0, 1/2, 1, times minus 1, 1. What is this equal to? This row time this column gives me?
Chỉ cần lấy 1/2, 0, 1/2, 1, nhân với -1, 1. Kết quả bằng bao nhiêu? Hàng này nhân cột này cho ra gì?
What do I get here?
Ở đây ta được gì?
PROFESSOR
So, what do I get? One half of the original, right? Is that what I expected?
Vậy ta được gì? Một nửa vectơ ban đầu, đúng không? Có đúng như ta kỳ vọng không?
Good. Now, what happens if I take Q times w, whole times Q?
Tốt. Giờ nếu lấy Q nhân w rồi nhân tiếp với Q thì sao?
What is Q times w? This is 1/2 w. This whole thing times Q gives me what?
Q nhân w bằng gì? Bằng 1/2 w. Cả cụm này nhân Q cho ra gì?
STUDENT
[INAUDIBLE] PROFESSOR: 1/4 w. What happens if I take Q to the t times w?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: 1/4 w. Nếu lấy Q mũ t nhân w thì sao?
STUDENT
[INAUDIBLE] PROFESSOR: Right?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Đúng không?
Every time I multiply by the matrix, am I changing my direction? No. But what is happening to the length of my vector? Keeps shrinking, shrinking, shrinking, shrinking, shrinking, shrinking.
Mỗi lần nhân với ma trận, hướng có thay đổi không? Không. Nhưng độ dài vectơ thì sao? Cứ co lại, co lại, co lại, co lại, co lại, co lại.
Right? Do you see how this is different from the case when lambda was equal to 1?
Đúng không? Các em thấy điều này khác thế nào so với trường hợp lambda bằng 1chưa?
In this case, here, if I take Q times 0, 1, this is equal to 0, 1. What is Q to the t times 0, 1?
Ở trường hợp đó, nếu lấy Q nhân 0, 1, ta được 0, 1. Q mũ t nhân 0, 1 bằng bao nhiêu?
It is exactly equal to 0, 1, right? Here, 1 to the t is equal to 1. So this vector is not shrinking; that's why it's a steady state.
Đúng bằng 0, 1, phải không? Ở đây, 1 mũ t bằng 1. Nên vectơ này không co lại; vì thế nó là trạng thái dừng.
This vector, on the other hand, is shrinking away. Such a state is called transient.
Còn vectơ kia thì ngược lại, đang co dần về 0. Trạng thái như vậy gọi là transient (tạm thời).
Yes?
Em hỏi đi?
STUDENT
[INAUDIBLE] PROFESSOR: We'll get to that. Right now, let's just think about it as states that are shrinking.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Chúng ta sẽ nói tới. Bây giờ cứ coi đó là những trạng thái đang co lại.
STUDENT
[INAUDIBLE] PROFESSOR: Does it — how to preserve direction? Yes. Fundamentally, Q times x equal to lambda times x. So the direction is always the same.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Có giữ nguyên hướng không à? Có. Về bản chất, Q nhân x bằng lambda nhân x. Nên hướng luôn giữ nguyên.
STUDENT
[INAUDIBLE] PROFESSOR: Negative half — so any scalar multiple is though to be in the same. Direction so negative eigenvalues are totally permitted; we're going to come to that.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Âm một nửa thì sao, mọi bội vô hướng đều được coi là cùng hướng, nên giá trị riêng âm hoàn toàn được phép; ta sẽ nói tới sau.
Yes?
Em nào hỏi?
STUDENT
So any eigenvalue less than 1 is considered transient? Like 1/3, 1/4?
Vậy giá trị riêng nào nhỏ hơn 1 đều là transient ạ? Như 1/3, 1/4?
PROFESSOR
Any eigenvalue less than one is considered transient, yes.
Giá trị riêng nào nhỏ hơn một đều là transient, đúng vậy.
Basically, the direction, that state, is dying out. Yes?
Về cơ bản, hướng đó, trạng thái đó, đang tắt dần. Em nào hỏi?
STUDENT
[INAUDIBLE] PROFESSOR: What? How do you figure out which eigenvalues corresponds to?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Sao cơ? Làm sao biết giá trị riêng nào ứng với vectơ nào à?
STUDENT
[INAUDIBLE] PROFESSOR: Okay.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Được rồi.
Okay, so you're all asking great questions. I want to do another example, just so that we can answer some of these questions.
Các em hỏi rất hay. Tôi muốn làm thêm một ví dụ nữa để trả lời một số câu hỏi này.
Let's take another matrix. Let's take A is equal to 1, 2, 4, 3.
Lấy một ma trận khác. Cho A bằng 1, 2, 4, 3.
Find the eigenvalues and the eigenspaces corresponding to this matrix.
Hãy tìm các giá trị riêng và các không gian riêng tương ứng của ma trận này.
So, what is the first step?
Bước đầu tiên là gì?
Step one is to say, consider A minus lambda times I, right?
Bước một là xét A trừ lambda nhân I, đúng không?
What is this matrix equal to? This is equal to 1 minus lambda, 2, 4, 3 minus lambda.
Ma trận này bằng gì? Bằng 1 trừ lambda, 2, 4, 3 trừ lambda.
Next thing — we want to make sure that the determinant of this is 0, right? We want to find those lambdas for which this determinant is 0.
Tiếp theo, ta muốn đảm bảo định thức của nó bằng 0, đúng không? Ta muốn tìm những lambda làm định thức này bằng 0.
So now, if you think about the determinant of A minus lambda-I, this is equal to 1 minus lambda times 3 minus lambda minus 8.
Vậy định thức của A trừ lambda-I bằng 1 trừ lambda nhân 3 trừ lambda, trừ 8.
Everyone with me on the determinant?
Mọi người theo kịp phần định thức chứ?
Now, we want to say, set the determinant equal to 0 to find the eigenvalues.
Giờ ta cho định thức bằng 0 để tìm các giá trị riêng.
Okay, so I have — let me expand this. So I have 3 minus 4-lambda plus lambda-squared minus 8 equal to 0.
Được rồi, ta có — để tôi khai triển. Ta có 3 trừ 4-lambda cộng lambda-bình trừ 8 bằng 0.
So I have lambda squared minus 4-lambda minus 5 equal to 0. This implies — what are the factors?
Vậy lambda bình trừ 4-lambda trừ 5 bằng 0. Suy ra các nhân tử là gì?
Lambda minus 5, lambda plus 1 equal to 0, right? This factors easily.
Lambda trừ 5, lambda cộng 1 bằng 0, đúng không? Cái này phân tích thành nhân tử dễ dàng.
If, in general, you cannot factor this by just looking at it, what would you do to factor a quadratic equation? You have the quadratic formula, right?
Nếu nói chung bạn không thể phân tích thành nhân tử chỉ bằng cách nhìn thì bạn sẽ làm gì để giải một phương trình bậc hai? Bạn có công thức nghiệm bậc hai, đúng không?
So any such equation you can always find the roots, right?
Vậy phương trình nào như thế bạn cũng luôn tìm được nghiệm, đúng không?
So, what are the eigenvalues in this case?
Vậy trong trường hợp này, các giá trị riêng là gì?
STUDENT
[INAUDIBLE] Eigenvalues are lambda-1 equal to 5, and lambda-2 equal to negative 1.
[KHÔNG NGHE RÕ] Các giá trị riêng là lambda-1 bằng 5, và lambda-2 bằng âm 1.
So these are now of a different type than what we saw previously, right? First, one of the eigenvalues is negative. Right? Someone just asked a question about, what happens with negative eigenvalues?
Những giá trị này thuộc một loại khác so với những gì chúng ta đã thấy trước đây, đúng không? Thứ nhất, có một giá trị riêng âm. Đúng không? Vừa rồi có bạn hỏi điều gì xảy ra với giá trị riêng âm?
Second, there was a question over here about transients and whether — what about when the eigenvalue is greater than 1, basically.
Thứ hai, ở bên này có một câu hỏi về trạng thái tạm thời (transient), và liệu điều gì xảy ra khi giá trị riêng lớn hơn 1.
And so this is exactly what we are going to now be able to see. Yes, question?
Và đây chính là điều mà bây giờ chúng ta sẽ thấy được. Em, bạn có câu hỏi?
STUDENT
[INAUDIBLE] PROFESSOR: So right now, we're just going to be dealing with 2 by 2 matrices.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Hiện giờ, chúng ta chỉ làm việc với ma trận 2 nhân 2.
We can generalize all of these concepts to n by n matrices, but we're not doing that yet, at all. Yeah. Don't worry about n by n matrices just yet.
Ta có thể mở rộng tất cả các khái niệm này cho ma trận n nhân n, nhưng bây giờ thì chưa làm vậy. Ừ. Đừng lo về ma trận n nhân n vội.
We'll get there. Yes?
Rồi sẽ tới. Bạn?
STUDENT
[INAUDIBLE] PROFESSOR: How do you define eigenvalues for matrices?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Định nghĩa giá trị riêng cho các ma trận như thế nào?
STUDENT
[INAUDIBLE] PROFESSOR: Yes. Can you only find eigenvalues for square matrices? The answer is yes. There is a generalized notion of these that works for rectangular matrices.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Đúng. Chỉ tìm được giá trị riêng cho ma trận vuông thôi à? Câu trả lời là đúng. Có một khái niệm tổng quát hơn dùng được cho ma trận chữ nhật.
You'll get to that in 16B.
Các bạn sẽ học nó ở 16B.
Okay. So, what do we want to do next?
Được rồi. Vậy bước tiếp theo ta muốn làm gì?
If we want to find the again spaces corresponding to these eigenvectors, we want to now find the null space of A minus 5I, right?
Nếu muốn tìm các không gian riêng ứng với những vectơ riêng này, ta cần tìm không gian không (null space) của A trừ 5I, đúng không?
So, what is this matrix? A minus 5I is equal to just plugging in five here.
Vậy ma trận này là gì?
I have minus 4, 2, 4, and minus 2, right?
A trừ 5I, thay 5 vào đây, bằng âm 4, 2, 4, và âm 2, đúng không?
How do I compute the null space of this? I use Gaussian elimination. Minus 4, 2, 4, minus 2, 0, 0.
Làm sao tính không gian không của ma trận này? Ta dùng phép khử Gauss. Âm 4, 2, 4, âm 2, 0, 0.
This gives me basically minus 1, minus 1/2, 0, and 4, minus 2, 0.
Từ đó ta được âm 1, âm 1/2, 0, và 4, âm 2, 0.
And this gives me 1, minus 1/2, 0, 0, 0, 0.
Rồi ta được 1, âm 1/2, 0, 0, 0, 0.
So, what is the eigenspace here? What is the eigenspace of this matrix, A minus 5I?
Vậy không gian riêng ở đây là gì? Không gian riêng của ma trận A trừ 5I này là gì?
Here, I have — x2 is free, and I have x1 minus x2 by 2 is equal to 0, so x1 is equal to x2 by 2.
Ở đây x2 là biến tự do, và ta có x1 trừ x2/2 bằng 0, nên x1 bằng x2/2.
So the eigenspace is the span of 1/2 comma 1.
Vậy không gian riêng là không gian sinh (span) của (1/2, 1).
Yes, question?
Bạn có câu hỏi?
STUDENT
When do you [INAUDIBLE] PROFESSOR: The eigenspace corresponding to the eigenvalue of 5, so it's the eigenspace of the matrix corresponding to eigenvalue of 5.
Khi nào bạn [KHÔNG NGHE RÕ] GIẢNG VIÊN: Không gian riêng ứng với giá trị riêng 5, tức là không gian riêng của ma trận ứng với giá trị riêng 5.
But don't worry; we're not going to be testing you on correct use of terminology. Like, if you just say eigenspace is 5, you know, it's fine.
Nhưng đừng lo, chúng tôi sẽ không kiểm tra việc dùng thuật ngữ có chuẩn hay không. Ví dụ, bạn chỉ nói không gian riêng là 5 thì cũng được.
We're not trying to trip you up by using complicated jargon; that's not the goal at all. Yes?
Chúng tôi không định bẫy bạn bằng thuật ngữ phức tạp; đó hoàn toàn không phải mục đích. Bạn?
STUDENT
[INAUDIBLE] PROFESSOR: Any vector in the span is called an eigenvector, yes.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Bất kỳ vectơ nào trong không gian sinh đều được gọi là vectơ riêng, đúng vậy.
Any vector in this span is called an eigenvector.
Bất kỳ vectơ nào trong không gian sinh này đều gọi là vectơ riêng.
Okay, so we have this eigenspace, and we have — let's call this vector, v, is equal to 1 over 2 and 1.
Được rồi, ta có không gian riêng này, và ta có gọi vectơ này là v, bằng 1 phần 2 và 1.
Thank you. So, what happens if you take a times v? Would you expect to get?
Cảm ơn. Vậy nếu lấy A nhân v thì sao? Các bạn mong đợi được gì?
5v. What if you take A-squared times v?
5v. Nếu lấy A bình phương nhân v?
STUDENT
[INAUDIBLE] PROFESSOR: 25v, right? What if you take A to the 100 times v?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: 25v, đúng không? Nếu lấy A mũ 100 nhân v?
STUDENT
[INAUDIBLE] 5 to the 100 times v. So is this state disappearing? Is it transient? No, right? It's here to stay.
[KHÔNG NGHE RÕ] 5 mũ 100 nhân v. Vậy trạng thái này có biến mất không? Nó có phải là tạm thời (transient) không? Không, đúng không? Nó ở lại luôn.
In fact, it keeps getting bigger.
Thậm chí nó còn ngày càng lớn.
So this is a state that you would say is blowing up. [LAUGHTER] This is definitely not a transient state.
Vậy đây là trạng thái mà ta gọi là đang bùng nổ. [CƯỜI] Đây chắc chắn không phải là trạng thái tạm thời.
[LAUGHTER] What is the last thing we have to do?
[CƯỜI] Việc cuối cùng chúng ta phải làm là gì?
We have another eigenvector and eigenspace to deal with, right?
Ta còn một vectơ riêng và không gian riêng nữa cần xử lý, đúng không?
So now, what if I think about the null space of A minus minus I?
Vậy bây giờ, hãy nghĩ về không gian không (null space) của A trừ âm I.
This is equal to the null space of A plus I. Right?
Cái này bằng không gian không của A cộng I. Đúng không?
So why don't you take a minute to do this on your own? Now we've done a couple of these. I'll let you do it on your own.
Vậy các bạn hãy dành một phút tự làm nhé? Ta đã làm vài lần rồi. Tôi sẽ để các bạn tự làm.
Make sure that you can go through the mechanics.
Hãy chắc rằng bạn nắm được các bước tính.
First step is to write out A plus I.
Bước đầu tiên là viết ra A cộng I.
[INTERPOSING VOICES] PROFESSOR: How many people feel like they're still
[NHIỀU NGƯỜI NÓI CHEN NHAU] GIẢNG VIÊN: Ai cảm thấy vẫn còn
a little bit uncertain on how to proceed after writing out A plus I? How many people feel like they can follow through on this? Okay, a lot of people in the middle; that's fine.
hơi chưa chắc cách làm tiếp sau khi viết ra A cộng I? Ai cảm thấy có thể làm tiếp được? Được rồi, nhiều bạn ở mức giữa; không sao. Vậy ta cùng làm nhé.
So let's do it together, right? We have A plus I is — I'm basically plugging in minus 1 right here.
Ta có A cộng I là tôi chỉ thay âm 1 vào đây. 1 trừ âm 1 bằng 2.
1 minus minus 1 is 2. That's all I did. Now I'm going to find the null space of this matrix.
Chỉ vậy thôi. Giờ tôi sẽ tìm không gian không của ma trận này. Muốn vậy, ta có 2, 2, 4, 4, 0, 0.
For that I have 2, 2, 4, 4, 0, 0. Gaussian elimination gives me 1, 1, 0, 0, 0, 0.
Phép khử Gauss cho ta 1, 1, 0, 0, 0, 0. Ta có x1 cộng x2 bằng 0.
I have x1 plus x2 equal to 0. X2 is free.
X2 là biến tự do.
So all vectors that are of the form x2 minus x2 are in the eigenspace.
Vậy mọi vectơ có dạng x2 và âm x2 đều thuộc không gian riêng. đều thuộc không gian riêng.
Therefore, the eigenspace corresponding to eigenvalue minus 1 is equal to minus 1, 1.
Vì vậy, không gian riêng ứng với giá trị riêng -1 chính là (-1, 1).
So, what's going to happen when you multiply minus 1, 1 by A? Minus 1,1, what does it look? Like minus 1, 1 is basically pointing in this direction downward, right?
Vậy chuyện gì xảy ra khi nhân (-1, 1) với A? (-1, 1) trông như thế nào? (-1, 1) về cơ bản hướng theo chiều này, hướng xuống, đúng không?
Actually, yeah, minus 1, 1.
À không, đúng rồi, (-1, 1).
Upwards, this way. When you multiply it once by A, what's going to happen?
Hướng lên, theo chiều này. Khi nhân nó với A một lần, chuyện gì xảy ra?
Oh, you can't see. Thank you.
À, các em không nhìn thấy. Cảm ơn em.
This is equal to the span of this vector. This vector is just minus 1, 1 right here.
Không gian này bằng không gian sinh (span) của vectơ này. Vectơ này chính là (-1, 1) ở đây.
What's going to happen when you multiply A times minus 1, 1?
Chuyện gì xảy ra khi nhân A với (-1, 1)?
1 minus 1, right?
Ra (1, -1), đúng không?
What's going to happen when you multiply it again? Go back to its original, so it's going to keep flip-flopping, flip-flopping, exactly like this. So I wanted to show you how this happens.
Nhân thêm lần nữa thì sao? Nó quay về vectơ ban đầu, nên cứ đảo qua đảo lại, đảo qua đảo lại, đúng như thế này. Thầy muốn cho các em thấy điều này diễn ra thế nào.
Let's see if I can get this up.
Để xem thầy mở lên được không.
So can people see this, here?
Các em nhìn thấy chưa?
This is a demo some of your TAs wrote to help out. So this is the first matrix that we thought about, right? The very first Q matrix that we talked about today.
Đây là bản demo mà một số trợ giảng của các em viết để hỗ trợ. Đây là ma trận đầu tiên mà ta đã xét, đúng không? Ma trận Q đầu tiên mà hôm nay ta nói đến.
Oh, you can't see this? Right. The Q matrix that corresponded to the tale of two websites, right?
À, các em không thấy à? Được rồi. Ma trận Q ứng với câu chuyện hai website, nhớ không?
It was 1/2, 1/2, 0, 1. And what this is doing is, it's saying, let's start with some vector. That's our initial state.
Nó là 1/2, 1/2, 0, 1. Và demo này làm như sau: ta bắt đầu từ một vectơ nào đó. Đó là trạng thái ban đầu.
The second plot is showing, what are the eigenvectors corresponding to this matrix Q? Remember, we calculated them.
Đồ thị thứ hai cho thấy các vectơ riêng ứng với ma trận Q này. Nhớ là ta đã tính chúng rồi.
How do I make this smaller?
Làm sao thu nhỏ cái này nhỉ?
Now everyone can see? So here, this is the initial state. These are the eigenvectors. And if you multiply by the matrix, let's say, five times, where do you end up?
Giờ ai cũng thấy chưa? Đây là trạng thái ban đầu. Đây là các vectơ riêng. Nếu nhân với ma trận, giả sử năm lần, ta sẽ ở đâu?
You end up exactly in the same position because this is an eigenvector. No matter how many times I multiply it, I get the same result. Okay.
Ta vẫn ở đúng vị trí cũ vì đây là một vectơ riêng. Dù nhân bao nhiêu lần, kết quả vẫn như nhau. Được rồi.
Let's try putting in the matrix that we were just thinking about.
Giờ thử nhập ma trận mà ta vừa xét xong.
So let me input the matrix 1, 2, 4, 3, right?
Thầy nhập ma trận 1, 2, 4, 3, nhé?
And the eigenvector that we just thought about was minus 1, 1, right? This was the eigenvector we found. So let me now run this.
Và vectơ riêng ta vừa tìm là (-1, 1), đúng không? Đây là vectơ riêng ta đã tìm được. Giờ thầy chạy thử.
So I have this minus 1, 1 vector, and I haven't multiplied it by the matrix yet, so my transformed vector is exactly the same. What happens when I multiply by the matrix once?
Ta có vectơ (-1, 1) này, và thầy chưa nhân nó với ma trận, nên vectơ biến đổi vẫn y hệt. Chuyện gì xảy ra khi nhân với ma trận một lần?
It's exactly in the opposite direction now, right? What's going to happen when I multiply it twice?
Giờ nó hướng ngược hẳn lại, đúng không? Khi nhân hai lần thì sao?
And as I keep going, it's going to keep flipping. On the other hand, what was the other eigenvector that we found for this? We found 1/2 comma 1.
Và cứ tiếp tục thì nó sẽ cứ đảo chiều. Còn vectơ riêng kia mà ta tìm được cho ma trận này là gì? Ta tìm được (1/2, 1).
So let me set this to be 1/2 comma 1 and run this again.
Thầy đặt nó là (1/2, 1) rồi chạy lại.
When I haven't multiplied this at all, the transformed vector is exactly the same. What happens when I multiply it once? It's grown by 5.
Khi chưa nhân gì cả, vectơ biến đổi vẫn y hệt. Nhân một lần thì sao? Nó dãn ra gấp 5 lần.
What happens if I multiply it twice? It's now getting so big it's, like, going off. Basically, I can't even see it on the scale, right?
Nhân hai lần thì sao? Giờ nó lớn đến mức bay ra ngoài luôn. Thậm chí thầy không thấy nó trên thang đo nữa.
It started out tiny and it keeps getting bigger, and bigger, and bigger. But is the direction changing?
Nó bắt đầu rất nhỏ rồi cứ lớn dần, lớn dần, lớn dần. Nhưng hướng có thay đổi không?
No, right? So regardless of what we're — like, regardless of how many times we multiply it, because it is an eigenvector the direction is not changing.
Không, đúng không? Vậy nên bất kể là — bất kể ta nhân bao nhiêu lần, vì nó là một vectơ riêng nên hướng không đổi.
But now, what if I tried a vector that was not an eigenvector? Give me two minutes; this is going to be interesting. Just wait. Let me try something else, right?
Nhưng giờ nếu thử một vectơ không phải vectơ riêng thì sao? Cho thầy hai phút; chỗ này sẽ thú vị đấy. Chờ chút. Thầy thử cái khác nhé?
1, 1 is not an eigenvector for this matrix, right?
(1, 1) không phải vectơ riêng của ma trận này, đúng không?
So I haven't multiplied it yet. We have exactly the same thing. I multiply it. It changes direction, right?
Thầy chưa nhân nó. Ta có hình y hệt. Thầy nhân nó. Nó đổi hướng, đúng không?
It's not staying in exactly the same direction. Every time I multiply it keeps changing. If I try something else. If I have something, like, let's say something really bizarre.
Nó không giữ nguyên hướng. Mỗi lần nhân nó lại thay đổi. Nếu thử cái khác. Giả sử một vectơ thật kỳ quặc.
Start here, you see that it keeps changing direction. So this is not an eigenvector, because every time I transform it I keep getting something different out.
Bắt đầu từ đây, các em thấy nó cứ đổi hướng. Vậy đây không phải vectơ riêng, vì mỗi lần biến đổi, ta lại nhận được một kết quả khác.
So I'll post this on the website. Make sure you can play with it and try to understand what is exactly going on.
Thầy sẽ đăng cái này lên website. Các em nhớ chơi thử và cố hiểu chính xác chuyện gì đang diễn ra.
We'll continue on Tuesday where I'm going to connect up this lecture to more things about steady state, as well as imaging three, and understand how eigenvalues matter for the lab you're going to do.
Ta sẽ tiếp tục vào thứ Ba, khi đó thầy sẽ nối bài giảng này với những nội dung về trạng thái dừng, cũng như imaging three, và hiểu giá trị riêng quan trọng thế nào với bài thí nghiệm (lab) các em sắp làm.
[INTERPOSING VOICES] [AUDIO OUT]
[NHIỀU GIỌNG NÓI CHEN NHAU] [MẤT ÂM THANH]
Đăng nhập để đánh giá học liệu này.
Đăng nhập để bình luận — chưa ai bình luận về học liệu này.
Không có khóa học liên quan.