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.
PROFESSOR
OK. Let's get started.
Được rồi. Chúng ta bắt đầu nhé.
Welcome to Lecture 10 and the last lecture for Module 1.
Chào mừng các em đến với Bài giảng 10, bài cuối cùng của Module 1.
So you've come a long way from the start of the semester where we starting with just defining even what a matrix and a vector was.
Các em đã đi được một chặng đường dài kể từ đầu học kỳ, khi chúng ta bắt đầu chỉ với việc định nghĩa ma trận và vectơ là gì.
And today we're going to wrap it up with connecting back to the imaging lab, which is where we started out.
Hôm nay chúng ta sẽ khép lại module bằng cách nối lại với bài thí nghiệm (lab) về chụp ảnh, nơi chúng ta đã bắt đầu.
We started this entire module saying that we wanted to learn how to design good tomography machines. How do MRIs work? How do CT scans work?
Chúng ta mở đầu cả module này bằng việc nói rằng chúng ta muốn học cách thiết kế các máy chụp cắt lớp (tomography) tốt. Máy MRI hoạt động ra sao? Máy chụp CT hoạt động ra sao?
How can we set these problems up so that we can solve these to make sure that we design things well?
Làm sao thiết lập các bài toán này để giải được chúng, nhằm bảo đảm chúng ta thiết kế tốt?
And today we're going to end that by using properties of eigenvalues and eigenvectors to really understand what kinds of masking matrices are particularly good and particularly useful
Và hôm nay chúng ta sẽ kết thúc phần đó bằng cách dùng các tính chất của giá trị riêng và vectơ riêng để hiểu thật rõ loại ma trận mặt nạ (masking matrix) nào đặc biệt tốt và đặc biệt hữu ích
for problems such as understanding inversion and imaging problems. OK, so before we get started, just some announcements. There's a midterm.
cho những bài toán như nghịch đảo và các bài toán chụp ảnh. Trước khi bắt đầu, có vài thông báo. Có một bài kiểm tra giữa kỳ.
It's in exactly one week. Please don't forget. Please mark your calendars. Please don't be late.
Đúng một tuần nữa. Đừng quên nhé. Hãy đánh dấu vào lịch. Đừng đến muộn.
The scope of the midterm will go up until today's lecture and the associated discussions. So there will be a discussion tomorrow, which will be useful.
Phạm vi giữa kỳ sẽ đến hết bài giảng hôm nay và các buổi thảo luận tương ứng. Ngày mai có một buổi thảo luận, sẽ rất hữu ích.
There will be a discussion on Monday, the day of the midterm as well. This discussion will be geared towards helping you prepare for the midterm.
Thứ Hai cũng có một buổi thảo luận, đúng ngày thi giữa kỳ. Buổi này nhằm giúp các em chuẩn bị cho giữa kỳ.
So it will be useful for you to attend that discussion as well. There will be a review for the midterm, which will be Thursday evening.
Nên các em cũng nên tham dự buổi thảo luận đó. Sẽ có một buổi ôn tập cho giữa kỳ, vào tối thứ Năm.
Our GSIs, we will be conducting the review, and we encourage you to attend.
Các GSI sẽ tổ chức buổi ôn tập, và chúng tôi khuyến khích các em tham gia.
The plan will be to just give a summary of all of the concepts that have been covered in Module 1 and that are in scope for the midterm.
Kế hoạch là tóm tắt tất cả các khái niệm đã học trong Module 1 và nằm trong phạm vi giữa kỳ.
I think we will also be going over some exam problems from previous midterms.
Tôi nghĩ chúng ta cũng sẽ xem một số bài thi của các kỳ giữa kỳ trước.
So if you've been looking at previous exam problems and want to ask them questions or go see some previous exam problems solved out, I encourage you to go to the midterm review.
Nếu các em đang xem các đề thi cũ và muốn hỏi các bạn ấy hoặc xem lời giải một số đề cũ, tôi khuyến khích các em đến buổi ôn tập.
Any major questions about any of this? OK, so then let's start out with what we're going to be doing today.
Có câu hỏi lớn nào về những điều này không? Được rồi, giờ bắt đầu với nội dung hôm nay. Chúng ta sẽ làm gì hôm nay.
We're going to be picking up from last lecture where we talked about eigenvalues and eigenvectors. And we will talk about more properties of eigenvalues and eigenvectors.
Chúng ta sẽ tiếp tục từ bài giảng trước, khi nói về giá trị riêng và vectơ riêng. Chúng ta sẽ nói thêm về các tính chất của giá trị riêng và vectơ riêng.
I'm just going to write them as e values and e vectors to be quick. And we will talk in particular about how these are useful for understanding systems.
Để nhanh, tôi sẽ viết tắt là e values và e vectors. Và đặc biệt chúng ta sẽ nói về việc chúng hữu ích thế nào để hiểu các hệ thống.
So we've been thinking about these systems that are of the form x at time t plus 1 is equal to a times x of t. And this is just one example.
Chúng ta đã xét các hệ thống có dạng x tại thời điểm t cộng 1 bằng A nhân x của t. Đây chỉ là một ví dụ.
We've been looking at examples of what more generally are sometimes called dynamical systems. And these are often studied in the context of control and robotics.
Chúng ta đã xem các ví dụ của cái mà nói chung đôi khi được gọi là hệ động (dynamical systems). Chúng thường được nghiên cứu trong bối cảnh điều khiển và robot.
We've been looking at them largely in the context of pump systems and from the example of or from trying to understand page rank.
Chúng ta chủ yếu xét chúng trong bối cảnh hệ thống bơm và từ ví dụ hoặc từ việc tìm hiểu PageRank.
But more generally, these can be used to model multiple other phenomena.
Nhưng nói chung, chúng có thể dùng để mô hình hóa nhiều hiện tượng khác.
And finally, after we're done talking about all of these, we will connect back to the imaging lab and talk about what you're going to be doing in imaging lab three.
Và cuối cùng, sau khi nói xong tất cả những điều này, chúng ta sẽ nối lại với lab chụp ảnh và nói về những gì các em sẽ làm trong lab chụp ảnh số ba.
So the two questions that we're really going to think about.
Vậy có hai câu hỏi mà chúng ta sẽ suy nghĩ.
There is a question that actually someone asked on Piazza, and I thought that that would be a good question to try and address in lecture.
Có một câu hỏi mà thực ra có bạn đã hỏi trên Piazza, và tôi nghĩ đó là câu hỏi hay để giải đáp trong bài giảng.
Which is that we know that if we start in the steady state for a dynamical system, we're going to stay in the steady state. We've understood this.
Đó là: ta biết rằng nếu bắt đầu ở trạng thái dừng của một hệ động, thì ta sẽ ở lại trạng thái dừng. Chúng ta đã hiểu điều này.
But what if we initialize in a state that is not the steady state? What if it's something else?
Nhưng nếu ta khởi tạo ở một trạng thái không phải trạng thái dừng thì sao? Nếu đó là một trạng thái khác thì sao?
How do we understand exactly how the system will behave if I initialize with some arbitrary x0? And this is the question that we want to try and understand first.
Làm sao hiểu chính xác hệ thống sẽ hoạt động thế nào nếu tôi khởi tạo với một x0 bất kỳ? Đây là câu hỏi mà chúng ta muốn tìm hiểu trước tiên.
So what if we initialize with an arbitrary initial State And how is this connected to basically eigenvalues,
Vậy nếu ta khởi tạo với một trạng thái ban đầu bất kỳ thì điều này liên hệ thế nào với giá trị riêng,
eigenspaces, and eigenvectors?
không gian riêng và vectơ riêng?
And the second question really is, you've all done the imaging lab, and you've seen that in imaging two, you were able to use the idea of matrix inversion to reconstruct the image.
Còn câu hỏi thứ hai là, các em đều đã làm lab chụp ảnh, và đã thấy rằng ở bài chụp ảnh hai, các em đã dùng ý tưởng nghịch đảo ma trận để dựng lại ảnh.
Everyone remembers that lab? But you might have noticed that there was the image where it was a little bit blurry. It wasn't exactly as clear.
Mọi người còn nhớ lab đó chứ? Nhưng có thể các em đã để ý có bức ảnh hơi bị mờ. Nó không rõ lắm.
And your TAs probably told you that what we can do is we can take multiple pixels, measurements of multiple pixels at once, and use this to actually improve our ability to image.
Và các trợ giảng có lẽ đã nói rằng ta có thể đo nhiều pixel cùng một lúc, và dùng cách đó để thực sự cải thiện khả năng chụp ảnh của mình.
And we're going to talk exactly about how we can improve that today.
Và hôm nay chúng ta sẽ nói chính xác làm sao để cải thiện điều đó.
So improve imaging performance.
Tức là cải thiện hiệu năng chụp ảnh.
So these are the two questions motivating the lecturer.
Đây là hai câu hỏi thúc đẩy bài giảng hôm nay.
To be able to answer these, we're going to rely on a key theorem. And that's how I want to start out. And the theorem that I want to talk about is the following.
Để trả lời được chúng, chúng ta sẽ dựa vào một định lý then chốt. Và tôi muốn bắt đầu từ đó. Định lý mà tôi muốn nói đến như sau.
Let a be a square matrix and let lambda 1, lambda 2, lambda n be the eigenvalues of a.
Cho A là một ma trận vuông và cho lambda 1, lambda 2, đến lambda n là các giá trị riêng của A.
Let us have it so that all of the eigenvalues are distinct.
Giả sử tất cả các giá trị riêng đều khác nhau.
That means that lambda 1 does not equal to lambda 2 for all of the pairs. So lambda 1 does not equal to lambda 2.
Nghĩa là lambda 1 không bằng lambda 2 với mọi cặp. Tức là lambda 1 khác lambda 2.
Lambda 1 does not equal to lambda 3. Lambda 1 does not equal to lambda n. Lambda 2 does not equal to lambda 3. So on and so forth.
Lambda 1 khác lambda 3. Lambda 1 khác lambda n. Lambda 2 khác lambda 3. Cứ như vậy tiếp tục.
So instead of writing out all of these pairs, I can just write this as lambda i does not equal to lambda j for all i and j.
Thay vì viết ra tất cả các cặp này, ta có thể viết gọn là lambda i khác lambda j với mọi i và j (i khác j).
And let's say that v1, v2 all the way up to vn are the eigenvectors corresponding to each of these eigenvalues.
Và giả sử v1, v2 cho đến vn là các vectơ riêng tương ứng với từng giá trị riêng này.
So they are representative vectors from the eigenspace. Remember, for every eigenvalue, there's actually an entire space of vectors. It's not just one vector.
Chúng là các vectơ đại diện lấy từ không gian riêng. Nhớ rằng, với mỗi giá trị riêng, thực ra có cả một không gian các vectơ. Không chỉ có một vectơ.
But we're just picking one vector from each eigenspace and calling them the eigenvectors.
Nhưng ta chỉ chọn một vectơ từ mỗi không gian riêng và gọi chúng là các vectơ riêng.
Our theorem says that if all of the eigenvalues are distinct, then v1, v2, vn form a basis for rn.
Định lý nói rằng nếu tất cả các giá trị riêng đều phân biệt, thì v1, v2, vn tạo thành một cơ sở của rn.
So what does it mean if we can show that all of the eigenvectors form a basis for rn? It means that every point can be represented.
Vậy nếu ta chứng minh được các vectơ riêng tạo thành cơ sở của rn thì có ý nghĩa gì? Nghĩa là mọi điểm đều có thể biểu diễn được.
Every point in rn can be represented as a linear combination of these eigenvectors.
Mọi điểm trong rn đều có thể biểu diễn như một tổ hợp tuyến tính của các vectơ riêng này.
And so if you can represent any point as a linear combination of these eigenvectors, that means that we can use these eigenvectors as basic building blocks to understand how arbitrary vectors might behave under linear transformations.
Và nếu biểu diễn được mọi điểm bằng tổ hợp tuyến tính của các vectơ riêng này, nghĩa là ta có thể dùng chúng như những viên gạch cơ bản để hiểu các vectơ bất kỳ sẽ hành xử thế nào dưới các phép biến đổi tuyến tính.
Eigenvectors are easy to understand under linear transformations. What happens to an eigenvector when it's transformed by the matrix? It just scales. It doesn't change direction.
Vectơ riêng rất dễ hiểu dưới các phép biến đổi tuyến tính. Điều gì xảy ra với một vectơ riêng khi nó bị ma trận biến đổi? Nó chỉ bị co giãn. Nó không đổi hướng.
It doesn't do anything crazy. It just changes its magnitude. So if we can have this understanding, this will help us build towards understanding generic vectors in the space.
Không có gì phức tạp xảy ra. Nó chỉ đổi độ lớn. Nếu hiểu được điều này, nó sẽ giúp ta tiến tới việc hiểu các vectơ tổng quát trong không gian.
The full proof of this is something that is possible to cover but is a little bit more challenging.
Chứng minh đầy đủ của định lý này có thể trình bày được nhưng khó hơn một chút.
So what we're going to do today is we're going to prove this in a special case where we're going to think of a as a 2 by 2 matrix.
Nên hôm nay chúng ta sẽ chứng minh trong một trường hợp đặc biệt, khi coi a là ma trận 2 x 2.
And we're going to prove for this case.
Và ta sẽ chứng minh cho trường hợp này.
OK. So I'm going to give you just a little bit of time to — can people read this at the back? Is it too small?
Được rồi. Tôi sẽ cho các bạn một chút thời gian để — các bạn ở cuối lớp đọc được không? Có nhỏ quá không?
Too small.
Nhỏ quá.
Is this better? Yeah, OK. Everyone can read at the back? Yes?
Thế này đã tốt hơn chưa? Vâng, được rồi. Mọi người ở cuối lớp đọc được chứ? Được chứ?
OK, great. So take a minute and think about how you would go about proving this. Remember how we do proofs. You know something.
Tốt lắm. Hãy dành một phút nghĩ xem các bạn sẽ chứng minh điều này thế nào. Nhớ cách ta làm chứng minh. Bạn biết một điều gì đó.
You want to prove something. Try to write that down and proceed step by step.
Bạn muốn chứng minh một điều gì đó. Hãy viết ra và tiến hành từng bước.
Feel free to talk to each other. Just think about how you can proceed.
Cứ thoải mái trao đổi với nhau. Chỉ cần nghĩ xem có thể tiến hành thế nào.
Brainstorm with your neighbors.
Cùng động não với các bạn bên cạnh.
So how many people think they have a good idea in which they can make progress? And how many people maybe are feeling stuck? Some people are feeling stuck.
Có bao nhiêu bạn nghĩ mình có ý tưởng hay để tiến triển? Và bao nhiêu bạn có lẽ đang thấy bị kẹt? Một số bạn đang bị kẹt.
OK, so what I want you to do is think about why you're stuck. Try to write down what you have and and note the points. In your head, note how you've gotten stuck.
Vậy hãy nghĩ xem vì sao bạn bị kẹt. Hãy viết ra những gì bạn có và ghi lại các điểm đó. Trong đầu, hãy ghi nhận mình đã bị kẹt ở đâu.
Because the goal is to figure out when you get stuck, how do you unstick? That's what we want to learn how to do.
Vì mục tiêu là khi bị kẹt, làm sao để gỡ ra? Đó là điều chúng ta muốn học cách làm.
So now that you've all tried for a little bit, let's think about this together.
Giờ các bạn đã thử một lúc rồi, ta cùng suy nghĩ về nó.
So one common point that it's possible to get stuck at is to try to not be able to really start. What do you even say? What is known?
Một chỗ dễ bị kẹt là không thể bắt đầu được. Thậm chí biết nói gì đây? Điều gì đã biết?
What is unknown? How do you even start about this — what you want to show and what is known? So let's try.
Điều gì chưa biết? Làm sao bắt đầu — cái cần chứng minh và cái đã biết? Ta thử nhé.
We want to prove this, and we want to prove it in the 2 by 2 case.
Ta muốn chứng minh điều này, và chứng minh trong trường hợp 2 x 2.
So first one easy thing to do would be to say, well, let me write out the theorem statement again specialized to the 2 by 2 case. So a is 2 by 2.
Một việc dễ làm đầu tiên là viết lại phát biểu của định lý cho riêng trường hợp 2 x 2. Vậy a là ma trận 2 x 2.
And so I have eigenvalues lambda 1 and lambda 2. And what do I know about lambda 1 and lambda 2? They are not equal to each other.
Và ta có các giá trị riêng lambda 1 và lambda 2. Ta biết gì về lambda 1 và lambda 2? Chúng không bằng nhau.
And I have eigenvectors v1 and v2.
Và ta có các vectơ riêng v1 và v2.
And I want to show that v1 v2 form a basis for r2.
Và ta muốn chứng minh v1, v2 tạo thành cơ sở của r2.
So one way to get stuck is to not write this statement out. So if you're ever feeling unsure, make sure you write it out explicitly. Then let's go to the next step.
Một cách để bị kẹt là không viết phát biểu này ra. Nên bất cứ khi nào bạn thấy không chắc, hãy viết ra thật rõ ràng. Rồi ta sang bước tiếp theo.
Let's see what do we know. We are given whatever you feel like calling it. What do you know? What are you given?
Xem ta biết gì. Ta được cho, bạn muốn gọi là gì cũng được. Bạn biết gì? Bạn được cho gì?
Well, you know v is the eigenvector corresponding to eigenvalue lambda 1. So what happens when I take a times v1?
Bạn biết v là vectơ riêng ứng với giá trị riêng lambda 1. Vậy điều gì xảy ra khi lấy a nhân v1?
This is lambda 1 v1. Is this known to me? This is known. What else is known to me?
Đó là lambda 1 v1. Điều này đã biết chưa? Điều này đã biết. Còn điều gì khác đã biết?
a times v2 is equal to lambda 2 v2.
a nhân v2 bằng lambda 2 v2.
And I know lambda 1 is distinct from lambda 2.
Và ta biết lambda 1 khác lambda 2.
What do I want to prove?
Ta muốn chứng minh điều gì?
I want to show that v1 and v2 form a basis for r2.
Ta muốn chứng minh v1 và v2 tạo thành cơ sở của r2.
So another point that I have seen people get stuck at is here.
Một chỗ khác mà tôi thấy mọi người hay bị kẹt là ở đây.
You write out this, you write out this, and then you say, well, we want to show that v1 and v2 form a basis.
Bạn viết cái này ra, viết cái này ra, rồi bạn nói, ta muốn chứng minh rằng v1 và v2 tạo thành một cơ sở.
Now what? This doesn't look like a basis. How do I figure out what a basis is? How do I go from here?
Giờ thì sao? Nhìn thì không giống một cơ sở. Làm sao biết một cơ sở là gì? Từ đây làm tiếp thế nào?
So when you're in this kind of situation, look at what you have and see, can you unpack anything? And the one word here that is unpackable is this term basis.
Khi gặp tình huống như vậy, hãy nhìn xem mình có gì và thử "mở" ra được cái gì không. Từ có thể mở ra ở đây là "cơ sở".
We have a definition for what a basis is. What does it mean for a set of vectors to be a basis for a vector space?
Ta có định nghĩa của cơ sở. Một tập hợp vectơ là cơ sở của một không gian vectơ nghĩa là gì?
It means first that v1 and v2 — what do we need to have about v1 and v2? They must be linearly independent.
Trước hết là v1 và v2 — ta cần v1 và v2 có tính chất gì? Chúng phải độc lập tuyến tính.
And the second thing you must have is that v1 v2, they must span r2.
Điều thứ hai là v1, v2 phải sinh ra r2.
Now you're looking at this, you know that v1 v2 are two dimensional vectors. If you can prove that they're linearly independent, can you immediately infer that they must span r2?
Bạn thấy đấy, v1 và v2 là các vectơ hai chiều. Nếu chứng minh được chúng độc lập tuyến tính, thì có suy ra ngay là chúng sinh ra r2 không?
So now what does it remain to be shown to complete your proof?
Vậy để hoàn tất chứng minh, còn phải chứng minh gì?
That they're linearly independent. OK, so now you know that what you want to focus on is this condition.
Rằng chúng độc lập tuyến tính. Vậy giờ ta biết cần tập trung vào điều kiện này.
You want to show that v1 and v2 are linearly independent.
Ta muốn chứng minh v1 và v2 độc lập tuyến tính.
So what have we said when we're talking about things that sometimes you want to show something is linearly independent, something is not invertible?
Ta đã nói rằng khi muốn chứng minh một thứ độc lập tuyến tính, hay một thứ không khả nghịch...
When you have this kind of negation, what is a trick that we've seen that can be useful?
Khi có dạng phủ định như vậy, ta có mẹo nào hữu ích?
Proof by contradiction. So what do you want to assume here? Assume that they're linearly dependent.
Chứng minh phản chứng. Vậy ở đây ta giả sử gì? Giả sử chúng phụ thuộc tuyến tính.
So let's say if possible, assume v1 v2 are linearly dependent.
Giả sử v1, v2 phụ thuộc tuyến tính.
Here is another possible point to get stuck.
Đây là một chỗ nữa dễ bị kẹt.
Because we're writing this out, but we haven't yet written this out mathematically. How do you move from this point onwards?
Vì ta đã viết ra bằng lời, nhưng chưa viết bằng toán học. Làm sao đi tiếp từ đây?
Use a definition of linear dependence. When I have two vectors and what is the definition of linear dependence for just two vectors?
Dùng định nghĩa của phụ thuộc tuyến tính. Với hai vectơ, định nghĩa của phụ thuộc tuyến tính là gì? vectơ?
One is a multiple of the other. So if I was to say, I can write this as, let's say, v1 is some alpha times v2.
Vectơ này là bội của vectơ kia. Vậy ta có thể viết, chẳng hạn, v1 bằng alpha nhân v2.
Yeah, we're good?
Ổn chứ?
And what do we want? We basically want this to be an actual multiple. We want alpha to not be 0. We want to say it's a multiple.
Và ta muốn gì? Ta muốn đây là một bội thực sự. Ta muốn alpha khác 0. Ta muốn nói đó là một bội.
It's not just 0.
Không chỉ là 0.
But we don't want to consider 0 vectors here.
Vì ta không xét vectơ 0 ở đây.
So we have this. Now you have this and you have this. Somehow you need to connect these things up.
Vậy ta có điều này. Giờ có cái này và cái này. Ta cần nối chúng lại với nhau.
When you see a v1 and you know you know something about a times v1, what do you feel like doing to this equation? Multiply by a. So let's try multiplying by a.
Khi thấy v1 và biết điều gì đó về a nhân v1, bạn muốn làm gì với phương trình này? Nhân với a. Vậy thử nhân với a.
So let's say I have a v1 is equal to a times alpha v2.
Ta có a v1 bằng a nhân alpha v2.
Can I rearrange this product? I can write this further as alpha times a times v2, which is equal to alpha times — what is a times v2?
Có sắp xếp lại tích này được không? Ta viết tiếp thành alpha nhân a nhân v2, bằng alpha nhân — a nhân v2 là gì?
Lambda 2 times v2.
Lambda 2 nhân v2.
If this is 1, this is 2. This follows from 2.
Nếu đây là (1) thì đây là (2). Điều này suy ra từ (2).
But what else do we know about av1? If I think about av1, that's one way of writing av1. What else do I know about av1?
Nhưng ta còn biết gì về av1? Nghĩ về av1, đó là một cách viết av1. Ta còn biết gì khác về av1?
This is equal to lambda 1 times v1.
Nó bằng lambda 1 nhân v1.
So these two quantities must be equal.
Vậy hai đại lượng này phải bằng nhau.
But they're kind of not in the right form that we want. There's a v1 on one side and a v2 on one side, and we don't really know anything about v1 and v2.
Nhưng chúng chưa ở dạng ta muốn. Một bên có v1, một bên có v2, mà ta không biết gì về v1 và v2.
But is there something else that we do know? Oops.
Nhưng ta còn biết điều gì khác không? Ối.
What did we assume about v1?
Ta đã giả sử gì về v1?
We have this. So we can rewrite this as lambda 1 alpha v2.
Ta có cái này. Nên ta viết lại thành lambda 1 alpha v2.
And now what do we have?
Giờ ta có gì?
So now we have lambda 1 alpha v2 is equal to lambda 2 alpha v2.
Lambda 1 alpha v2 bằng lambda 2 alpha v2.
But is this possible?
Nhưng điều này có thể xảy ra không?
What was our assumption? Lambda 1 isn't equal to lambda 2. This is given to us, actually.
Giả thiết của ta là gì? Lambda 1 không bằng lambda 2. Điều này đã được cho sẵn.
Therefore, this is a contradiction.
Vậy đây là mâu thuẫn.
Hence v1 v2 must be linearly independent.
Do đó v1, v2 phải độc lập tuyến tính.
Therefore, they span r2. Therefore, they form a basis.
Vì vậy chúng sinh ra r2. Vì vậy chúng tạo thành một cơ sở.
Does everyone see how we got to this conclusion?
Mọi người có thấy ta đi đến kết luận này thế nào không?
Do you see potential ways where — do you see where along the way you got stuck and how you could have potentially unstuck yourself?
Bạn có thấy những chỗ mình có thể bị kẹt trên đường đi và cách tự gỡ ra không?
Whenever you're doing proofs, I really encourage you to try and do this. If you get stuck and then you see the solution later, try to go back and think through your thought process.
Mỗi khi làm chứng minh, tôi rất khuyến khích các bạn làm như vậy. Nếu bị kẹt rồi sau đó xem lời giải, hãy quay lại và nghĩ về quá trình suy nghĩ của mình.
Where did I get stuck and what was the unsticking? This will help you get better as you go on.
Mình kẹt ở đâu và gỡ ra bằng cách nào? Điều này giúp các bạn giỏi lên dần.
Are there any questions about any of this? Yes, in the back.
Có câu hỏi nào về phần này không? Vâng, bạn ở cuối lớp.
STUDENT
Does an invertible n by n matrix always have n eigenvectors or eigenvalues?
Ma trận n x n khả nghịch có luôn có n vectơ riêng hoặc giá trị riêng không ạ?
PROFESSOR
Does an invertible n by n matrix always have n eigenvectors and eigenvalues? You will always have n eigenvalues, yes. They might not always be distinct, but you will always have that, yes.
Ma trận n x n khả nghịch có luôn có n vectơ riêng và giá trị riêng không? Luôn có n giá trị riêng, đúng vậy. Chúng có thể không phân biệt, nhưng luôn có n giá trị, đúng.
Yes?
Vâng?
STUDENT
Is it possible to start this proof using an example two by two matrix [INAUDIBLE] abcd and go from there?
Có thể bắt đầu chứng minh này bằng ví dụ ma trận hai x hai [KHÔNG NGHE RÕ] abcd rồi làm tiếp từ đó không ạ?
PROFESSOR
Great question. Is it possible to start this proof by thinking of abcd and going from there? It might be possible. I don't know whether or not that proof approach will fully work out.
Câu hỏi hay. Có thể bắt đầu chứng minh này bằng cách nghĩ đến abcd rồi làm tiếp từ đó không? Có thể được. Tôi không biết cách chứng minh đó có thành công trọn vẹn không.
But one way is explicitly calculating out every single eigenvalue and every single eigenvector. You will have to impose some conditions on the abcd to make sure that you can get distinct eigenvalues though.
Nhưng một cách là tính toán tường minh từng giá trị riêng và từng vectơ riêng một. Nhưng em sẽ phải đặt một số điều kiện lên a, b, c, d để đảm bảo các giá trị riêng phân biệt.
So assuming that you can choose abcd and make sure that these constraints are satisfied, it's possible to do it, but I think this approach will be much more straightforward.
Nên nếu em chọn được a, b, c, d sao cho các ràng buộc này được thỏa mãn, thì cách đó làm được, nhưng tôi nghĩ cách này sẽ đơn giản hơn nhiều.
Yeah. Yes?
Ừ. Bạn nào?
STUDENT
[INAUDIBLE] the size of the basis for rn is always going to be size n?
[KHÔNG NGHE RÕ] số vectơ của một cơ sở cho Rⁿ luôn là n phải không ạ?
PROFESSOR
Yes. The question is how many vectors will be there in the basis for rn? And the answer is always n. Yes, because the dimension of rn is n.
Đúng. Câu hỏi là có bao nhiêu vectơ trong một cơ sở của Rⁿ? Và câu trả lời luôn là n. Đúng, vì số chiều của Rⁿ là n.
And so you will have n elements in the basis.
Nên cơ sở sẽ có n phần tử.
So we've proved this here. Again, I want to point out only in this 2 by 2 case. We haven't proven this more general statement.
Vậy là ta đã chứng minh xong ở đây. Tôi muốn nhấn mạnh là chỉ trong trường hợp 2x2. Ta chưa chứng minh phát biểu tổng quát hơn này.
This is true, and it's something that you are able to prove, but it's just a slightly more challenging proof. I encourage you to try it at home.
Nó đúng, và các em có thể tự chứng minh, nhưng chứng minh khó hơn một chút. Tôi khuyến khích các em thử ở nhà.
And if you have questions, definitely come talk in office hours. But because it's just a little bit more challenging, I'm not going to be covering it in lecture.
Và nếu có thắc mắc, cứ đến giờ office hours để hỏi. Nhưng vì nó khó hơn một chút, nên tôi sẽ không dạy trên lớp.
So if you understand the 2 by 2 proof, you should be good. We're not going to be asking you to prove this for n by n on the exam.
Nếu hiểu chứng minh 2x2 là các em ổn. Chúng tôi sẽ không yêu cầu chứng minh trường hợp n x n trong bài thi.
What I want to do, though, is now use this to understand general initial states.
Còn bây giờ, điều tôi muốn làm là dùng kết quả này để hiểu các trạng thái ban đầu tổng quát.
So for a system such as x of t plus 1 is equal to some a times x of t.
Với một hệ như x[t+1] bằng một ma trận A nhân x[t].
This can be thought of as a general dynamical system. Maybe this represents your segue or your inverted pendulum. Maybe it represents your pumps. Maybe it represents a quadcopter.
Đây có thể coi là một hệ động lực tổng quát. Có thể nó biểu diễn xe Segway hay con lắc ngược của em. Có thể nó biểu diễn các máy bơm của em. Có thể nó biểu diễn một chiếc quadcopter.
It could represent a lot of different things.
Nó có thể biểu diễn rất nhiều thứ khác nhau.
But now we know that if x at time 0 is in steady state, then the state does not change, no matter how many times you apply it.
Giờ ta biết nếu x tại thời điểm 0 ở trạng thái dừng, thì trạng thái không đổi, dù em áp dụng bao nhiêu lần.
But now what if you start in a state that isn't the steady state? What if you start at some arbitrary state x?
Nhưng nếu em bắt đầu từ một trạng thái không phải trạng thái dừng thì sao? Nếu em bắt đầu từ một trạng thái x bất kỳ?
What can you do? How can you understand how this arbitrary initial state is going to behave?
Em làm được gì? Làm sao hiểu được trạng thái ban đầu bất kỳ này sẽ diễn biến thế nào?
And now that we have this theorem about the eigenvectors, what might be a good way of trying to explore how an arbitrary initial state will behave?
Giờ ta có định lý về các vectơ riêng này, cách nào hay để khám phá trạng thái ban đầu bất kỳ sẽ diễn biến ra sao?
Find the eigenvectors of a. Yep. And then what do we know? We know that the eigenvectors form a basis.
Tìm các vectơ riêng của A. Đúng. Rồi ta biết gì? Ta biết các vectơ riêng tạo thành một cơ sở.
So what does that mean? It means that every vector can be expressed as a linear combination of the eigenvectors.
Vậy điều đó nghĩa là gì? Nghĩa là mọi vectơ đều có thể biểu diễn như một tổ hợp tuyến tính của các vectơ riêng.
We can write x as a linear combination of the eigenvectors.
Ta có thể viết x như một tổ hợp tuyến tính của các vectơ riêng.
So I can write basically x is equal to some alpha 1 times v1 plus alpha 2 times v2 plus alpha n times vn.
Tức là viết x bằng alpha 1 nhân v1 cộng alpha 2 nhân v2 cộng alpha n nhân vn.
v1, v2, vn are eigenvectors and lambda i's are distinct, let's say.
v1, v2, vn là các vectơ riêng và các lambda i phân biệt, giả sử vậy.
Yeah, question?
Ừ, em hỏi đi?
STUDENT
Why do we know that the eigenvalues for this matrix are [INAUDIBLE]?
Sao ta biết các giá trị riêng của ma trận này là [KHÔNG NGHE RÕ]?
PROFESSOR
Great question. The question is why do we know that the eigenvalues for this matrix are distinct? The answer is that we're assuming that they're distinct.
Câu hỏi hay. Câu hỏi là sao ta biết các giá trị riêng của ma trận này phân biệt? Câu trả lời là ta đang giả sử chúng phân biệt.
We will talk more about what happens if they are not distinct in five minutes.
Ta sẽ nói thêm về trường hợp chúng không phân biệt sau năm phút nữa.
Yes?
Bạn nào?
STUDENT
[INAUDIBLE] how you can write x as a linear combination of eigenvectors?
[KHÔNG NGHE RÕ] sao có thể viết x như một tổ hợp tuyến tính của các vectơ riêng ạ?
PROFESSOR
OK, good. The question was why can x be written as a linear combination of eigenvectors? We know why is this possible.
Được. Câu hỏi là vì sao x viết được như tổ hợp tuyến tính của các vectơ riêng? Vì sao điều này khả thi?
We know that v1, v2, vn form a basis for rn.
Ta biết v1, v2, vn tạo thành một cơ sở của Rⁿ.
And what does it mean for a set of vectors to be a basis? It means two things. First that they're linearly independent.
Một tập vectơ là cơ sở nghĩa là gì? Nghĩa là hai điều. Thứ nhất, chúng độc lập tuyến tính.
And second, it means that any vector in the space can be written as a linear combination of those vectors. Any vector in the space is in the span of those vectors.
Thứ hai, mọi vectơ trong không gian đều viết được như tổ hợp tuyến tính của các vectơ đó. Mọi vectơ trong không gian đều nằm trong không gian sinh (span) của chúng.
So because we just proved this theorem that says that the eigenvectors form a basis, we're using that theorem now to write this in the following way. Good question.
Vì ta vừa chứng minh định lý nói rằng các vectơ riêng tạo thành một cơ sở, nên giờ ta dùng định lý đó để viết như sau. Câu hỏi hay.
Everyone with me here? OK. So now when I think about a times x, how can I write it out further using what I have seen here?
Mọi người theo kịp chứ? Được. Giờ khi xét A nhân x, dùng những gì vừa thấy, ta viết tiếp thế nào?
I can write a times x is a times alpha 1 v1 plus alpha 2 v2 plus alpha n vn.
Ta viết A nhân x bằng A nhân (alpha 1 v1 cộng alpha 2 v2 cộng alpha n vn).
And what do we know about a applied to the eigenvectors? Eigenvectors are the invariant vectors. Eigenvectors are the ones that don't change direction. All that happens is their magnitude might change.
Ta biết gì về A tác dụng lên các vectơ riêng? Vectơ riêng là các vectơ bất biến. Vectơ riêng là những vectơ không đổi hướng. Chỉ có độ lớn của chúng có thể thay đổi.
So when a acts on v1, what are you going to get out?
Vậy khi A tác dụng lên v1, ta nhận được gì?
STUDENT
[INAUDIBLE] PROFESSOR: Exactly. Lambda 1 v1. You're just going to get a scaled version of v1. What about v2?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Chính xác. Lambda 1 v1. Ta chỉ nhận được một phiên bản v1 được co giãn. Còn v2 thì sao?
So what we can do is we can write this as a. We can use the distributive property to pull a into this.
Vậy ta có thể viết thế này. Dùng tính chất phân phối để đưa A vào trong.
And now write this as alpha 1 av1 plus alpha 2 av2 plus alpha and avn.
Và viết thành alpha 1 Av1 cộng alpha 2 Av2 cộng alpha n Avn.
This is equal to alpha 1 lambda 1 v1 plus alpha n lambda n vn.
Bằng alpha 1 lambda 1 v1 cộng alpha n lambda n vn.
What happens now? So this is what happens to an arbitrary. Remember, x is arbitrary. I apply a once.
Giờ chuyện gì xảy ra? Đây là điều xảy ra với một trạng thái bất kỳ. Nhớ là x là bất kỳ. Tôi áp dụng A một lần.
And this is what I'm getting. So this is basically the next state. What happens when I apply a one more time.
Và đây là kết quả. Về cơ bản đây là trạng thái tiếp theo. Chuyện gì xảy ra khi tôi áp dụng a thêm một lần nữa.
If I think about a squared times x, can I do the same thing? I can write a times this.
Nếu xét a bình phương nhân x, ta có làm được tương tự không? Tôi có thể viết a nhân biểu thức này.
And so I'm going to get — what is going to happen to a times v1 now? I'm going to get alpha 1 lambda 1 squared times v1.
Và như vậy tôi sẽ có — lúc này a nhân v1 sẽ ra sao? Tôi sẽ được alpha 1 lambda 1 bình phương nhân v1.
What happens if I apply a t times?
Nếu áp dụng a t lần thì sao?
Alpha 1 lambda 1 to the t v1 plus alpha n lambda n to the t vn.
Alpha 1 lambda 1 mũ t v1 cộng alpha n lambda n mũ t vn.
So let's look at the components of x as t grows. What if a particular lambda i is exactly equal to 1?
Vậy hãy xem các thành phần của x khi t tăng lên. Nếu một lambda i nào đó đúng bằng 1 thì sao?
Does that component change? Remember, these are now all of the components.
Thành phần đó có thay đổi không?
Of x expressed in the basis of these vectors.
Nhớ rằng đây đều là các thành phần của x biểu diễn trong cơ sở gồm các vectơ này.
So if lambda — let's say lambda 1 was equal to 1. No matter how many times I apply a, is the coefficient of v1 going to change? Nope.
Giả sử lambda 1 bằng 1. Dù tôi áp dụng a bao nhiêu lần, hệ số của v1 có thay đổi không? Không.
What if I had lambda i that was strictly greater than 1?
Nếu lambda i lớn hơn 1 hẳn thì sao?
What's going to keep happening? Is that component — it's going to keep increasing. It's going to keep getting bigger and bigger and bigger. And what happens if lambda is strictly less than 1?
Điều gì cứ tiếp diễn? Thành phần đó sẽ cứ tăng lên. Nó sẽ lớn dần, lớn dần, lớn dần. Còn nếu lambda nhỏ hơn 1 hẳn thì sao?
As time goes to infinity, is that component even going to exist?
Khi thời gian tiến tới vô cùng, thành phần đó có còn tồn tại không?
So any components in the direction of transient eigenvectors are going to die off. Everything else is what is going to stick around.
Vậy mọi thành phần theo hướng của các vectơ riêng tạm thời sẽ tắt dần. Phần còn lại mới là thứ ở lại.
So when you think about the kinds of pump systems that we've been thinking about, if you think about conservative systems, there you know that you always have an eigenvalue of 1 and the rest of the eigenvalues are smaller than 1, in which case, no matter where you start out, you're going to end up exactly in the steady state.
Với các hệ bơm mà ta đã xét, nếu nghĩ về các hệ bảo toàn, ta biết luôn có một giá trị riêng bằng 1 và các giá trị riêng còn lại nhỏ hơn 1, khi đó dù bắt đầu ở đâu, bạn cũng sẽ kết thúc đúng ở trạng thái dừng.
So I want to do a simple example to show that. But before that, does anyone have any questions about this part? Yes?
Tôi muốn làm một ví dụ đơn giản để minh họa. Nhưng trước đó, có ai có câu hỏi về phần này không? Bạn?
STUDENT
[INAUDIBLE] as far as [INAUDIBLE] PROFESSOR: The question is what happens about the sign of lambda?
[KHÔNG NGHE RÕ] về việc [KHÔNG NGHE RÕ] GIẢNG VIÊN: Câu hỏi là dấu của lambda thì sao?
If they're greater than 1, less than 1, does the sign matter? And do you have to take the absolute values? You don't really have to take absolute values.
Lớn hơn 1, nhỏ hơn 1, dấu có quan trọng không? Và có phải lấy giá trị tuyệt đối không? Không nhất thiết phải lấy giá trị tuyệt đối.
You will have whatever that power is. It will show up.
Lũy thừa ra thế nào thì ta có thế đó. Nó sẽ hiện ra.
So for example, if your eigenvalue is minus 1, like we had at the example at the end of the last lecture, your vector will basically still have the same magnitude but it'll keep flipping its sign.
Ví dụ, nếu giá trị riêng là trừ 1, như ví dụ ở cuối bài giảng trước, vectơ vẫn giữ nguyên độ lớn nhưng cứ đổi dấu liên tục.
You might have an eigenvalue that is less than 1 but still negative. Even so, that's still going to decay to 0 even though it's flipping its sign. Yes?
Có thể có giá trị riêng nhỏ hơn 1 nhưng vẫn âm. Dù vậy, nó vẫn suy giảm về 0 mặc dù đổi dấu. Bạn?
STUDENT
So we know v1 up to vn, each of these eigenvectors have an eigenspace associated with it?
Ta biết v1 đến vn, mỗi vectơ riêng này đều có một không gian riêng đi kèm, đúng không?
PROFESSOR
Yes.
Đúng.
STUDENT
How does that eigenspace related to [INAUDIBLE]?
Không gian riêng đó liên hệ thế nào với [KHÔNG NGHE RÕ]?
PROFESSOR
So the question is that each of the eigenvectors v1 to vn has an eigenspace associated with it. How does that relate to rn?
Câu hỏi là mỗi vectơ riêng v1 đến vn có một không gian riêng đi kèm. với nó. Nó liên hệ thế nào với rn?
Basically, it relates in the case of distinct eigenvalues through this theorem. All of those eigenspaces are each spanned by one of these eigenvectors.
Với các giá trị riêng phân biệt, nó liên hệ qua định lý này. Mỗi không gian riêng đều được sinh bởi một trong các vectơ riêng này.
All of the eigenspaces together make up rn in the case of distinct eigenvalues. Yes? White t-shirt at the back.
Tất cả các không gian riêng hợp lại tạo thành rn trong trường hợp giá trị riêng phân biệt. Bạn? Bạn áo thun trắng ở cuối lớp.
STUDENT
Can you go over why the [INAUDIBLE] all the eigenvalues are 1 or less than 1?
Thầy giải thích lại vì sao [KHÔNG NGHE RÕ] mọi giá trị riêng bằng 1 hoặc nhỏ hơn 1 được không?
PROFESSOR
That's exactly the question on the homework. And we will see it in just a minute. Yeah, but if you look at the homework question — the homework question on the homework last time.
Đó chính là câu hỏi trong bài tập về nhà. Và ta sẽ thấy ngay sau đây. Nếu bạn xem câu hỏi bài tập về nhà — câu hỏi trong bài tập về nhà lần trước.
Yeah. But we'll talk about it in one example in just a minute. Yeah?
Vâng. Nhưng ta sẽ bàn trong một ví dụ ngay sau đây. Bạn?
STUDENT
For lambda i is greater than 1, is a to v times x increase time by the scalar amount above the same line, or is it actually changing angles?
Với lambda i lớn hơn 1, a nhân v nhân x có tăng theo hệ số vô hướng trên cùng một đường thẳng, hay nó thực sự đổi góc?
PROFESSOR
It's changing exactly by that factor lambda. a times v, if v is an eigenvector, never changes angle. It never changes direction. Yeah.
Nó thay đổi đúng bằng hệ số lambda đó. a nhân v, nếu v là vectơ riêng, thì không bao giờ đổi góc. Nó không bao giờ đổi hướng. Vâng.
Yeah, the question that you're asking about the eigenvalue v1, that's basically, you can derive that from the problem on the homework that was given. But yeah.
Còn câu hỏi của bạn về giá trị riêng v1, bạn có thể suy ra từ bài trong bài tập về nhà đã cho. Vâng.
OK, so to answer that question, we won't fully prove it, but we will do a simple example that will hopefully elaborate. So let us consider the following example.
Để trả lời câu đó, ta sẽ không chứng minh đầy đủ, nhưng sẽ làm một ví dụ đơn giản để làm rõ hơn. Hãy xét ví dụ sau.
a, b.
a, b.
3/4, 1/4, 1/2, 1/2.
3/4, 1/4, 1/2, 1/2.
So we have, let's say, this system of websites or a system of pumps or transferring energy.
Giả sử ta có hệ các trang web hay hệ các bơm truyền năng lượng.
And we want to understand this. So we can write out the transition matrix for this as 3/4, 1/4, 1/2, 1/2.
Và ta muốn hiểu hệ này. Ta có thể viết ma trận chuyển là 3/4, 1/4, 1/2, 1/2.
And then we can say we want to find the eigenvalues and the eigenvectors.
Rồi ta muốn tìm các giá trị riêng và các vectơ riêng.
We want to figure out what is the system going to end up in when I start out in some arbitrary initial state?
Ta muốn biết hệ sẽ kết thúc ở đâu khi bắt đầu từ một trạng thái đầu bất kỳ?
So I have some arbitrary initial state x0. What happens? And per our analysis here, what do we want to be able to do to understand this arbitrary initial state?
Vậy có một trạng thái đầu bất kỳ x0. Chuyện gì xảy ra? Theo phân tích ở đây, ta cần làm gì để hiểu trạng thái đầu bất kỳ này?
We want to find the eigenvalues and the eigenvectors. So let's do that. So for that, we want to look at basically the determinant of q minus lambda i.
Ta cần tìm các giá trị riêng và các vectơ riêng. Vậy hãy làm. Để làm vậy, ta xét định thức của q trừ lambda i.
You must have done a lot of these examples in discussion yesterday. So hopefully, that helps. So what is now q minus lambda i, the determinant?
Chắc hôm qua các bạn đã làm nhiều ví dụ như vậy ở buổi thảo luận. hôm qua. Hy vọng nó có ích. Vậy bây giờ định thức của q trừ lambda i là gì?
It's 3/4 minus lambda times 1/2 minus lambda minus 1 over 8.
Nó là (3/4 trừ lambda) nhân (1/2 trừ lambda) trừ 1/8.
3/4 minus lambda, 1/2 minus lambda. The determinant is just ad minus bc, which is just equal to lambda squared minus 5/4 lambda plus 1 over 4.
3/4 trừ lambda, 1/2 trừ lambda. Định thức chỉ là ad trừ bc, và nó bằng lambda bình phương trừ 5/4 lambda cộng 1 phần 4.
Everyone get the same determinant? OK, so what are the roots of this?
Mọi người có cùng định thức này không? OK, vậy các nghiệm của nó là gì?
This just splits as 1 and 1/4. So I get this as lambda minus 1 times lambda minus 1/4.
Nó phân tích thành 1 và 1/4. Vậy tôi có (lambda trừ 1) nhân (lambda trừ 1/4).
So the eigenvalues are lambda equal to 1 and lambda equal to 1/4.
Vậy các giá trị riêng là lambda bằng 1 và lambda bằng 1/4.
So we have this. Take a minute just for practice and compute the eigenvectors.
Vậy ta có điều này. Các bạn dành một phút luyện tập, tính các vectơ riêng nhé.
OK, how many people are done? OK, good. So what are the eigenvectors?
OK, bao nhiêu bạn xong rồi? OK, tốt. Vậy các vectơ riêng là gì?
What is the first eigenvector? 2, 1, great. I have a question. Did anyone write down something other than 2, 1?
Vectơ riêng thứ nhất là gì? 2, 1, tuyệt. Tôi có một câu hỏi. Có ai viết ra thứ gì khác 2, 1 không?
What did you write down? 1, 1, 1/2. Did someone write something else? Are both of these correct answers?
Bạn đã viết gì? 1, 1/2. Có ai viết cái khác nữa không? Cả hai đều là đáp án đúng chứ?
Yes. Both of these are eigenvectors. There's multiple ways to write an eigenvector. It's important to remember this.
Đúng vậy. Cả hai đều là vectơ riêng. Có nhiều cách viết một vectơ riêng. Điều này rất quan trọng cần nhớ.
Good. What about for lambda 2?
Tốt. Còn với lambda 2 thì sao?
What was v2?
v2 là gì?
Negative 1, 1. Or 1 negative 1. Again, it's exactly the same vector. So you have this.
Âm 1, 1. Hoặc 1, âm 1. Một lần nữa, đó vẫn là cùng một vectơ. Vậy ta có như thế này.
Now let's take our x and write it as a linear combination of these two. So are these two linearly independent? Let's just verify our theorem.
Bây giờ hãy lấy x của ta và viết nó thành tổ hợp tuyến tính của hai vectơ này. Hai vectơ này có độc lập tuyến tính không? Hãy kiểm chứng định lý của ta.
Neither can be written as a multiple of the other. Therefore, they form a basis.
Không vectơ nào viết được thành bội của vectơ kia. Do đó, chúng tạo thành một cơ sở.
So let us now write x0 is some, let's say, alpha 1 times 2, 1 plus alpha 2 times minus 1, 1.
Giờ ta viết x0 là, chẳng hạn, alpha 1 nhân (2, 1) cộng alpha 2 nhân (âm 1, 1).
And we can write x at time t is basically a to the t times x0.
Và x tại thời điểm t cơ bản là a mũ t nhân x0.
And what do we know? This is going to be alpha 1 times lambda 1 to the t times v1 plus alpha 2 times lambda 2 to the t times v2.
Và ta biết điều gì? Nó sẽ bằng alpha 1 nhân lambda 1 mũ t nhân v1 cộng alpha 2 nhân lambda 2 mũ t nhân v2.
So what part is going to stick around and what part is going to die off?
Vậy phần nào sẽ còn lại và phần nào sẽ mất đi?
So here this is basically alpha 1 times 1 times v1. Exactly the same, because lambda 1 is 1. Plus alpha 2 times 1 over 4 to the t times v2.
Ở đây là alpha 1 nhân 1 nhân v1. Y nguyên, vì lambda 1 bằng 1. Cộng alpha 2 nhân (1/4) mũ t nhân v2.
Therefore, as t tends to infinity, at x0 tends to alpha 1 times v1.
Do đó, khi t tiến tới vô cùng, a mũ t x0 tiến tới alpha 1 nhân v1.
Because this thing tends to 0.
Vì số hạng này tiến tới 0 khi t tiến tới vô cùng.
As t goes to infinity.
Is everyone with me here? Any questions about this?
Mọi người theo kịp chưa? Có câu hỏi nào về phần này không?
OK, great.
OK, tuyệt.
Sorry.
Xin lỗi.
So does this explain to people how even if you were starting in some arbitrary initial state, you could still get to an understanding of what your final state is going to be?
Vậy điều này đã giải thích được chưa rằng dù bắt đầu từ một trạng thái ban đầu bất kỳ, ta vẫn có thể hiểu được trạng thái cuối cùng sẽ như thế nào?
You might have different combinations of things, of eigenvalues, eigenvectors, but you can just express them out and get to your solution. Question in the back?
Bạn có thể có những tổ hợp khác nhau của giá trị riêng, vectơ riêng, nhưng cứ biểu diễn chúng ra là có lời giải. Câu hỏi ở phía sau?
STUDENT
[INAUDIBLE] PROFESSOR: Ah, good question. The question was how did I get x0 equal to alpha 1 times 2, 1 plus alpha 2 times minus 1, 1?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: À, câu hỏi hay. Câu hỏi là làm sao tôi có x0 bằng alpha 1 nhân (2, 1) cộng alpha 2 nhân (âm 1, 1)?
We said that the eigenvectors form a basis. v1 v2 are a basis.
Ta đã nói các vectơ riêng tạo thành một cơ sở. v1, v2 là một cơ sở.
And so I can express any vector in r2 as a linear combination of these vectors. So by choosing different alpha 1 alpha 2, I can get to any x0.
Nên tôi có thể biểu diễn mọi vectơ trong R2 như một tổ hợp tuyến tính của các vectơ này. Nên chọn alpha 1, alpha 2 khác nhau, tôi được mọi x0.
So I'm saying let alpha 1 alpha 2 be some constants. x0 is now an arbitrary vector in r2. Yeah?
Tức là tôi cho alpha 1, alpha 2 là các hằng số nào đó. Bây giờ x0 là một vectơ bất kỳ trong R2. Vâng?
STUDENT
Did we need to find the eigenvectors in order to do the second part [INAUDIBLE] PROFESSOR: Did we redefine the eigen — STUDENT: Did we need to find the eigenvectors?
Ta có cần tìm các vectơ riêng để làm phần thứ hai [KHÔNG NGHE RÕ] GIẢNG VIÊN: Ta có định nghĩa lại các vectơ — SINH VIÊN: Ta có cần tìm các vectơ riêng không?
PROFESSOR
The question, yes, good question.
Câu hỏi hay.
Did we need to actually write out 2, 1 and minus 1, 1 as the eigenvectors to be able to figure out that this component is going to go to 0?
Ta có thật sự cần viết ra (2, 1) và (âm 1, 1) làm các vectơ riêng để biết thành phần này sẽ tiến tới 0 không?
And the answer is no. You knew that as long as — you knew that because you had distinct eigenvalues you were going to have linearly independent eigenvectors.
Câu trả lời là không. Bạn đã biết điều đó vì các giá trị riêng phân biệt thì các vectơ riêng độc lập tuyến tính.
And so you could have just said that this is the only component that's going to matter.
Nên bạn có thể nói chỉ có thành phần này là quan trọng.
But to find out what this final component is and to know that your steady state is always going to be in the span of 2, 1, for that you needed to find out what it was.
Nhưng để biết thành phần cuối cùng này là gì và biết trạng thái dừng của bạn luôn nằm trong không gian sinh (span) của (2, 1), thì bạn cần tìm ra nó.
Good question.
Câu hỏi hay.
Other questions? Yes?
Còn câu hỏi nào khác không? Vâng?
STUDENT
Is there anyway we can ever figure out what alpha 1 is going to be or is it just going to be [INAUDIBLE]?
Có cách nào để biết alpha 1 sẽ là bao nhiêu không, hay nó chỉ là [KHÔNG NGHE RÕ]?
PROFESSOR
The question was, is there any way we can figure out what alpha 1 is going to be? This is an important question.
Câu hỏi là có cách nào tìm ra alpha 1 không? Đây là câu hỏi quan trọng.
If I tell you x0 is equal to 5, 6, how do you figure out what alpha 1 and alpha 2 are?
Nếu tôi cho x0 bằng (5, 6), làm sao bạn tìm alpha 1 và alpha 2?
We can solve a system of linear equations to find out alpha 1 alpha 2. So given whatever x0 is, you find alpha 1 alpha 2.
Ta giải một hệ phương trình tuyến tính để tìm alpha 1 và alpha 2. Vậy với x0 bất kỳ, bạn tìm được alpha 1, alpha 2. Thật ra lúc nào cũng tìm được alpha 1, alpha 2.
You can always find alpha 1 alpha 2, in fact. Yes?
Vâng?
STUDENT
Is there a way for us to know that all the eigenvalues are going to be 1 or less than 1 without explicitly finding all of them?
Có cách nào để biết mọi giá trị riêng đều bằng 1 hoặc nhỏ hơn 1 mà không cần tìm tất cả chúng không?
PROFESSOR
The question is, is there a way for us to know that all of the eigenvalues are going to be 1 or less than 1 without explicitly finding all of them?
Câu hỏi là, có cách nào cách nào để biết tất cả các giá trị riêng đều bằng 1 hoặc nhỏ hơn 1 mà không cần tìm tường minh từng giá trị đó không?
In general, just by looking at a matrix, you cannot.
Nói chung, chỉ nhìn vào một ma trận thì không thể biết.
You can prove, similar to the question over there, that if your matrix is conservative, which means that all of your columns add up to 1, then one must be an eigenvalue.
Tương tự câu hỏi bên kia, ta có thể chứng minh rằng nếu ma trận của bạn là bảo toàn, nghĩa là tổng mỗi cột đều bằng 1, thì 1 phải là một giá trị riêng.
It's not a proof that we have done explicitly in the class, but basically using the proof that you built up in homework four, I believe, you can go one more step to prove that.
Trên lớp ta chưa chứng minh điều này một cách tường minh, nhưng dựa vào phép chứng minh mà các bạn đã xây dựng ở bài tập về nhà số 4, tôi nghĩ vậy, bạn có thể đi thêm một bước để chứng minh điều đó.
Yeah?
Bạn nào?
STUDENT
So x0 has to be in the eigenspace of [INAUDIBLE] PROFESSOR: x0 is not associated with any eigenspace.
Vậy x0 phải nằm trong không gian riêng của [KHÔNG NGHE RÕ] GIẢNG VIÊN: x0 không gắn với không gian riêng nào cả.
It is an arbitrary vector.
Nó là một vectơ tùy ý.
So now we understand this, and we want to think now about the following.
Vậy là ta đã hiểu phần này, và bây giờ ta muốn nghĩ về điều sau.
Let's say v. Actually, what do I want to do?
Giả sử v. Mà khoan, tôi định làm gì nhỉ?
So we've thought here in particular about what was the condition that we had for all of the analysis that we've done so far? We've always thought about distinct eigenvalues.
Vậy cụ thể ở đây, ta đã nghĩ về điều kiện nào cho toàn bộ phần phân tích từ nãy đến giờ? Ta luôn xét các giá trị riêng phân biệt.
What happens if there's a repeated eigenvalue? Can we say anything about that case? And that's what I want to explore next.
Điều gì xảy ra nếu có giá trị riêng lặp? Ta có thể nói gì về trường hợp đó không? Đó là điều tôi muốn khám phá tiếp theo.
So the full exploration of what happens when you have repeated eigenvalues is actually quite involved and it shows up in a lot of very important physical systems, particularly in the context of control.
Việc khảo sát đầy đủ trường hợp có giá trị riêng lặp khá phức tạp và xuất hiện trong rất nhiều hệ vật lý quan trọng, đặc biệt trong lĩnh vực điều khiển.
Here we're just going to give a couple of examples. 16b, we'll do the full treatment of how to handle things when you have repeated eigenvalues.
Ở đây ta chỉ xét vài ví dụ. Trong 16B, ta sẽ học đầy đủ cách xử lý khi có giá trị riêng lặp.
But just to give you a sense for why this is a non-trivial issue, consider this matrix. What are the eigenvalues of this matrix?
Nhưng để các bạn thấy vì sao đây không phải vấn đề tầm thường, hãy xét ma trận này. Các giá trị riêng của ma trận này là gì?
Lambda 1 equal to 1. Lambda 2 equal to 1.
Lambda 1 bằng 1. Lambda 2 bằng 1.
And what are the eigenvalues? v1 is equal to 1, 0. And v2 is equal to 0, 1.
Còn các vectơ riêng? v1 bằng 1, 0. Và v2 bằng 0, 1.
Do you v1 and v2 form a basis for r2?
v1 và v2 có tạo thành một cơ sở của R2 không?
So here we have repeated eigenvalue 1 and v1 v2 form a basis for r2.
Vậy ở đây ta có giá trị riêng lặp là 1 và v1, v2 tạo thành một cơ sở của R2.
What if we consider this other matrix, which is the following? 0, 1, 0, 0.
Nếu xét ma trận khác như sau thì sao? 0, 1, 0, 0.
What are the eigenvalues of this?
Các giá trị riêng của nó là gì?
If I take a minus lambda i, what am I going to get on the diagonal? Lambdas. So what is the determinant of a minus lambda i?
Nếu tôi lấy A trừ lambda I, trên đường chéo sẽ có gì? Các lambda. Vậy định thức của A trừ lambda I là gì?
It's lambda squared, exactly. So what are the eigenvalues for this matrix? Lambda 1 equal to 0, lambda 2 equal to 0.
Là lambda bình phương, chính xác. Vậy các giá trị riêng của ma trận này là gì? Lambda 1 bằng 0, lambda 2 bằng 0.
What is an eigenvector for this matrix corresponding to the eigenvalue 0?
Một vectơ riêng của ma trận này ứng với giá trị riêng 0 là gì?
What if I consider this v1?
Nếu tôi xét v1 này thì sao?
What does a times v1 give me?
A nhân v1 cho kết quả gì?
a times v1 gives me 0, which is equal to 0 times v1.
A nhân v1 cho 0, bằng 0 nhân v1.
So v1 is an eigenvector corresponding to eigenvalue 0.
Vậy v1 là một vectơ riêng ứng với giá trị riêng 0.
Are all vectors eigenvectors for this matrix?
Mọi vectơ đều là vectơ riêng của ma trận này sao?
No. What happens if I chose 0, 1 as opposed to 1, 0?
Không. Nếu tôi chọn 0, 1 thay vì 1, 0 thì sao?
What does 0, 1 go to? It flips. So all vectors are not eigenvectors.
0, 1 biến thành gì? Nó bị lật. Vậy không phải mọi vectơ đều là vectơ riêng.
Just for this specific case, you have that v1 equal to 1, 0 is an eigenvector.
Riêng trường hợp này, v1 bằng 1, 0 là một vectơ riêng.
Is there a second eigenvector? Here what you have, it turns out that there's only one eigenvector. So the eigenspace is how many dimensional? One.
Có vectơ riêng thứ hai không? Ở đây hóa ra chỉ có một vectơ riêng. Vậy không gian riêng có số chiều là bao nhiêu? Một.
The eigenspace corresponding to eigenvalue 0 is actually just one dimensional. So here you're seeing a collapse of dimension is what is happening.
Không gian riêng ứng với giá trị riêng 0 thực ra chỉ có một chiều. Vậy ở đây điều đang xảy ra là số chiều bị suy giảm.
Basically, when a multiplies a vector, it projects everything onto just one line. The entire r2 space gets pushed into just exactly one line.
Về cơ bản, khi A nhân một vectơ, nó chiếu mọi thứ lên chỉ một đường thẳng. Toàn bộ không gian R2 bị đẩy vào đúng một đường thẳng.
And this is why you're seeing here that this basically eigenvector, there's no second eigenvector. The eigenvectors do not form a basis for r2. So it's possible with repeated eigenvalues to form a basis.
Và đó là lý do ở đây chỉ có một vectơ riêng này, không có vectơ riêng thứ hai. Các vectơ riêng không tạo thành cơ sở của R2. Vậy với giá trị riêng lặp, có thể tạo thành một cơ sở.
It's possible to not form a basis. When they don't form a basis, there are techniques that you can use to build up a basis and then solve problems.
Cũng có thể không tạo thành cơ sở. Khi chúng không tạo thành cơ sở, có những kỹ thuật để xây dựng một cơ sở rồi giải bài toán.
But this is all currently outside the scope of 16a, and you will see this much, much more in 16b.
Nhưng hiện tại phần này nằm ngoài phạm vi của 16A, và các bạn sẽ học kỹ hơn nhiều trong 16B.
So I just wanted to give you a flavor of the idea that this is not a trivial problem. It's not obvious.
Tôi chỉ muốn cho các bạn thấy ý tưởng rằng đây không phải vấn đề tầm thường. Nó không hiển nhiên.
It's not like, oh, if it's a repeated eigenvalue, it never forms a basis. Sometimes it can, sometimes it can't. Yeah. Question at the back?
Không phải kiểu, ồ, nếu là giá trị riêng lặp thì không bao giờ tạo thành cơ sở. Có khi được, có khi không. Vâng. Câu hỏi ở cuối lớp?
STUDENT
Does 0, 0 have an eigenvector in second example?
0, 0 có phải là vectơ riêng trong ví dụ thứ hai không?
PROFESSOR
The 0, 0 count in an eigenvector for the second example. Typically we don't call the 0 vector an eigenvector. It's part of the eigenspace.
0, 0 có tính là vectơ riêng trong ví dụ thứ hai không. Thông thường ta không gọi vectơ 0 là vectơ riêng. Nó thuộc không gian riêng.
But because 0 is a trivial example, it's a trivial solution, but it's not an interesting solution. So we wouldn't consider it as an eigenvector. Yeah. Yes?
Nhưng vì 0 là một ví dụ tầm thường, là nghiệm tầm thường, nó không phải một nghiệm thú vị. Nên ta không coi nó là vectơ riêng. Vâng. Bạn nào?
STUDENT
So so far it kind of seems like our eigenspaces goes to one vector, but say the eigenspace for an eigenvalue has two vectors.
Cho đến giờ có vẻ như không gian riêng của ta chỉ có một vectơ, nhưng giả sử không gian riêng của một giá trị riêng có hai vectơ thì sao?
So we're working with larger [INAUDIBLE] PROFESSOR: The question was what if sometimes your eigenspace corresponding to an eigenvalue has two eigenvectors.
Khi ta làm việc với các [KHÔNG NGHE RÕ] lớn hơn GIẢNG VIÊN: Câu hỏi là nếu đôi khi không gian riêng ứng với một giá trị riêng có hai vectơ riêng thì sao.
And that actually does show up, in this case. So there is one eigenvalue, but it has basically a two dimensional eigenspace associated with it. So that can happen sometimes.
Và điều đó thực sự xuất hiện, trong trường hợp này. Có một giá trị riêng, nhưng nó có một không gian riêng hai chiều đi kèm. Vậy điều đó đôi khi có thể xảy ra.
And in some cases, you can analyze it exactly as the case of non-repeated eigenvalues. Sometimes you can't. 16b will go into a lot of detail on this. Yes?
Và trong một số trường hợp, bạn có thể phân tích nó chính xác như trường hợp giá trị riêng không lặp. Có lúc thì không. 16b sẽ đi sâu vào chi tiết phần này. Em có câu hỏi?
STUDENT
[INAUDIBLE] PROFESSOR: Can you speak up, please?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Em nói to hơn được không?
STUDENT
Could you [INAUDIBLE] v1 and v2 for the first example?
Thầy có thể [KHÔNG NGHE RÕ] v1 và v2 cho ví dụ đầu tiên không ạ?
PROFESSOR
Oh, for how did I get v1 and v2 for the first example? I just got them by inspection.
À, em hỏi làm sao tôi tìm được v1 và v2 cho ví dụ đầu tiên? Tôi tìm bằng cách quan sát.
But you can basically solve them out exactly using the method that we always use to get v1 and v2.
Nhưng em cũng có thể giải chính xác bằng phương pháp ta luôn dùng để tìm v1 và v2.
But here it turns out that you can actually find any two vectors that are linearly independent as eigenvectors.
Nhưng ở đây hóa ra ta có thể chọn bất kỳ hai vectơ nào độc lập tuyến tính làm vectơ riêng.
STUDENT
[INAUDIBLE] PROFESSOR: These are eigenvectors, yes.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Đây là các vectơ riêng, đúng.
We went in — like here v1 and v2 are eigenvectors. But what is true about the identity matrix? If I take the identity matrix times any vector ab, what do I get out?
Như ở đây v1 và v2 là các vectơ riêng. Nhưng ma trận đơn vị có tính chất gì? Nếu tôi nhân ma trận đơn vị với một vectơ ab bất kỳ, tôi thu được gì?
ab. So is any vector ab an eigenvector for the identity matrix? Yes, because the eigen — every eigenvalue corresponds to an eigenspace.
ab. Vậy vectơ ab bất kỳ có phải là vectơ riêng của ma trận đơn vị không? Có, vì mỗi giá trị riêng ứng với một không gian riêng.
The eigenvector isn't a unique thing, necessarily. It's important to understand this. Does everyone understand why any vector ab is an eigenvector for the identity matrix?
Vectơ riêng không nhất thiết là duy nhất. Điều này rất quan trọng. Mọi người hiểu vì sao vectơ ab bất kỳ là vectơ riêng của ma trận đơn vị chưa?
OK, good questions. OK, so we're here now.
Được, câu hỏi hay. Rồi, giờ ta tiếp tục.
And what we've been seeing is that these eigenvalues and eigenvectors generally help us understand this system very well.
Ta đã thấy giá trị riêng và vectơ riêng thường giúp ta hiểu hệ này rất rõ.
The one eigenvalue that is interesting is often eigenvalue equal to 0. What does it mean if a matrix has an eigenvalue of 0?
Giá trị riêng đáng chú ý thường là giá trị riêng bằng 0. Ma trận có giá trị riêng bằng 0 nghĩa là gì?
This means that there is some vector av such that a times v is equal to 0 times v is equal to 0.
Nghĩa là có vectơ v nào đó sao cho a nhân v bằng 0 nhân v, bằng 0.
What this means is, basically, that this eigenvector v is in the null space of a.
Điều này có nghĩa là vectơ riêng v nằm trong không gian không (null space) của a.
What do we know about a non-zero v being in the null space of a? What does that mean about a?
Nếu v khác không nằm trong null space của a thì ta biết gì? Điều đó nói gì về a?
It means that the columns of a are linearly dependent and that a is not invertible.
Các cột của a phụ thuộc tuyến tính và a không khả nghịch.
So this means that columns of a are linearly dependent and a is not invertible.
Tức là các cột của a phụ thuộc tuyến tính và a không khả nghịch.
And what does it mean if a is not invertible for our system of equations?
Còn a không khả nghịch thì hệ phương trình của ta ra sao?
Means it might not have a solution or it might not have a unique solution. It might have infinitely many solutions or it might be inconsistent.
Nó có thể vô nghiệm hoặc không có nghiệm duy nhất. Nó có thể có vô số nghiệm hoặc vô nghiệm.
You basically can't solve it using our standard inversion technique.
Về cơ bản ta không giải được bằng phương pháp nghịch đảo thông thường.
So basically, we know that if we end up with an a that has an eigenvalue of 0, we're going to have trouble solving the associated system of equations.
Vậy nếu ta có một a có giá trị riêng bằng 0, ta sẽ gặp khó khi giải hệ phương trình tương ứng.
This we know.
Điều này ta đã biết.
We want to now kind of try and generalize this idea and say, well, 0 is one thing, but what if I had an eigenvalue that wasn't 0 but it was like 0.000000001?
Giờ ta muốn khái quát ý này: 0 là một trường hợp, nhưng nếu có giá trị riêng không phải 0 mà là 0.000000001 thì sao?
Does my matrix have a null space?
Ma trận có null space không?
It doesn't. Because I would have v equal to 0.000001 times v, which is not 0. It's distinct from 0. But it's really, really small.
Không. Vì khi đó ta có v bằng 0.000001 nhân v, và nó khác 0. Nó khác 0. Nhưng rất, rất nhỏ.
And it turns out that having really small eigenvalues can also make things, in a sense, challenging for inversion.
Hóa ra giá trị riêng rất nhỏ cũng có thể gây khó khăn cho việc tìm nghịch đảo.
This is something that we're not going to explore fully in 16a at all. It is a topic that, again, you will see come up in 16b.
Ở 16a ta sẽ không khám phá đầy đủ vấn đề này. Đây là chủ đề mà các em sẽ gặp lại trong 16b.
It will show up in classes like 127 and 189 and then further like numerical linear algebra classes will really start to cover this in detail.
Nó xuất hiện ở các môn như 127 và 189, rồi các môn đại số tuyến tính số sẽ đi sâu vào chi tiết.
But now, this is the principle that we're going to build up lab on.
Còn bây giờ, đây là nguyên lý mà ta sẽ dùng để xây dựng bài lab.
Small eigenvalues versus large eigenvalues.
Giá trị riêng nhỏ so với giá trị riêng lớn.
So what is the problem that we have in the lab? The lab basically says that I have some image.
Vậy bài toán trong lab là gì? Lab nói rằng ta có một ảnh nào đó.
I have some picture. And what do I do? I have a projector and I project some light onto this. There's a mask.
Có một bức hình. Ta làm gì? Ta có một máy chiếu và chiếu ánh sáng lên nó. Có một mặt nạ.
And then I measure basically the reflected light onto some sensor.
Rồi ta đo ánh sáng phản xạ lên một cảm biến.
Everyone remember this setup from lab? And how did you model this? You said you had some — you vectorize this image. So i is your unknown image.
Mọi người nhớ thiết lập này trong lab chứ? Và các em đã mô hình hóa nó thế nào? Các em có... vectơ hóa ảnh này. Vậy i là ảnh chưa biết của các em.
And you modeled this projection as a mask. And you said, well, I'm going to take h times i is equal to some s. And this s is what the sensor reads.
Và các em mô hình hóa phép chiếu này bằng một mặt nạ. Các em nói rằng h nhân i bằng s nào đó. Và s là giá trị cảm biến đọc được.
Everyone remember this?
Mọi người nhớ chứ?
But then if h is an invertible matrix, what should I be able to do? I should be able to then write i is equal to h inverse times s.
Nhưng nếu h là ma trận khả nghịch thì ta làm được gì? Ta viết được i bằng h nghịch đảo nhân s.
And since h is invertible, I should get back exactly i from s. But do you get back exactly i from s? No.
Và vì h khả nghịch, ta phải lấy lại chính xác i từ s. Nhưng các em có lấy lại chính xác i từ s không? Không.
Did the image that you reconstructed look exactly like the image that was there? It didn't. It was blurry and it had sometimes it was a little bit off.
Ảnh các em dựng lại có giống hệt ảnh gốc không? Không. Nó bị mờ và đôi khi hơi lệch.
There were some errors in it. And why does that happen in real life?
Có một số lỗi trong đó. Vì sao điều đó xảy ra trong thực tế?
Basically, that happens because your sensor doesn't just measure the reflected light from here, but it also gets some other noise.
Về cơ bản là vì cảm biến của các em không chỉ đo ánh sáng phản xạ từ đây, mà còn nhận thêm nhiễu.
So maybe there's some other noise that shows up in your sensor.
Có thể có nhiễu khác xuất hiện trong cảm biến.
So your s, you think is your s, is basically your h times i, but actually what you're getting is just some s is equal to h times i plus some noise w.
Vậy s mà các em nghĩ là s, tức h nhân i, thực ra thứ các em nhận được chỉ là một s nào đó bằng h nhân i cộng với nhiễu w.
And now when you try and apply h inverse, what happens?
Và bây giờ khi bạn thử áp dụng h nghịch đảo, chuyện gì xảy ra?
I can have h inverse times s is equal to h inverse times h times i plus h inverse times w, which is just equal to i plus h inverse times w.
Ta có h nghịch đảo nhân s bằng h nghịch đảo nhân h nhân i cộng h nghịch đảo nhân w, và phần đầu chính là i cộng h nghịch đảo nhân w.
So ideally, what do you want h inverse s to be equal to? You want it to be equal to just this i.
Vậy lý tưởng thì bạn muốn h nghịch đảo nhân s bằng gì? Bạn muốn nó chỉ bằng i này thôi.
So if you could make all of this disappear, would you do it? Yes.
Nếu bạn làm được cho toàn bộ phần này biến mất, bạn có làm không? Có chứ.
Turns out you can't, because the real world keeps doing stuff, and you can't stop it.
Nhưng hóa ra không thể, vì thế giới thực cứ tạo ra đủ thứ, và bạn không ngăn được.
You're trying to measure only the light reflected from the image, but some other light from somewhere keeps coming in. And you want to try and figure out, well, what can you do?
Bạn chỉ muốn đo ánh sáng phản xạ từ bức ảnh, nhưng ánh sáng khác từ đâu đó cứ chiếu vào. Và bạn muốn biết mình có thể làm gì?
Well, if you can't make this disappear, do you want this to be big or do you want this to be small? You want it to be as small as it possibly can be.
Nếu không thể làm nó biến mất, bạn muốn nó lớn hay nhỏ? Bạn muốn nó nhỏ hết mức có thể.
And it turns out that one way to make this small is to notice that actually the effect of this matrix h is related to the eigenvalues of the matrix h.
Và hóa ra một cách để làm nó nhỏ là nhận ra rằng tác động của ma trận h này liên quan đến các giá trị riêng của ma trận h.
So what I want is for h inverse w to be small.
Vậy tôi muốn h nghịch đảo nhân w nhỏ.
What this means is that this is connected to the eigenvalues of h inverse being small.
Điều này nghĩa là nó gắn với việc các giá trị riêng của h nghịch đảo nhỏ.
And turns out that this means that you want the eigenvalues of h to be large.
Và hóa ra điều đó có nghĩa là bạn muốn các giá trị riêng của h lớn.
I'm not going to do this full argument out right now in lecture, because this is exactly the problem that you're going to do on your homework this week.
Tôi sẽ không trình bày đầy đủ lập luận này ngay trong buổi học, vì đây chính là bài bạn sẽ làm trong bài tập về nhà tuần này.
What that homework problem is showing to you is how you can use the eigenvectors of a matrix to understand how this matrix impacts an arbitrary vector that it is acting on.
Bài tập đó cho bạn thấy cách dùng các vectơ riêng của một ma trận để hiểu ma trận đó tác động thế nào lên một vectơ bất kỳ.
So what you want to do is you want to think of this, basically, as a linear combination of the eigenvectors and use this to understand how you're going to affect this w vector when it's multiplied by h inverse.
Vậy điều bạn cần làm là xem nó như một tổ hợp tuyến tính của các vectơ riêng và dùng nó để hiểu ta sẽ ảnh hưởng thế nào lên vectơ w khi nó được nhân với h nghịch đảo.
So now if you wanted to have w, the h inverse w be as small as possible, you're going to basically want to have the eigenvalues of h inverse be as small as possible.
Vậy nếu muốn h nghịch đảo nhân w nhỏ nhất có thể, về cơ bản bạn sẽ muốn các giá trị riêng của h nghịch đảo nhỏ nhất có thể.
And you will prove in your homework that the eigenvalues of h and h inverse are reciprocals of each other.
Và trong bài tập về nhà bạn sẽ chứng minh rằng các giá trị riêng của h và h nghịch đảo là nghịch đảo của nhau.
And so if you have small eigenvalues for h inverse, that means that you must have large eigenvalues for the matrix h itself.
Nên nếu h nghịch đảo có giá trị riêng nhỏ, thì chính ma trận h phải có giá trị riêng lớn.
And so what you will be doing in imaging three is you will be choosing a particular matrix h that has large eigenvalues.
Vì vậy trong imaging ba, bạn sẽ chọn một ma trận h cụ thể có các giá trị riêng lớn.
And that will help you actually recover your system — your image much better.
Và điều đó sẽ giúp bạn khôi phục hệ thống, à, hình ảnh của bạn tốt hơn nhiều.
Is everyone clear on what this connection to lab is? Yes, question.
Mọi người đã rõ mối liên hệ với bài lab này chưa? Vâng, em hỏi đi.
STUDENT
[INAUDIBLE] PROFESSOR: Great question. Does large eigenvalues mean greater than 1? That's a really, really great question. We're being somewhat vague about this.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Câu hỏi hay. Giá trị riêng lớn nghĩa là lớn hơn 1 phải không? Đó là một câu hỏi rất hay. Chúng ta đang nói hơi mơ hồ chỗ này.
Larger eigenvalues typically means greater than 1, but it also means the larger the better. So an eigenvalue of a million is better than an eigenvalue of half a million.
Giá trị riêng lớn thường là lớn hơn 1, nhưng cũng có nghĩa là càng lớn càng tốt. Nên giá trị riêng một triệu tốt hơn giá trị riêng nửa triệu.
STUDENT
[INAUDIBLE] PROFESSOR: Because of this reciprocal connection. So when you do the homework problem, hopefully this will become clearer to you. Yeah, but it's a very good question.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Vì mối liên hệ nghịch đảo này. Khi làm bài tập về nhà, hy vọng bạn sẽ thấy rõ hơn. Vâng, nhưng đó là câu hỏi rất hay.
So in the last little bit, I wanted to do two things. First, I wanted to just give you a little bit of a wrap up of the final of this entire module.
Trong phần cuối này, tôi muốn làm hai việc. Thứ nhất, tôi muốn tóm tắt lại một chút phần kết của toàn bộ module này.
This Module 1, what we just completed, is the module that is an introduction to systems.
Module 1, phần chúng ta vừa hoàn thành, là module giới thiệu về hệ thống.
And what did we start out with? We started out basically with the imaging lab. And we said we wanted to understand tomography.
Chúng ta đã bắt đầu từ đâu? Chúng ta bắt đầu từ bài lab về chụp ảnh. Và nói rằng muốn hiểu về chụp cắt lớp (tomography).
And we went basically through a circular path that has now brought us back to understanding tomography better. We use this to basically define systems of linear equations.
Chúng ta đi một vòng tròn và giờ quay lại hiểu tomography tốt hơn. Ta dùng nó để định nghĩa hệ phương trình tuyến tính.
And basically talked about the most important algorithm from Module 1 which is Gaussian elimination.
Và nói về thuật toán quan trọng nhất của Module 1, là phép khử Gauss.
And we talked about how this connects to matrices and vectors and largely linear transformations.
Và nói về việc nó liên hệ với ma trận, vectơ và chủ yếu là phép biến đổi tuyến tính.
And this basically connected into ideas around inversion of these linear transformations as well as linear dependence and independence.
Điều này dẫn đến các ý tưởng về việc nghịch đảo các phép biến đổi tuyến tính này, cũng như phụ thuộc tuyến tính và độc lập tuyến tính.
From here, this is also obviously connected to these transformations. All of this is depending on matrix multiplication.
Từ đó, điều này rõ ràng cũng liên quan đến các phép biến đổi này. Tất cả đều dựa trên phép nhân ma trận.
This allows us to better understand vector spaces, define them, talk about column space, null space, and finally, eigenspaces and determinants.
Nó giúp ta hiểu rõ hơn về không gian vectơ, định nghĩa chúng, nói về không gian cột, không gian không (null space), và cuối cùng là không gian riêng và định thức.
And these are connected to steady states for systems and dynamical system in particular.
Và chúng liên quan đến trạng thái dừng của các hệ thống, đặc biệt là hệ động lực.
And this understanding of eigenvalues and eigenvectors and how they're connected to steady states basically allows us to go back and say, well, which matrices do we want to have as masking matrices?
Và hiểu biết về giá trị riêng và vectơ riêng cùng mối liên hệ của chúng với trạng thái dừng cho phép ta quay lại và hỏi, ta muốn dùng những ma trận nào làm ma trận mặt nạ?
Which matrices — is just being invertible good enough or can we do better?
Những ma trận nào, chỉ cần khả nghịch là đủ tốt hay ta có thể làm tốt hơn?
And what we've just argued here, and you will prove rigorously in your homework, that there are some matrices that are better than others in terms of being masking matrices.
Và điều chúng ta vừa lập luận, mà bạn sẽ chứng minh chặt chẽ trong bài tập về nhà, là có những ma trận tốt hơn những ma trận khác khi làm ma trận mặt nạ.
If you have basically large eigenvalues for your masking matrix, you will actually do better imaging.
Nếu ma trận mặt nạ của bạn có các giá trị riêng lớn, bạn sẽ chụp ảnh tốt hơn thực sự.
And the goal of this entire module is basically to think about these smaller, conceptual blocks and put them together.
Mục tiêu của toàn bộ module này là nghĩ về những khối khái niệm nhỏ hơn này và ghép chúng lại với nhau.
And one of the main things we try to do throughout this was introduce you to these ideas of proofs. Basically taking little building blocks and putting them together.
Và một trong những điều chính chúng ta cố gắng làm xuyên suốt là giới thiệu cho bạn ý tưởng về chứng minh. Tức là lấy những khối xây dựng nhỏ và ghép chúng lại.
And in Module 2, this is exactly what you're going to be picking up on and building on, because Module 2 is all about design.
Và ở Module 2, đây chính là điều bạn sẽ tiếp tục và phát triển, vì Module 2 hoàn toàn nói về thiết kế.
What you're going to try and think about is how to take simple components and put together something that can actually interact with the real world.
Điều bạn sẽ thử nghĩ tới là cách lấy các thành phần đơn giản và ghép lại thành thứ có thể thực sự tương tác với thế giới thực.
And this is basically where in the second lab sequence, you're going to be building an actual touchscreen. So when you think about a machine learning pipeline, what does this pipeline involve?
Và đây về cơ bản là phần mà trong chuỗi lab thứ hai, các em sẽ xây dựng một màn hình cảm ứng thực sự. Vậy khi nghĩ về một pipeline machine learning, pipeline này gồm những gì?
You gotta take data from the real world, build a model, and then analyze it.
Ta phải lấy dữ liệu từ thế giới thực, xây dựng một mô hình, rồi phân tích nó.
And so the second module is really thinking about how do you design some of these physical components to do that?
Và module thứ hai thực chất là nghĩ xem ta thiết kế một số thành phần vật lý này như thế nào để làm việc đó.
In Module 3, will come back to talk about how can you take this information to build predictors, to learn from data, and how do you build simple machine learning modules?
Ở Module 3, chúng ta sẽ quay lại nói về cách dùng thông tin này để xây dựng các bộ dự đoán, để học từ dữ liệu, và làm sao để xây dựng các module machine learning đơn giản.
So after this lecture, I'm going to be passing off to Professor Boser, and I will be back for lecture starting in Module 3. But good luck on your midterm, and see you on Thursday.
Sau bài giảng này, tôi sẽ bàn giao cho Giáo sư Boser, và tôi sẽ quay lại ở bài giảng đầu tiên của Module 3. Chúc các em thi giữa kỳ tốt, và hẹn gặp vào thứ Năm.
[APPLAUSE]
[VỖ TAY]
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.