Giải thích Dạng Bậc Thang Hàng: Hướng dẫn Biến đổi Ma trận

Nếu bạn mới bắt đầu học đại số tuyến tính cho khoa học dữ liệu, có lẽ bạn đã nghe thuật ngữ "dạng bậc thang hàng" xuất hiện khá thường xuyên.

Dạng bậc thang hàng (REF) là một dạng của ma trận giúp giải hệ phương trình tuyến tính. Bằng cách biến đổi ma trận sang dạng đặc biệt này, chúng ta có thể xác định hệ có nghiệm hay không, tìm các nghiệm đó và hiểu cấu trúc của hệ tuyến tính.

Trong bài viết này, chúng ta sẽ tìm hiểu dạng bậc thang hàng là gì và nó khác gì so với dạng bậc thang hàng rút gọn. Chúng ta cũng sẽ phác thảo quy trình từng bước để biến đổi ma trận bằng các phép toán sơ cấp trên hàng, học cách giải hệ tuyến tính bằng thế lùi, và khám phá các kỹ thuật, khái niệm nâng cao liên quan đến dạng bậc thang hàng. 

Các khái niệm then chốt đằng sau Dạng Bậc Thang Hàng

Hãy hiểu dạng bậc thang hàng là gì và các khái niệm chính xoay quanh nó.

Dạng bậc thang hàng là gì?

Một ma trận ở dạng bậc thang hàng khi thỏa mãn ba điều kiện chính:

1. Mọi hàng toàn số 0 nằm ở cuối ma trận
2. Phần tử đầu hàng (phần tử khác 0 đầu tiên) của mỗi hàng khác 0 xuất hiện lệch sang phải so với phần tử đầu hàng của hàng phía trên nó
3. Mọi phần tử trong cột bên dưới một phần tử đầu hàng đều bằng 0

Điều này tạo ra một mẫu “bậc thang” trong đó các phần tử đầu hàng (gọi là pivot) hạ dần từ trái sang phải. 

Ví dụ, ma trận sau ở dạng bậc thang hàng:

Dạng bậc thang hàng. (Hình do Tác giả cung cấp)

Như ta thấy ở trên, các pivot (2, 1 và 3) tạo thành mẫu bậc thang, với các số 0 lấp đầy phía dưới mỗi pivot. Cấu trúc này giúp giải hệ bằng phương pháp thế lùi trở nên đơn giản (chúng ta sẽ tìm hiểu sau).

Dạng bậc thang hàng rút gọn (RREF)

Dạng bậc thang hàng rút gọn tiến xa hơn với hai yêu cầu bổ sung:

1. Mỗi phần tử đầu hàng phải bằng 1
2. Mỗi số 1 đầu hàng là phần tử khác 0 duy nhất trong cột của nó

Dưới đây là cùng hệ trên, sau khi biến đổi sang RREF:

Dạng bậc thang hàng rút gọn. (Hình do Tác giả cung cấp)

Dù một hệ có thể có nhiều dạng bậc thang hàng khác nhau, dạng bậc thang hàng rút gọn là duy nhất. 

Tính duy nhất này khiến RREF hữu ích để nhận diện cấu trúc tập nghiệm, nhưng các bước tính toán bổ sung để đạt RREF đồng nghĩa dạng bậc thang hàng thông thường kết hợp với thế lùi thường hiệu quả hơn để giải hệ.

Các phép toán hàng sơ cấp để tạo dạng bậc thang hàng

Có ba loại phép toán hàng sơ cấp giúp bảo toàn tập nghiệm trong khi biến đổi ma trận.

Hoán đổi hàng

Hoán đổi hàng trao đổi hai hàng, hữu ích khi cần đặt một phần tử khác 0 làm pivot:

R₁ ↔ R₂

Co giãn hàng

Co giãn hàng nhân tất cả phần tử trong một hàng với một hằng số khác 0, giúp chuẩn hóa giá trị pivot:

R₁ → cR₁ (where c ≠ 0)

Cộng hàng

Cộng hàng thay thế một hàng bằng tổng của chính nó và một bội của hàng khác, hữu ích khi tạo các số 0 bên dưới pivot:

R₂ → R₂ + cR₁

Những phép toán này tạo nên nền tảng của khử Gauss, thuật toán cho phép chúng ta hệ thống hóa việc biến đổi bất kỳ ma trận nào sang dạng bậc thang hàng trong khi vẫn giữ nguyên tập nghiệm.

Cách Biến đổi Ma trận sang Dạng Bậc Thang Hàng

Hãy làm việc qua một ví dụ theo từng bước, trong đó ta lấy một hệ tuyến tính và rút gọn về dạng bậc thang hàng.

Xét hệ sau:

Hệ phương trình tuyến tính. (Hình do Tác giả cung cấp)

Bước 1: Viết ma trận mở rộng

Đầu tiên, ta tạo ma trận mở rộng bằng cách ghép ma trận hệ số với các hằng số:

Tạo ma trận mở rộng (Hình do Tác giả cung cấp)

Bước 2: Tạo pivot đầu tiên

Ta muốn phần tử góc trên bên trái là pivot đầu tiên. Dù có thể làm việc với 2, hoán đổi hàng để có pivot là 1 sẽ đơn giản hóa tính toán:

R₁ ↔ R₂

Tạo pivot đầu tiên (Hình do Tác giả cung cấp)

Bước 3: Khử phía dưới pivot đầu tiên

Giờ ta tạo các số 0 bên dưới pivot đầu bằng cách trừ đi bội thích hợp của hàng 1:

R₂ → R₂ - 2R₁
R₃ → R₃ - 3R₁

Khử phía dưới pivot đầu tiên. (Hình do Tác giả cung cấp)

Bước 4: Tạo pivot thứ hai

Chuyển sang cột thứ hai, ta có thể đơn giản hóa bằng cách co giãn hàng 2:

R₂ → -½R₂

Tạo pivot thứ hai. (Hình do Tác giả cung cấp)

Bước 5: Khử phía dưới pivot thứ hai

Tạo một số 0 bên dưới pivot thứ hai:

R₃ → R₃ + 7R₂

Khử phía dưới pivot thứ hai. (Hình do Tác giả cung cấp)

Giờ đây ma trận đã ở dạng bậc thang hàng! Ta có thể nhận ra bằng cách kiểm tra ba tiêu chí:

• Không có hàng toàn số 0 (nếu có thì nằm ở cuối)
• Các pivot tạo thành bậc thang: vị trí (1,1), (2,2) và (3,3)
• Mọi phần tử bên dưới mỗi pivot đều bằng 0

Giải Hệ Tuyến tính bằng Dạng Bậc Thang Hàng

Khi một ma trận đã ở dạng bậc thang hàng, ta có thể trích xuất nghiệm bằng thế lùi hoặc phân tích các tính chất của hệ thông qua hạng (rank) của nó.

Dạng bậc thang hàng để giải phương trình tuyến tính

Với ma trận ở dạng bậc thang hàng, cách thế lùi giúp ta tìm giá trị các biến bắt đầu từ hàng dưới cùng và đi ngược lên. 

Dùng ví dụ ở trên:

Dạng bậc thang hàng (Hình do Tác giả cung cấp)

Từ ma trận mở rộng, ta có thể viết hệ tương đương:

• x + 3y + z = 11
• y + 2z = 4
• 12z = 6

Bắt đầu từ hàng dưới cùng: 

• z = 6/12 = 1/2

Thế vào phương trình thứ hai: 

• y + 2(1/2) = 4, suy ra y = 3

Cuối cùng, thế cả hai giá trị: 

• x + 3(3) + 1/2 = 11, suy ra x = 3/2

Với các hệ thiếu xác định (số biến lớn hơn số phương trình), dạng bậc thang hàng sẽ lộ ra các biến tự do.

Hãy xem một ví dụ như vậy khác:

Dạng bậc thang hàng của hệ thiếu xác định. (Hình do Tác giả cung cấp)

Ở đây, y là biến tự do (không có pivot ở cột 2), dẫn đến nghiệm tham số:

• z = -1–2w
• x = 5–2y + z — 3w = 5–2y — 1–5w = 4–2y — 5w

Có thể hiểu nghiệm này tạo thành một mặt phẳng trong không gian 4 chiều, được tham số hóa bởi y và w.

Dạng bậc thang hàng để tìm hạng

Hạng của một ma trận bằng số hàng khác 0 trong dạng bậc thang hàng của nó, tương ứng với số pivot. 

Điều này giúp ta hiểu không gian nghiệm:

• Nếu hạng của ma trận hệ số A bằng hạng của ma trận mở rộng [A∣b], và cả hai đều bằng số biến n, thì hệ có nghiệm duy nhất.
• Nếu các hạng bằng nhau nhưng nhỏ hơn số biến, có vô số nghiệm do tồn tại biến tự do.
• Nếu hạng của A nhỏ hơn hạng của [A∣b], hệ không tương thích và vô nghiệm.

Cách tiếp cận dùng dạng bậc thang hàng cho phép ta hiểu hành vi của một hệ trước khi giải nó.

Chủ đề Nâng cao: Ổn định Số và Chọn pivot

Nếu bạn quan tâm đến các chủ đề nâng cao liên quan đến REF, phần này khám phá các kỹ thuật chọn pivot khác nhau khi biến đổi ma trận.

Khi đưa ma trận về dạng bậc thang hàng bằng máy tính, lựa chọn pivot ảnh hưởng đáng kể đến độ chính xác số. 

Hãy hiểu điều này bằng một ví dụ:

Ví dụ về ổn định số. (Hình do Tác giả cung cấp)

Không dùng chọn pivot, ta có thể chia hàng thứ hai cho 0,0001 để khử pivot rất nhỏ:

R₂ → R₂ — (1/0.0001)R₁ = R₂ — 10,000R₁

Phép nhân với 10.000 này khuếch đại mọi sai số làm tròn, có thể làm sai lệch độ chính xác của nghiệm. 

Tuy nhiên, nếu ta hoán đổi các hàng trước, ma trận trở thành:

Ví dụ về ổn định số. (Hình do Tác giả cung cấp)

Giờ ta chỉ cần R₂ → R₂ — 0,0001R₁, một phép toán ổn định hơn nhiều, giữ được độ chính xác số. Ý tưởng này tạo nền tảng cho chọn pivot từng phần, vốn được dùng rộng rãi trong phần mềm số.

Chọn pivot từng phần 

Chọn pivot từng phần sẽ chọn phần tử có giá trị tuyệt đối lớn nhất trong cột hiện tại (bắt đầu từ hàng hiện tại trở xuống) và hoán đổi hàng để đưa giá trị đó vào vị trí pivot.

Trong ví dụ dưới đây, khi xử lý cột 2:

Ví dụ chọn pivot từng phần. (Hình do Tác giả cung cấp)

Chọn pivot từng phần sẽ hoán đổi hàng 2 và 3 để -0,5 trở thành pivot, vì |−0,5| > |0,1|. Chiến lược này cải thiện độ ổn định và đã trở thành tiêu chuẩn trong các thư viện số như NumPy, SciPy và MATLAB.

Chọn pivot từng phần có tỷ lệ

Chọn pivot từng phần có tỷ lệ bổ sung thêm một bước là chia mỗi phần tử ứng viên cho giá trị tuyệt đối lớn nhất trong hàng của nó trước khi chọn pivot.

“Hệ số tỷ lệ” này tính đến độ lớn các phần tử trong mỗi hàng, tránh thiên vị các hàng vốn có giá trị lớn.

Chọn pivot hoàn chỉnh

Trong chọn pivot hoàn chỉnh, cả hàng và cột đều được hoán đổi để đảm bảo pivot là giá trị tuyệt đối lớn nhất trong ma trận con còn lại (không chỉ trong cột).

Mặc dù điều này cho quá trình khử có độ ổn định số cao nhất, nhưng chi phí tính toán tăng lên. Do đó hiếm khi dùng trong thực tế trừ khi cần độ chính xác cực cao, như trong tính toán ký hiệu hoặc các mô phỏng khoa học quan trọng.

Dạng Bậc Thang Hàng so với Dạng Bậc Thang Hàng Rút gọn

Như đã học trước đó, cả hai dạng đều hữu ích trong đại số tuyến tính, nhưng ta cũng cần biết khi nào nên dùng mỗi dạng.

Bảng dưới đây tóm tắt sự khác nhau giữa hai dạng:

Dạng bậc thang hàng phù hợp nhất khi cần giải hệ nhanh, đặc biệt với các ma trận lớn nơi các phép toán bổ sung để có RREF sẽ tốn kém. Đây là dạng ưa dùng cho các thuật toán số như phân rã LU.

Dạng bậc thang hàng rút gọn hiệu quả hơn cho nghiên cứu và lý thuyết, khi cần hiểu trực tiếp cấu trúc nền tảng của một phép biến đổi tuyến tính, tìm các cơ sở cho không gian hàng và cột, hoặc xác định tính độc lập tuyến tính của các vectơ. Biểu diễn duy nhất khiến nó lý tưởng cho phân tích lý thuyết và chứng minh định lý tự động.

Kết luận

Trong bài viết này, chúng ta đã học cách các phép toán hàng sơ cấp có thể biến đổi ma trận trong khi vẫn bảo toàn nghiệm, và hiểu sự khác biệt giữa REF và RREF. Hơn nữa, chúng ta đã học một số chiến lược chọn pivot nâng cao và các biến thể của REF hữu ích trong những tình huống đặc biệt.

Để đào sâu hiểu biết về đại số tuyến tính và các ứng dụng của nó trong khoa học dữ liệu, hãy cân nhắc đăng ký khóa học Linear Algebra for Data Science của chúng tôi, nơi bạn sẽ đi sâu vào nhiều khái niệm và kỹ thuật khác trong đại số tuyến tính cùng với các phép toán ma trận thiết yếu.