TS.

THIỀU ĐÌNH PHONG

KHOA SP TOÁN HỌC - TRƯỜNG ĐẠI HỌC VINH

MỘT SỐ ỨNG DỤNG

CỦA ĐẠI SỐ TUYẾN TÍNH

Tài liệu lưu hành nội bộ, Nghệ An - 2016

 MỤC LỤC

1. Phát triển tư duy trừu tượng 2

2. Ứng dụng trong Hóa học 3
3. Ứng dụng trong Lý thuyết mã 5
4. Dao động điều hòa 10
5. Ứng dụng trong Mật mã 16
6. Ứng dụng trong mô hình input-output của Leonfief 18
7. Ứng dụng trong Lý thuyết khử 22
8. Ứng dụng trong Di truyền học 26
9. Ứng dụng trong Hình học 28
10. Ứng dụng trong Lý thuyết đồ thị 32
11. Ứng dụng trong Phân bố nhiệt độ 38
12. Ứng dụng trong Nén ảnh 44
13. Ứng dụng trong Mạng lưới 50
14. Ứng dụng trong Xã hội học 53
15. Nhận diện khuôn mặt 55
16. Ứng dụng trong xích Markov 60

1
 PHÁT TRIỂN TƯ DUY TRỪU TƯỢNG

Trong khi đại số tuyến tính có nhiều ứng dụng thực tế cuộc sống, nó cũng có
khía cạnh thanh lịch của nó, khía cạnh trừu tượng. Khía cạnh này của môn học có
một ứng dụng thực tế trong cuộc sống đó là giúp phát triển tư duy và ngôn ngữ. Tại
nhiều thời điểm trong quá trình công việc của bạn, bạn sẽ cần phải giải thích cho
người khác hiểu những gì bạn đang làm, và thực sự lý do tại sao bạn đang làm nó.
Các "người khác" có thể bao gồm những người quản lý số tiền bạn cần đầu tư cho
dự án của bạn. Thành công đòi hỏi phải có kỹ năng giao tiếp tốt, và chìa khóa để
thuyết phục những người khác là phải rõ ràng về mặt ý tưởng của bạn. Một điều
bạn có thể học hỏi từ các định nghĩa, định lý và chứng minh bạn sẽ thấy trong Đại
số tuyến tính (và trong bất kỳ lĩnh vực nào của toán học thuần túy) là làm thế nào
để có tư duy rõ ràng và thể hiện rõ bản thân mình, để tránh sự hiểu lầm và nhầm
lẫn. Bạn sẽ tìm thấy, trong việc học đại số tuyến tính, việc thực hành của bạn trong
việc phân loại ra các ý tưởng (một số trong đó lúc đầu sẽ có vẻ khá kỳ lạ) sẽ giúp
bạn tư duy một cách rõ ràng rành mạch. Trong thực tế, điều đó có thể còn quan
trọng hơn nhiều so với bất kỳ kỹ năng kỹ thuật đặc biệt nào mà bạn có.

Một lợi thế mà Đại số tuyến tính có được hơn các môn học khác trong việc
nâng cao khả năng tư duy, đó là hầu hết các khái niệm, tính chất của Đại số tuyến
tính đều có một giải thích hình học tương ứng. Trong không gian chiều thấp, người
ta có thể "hình học hóa" các kết quả đại số tuyến tính, và điều ngược lại cũng đúng:
đại số tuyến tính sẽ giúp phát triển các tố chất hình học của bạn. Trực giác hình
học bạn đã có sẽ được bổ sung bằng một "hình ảnh đại số", cái mà sẽ cho phép
bạn, trong thực tế, có thể "nhìn thấy" trong không gian chiều cao hơn những cái mà
các giác quan thông thường của chúng ta không thể tiếp cận được.
 ỨNG DỤNG TRONG HÓA HỌC

Ứng dụng 1: Cần 3 thành phần khác nhau A, B và C, để sản xuất một lượng hợp
chất hóa học nào đó. A, B và C phải được hòa tan trong nước một cách riêng biệt
trước khi chúng kết hợp lại để tạo ra hợp chất hóa học. Biết rằng nếu kết hợp dung
dịch chứa A với tỉ lệ 1.5 g/cm3 với dung dịch chứa B với tỉ lệ 3.6 g/cm3 và dung
dịch chứa C với tỉ lệ 5.3 g/cm3 thì tạo ra 25.07 g hợp chất hóa học đó. Nếu tỉ lệ của
A, B, C trong phương án này thay đổi thành tương ứng 2.5, 4.3 và 2.4 g/cm3 (trong
khi thể tích là giống nhau), khi đó 22.36 g chất hóa học sẽ được tạo ra. Cuối cùng,
nếu tỉ lệ tương ứng là 2.7, 5.5 và 3.2 g/cm 3, thì sẽ tạo ra 28.14 g hợp chất. Thể tích
của dung dịch chứa A, B và C là bao nhiêu?
Lời giải Gọi x, y, z tương ứng là thể tích (cm3) của phương án chứa A, B và C. Khi
đó 1.5x là khối lượng của A trong trường hợp đầu, 3.6y là khối lượng của B và 5.3z
là khối lượng của C. Cộng lại với nhau, ba khối lượng này sẽ tạo ra 25.07 g. Do đó
1,5x  3,6y  5,3z  25,07.
Tương tự cho hai trường hợp còn lại, ta có hệ phương trình tuyến tính
 1,5x  3,6y  5,3z  25,07

2,5x  4,3y  2,4z  22,36
 2,7x  5,5y  3,2z  28,14

Ma trận bổ sung của hệ này là
1,5 3,6 5,3 25,07
 
2,5 4,3 2,4 22,36 .

 2,7 5,5 3,2 28,14 
Biến đổi ma trận trên cho ta nghiệm là
x  1,5; y  3,1; z  2,2.
Ứng dụng 2 Một ứng dụng tiêu biểu khác của hệ phương trình tuyến tính trong
hóa học chính là việc cân bằng các phương trình phản ứng hóa học. Nguồn gốc
của nó chính là Định luật bảo toàn khối lượng được phát biểu như sau:
“Khối lượng không được tạo ra cũng không bị phá hủy trong bất kỳ phản
ứng hóa học nào. Do đó việc cân bằng phương trình phản ứng hóa học đòi hỏi
cùng một số lượng nguyên tử trên cả hai vế của một phản ứng hóa học. Khối
lượng của tất cả các chất phản ứng (các chất đi vào một phản ứng) phải bằng khối
lượng của sản phẩm (các chất được sản xuất bởi các phản ứng).”
Một ví dụ chẳng hạn như việc xét phương trình hóa học sau đây:
C2H6 + O2 → CO2 + H2O.
Cân bằng phương trình phản ứng này đồng nghĩa với việc tìm các giá trị x, y, z và t
sao cho số lượng các nguyên tử của mỗi nguyên tố là bằng nhau ở cả hai vế của
phương trình:
xC2H6 + yO2 → zCO2 + tH2O.
Từ đây cho ta hệ phương trình tuyến tính sau:
2 x  z

6x  2t
2y  2z  t.


Nghiệm tổng quát của hệ trên là

 7
y x

 2
 z  2x
 t  3x.


Do chúng ta đang tìm các giá trị của các biến x, y z, và t, nên chọn x=2 ta thu được
y=7, z= 4 và t=6. Phương trình cân bằng là:
2C2H6 + 7O2 → 4CO2 + 6H2O.
 ỨNG DỤNG TRONG LÝ THUYẾT MÃ

1. Giới thiệu
Các thông điệp được truyền đi, như dữ liệu từ một vệ tinh, luôn là những
thông tin đã bị gây nhiễu. Do đó, một điều quan trọng đó là khả năng để mã hóa
một tin nhắn theo cách mà sau khi tiếng ồn đã gây nhiễu nó, nó có thể được giải mã
về dạng chính thống ban đầu. Điều này được thực hiện đôi khi bằng cách lặp lại tin
nhắn hai hoặc ba lần, một điều rất phổ biến trong các bài phát biểu của con người.
Tuy nhiên, việc sao chép dữ liệu được lưu trữ trên một đĩa nhỏ gọn, hoặc một đĩa
mềm một hoặc hai lần đòi hỏi thêm không gian để lưu trữ. Trong ứng dụng của
ĐSTT này, chúng ta sẽ xem xét cách thức giải mã một thông điệp sau khi nó bị bóp
méo bởi một số loại tiếng ồn. Quá trình này được gọi là mã hóa. Một mã phát hiện
lỗi trong một tin nhắn bị gây nhiêu được gọi là phát hiện lỗi. Nếu, thêm vào đó, nó
có thể sửa lỗi thì nó được gọi là sửa lỗi. Sẽ là khó khăn hơn nhiều để tìm cách sửa
lỗi hơn so với các mã phát hiện lỗi.
2. Một số kỹ thuật mã hóa cơ bản
Hầu hết các tin nhắn được gửi đi dưới dạng các dãy ký tự của 0 và 1, chẳng
hạn như 10101 hoặc 1010011, nên giả sử rằng chúng ta muốn gửi tin nhắn 1011.
"Từ" nhị phân này có thể thay cho một từ thực tế, chẳng hạn như mua, hoặc một
câu như mua cổ phiếu. Một cách để mã hóa 1011 sẽ là việc đính kèm một "đuôi"
nhị phân vào nó để sao cho nếu nó bị bóp méo, chẳng hạn như, 0011, chúng ta có
thể phát hiện các lỗi. Một trong những cái đuôi có thể là 1 hoặc 0, tùy thuộc vào
việc chúng ta có lẻ hoặc một số chẵn của 1 trong các từ. Bằng cách này, tất cả các
từ mã hóa sẽ có một số chẵn của 1. Vì vậy, 1011 sẽ được mã hóa như 10111. Bây
giờ nếu tin nhắn bị bóp méo đến 00.111 chúng ta biết rằng một lỗi đã xảy ra, bởi vì
chúng ta chỉ nhận được một số lẻ của 1. Mã phát hiện lỗi này được gọi là kiểm tra
ngang hàng và nó quá đơn giản để có thể hữu ích. Ví dụ, nếu hai chữ số đã được
thay đổi, chương trình của chúng ta sẽ không phát hiện các lỗi, vì vậy điều này
chắc chắn không phải là một mã sửa lỗi. Một phương pháp khác đó là việc mã hóa
thông điệp bằng cách lặp lại nó hai lần, chẳng hạn như 10111011. Sau đó, nếu ta
nhận được là 00.111.011, chúng ta biết rằng một trong hai phần bằng nhau đã bị
bóp méo. Nếu chỉ có một lỗi xảy ra, sau đó nó rõ ràng ở vị trí 1. là chương trình mã
hóa này cũng cho kết quả thấp và không thường được sử dụng. Chúng ta có thể có
được kết quả tốt hơn bằng cách lặp lại thông điệp nhiều lần, nhưng sẽ mất không
gian và thời gian.
3. Một kỹ thuật mã hóa nâng cao: Mã Hamming
Trong những năm 1950, R.H. Hamming đã giới thiệu một mã sửa lỗi đơn
thú vị cái mà trở thành một mã được biết đên với tên gọi là mã Hamming. Trước
khi chúng ta có thể kiểm tra chi tiết của kỹ thuật đó, chúng ta cần một vài kiến thức
nền tảng từ đại số tuyến tính.
Không gian vectơ trên
2
Trong một khóa học đại số tuyến tính năm nhất tiêu biểu, lúc sinh viên được
giới thiệu khái niệm của một không gian vectơ, từ “vô hướng” có nghĩa là một số
thực hoặc một số phức. Điều này có thể được tổng quát tới một phần tử bất kỳ của
một trường cho trước.

Một trường là một tập F với hai phép toán, cộng và nhân, thỏa mãn các tiên
đề sau đây:
1. Phép cộng khép kín: nếu x, y thuộc F, thì x+y cũng thuộc F.
2. Phép nhân khép kín: nếu x, y thuộc F, thì xy cũng thuộc F.
3. Phép cộng có tính kết hợp: nếu x, y, z thuộc F, thì (x+y)+z=x+(y+z)
4. Phép nhân có tính kết hợp: nếu x, y, z thuộc F, thì (xy)z=x(yz)
5. Luật phân phối: nếu x, y, z thuộc F, thì x(y+z)=xy+yz
6. Tồn tại phần tử 0: một phần tử của F thỏa mãn x+0=x với mọi x thuộc F
7. Tồn tại phần tử 1: một phần tử của F thỏa mãn x.1=x với mọi x thuộc F
8. Tồn tại phần tử đối: Nếu x thuộc F, thì tồn tại y thuộc F sao cho x+y=0
9. Tồn tại phần tử nghịch đảo của phần tử khác 0: Nếu x khác 0 và thuộc F
thì tồn tại một phần tử y thuộc F sao cho xy=1.
10. Luật giao hoán của phép cộng: Nếu x, y thuộc F, thì x+y=y+x
11. Luật giao hoán của phép nhân: Nếu x, y thuộc F, thì xy=yx.

Ví dụ của trường như (tập các số hữu tỷ), (tập các số thực), (tập các số
phức), và p nếu p là một số nguyên tố (các số nguyên modulo một số nguyên tố
p):
0,1,...,( p 1).
p
Đặc biệt, trong trường hợp p=2, trường được ký hiệu bởi 2 . Nó bao gồm chỉ
hai phần tử là 0 và 1, tức là 2

 20,1.
Trong Z2, phép cộng và phép nhân2được định nghĩa như sau:
0+0=0; 1+0=1; 0+1=1; 1+1=0;
0.0=0; 1.0=0; 0.1=0; 1.1=1.
Nhắc lại rằng cấu trúc không gian vectơ của n trên xác định bởi hai phép toán
sau:
1. (x1,…, xn)+ (y1,…, yn)= (x1+ y1,…,
xn+yn)
2. a(x1,…, xn)= (ax1,…,a xn) nếu a là một số thực.
 Cấu trúc tương tự có thể được định nghĩa trên n
. Chúng ta trang bị n với phép
2 2
cộng và phép nhân với vô hướng (nhân với 0 và 1). Chẳng hạn, trong 52 chúng ta
có:
(1,0,1,1,0) + (0,1,1,1,1) = (1,1,0,0,1),
0.(1,1,0,1,0) = (0,0,0,0,0).
n
Khi đó, 2 trở thành một không gian vectơ trên trường (phép nhân ở đây là với
2
0 và 1). Tất cả các khái niệm cơ bản của không gian vectơ như độc lập tuyến tính,
tập các tổ hợp tuyến tính, không gian con, chiều, không gian hàng, không gian
không, …. đều áp dụng được trong trường hợp này. Điểm khác biệt lớn nhất với
n n
không gian vectơ là 2 chứa một số hữu hạn các vectơ, cụ thể là 2n vectơ.

4. Mã Hamming (7,4)
Cho trước hai số nguyên k≤ n, một không gian con của n
2với chiều k được
gọi là một (n,k) mã tuyến tính. Các phần tử của một mã tuyến tính được gọi là các
từ mã.
Xét ma trận H trên gồm các cột c1, …, c7 là các vectơ khác không của 32 :
2
 0 0 0 1 1 1 1
 
H 0 1 1 0 0 1 1.
 
1 0 1 0 1 0 1
Không gian không, Null(H) (còn được gọi là hạt nhân), của H được gọi là một mã
Hamming (7,4). Nhắc lại rằng Null(H) không gì khác là tập tất cả các nghiệm của
hệ phương trình tuyến tính thuần nhất HX=0 tương ứng với H. Ta nói rằng H là
một ma trận kiểm tra cho mã Null(H). Ta giải hệ phương trình HX=0 để xác định
Null(H).

Sử dụng phương pháp khử Gauss-Jordan (cùng với các phép toán số học của 2 ),
chúng ta thu được dạng bậc thang của H như sau:
 1 0 1 0 1 0 1
 
H 0 1 1 0 0 1 1 .
 
0 0 0 1 1 1 1
Và từ hạng của H bằng 3, chiều của Null(H) là 7-3=4. Thực ra, ta có thể dễ dàng
chỉ ra rằng
B (1,0,0,0,0,1,1);(0,1,0,0,1,0,1);(0,0,1,0,1,1,0);(0,0,0,1,1,1,1) 
là một cơ sở của Null(H) trên Z2.

Nhận xét Giả sử {e1,…,e7} là cơ sở chuẩn tắc của 72 , khi đó Hei=ci với
mọi i=1,…,7, và do đó không có vectơ ei nào thuộc Null(H). Như là một hệ quả, ta
có hai nhận xét sau:
1. Nếu v là một vectơ của Null(H), thì v+ ei không thuộc Null(H) với i=1,2,…,7.
 7
2. Nếu v là một vectơ của 2 sao cho Hv=ci với i nào đó, thì v+ ei là một vectơ
của Null(H). Hơn nữa, v+ ej không thuộc Null(H) với mọi j i.

Ma trận G gồm các hàng là các phần tử của cơ sở B được gọi là ma trận phần tử
sinh của mã Hamming (7,4):
1 0 0 0 0 1 1
 0 1 0 0 1 0 1

G .
0 0 1 0 1 1 0
 0 0 0 1 1 1 1
 
Bây giờ chúng ta sẽ giải thích quá trình giải mã Hamming và sửa lỗi:
5. Thuật toán sửa lỗi với mã Hamming (7,4)
Giả sử rằng chúng ta muốn gửi một từ u bao gồm 4 ký tự u1 u2 u3 u4, và giả sử
rằng chúng ta biết trước rằng từ mã hóa có thể bị làm nhiễu bởi một việc thay đổi
chỉ một thành phần của nó. Gọi w là từ thu được.
1. Để mã hóa u, chúng ta tạo ra một tổ hợp tuyến tính v của các phần tử của cơ
sở B ở trên với 4 ký tự của u như là hệ số. Chú ý rằng v có thể đạt được từ từ
gốc bằng việc biểu diễn phép nhân ma trận v=[u1 u2 u3 u4]G, trong đó G là
ma trận ở trên. Bởi xây dựng này, vectơ v thuộc Null(H). Chú ý rằng
[u1 u2 u3 u4]G có thể cho ta một vectơ 7 ký tự trong đó 4 ký tự đầu biểu diễn
cho từ gốc.
2. Tính Hw, trong đó H là ma trận được mô tả ở trên.
3. Nếu Hw=0, thì w nằm trong Null(H). Do đó, một lỗi đơn có nghĩa là w
không thuộc Null(H) bằng chú ý đầu tiên ở trên. Chúng ta sẽ kết luận là
không có sự sai lệch ở đây và u là 4 ký tự đầu tiên của w.
4. Nếu Hw=ci với i nào đó, thì v+ ei là một vectơ của Null(H), và v+ ej không
thuộc Null(H) với mọi j  i . Điều này gợi ý một sự thay đổi thành phần thứ i
của w (từ 0 thành 1 hoặc từ 1 thành 0) và thu được một vectơ mới w’. Bốn ký
tự đầu của w’ biểu diễn cho từ u.

Ta cùng minh họa các bước trên bởi hai ví dụ sau đây:

Ví dụ 1 Giả sử chúng ta nhận được tin nhắn là w=1100011 được mã hóa bởi mã
Hamming (4, 7). Giả sử rằng có nhiều nhất một lỗi trong quá trình chuyển phát
thông tin, hãy tìm tin nhắn gốc.
Lời giải
1
 
1 
0 0
   
Ta có H 0  1.
  
0  0
 
1
 1 
 
Từ Hw bằng cột thứ hai của H, thay thành phần thứ hai của w cho ta từ mã hóa
1000011. Chúng ta kết luận rằng tin nhắn gốc là 1000.

Ví dụ 2 Giả sử rằng chúng ta nhận được tin nhắn là w=0101010 được mã hóa bởi
mã Hamming (4, 7). Giả sử rằng có nhiều nhất một lỗi sai trong truyền tin, tìm tin
nhắn gốc.
Lời giải
0
 
1
0 0
   
Ta có H 1  0.
  
0  0
 
1
 0
 
Từ Hw =0, không có lỗi nào trong quá trình truyền tin nhắn này, do đó từ gốc là
0101.

Trong kỹ thuật ở trên, các từ chúng ta gửi đi rất ngắn: chỉ 4 ký tự. Chỉ có 24
từ như vậy. Trong thực tế, các tin nhắn điện tử chứa đựng rất nhiều ký tự. Một vấn
đề khác với mã Hamming (4, 7) đó là nó không thể nhận ra nhiều hơn một lỗi trong
tin nhắn được mã hóa. Với cuộc cách mạng điện tử của thời đại chúng ta, ta có thể
hình dung ra rằng có nhiều kiểu mã hiệu quả hơn nhiều.
 DAO ĐỘNG ĐIỀU HÒA

Chúng ta sẽ tìm hiểu các dao động điều hòa của một chuỗi tuyến tính các cơ
quan không tương tác đồng nhất kết nối với mỗi cái khác và với các thiết bị đầu
cuối cố định bởi các lò xo đồng nhất.
Đầu tiên, chúng ta nhắc lại Định luật II Newton về chuyển động:
Định luật II Newton về chuyển động
Tất cả mọi người một cách vô thức đều biết Luật này. Ta đều biết rằng các
vật nặng hơn đòi hỏi nhiều lực hơn để di chuyển cùng một khoảng cách so với các
vật nhẹ hơn. Định luật thứ hai này, tuy nhiên, cho chúng ta một mối quan hệ chính
xác giữa lực, trọng lượng, và gia tốc:
Khi một vật chịu tác động của các ngoại lực, thì gia tốc chuyển động của
vật tỉ lệ thuận với hợp lực của các ngoại lực và tỉ lệ nghịch với khối lượng của vật.
Định luật này được biết đến rộng rãi với phương trình sau đây:
F  ma.
trong đó F là hợp lực, m là khối lượng của vật mà lực F tác động lên nó và a là gia
tốc của vật. Do gia tốc là đạo hàm cấp 2 của quãng đường tương ứng với thời gian,
định luật trên có thể phát biểu dưới dạng
F  mx ''
trong đó x '' là đạo hàm cấp hai của x đối với thời gian t.
Vận tốc, lực, và gia tốc có độ lớn và hướng tương ứng với chúng. Các nhà
khoa học và nhà toán học gọi đó là vectơ lượng (độ lớn cộng với hướng). Phương
trình ở trên thực tế là một phương trình vectơ và có thể được áp dụng trong mỗi
một hướng thành phần.

Một định luật thứ hai chúng ta cần là Định luật Hooke
Định luật Hooke được khám phá bởi nhà khoa học người Anh tên là Robert
Hooke vào năm 1660—nói rằng:
Lực tác dụng bởi một lò xo cuộn là tỷ lệ thuận với độ giãn của nó.
Hằng số của tỉ lệ này được gọi là hằng số lò xo. Độ giãn của lò xo là hiệu của độ
dài thực tế và độ dài tự nhiên của nó (tức là, độ dài của nó lúc không có lực tác
động. Lực tác động song song với trục của lò xo. Rõ rang, Định luật Hooke chỉ
đúng nếu độ giãn của lò xo là đủ bé. Nếu độ giãn quá lớn thì lò xo sẽ biến dạng
vĩnh viễn,
hoặc thậm chí là gãy. Những trường hợp như vậy nằm ngoài phạm vi của Định luật
Hooke.

Chúng ta hãy xét một trường hợp đơn giản đầu tiên của một khối được gắn với một
lò xo có một đầu được gắn với một bức tường thẳng đứng:

Nếu x(t) là vị trí của vật m từ vị trí cân bằng tại thời điểm t và k là hằng số lò xo,
khi đó định luật thứ hai của Newton về chuyển động cùng với định luật Hooke suy
ra: mx ''  kx .
hoặc tương đương,
d2x x  0.
k 
dt2 m
Đây là một trong những phương trình nổi tiếng nhất của vật lý. Nó được biết tới như
k
là phương trình điều hòa. Đặt w0  , w0 được gọi là tần số của dao động.
m
Nghiệm của phương trình điều hòa được biết đến rộng rãi là
x(t)  A cos(w t  t ). (1)
0 0 0
trong đó A0 là số thực dương biểu thị cho giá trị lớn nhất của x(t). Ta cũng có thể
chỉ ra rằng nghiệm của phương trình điều hòa có thể được viết dưới dạng
x(t)  x v
cos(w t) 0 sin(w0t),
0
 w0
trong đó x0 và v0 tương ứng là các giá trị của vị trí ban đầu của vật và vận tốc tại t
=0 của nó. Chu kỳ của dao động được mô tả bằng công thức (1) là
2
T
w0
và đại w 1
v  0  được gọi là tần số tự nhiên của dao động.
lượng 0
2
T
Tiếp theo, ta cùng tìm hiểu một vài trường hợp phức tạp hơn của dao động.

1. Trường hợp 2 vật

Xét hai vật thể giống nhau được gắn vào các lò xo giống nhau trên mặt phẳng
không ma sát như sau:

Ở đây A và B đại diện cho vị trí cân bằng của hai vật. Giả sử x1(t) và x2(t) là khoảng
cách từ vị trí cân bằng của hai vật tại thời điểm t và k là hằng số lò xo.
Lực tác động lên vật đầu tiên có hai phần bởi Định luật Hooke: phần thứ nhất là –
kx1 do lò xo bên trái và phần thứ hai là k(x2-x1) do lò xo trung tâm. Hợp lực tác
động lên vật thứ nhất là
F  kx  k(x  x )  2kx  kx .
1 1 2 1 1 2
Tương tự, hợp lực tác động lên vật thứ hai là
F2  kx1  2kx2.
Áp dụng Định luật II Newton của chuyển động cho ta hệ phương trình vi phân sau:
 mx ''  2kx  kx
1 1 2

mx2 ''  kx1  2kx .
Hệ này có thể được viết lại dưới dạng ma trận như sau:
 x1 '' k  2 1  x1 (*)
  
   
 x2 ''  m21 1
2 x2
Ta tìm giá trị riêng của ma trận A  của hệ phương trình trên.

 
1 2 
Nhắc lại rằng giá trị riêng của A là các giá trị λ thỏa mãn phương trình:
det( A   I)  0,
trong đó I là ma trận đơn vị cùng cấp với A:
2   1 1
det(A   I)   0  (2   )  1  0 
2


1 2     3.

Bây giờ ta tìm các vectơ riêng tương ứng. Nếu a là một vectơ riêng của A ứng
X  b


với giá trị riêng 1, khi đó ta có AX=X, hoặc (A- I)X=0:
 1 1 0 1 0 .
 1 
   
1 1 0 0 0 0

Suy ra a=b. Do đó
 1   là một cơ sở của không gian riêng ứng với 1. Tương tự, ta

1

có thể chỉ ra rằng vectơ 1

 là một cơ sở của không gian riêng tương ứng với 3.
1




1 1 1 1 1 0 
Đặt P 2   , khi đó 1 1 
P AP  D , trong đó D .  0 3
là dạng chéo hóa của ma trận A. Chú ý A  PDP1 , nên phương trình (*) ở trên
rằng trở thành
 x '' 1 1 1 0 2  1 1  x1 (**)
1
 k1 
 
x '' m2      
2 x
 2 1 1  0 3 1 1  2 
Bây giờ, ta xét phép đổi biến như sau:
x x x  x
1 2 .
1 y  ; 2y 
1 2

2 2
 y y yy
Suy x  1 2
; x  1 2
.
ra
1 2
2 2
Lấy đạo hàm cấp 2 ta có
y '' y '' y 1'' y 2 ''
x ''  1 2
; x ''  .
1 2
2 2
Nên phương trình (**) ở trên trở thành
'' 1
y1'' y   w2 3  y 
y '' y '' 0 
3   y1 
 1 2  1   2
sau khi rút gọn. Từ đó cho ta hệ phương trình điều hòa sau:
 y 1''  w 0 y1
2


y ''  3w y
2

2 0 2

là phương trình mà chúng ta biết cách giải bằng trường hợp đơn giản ở trên của một
vật đơn gắn vào một lò xo.

Vậy, giải thích vật lý cho tất cả điều này là thế nào?

Sẽ không khó để thấy rằng có hai loại chuyển động đặc biệt mà ta có thể dễ dàng
mô tả như sau:
 1
1. Ta xét lại vectơ riêng
  ứng với giá trị riêng 1. Thực tế là các thành phần
1
bằng nhau cho chúng ta biết rằng x1 và x2 luôn bằng nhau. Do đó, hệ thống
dao động qua lại nhưng lò xo ở giữa là không bao giờ bị kéo dãn. Đó là, nếu
như chúng ta có hai vật, gắn liền với một lò xo hằng số k. Khi đó, dễ dàng
thấy rằng sau đó tần số dao động được cho bởi
w  k  1w .
0 0
m
1
2. Trong trường hợp của vectơ riêng thứ , ta có x1 và luôn bằng nhau

hai 1 x2
nhưng ngược hướng nhau. Như ta có thể đoán, điều này cho ta một loại
chuyển động “vào và ra”. Các tần số của hệ thống cũng có thể dự đoán trong
trường hợp này: mỗi vật được gắn vào một lò xo nén một khoảng cách x1 và
lò xo khác kéo dãn một khoảng cách 2x1. Đó là, nếu như vật được gắn vào
một lò xo đơn có hằng số là 3k. Chúng ta biết rằng các tần số trong trường
hợp này
3k
 3w0 .
m

1
Chú ý rằng 
1


 là một vectơ riêng ứng với giá trị riêng 3, điều này giải thích tại
sao 3 xuất hiện trong tuần số ở trên.
 Hai trường hợp đặc biệt này được gọi là các dạng chuẩn tắc của hệ thống.
Như ta có thể đoán, chúng có tính chất là nếu hệ thống bắt đầu ra ở một trong các
chế độ này, nó sẽ vẫ còn trong chế độ đó.

Tất nhiên, những vấn đề nêu trên liên quan đến hai vật có thể được giải
quyết mà không nói về vectơ riêng. Lợi ích của việc sử dụng các kỹ thuật đại số đó
là rõ ràng hơn trong các trường hợp phức tạp hơn hai vật.
2. Trường hợp 3 vật
Ta hãy xét trường hợp 3 vật:

Lặp lại cùng các suy luận như trường hợp trước cho ta hệ sau
 x1 ''  2 1 0   x1 
2 
x ''  w 1  

2
 2  0 
 x ''  0 1 21  xx2.
 3     3
k
Với w0  , như thông thường. Ta có thể chỉ ra rằng giá trị riêng của ma trận:
m
 2 1 0 
 
A   1 2 1

 0 1 2 
 1   1  1 

 
là 2 
2, 2, 2  và    2 là các vectơ riêng tương ứng.
2 2 , 0 ,
   
 1      1 
1
   

Một chuyển động có thể miêu tả dễ hơn là cái tương ứng với giá trị riêng là 2: Vật
ở giữa không di chuyển và hai vật khác di chuyển về hai phía ngược nhau. Mỗi
một vật trong các vật này có 2 lò xo được gắn vào, điều này giải thích giá trị riêng
là 2. Hai chuyển động khác có khó hơn một ít để miêu tả.

Bây giờ chúng ta hãy xem xét một ví dụ về sự rung động được mô tả bở sơ đồ sau:
 S
Sử dụng k  mb , hệ có thể được biểu diễn bởi phương trình ma trận:
 x '' 2 2 1   x 
y ''  k 1  
2 y
    
trong đó, như thường lệ, ký hiệu x’’ là đạo hàm cấp 2 của x đối với thời gian.

Khi đó ta có
2  2 1
Ak  
 1 2
2 2
thì các giá trị riêng của nó là –k và -3k , và các vectơ riêng tương ứng là:
 1  1 
1 , 1 .
   
Do đó, tần số chuẩn tắc của sự dao động là k, 3k và kiểu chuẩn tắc của sự rung
động. Do đó, tần số chuẩn tắc của sự rung chuyển k, 3k và dạng chuẩn tắc của dao
động như sau:
 ỨNG DỤNG TRONG MẬT MÃ

Mật mã học, với hầu hết mọi người, là việc giữ thông tin liên lạc một cách
riêng tư. Thực tế là, việc bảo vệ các thông tin liên lạc nhạy cảm đã được đặt là
trọng tâm của mật mã trong suốt quá trình lịch sử của nó. Mã hóa là việc chuyển
đổi dữ liệu vào một số hình thức không đọc được. Mục đích của nó là để đảm bảo
sự riêng tư bằng cách giữ các thông tin bí mật với bất cứ ai mà nó không có ý định
truyền tải đến, ngay cả những người có thể xem dữ liệu được mã hóa. Giải mã là
quá trình ngược lại của mã hóa; nó là sự chuyển đổi dữ liệu được mã hóa trở về
một số hình thức đọc được, hiểu được. Mã hóa và giải mã yêu cầu sử dụng một số
thông tin bí mật, thường được gọi là một chìa khóa. Tùy thuộc vào các cơ chế mã
hóa được sử dụng, các chìa khóa tương tự có thể được sử dụng cho cả mã hóa và
giải mã, trong khi đối với các cơ chế khác, các chìa khóa được sử dụng để mã hóa
và giải mã có thể khác nhau.
Ngày nay, các chính phủ sử dụng các phương pháp phức tạp để mã hóa và
giải mã các thông điệp. Một loại mã, mà rất khó để phá vỡ, được tạo ra bằng việc
sử dụng một ma trận lớn để mã hóa một thông điệp. Người nhận thông điệp giải mã
nó bằng cách sử dụng ma trận nghịch đảo của ma trận đó. Ma trận đầu tiên này
được gọi là ma trận mã hóa và nghịch đảo của nó được gọi là ma trận giải mã.

Ví dụ Giả sử thông điệp cần gửi là

PREPARE TO NEGOTIATE
Và ma trận mã hóa là
3 3 4
 
0 1 1 .
 
 4 3 4 
Chúng ta gán một số cho mỗi chữ cái của bảng chữ cái. Để đơn giản, chúng ta hãy
gắn mỗi chữ cái với vị trí của nó trong bảng chữ cái: A là 1, B là 2, và cứ tiếp tục
như vậy. Ngoài ra, chúng ta chỉ định số 27 (nhớ là chúng ta chỉ có 26 chữ cái trong

16
bảng chữ cái) là cách trống giữa hai từ. Vì vậy, thông điệp trở thành:

17
Từ việc chúng ta đang sử dụng một ma trận cấp 3x3, chúng ta ngắt tin nhắn trên
thành một dãy của các vectơ cột gồm 3 hàng như sau:

Lưu ý rằng nếu cần thiết có thể thêm cách trống vào cuối của thông điệp để hoàn
thành vector cuối cùng. Bây giờ chúng ta mã hóa thông điệp bằng cách nhân mỗi
vectơ trên với ma trận mã hóa. Điều này có thể được thực hiện bằng cách viết các
vectơ trên như là các cột của ma trận và thực hiện các phép nhân ma trận đó ma
trận với ma trận mã hóa như sau:

Và ta nhận được ma trận

Các cột của ma trận này cung cấp cho các thông điệp được mã hóa. Thông điệp
được truyền đi dưới dạng tuyến tính như sau

Để giải mã thông điệp, người nhận viết chuỗi này như là một chuỗi của các ma trận
cột 3x1 và lặp lại kỹ thuật bằng việc sử dụng ma trận nghịch đảo của ma trận mã
hóa. Ma trận nghịch đảo của ma trận mã hóa này, hay ma trận giải mã, là:

Vì vậy, để giải mã thông điệp, thực hiện phép nhân ma trận

Ta nhận được ma trận

Các cột của ma trận này, được viết ở dạng tuyến tính, cho ta thông điệp ban đầu:
 ỨNG DỤNG TRONG MÔ HÌNH INPUT-OUTPUT LEONTIEF

Giới thiệu Để hiểu và có thể vận dụng vào nền kinh tế của một quốc gia hoặc một
khu vực, người ta cần phải tìm ra một mô hình nhất định dựa trên các lĩnh vực
khác nhau của nền kinh tế này. Mô hình Leontief là một nỗ lực theo hướng này.
Dựa trên giả định rằng mỗi ngành công nghiệp trong nền kinh tế có hai loại nhu
cầu: nhu cầu bên ngoài (từ bên ngoài hệ thống) và nhu cầu nội bộ (nhu cầu từ một
ngành công nghiệp bởi ngành khác trong cùng một hệ thống), các mô hình
Leontief biểu thị cho nền kinh tế như một hệ phương trình tuyến tính. Các mô hình
Leontief được phát minh vào những năm 30 bởi Giáo sư Wassily Leontief (ảnh
trên), ông đã phát triển một mô hình kinh tế của nền kinh tế Hoa Kỳ bằng cách chia
thành 500 thành phần kinh tế. Vào ngày 18 tháng 10 năm 1973, Giáo sư Leontief
đã được trao giải Nobel về kinh tế cho những thành tựu của ông.

1. Mô hình Leontief đóng

Xét một nền kinh tế bao gồm n ngành công nghiệp (hoặc thành phần) phụ thuộc
lẫn nhau S1, S2, ..., Sn. Điều đó có nghĩa rằng mỗi ngành công nghiệp tiêu thụ một
số hàng hoá được sản xuất bởi các ngành công nghiệp khác, bao gồm cả chính nó
(ví dụ, một nhà máy phát điện sử dụng một số điện riêng cho sản xuất). Chúng ta
nói rằng một nền kinh tế là đóng nếu nó đáp ứng được mọi nhu cầu của mình;
nghĩa là, không có hàng bỏ đi hoặc nhập vào hệ thống. Ký hiệu mij là số đơn vị sản
xuất bởi ngành công nghiệp Si cần để sản xuất một đơn vị của ngành công nghiệp
Sj. Nếu pk là mức sản xuất của ngành công nghiệp Sk, thì mijpj là số các đơn vị sản
xuất bởi ngành công nghiệp Si và tiêu thụ bởi ngành công nghiệp Sj. Khi đó, tổng
số đơn vị sản xuất của ngành công nghiệp Si được cho bởi:
p1mi1+p2mi2+…+pnmin.
Để nền kinh tế cân bằng, tổng sản phẩm của mỗi ngành công nghiệp phải bằng tổng
sản phẩm tiêu thụ. Từ đó ta có hệ phương trình tuyến tính:

18
Nếu

thì hệ trên có thể viết lại thành AP=P, trong đó

.
A được gọi là ma trận vào - ra.

Bây giờ chúng ta tìm vectơ P thỏa mãn phương trình AP=P với các thành
phần không âm và ít nhất một thành phần là dương.

Ví dụ Giả sử rằng nền kinh tế của một vùng nào đó phụ thuộc vào ba ngành công
nghiệp: dịch vụ, sản xuất điện, dầu. Giám sát hoạt động của ba ngành công nghiệp
trong khoảng thời gian một năm, chúng ta đi đến các quan sát như sau:
1. Để sản xuất 1 đơn vị giá trị của dịch vụ, các ngành công nghiệp dịch vụ phải
tiêu thụ 0,3 đơn vị sản xuất riêng của mình, 0,3 đơn vị điện lực và 0,3 đơn vị
dầu để điều hành hoạt động của nó.
2. Để sản xuất 1 đơn vị điện, các nhà máy phát điện phải mua 0,4 đơn vị dịch
vụ, 0,1 đơn vị sản xuất riêng của mình, và 0,5 đơn vị dầu.
3. Cuối cùng, công ty sản xuất dầu cần 0,3 đơn vị dịch vụ, 0,6 đơn vị điện lực
và 0,2 đơn vị sản xuất riêng của mình để sản xuất 1 đơn vị dầu.
Tìm năng lực sản xuất của mỗi ngành công nghiệp nhằm đáp ứng các nhu cầu bên
ngoài và nội bộ, giả định rằng mô hình trên là đóng, tức là, không có hàng để lại
hoặc nhập vào hệ thống.
Lời giải Xét các ẩn như sau:
1. p1= mức sản xuất của ngành công nghiệp dịch vụ.
2. p2= mức sản xuất của các nhà máy phát điện (điện).
3. p3= mức sản xuất cho các công ty sản xuất dầu.

Do mô hình là đóng, tổng lượng tiêu thụ phải bằng tổng lượng sản xuất. Từ đây
cho ta hệ phương trình tuyến tính sau:

Ma trận vào – ra là
và hệ trên có thể viết lại thành (A-I)P=0. Chú ý rằng đây là hệ phương trình tuyến
tính thuần nhất có vô số nghiệm (và hệ quả là có 1 nghiệm không tầm thường) do
mỗi cột trong ma trận hệ số có tổng bằng 1. Ma trận bổ sung của hệ thuần nhất này
là

Ta biến đổi sơ cấp ma trận đó thành

.
Để giải hệ, ta đặt p3=t (một tham số), khi đó nghiệm tổng quát là

và như chúng ta đề cập ở trên, các giá trị của các biến trong hệ này phải là không
âm nhằm làm cho mô hình có nghĩa; nói một các khác, t≥0. Lấy t=100 chẳng hạn,
ta có nghiệm sau

2) Mô hình Leontief mở
Mô hình Leontief thứ nhất dùng cho trường hợp không có hàng hóa nào bỏ lại
hoặc nhập vào nền kinh tế, nhưng trong thực tế, điều này không xảy ra thường
xuyên. Thông thường, một nền kinh tế nào đó phải thỏa mã yêu cầu bên ngoài, ví
dụ như, từ các cơ quan như cơ quan chính phủ. Trong trường hợp này, gọi di là yêu
cầu từ ngành công nghiệp thứ i bên ngoài, pi, và mij ký hiệu như trong mô hình
đóng ở trên, khi đó

với mỗi i. Từ đây cho ta hệ phương trình tuyến tính viết dạng ma trận như sau:

trong đó P và A ký hiệu như ở trên và

là vectơ nhu cầu.

Một cách để giải hệ tuyến tính này là

Tất nhiên, chúng ta yêu cầu ở đây là ma trận I-A phải khả nghịch, điều đó có thể
không phải luôn luôn đúng. Nếu, them vào đó, (I-A)-1 có các phần tử không âm, thì
các thành phần của vectơ P là không âm và do đó chúng có thể chấp nhận được
như là các nghiệm của mô hình này. Ta nói trong trường hợp này rằng A là ma trận
sản xuất.
Ví dụ Xét một nền kinh tế mở với 3 ngành công nghiệp: khai thác than, nhà máy
phát điện và một nhà máy chế tạo ô tô. Để sản xuất 1 $ than, các hoạt động khai
thác khoáng sản phải mua $ 0.1 sản phẩm riêng của mình, $ 0,30 điện và 0,1 $ giá
trị của ô tô để vận chuyển của nó. Để sản xuất 1 $ điện, phải mất $ 0,25 than, $ 0.4
của điện và 0,15 $ của ô tô. Cuối cùng, để sản xuất 1 $ giá trị của ô tô, các nhà máy
ô tô phải mua 0,2 $ than, $ 0,5 điện và tiêu thụ 0,1 $ của ô tô. Giả sử rằng trong
khoảng thời gian một tuần, nền kinh tế có nhu cầu từ bên ngoài khoảng 50.000 $
giá trị của than,
75.000 $ giá trị của điện, và 125.000 $ giá trị của ô tô. Tìm năng lực sản xuất của
mỗi ngành công nghiệp trong khoảng thời gian một tuần để đáp ứng chính xác cả
nhu cầu nội bộ và nhu cầu bên ngoài.
Lời giải Ma trận vào – ra của nền kinh tế là

và vectơ nhu cầu là

Bởi phương trình (*) ở trên, ta có P= (I-A)-1d, trong đó

Sử dụng phương pháp khử của (hoặc công thức B-1=(1/det(B))adj(B)), ta tính được

Suy ra

Nên, tổng sản lượng của các hoạt động khai thác than phải là 229.921,59 $, tổng
sản lượng cho các nhà máy phát điện là 437.795,27 $ và tổng sản lượng cho nhà
máy tự động sản xuất là 237.401,57 $.
 ƯNG DỤNG TRONG LÝ THUYẾT KHỬ

Giới thiệu Nhiều vấn đề trong đại số tuyến tính (và nhiều ngành khoa học khác)
dẫn tới việc giải quyết một hệ phương trình tuyến tính của một số biến. Điều này
có nghĩa là tìm nghiệm chung cho một số phương trình "đa thức" bậc 1 (siêu
phẳng). Trong nhiều trường hợp, chúng ta đang phải đối mặt với hệ phương trình
"phi tuyến" của các phương trình đa thức của nhiều hơn một biến. Một các hình
học hóa, điều này có nghĩa là tìm điểm chung của một số "mặt". Giống như
phương pháp khử Gauss cho các hệ tuyến tính, lý thuyết khử nói chung là về việc
khử một số lượng ẩn số từ một hệ phương trình đa thức của một hay nhiều biến để
có được một hệ phương trình tương đương đơn giản hơn.

Một cách để tìm ra nghiệm chung của các phương trình đa thức là giải từng
phương trình riêng biệt và sau đó so sánh tất cả các nghiệm. Đây không phải là một
cách hiệu quả nhất nếu mục tiêu chỉ là để chỉ ra sự tồn tại nghiệm của hệ.
Để hiểu tầm quan trọng của lý thuyết khử, chúng ta bắt đầu bằng việc xét ví dụ đơn
giản sau.

Ví dụ Xét một hệ phương trình bậc hai của một ẩn x:

Chúng ta tìm một điều kiện cần và đủ để tồn tại một nghiệm của hệ

Nếu f(x) và g(x) có một nghiệm chung, thì chúng phải có một nhân tử tuyến tính
chung, chẳng hạn là L. Đặt

Khi đó cả q1(x) và q2(x) phải là tuyến tính, và ta có thể viết dưới dạng

(chọn dấu “-“ trong q2(x) sẽ có ý nghĩa ở phần sau) với các hằng số A1, B1, A2 và B2.
Bây giờ, từ
Ta có

Một cách tường minh, ta có

Khai triển và nhóm các hạng tử cùng bậc trong phương trình trên ta được:

Phương trình này là đúng với mọi x nếu các hệ số của x, x2, x3 và hệ số tự do bằng
0. Từ đó ta có hệ phương trình tuyến tính sau với các ẩn được sắp xếp theo thứ tự
là: A2, B2, A1, B1:

Để hệ này có nghiệm không tầm thường thì ma trận hệ số của nó phải là ma trận suy
biến, tức là định thức của nó phải bằng 0:

Điều này tương đương với

do định thức của một ma trận bằng định thức ma trận chuyển vị của nó. Định thức
này được gọi là kết thức (Sylvester) của f(x) và g(x). Chú ý rằng kết thức trong
trường hợp này là định thức của ma trận cấp 4x4 bao gồm các hệ số của hai đa thức
cùng với 0 ở được sắp xếp theo một cách đặc biệt.

Sau đây là định nghĩa của kết thức:

Định nghĩa Cho

là hai đa thức bậc tương ứng là m và n sao cho am ≠ 0 và bn ≠ 0. Nếu m ≤ n, ta định

nghĩa kết thức của f(x) và g(x) là định thức sau:
Chú ý rằng Res(f(x), g(x)) là định thức của một ma trận vuông cấp (m+n).
Ví dụ Nếu

thì

Tổng quát của ví dụ đầu tiên, ta có định lý sau:

Định lý Cho

là hai đa thức tương ứng bậc m và n với am ≠ 0 và bn ≠ 0. Khi đó hệ phương trình đa

thức

có nghiệm nếu và chỉ nếu Res(f(x), g(x))=0.

Ví dụ 1 Không giải các phương trình đa thức, chứng minh rằng hệ phương trình
sau có nghiệm:

Lời giải Ta tính kết thức của hai đa thức

Do đó, các đa thức f(x), g(x) có một nghiệm chung bởi định lý trên.

Ta có thể sử dụng định lý trên để xác định nếu một hệ phương trình đa thức của
nhiều hơn một biến có nghiệm. Điểm chốt ở đây là xem các đa thức trong hệ như
là các đa thức của một biến với các hệ số đa thức theo các biến còn lại. Ví dụ tiếp
theo sẽ minh họa cho ý tưởng này.

Ví dụ 2 Giải hệ phương trình sau:

Lời giải Ta có thể xem hệ này như là các đa thức của biến y với các hệ số là đa
thức của x:

Để hệ có nghiệm, ta phải có:

Điều này tương đương với

.
Vấn đề sau đó được rút gọn tới việc giải một phương trình đa thức của một biến x.
Mặc dù giải phương trình này không dễ dàng, ta có thể sử dụng một phương pháp
số học để ước lượng các nghiệm. Các nghiệm này tương ứng với các hoành độ của
các giao điểm. Chú ý rằng hệ gốc có thể viết lại dưới dạng

Nên bất kỳ nghiệm nào của hệ đề là một giao điểm của một elip và một đường tròn
cái mà ta có thể xác định được bằng hình học.
 ỨNG DỤNG TRONG DI TRUYỀN HỌC

Các sinh vật sống thừa hưởng từ cha mẹ của chúng nhiều đặc điểm cơ thể của
họ. Các gen của cha mẹ xác định những đặc điểm này. Nghiên cứu về các gen này
được gọi là Di truyền học; nói cách khác di truyền học là một nhánh của sinh học
chuyên nghiên cứu về tính di truyền. Đặc biệt, di truyền quần thể là một nhánh của
di truyền học chuyên nghiên cứu về cấu trúc di truyền của một số dân nhất định và
tìm cách giải thích việc truyền lại các thay đổi về gen từ thế hệ này sang thế hệ
khác như thế nào. Các gen quy định sự di truyền những đặc điểm như giới tính,
màu mắt, tóc (đối với con người và động vật), hình dạng lá và màu sắc cánh hoa
(cho cây).
Có một số loại thừa kế; một trong những quan tâm đặc biệt đối với chúng ta là
loại NST thường trong đó mỗi tính trạng di truyền được giả định là bị chi phối bởi
một gen duy nhất. Thông thường, có hai dạng khác nhau của các gen ký hiệu là A
và a. Mỗi cá nhân trong một dân số mang một cặp gen; các cặp được gọi là kiểu
gen của cá nhân. Điều này cho ba kiểu gen có thể cho mỗi tính trạng di truyền:
AA, Aa và aa (aA là di truyền giống như Aa).

Ví dụ Trong một quần thể động vật nào đó, một dạng NST quy định màu mắt.
Kiểu gen AA và Aa có đôi mắt màu nâu, trong khi kiểu gen aa có đôi mắt màu
xanh. Gen A được cho là một gen trội hơn gen a. Một con vật được gọi là trội nếu
nó có gen AA, gọi là vật lai nếu có gen Aa, và lặn nêu có gen aa. Điều này có
nghĩa rằng các kiểu gen AA và Aa là không thể phân biệt dựa trên bề ngoài. Mỗi
con vật được thừa hưởng một gen từ bố mẹ một cách ngẫu nhiên. Với kiểu di
truyền của cha mẹ, chúng ta có thể xác định xác suất của các kiểu gen của con cái.
Giả sử rằng, trong quần thể động vật này, phân bố ban đầu của các kiểu gen được

cho bởi các vectơ

trong đó các thành phần biểu thị cho tỉ lệ của động vật có kiểu gen AA, Aa và aa
ban đầu. Ta xét một loạt các thí nghiệm mà trong đó ta cho con cái lai giống với
con đực trội. Chúng ta tiếp tục cho lai giống AA, Aa và aa với AA. Ta quan tâm
đến xác suất của các con sinh ra là AA, Aa, aa hoặc trong mỗi trường hợp này.
 Xét sự lai giống giữa AA và AA. Do con sẽ có một gen từ bố và một gen từ mẹ,
nó sẽ có dạng AA. Do đó xác xuất của AA, Aa, và aa lần lượt là 1, 0 và 0. Tất cả
con sẽ có mắt màu nâu.
Xét sự lai giống giữa Aa và AA. Lấy một gen từ bố và từ mẹ, chúng ta có các
khả năng AA, AA, aA, và aA. Do đó xác suất của AA, Aa, và aa tương ứng là
và
0. Tất cả các con đều có mắt màu nâu.
Xét trường hợp còn lại là sự lại giống giữa kiểu gen aa với AA. Chỉ có một khả
năng là aA. Do đó xác suất của AA, Aa, và aa tương ứng là 0, 1 và 0. Không con
nào có mắt màu xanh.
Ta kết luận rằng sự lai giống với kiểu gen AA sẽ tạo ra các con chỉ có mắt màu
nâu. Tiếp theo chúng ta sẽ kiểm tra tỉ lệ các kiểu gen khởi đầu sẽ thay đổi từ thế hệ
này sang thế hệ khác như thế nào. Để làm điều đó, chúng ta ký hiệu Xn là vectơ
phân phối của các kiểu gen trong thế hệ thứ n. Bởi nhận xét trên, tỉ lệ của các kiểu
gen AA, Aa và aa trong thế hệ thứ nhất có thể biểu diễn tương ứng là
1.(1/3)+(1/2)(1/3)+0(1/3), 0(1/3)+(1/2)(1/3)+1.(1/3), 0.(1/3)+ 0.(1/3)+ 0.(1/3).
Nói cách khác, X1=AX0, trong đó

được gọi là ma trận chuyển đổi. Tổng quát, Xn=AXn-1. Cụ thể hơn, ta có:

Nhận xét rằng kiểu gen aa biến mất sau thế hệ khởi đầu và kiểu gen Aa trở nên ít
dần ở mỗi thế hệ kế tiếp. Rõ rang rằng dãy này hội tụ về vectơ
 ỨNG DỤNG TRONG HÌNH HỌC

Cho các điểm cố định trong mặt phẳng hoặc trong không gian 3 chiều, nhiều
vấn đề yêu cầu việc tìm các số liệu hình học qua các điểm này. Các ví dụ chúng ta
sẽ thấy ở phần này đòi hỏi việc giải hệ phương trình tuyến tính và tính định thức.

Ứng dụng 1 Cho A1 = (x1, y1) và A2 =(x2, y2) là hai điểm cố định trong mặt phẳng.
Tìm phương trình đường thẳng L qua A1 và A2.
Lời giải Gọi M= (x, y) là điểm tùy ý trên L, khi đó ta có thể tìm 3 hằng số a, b, và c
sao cho

Do A1 và A2 thuộc L, ta có

Từ đó, ta có hệ phương trình tuyến tính thuần nhất 3 phương trình 3 ẩn a, b,c như
sau

Do ta biết rằng sẽ có một đường thẳng qua A1 và A2, nên hệ thuần nhất này có ít
nhất một nghiệm (a, b, c). Tuy nhiên, nếu (a, b, c) là một nghiệm, thì k(a, b, c)
cũng là một nghiệm với mọi k và hệ có vô số nghiệm. Do đó, định thức của ma trận
hệ số phải bằng 0:

Lấy ví dụ, nếu A1 =(-1, 2) và A2= =(0,1), thì phương trình đường thẳng L trong
trường hợp này là:
Hay x + y - 1=0.
Ứng dụng 2 Cho 3 điểm A1 =(x1, y1), A2 =(x2, y2) và A3 =(x3, y3) không thẳng hàng
trong mặt phẳng, tìm phương trình của đường tròn đi qua ba điểm này.

Lời giải Nếu M=(x, y) là một điểm bất kỳ trên đường tròn, thì ta có thể viết

trong đó a, b, c và d là các hằng số. Thay tọa độ 3 điểm trên vào phương trình cho ta
một hệ thuần nhất bốn phương trình của bốn ẩn a, b, c và d:

Tương tự Ví dụ 1, hệ có vô số nghiệm. Suy ra định thức:

Chẳng hạn, để tìm phương trình đường tròn đi qua các điểm A1 (1, 0), A2 (-1, 2) và
A3 (3, 1), ta viết

Và thu được phương trình sau khi rút gọn là

Tất nhiên, ta có thể viết lại thành

Đây là đường tròn có tâm là (7/6, 13/6) và bán kính là 37 / 18 .

 Ứng dụng 3 Phương trình của quỹ đạo của các hành tinh.
Với ứng dụng này, ta cần các kiến thức sau
1. Phương trình tổng quát của một đường conic trong mặt phẳng (parabol,
hyperbol, elip) được cho bởi Ax2+Bxy+Cy2+Dy+E=0 trong đó A, B, C, D, và E là
các hằng số.
2. Định luật Kepler thứ nhất: Quỹ đạo của một tiểu hành tinh xung quanh mặt
trời phải là một elip.
Một nhà thiên văn học, người muốn xác định quỹ đạo của một tiểu hành tinh
xung quanh mặt trời, thiết lập một hệ tọa độ Descartes trong mặt phẳng của quỹ
đạo với mặt trời tại gốc. Sau đó, nhà thiên văn học làm 5 quan sát vị trí của các tiểu
hành tinh trong hệ tọa độ này tại 5 thời điểm khác nhau. Điều này cho ta 5 điểm
khác nhau trên quỹ đạo.

Giả sử rằng các điểm này là:

.
Thay tọa độ các điểm vào phương trình tổng quát ở trên, ta thu được định thức:

Sau khi khai triển và rút gọn định thức, ta thu được phương trình của quỹ đạo là:

Ứng dụng 4 Giả sử chúng ta có 3 điểm không thẳng hàng A 1 = (x1, y1, z1), A2 =(x2,
y2, z2) và A3 =(x3, y3, z3) trong không gian. Tìm phương trình mặt phẳng đi qua 3
điểm đó.
Lời giải Phương trình tổng quát của một mặt phẳng là

Chú ý rằng, giống như trên, việc nhân phương trình này với một hằng số khác 0
cho ta một phương trình của cùng mặt phẳng đó.
Nếu M =(x, y, z) là một điểm bất kỳ trên mặt phẳng, thì thay tọa độ của A1, A2, A3
và M vào phương trình ở trên cho ta một hệ phương trình tuyến tính thuần nhất của
các ẩn a, b, c, d:

Khi đó, hệ này không có nghiệm duy nhất, nên

Chẳng hạn, phương trình của mặt phẳng đi qua 3 điểm (1, -1, 3), (0, 1, 7) và (4,0,-
1) là

Suy ra phương trình cần tìm sau khi rút gọn:

 ỨNG DỤNG TRONG LÝ THUYẾT ĐỒ THỊ

1. Giới thiệu và vài nét lịch sử:

Königsberg là một thành phố ở Nga nằm cạnh song Pregel, nơi được xem là nơi
ở của công tước của nước Phổ trong thế kỷ thứ 16. Ngày nay, thành phố này được
đặt tên là Kaliningrad, và nó là một trung tâm công nghiệp và thương mại của Tây
nước Nga.Sông Pregel chảy dọc theo thành phố và chia thành phố thành 4 vùng
như bức tranh sau:

Trong thế kỷ 18, bảy cây cầu nối bốn vùng này với nhau. Người dân
Königsberg thường có thói quen đi bộ dọc theo thành phố vào các chủ nhật hàng
tuần. Họ tự hỏi rằng ta có thể bắt đầu tại một địa điểm trong thành phố, đi qua tất
cả các cây cầu mà mỗi câu cầu không đi qua quá 2 làn và quay trở lại được điểm
xuất phát không. Vấn đề này đầu tiên được giải quyết bởi nhà toán học Thụy Sĩ nổi
tiếng là Leonhard Euler, người mà, như một hệ quả của cách giải quyết của mình,
đã phát minh ra một nhánh của toán học mà ngày nay được biết đến là Lý thuyết
đồ thị. Phương án của Euler đó là biểu thị vấn đề đặt ra bởi một đồ thị với 4 vùng
được biểu thị bởi 4 đỉnh và 7 cây cầu là 7 cạnh như sau:

Lý thuyết đồ thị bay giờ là một công cụ chính trong các nghiên cứu toán học, kỹ
thuật điện, lập trình máy tính và kết nối mạng, quản trị kinh doanh, xã hội học,
kinh tế, tiếp thị và truyền thông; danh sách này có thể còn tiếp tục nhiều nữa. Thực
tế, nhiều vấn đề có thể được mô hình hóa với các đường dẫn (xem định nghĩa dưới
đây) được định hình bằng cách đi dọc theo các cạnh của một đồ thị nào đó. Ví dụ,
vấn đề về lập các tuyến đường một cách hiệu quả để chuyển phát thư, nhặt rác,
quét tuyết, chẩn đoán trong các mạng máy tính, và những cái khác, có thể được
giải quyết bằng việc sử dụng các mô hình có liên quan đến đường đi trong đồ thị.
2. Các khái niệm của đồ thị
Trước khi chúng ta tạo sự kết nối giữa lý thuyết đồ thị và đại số tuyến tính, ta
bắt đầu với mội số định nghiaxcow bản trong lý thuyết đồ thị cho những ai còn xa
lạ với chủ đề này:
Một đồ thị là một họ các điểm được gọi là các đỉnh, được nối với nhau bởi các
đoạn thẳng được gọi là các cạnh:

Một đồ thị được gọi là được định hướng hay một digraph nếu các cạnh của nó
được định hướng (có nghĩa là chúng có một hướng cụ thể). Một đường đi kết nối
hai đỉnh X và Y của một digraph là một dãy các điểm phân biệt (các đỉnh) và các
cạnh định hướng. Một đường đi bắt đầu và kết thúc tại một đỉnh của P được gọi là
một loop tại P. Chẳng hạn, trong đồ thị định hướng:

Có nhiều hơn một đường đi từ P1 tới P3. Một trong số chúng bao gồm ba điểm
P1 P2 P3. Một đường đi khác từ P1 tới P3 bao gồm các điểm P1 P2 P4 P5 P3.
Một đồ thị được gọi là liên thông nếu có một đường đi kết nối hai đỉnh phân biệt.
Các đồ thị khác được gọi là không liên thông.
 Trong một đồ thị G, nếu tồn tại một đường đi gồm n cạnh giữa hai đỉnh Pi và Pj,
thì ta nói rằng có một n-bước từ Pi tới Pj. Chẳng hạn, có ba cái 2-bước khác nhau
giữa các đỉnh P2 và P7 ở đồ thị G1 ở trên.
3. Đại số tuyến tính liên quan tới lý thuyết đồ thị như thế nào?
Như ta có thể hình dung, các đồ thị đôi khi có thể rất phức tạp. Nên ta cần tìm
một cách thiết thực hơn để biểu diễn chúng. Các ma trận là một cách rất hữu dụng
để nghiên cứu các đồ thị, do chúng có thể chuyển đổi hình ảnh thành những con số
và sau đó ta có thể sử dụng các kỹ thuật từ đại số tuyến tính.
Cho một đồ thị G với n đỉnh v1,…,vn, ta định nghĩa ma trận liên thuộc của G
tương ứng với các đỉnh được liệt kê theo thứ tự v1,…,vn là ma trận A=[aij] cấp n×n
xác định bởi
1 nÕu cã mét c¹nh vµ vj

aij nèi vi

0 trong trêng hîp cßn l¹i

Chẳng hạn, với đồ thị G1 ở trên, ma trận liên thuộc (ứng với thứ tự liệt kê các đỉnh
P1, P2, …, P7 của nó) là

Chú ý rằng với một đồ thị không định hướng, chẳng hạn như G 1, ma trận kề của nó
là đối xứng, nhưng điều này không còn đúng đối với ma trận định hướng như G2.
Cũng như vậy, chú ý rằng mọi ma trận vuông Boolean (phần tử nhận hai giá trị
0 và 1) với 0 ở trên đường chéo chính xác định duy nhất một đồ thị định hướng
Định lý sau cho ta một ý nghĩa quan trọng của việc sử dụng các lũy thừa của ma
trận liên thuộc của một đồ thị:
Nếu A là ma trận liên thuộc của đồ thị G (với cá đỉnh là v 1,…, vn), thì phần tử
hàng i cột j của Ar biểu thị cho số các r-bước phân biệt từ đỉnh v i tới đỉnh vj trong
đồ thị.
Lấy bình phương của ma trận M1 ở trên cho ta ma trận
 Từ ma trận này suy ra số các đường đi phân biệt gồm 2 cạnh giữa các đỉnh của
đồ thị G1. Chẳng hạn như, có ba 2-bước phân biệt giữa đỉnh P2 và P7 trên đồ thị,
nhưng không có cách nào để đi từ P1 tới P5 bằng hai bước.
Ví dụ Sơ đồ sau biểu diễn một đồ thị lối đi của một công ty giao hàng:

trong đó A, B, C, D, E là các thành phố phục vụ bởi công ty. Ma trận liên thuộc M
của đồ thị trên là:

Nên M2 là ma trận

Và M3 là ma trận
Nếu công ty quan tâm tập trung vào sự kết nối từ thành phố A tới thành phố B, ta
có thể thấy rằng số 1-bước kết nối giữa A và B là 1, số 2-bước kết nối là 1, nhưng
số 3- bước kết nối giữa hai thành phố lại là 4. Bốn kết nối này có thể liệt kê ra chi
tiết là:
1. A→C→E→B
2. A→B→D→B
3. A→D→A→B
4. A→C→A→B
4. Đồ thị định hướng trội
Một đồ thị định hướng được gọi là đồ thị định hướng trội nếu với mọi cặp đỉnh
phân biệt u và v của G, hoặc u→v hoặc v→u, chứ không có cả hai cùng lúc (ở đây
khái niệm u→v có nghĩa là có một cạnh từ u tới v)
Sau đây là một ví dụ về đồ thị định hướng trội:

Trong đồ thị trên, các đỉnh A, C, và E có tính chất sau: từ mỗi một đỉnh có hoặc
một cái 1-bước hoặc một cái 2-bước kết nối tới mọi đỉnh khác trong đồ thị. Trong
một mùa giải thể thao, những đỉnh này sẽ tương ứng các đội mạnh nhất theo nghĩa
là những đội này đánh bại các đội khác hoặc đánh bại những đội mà đã thắng các
đội khác. Đồ thị trên là không duy nhất đối với tính chất này:
“Trong mọi đồ thị định hướng trội, có ít nhất một đỉnh mà từ đó có một đường
đi 1-bước hoặc một đường đi 2-bước kết nối tới mọi đỉnh khác trong đồ thị.”
Trong một đồ thị định hướng trội, chúng ta định nghĩa lũy thừa của một đỉnh,
như là tổng số các đường đi 1-bước hoặc 2-bước kết nối tới các đỉnh khác. Sử dụng
ma trận liên thuộc M của đồ thị, ta có thể tìm ra lũy thừa của một đỉnh Pi như sau:
tổng của các phần tử trong hàng thứ i của M là tổng số 1-bước kết nối từ Pi tới các
đỉnh khác, và tổng các phần tử trên hàng thứ i của M2 là tổng số các 2-bước kết nối
từ Pi tới các đỉnh khác. Do đó, tổng của các phần tử trên hàng thứ i của ma
trận A=M+ M2 là tổng số các đường đi 1-bước và 2-bước kết nối Pi tới các đỉnh
khác. Trong một đồ thị định hướng trội, ta sẽ muốn xác định xem đỉnh nào có lũy
thừa lớn nhất. Để làm được điều đó, ta tính ma trận A=M+ M2, và sau đó một hàng
của A
với tổng các phần tử trên đó là lớn nhất sẽ tương ứng với đỉnh cần tìm.
Ví dụ Giả sử rằng các kết quả của một mùa giải bóng rổ gồm 5 đội A, B, C, D và E
được cho bởi đồ thị định hướng trội H ở trên. Ma trận liên thuộc M của H là:
Nên ma trận M2 là

Và ma trận A=M+M2 là

Do hàng thứ nhất có tổng các phần tử lớn nhất, nên đỉnh A phải có một đường đi 1-
bước hoặc 2-bước kết nối tới mọi đỉnh còn lại. Thứ hạng của các đổi theo lũy thừa
của đỉnh tương ứng là:
Đội A (nhất), Đội C (nhì), Đội B và đội D (ba) và Đội E (tư).
 ỨNG DỤNG TRONG PHÂN BỐ NHIỆT ĐỘ

Giới thiệu
Xét mặt cắt ngang của một con đập dài hình chữ nhật trên một dòng sông.
Như bạn có thể tưởng tượng, ranh giới của các đập này tùy thuộc vào ba yếu tố:
nhiệt độ của không khí, nhiệt độ của nước, và nhiệt độ của mặt đất nền của nó. Sơ
đồ dưới đây thể hiện tình trạng này:

trong đó số biểu thị cho nhiệt độ (độ C) của ranh giới. Các kỹ sư đang muốn biết sự
phân bố nhiệt độ bên trong đập trong một thời gian nhất định để họ có thể xác định
ứng suất nhiệt mà đập chịu. Giả sử nhiệt độ ranh giới được giữ nguyên là một hằng
số trong suốt một khoảng thời gian cụ thể, nhiệt độ bên trong đập sẽ đạt trạng thái
cân bằng nhất định sau một thời gian nào đó. Tìm phân phối nhiệt độ cân bằng này
tại các điểm khác nhau trên các tấm (đập) là có thể, nhưng lại vô cùng khó khăn.
Tuy nhiên, người ta có thể xét một vài điểm trên các tấm và xấp xỉ gần đúng nhiệt
độ của những điểm này. Xấp xỉ này được dựa trên một tính chất vật lý rất quan
trọng gọi là Tính chất Mean-Value:

“Nếu một tấm đã đạt đến một trạng thái cân bằng nhiệt, và P là một điểm trên
tấm, C là một vòng tròn trung tâm tại P và nằm hoàn toàn trong đĩa, khi đó
nhiệt độ tại P là giá trị trung bình của hàm nhiệt độ trên C.”

Sơ đồ sau minh họa tính chất này:

Để xem cách tính chất này thể hiện, đặt một lưới trên đĩa (mặt cắt ngang của một
chiếc cầu trong trường hợp này) và xét các điểm nằm trên các đường thẳng của
lưới. Chúng ta quan tâm tới nhiệt độ tại những điểm chỉ nằm trong đĩa. Thiết kế
lưới theo cách sao cho một số điểm được xét tới nằm trên mép của đĩa. Nghiên cứu
nhiệt độ tại những điểm lưới này yêu cầu một phiên bản thực tế của tính chất
Mean-Value như sau:
Nếu một đĩa đã đạt đến một trạng thái cân bằng nhiệt và P là một điểm lưới
không nằm trên mép của các đĩa, khi đó nhiệt độ tại P là mức trung bình của
nhiệt độ trong bốn điểm lưới gần nhất với P.

Chúng ta hãy bắt đầu với một lưới với 4 điểm trong, và giả sử x1, x2, x3, x4 là
nhiệt độ tại bốn điểm này. Tình huống này được minh họa bởi sơ đồ sau:

Bởi phiên bản thứ hai của tính chất Mean-Value, ta có hệ phương trình tuyến tính
sau:

Sau khi đơn giản hóa, ta có:

Dạng ma trận của hệ là AX=b, trong đó

X được gọi là vectơ nhiệt cân bằng. Nghiệm của hệ trên là

tất nhiên trong đó A là khả nghịch và ma trận nghịch đảo của A là:

Do đó vectơ nhiệt cân bằng theo độ C là

Giả sử rằng nhiệt độ biên thay đổi từ 25, 20 và 30 tương ứng thành 15, 10 và
20, khi đó ta thu được một hệ phương trình tuyến tính mới với cùng ma trận hệ số
nhưng với ma trận cột tự do mới là

Và vectơ nhiệt cân bằng trong trường hợp này là:

.
Các xấp xỉ nhiệt cân bằng tìm được ở trên có thể được chính xác hơn nếu chúng ta
xem xét một lưới tốt hơn (nhiều điểm bên trong hơn). Hãy xét các lưới sau đây thu
được từ lưới đầu tiên bằng cách giảm khoảng cách trong lưới đi một nửa.
Lưới mới có 25 điểm trong. Lặp lại quá trình trên như trong trường hợp 4 điểm
trong cho ta một hệ phương trình tuyến tính gồm 25 phương trình của 25 ẩn. Ma
trận hệ số của hệ mới này là:

Và cột tự do là
Giải hệ phương trình trên theo cách thông thường sẽ mất thời gian khác lâu, nhưng
nếu ta sử dụng một phần mềm đại số như Maple hoặc Matlab thì có thể tình được
ma trận nghịch đảo của ma trận vuông cấp 25x25 ở trên và sau đó thực hiện phép
nhân A-1 b. Từ đây cho ta vectơ nhiệt cân bằng theo độ C như sau:
Do lưới là mịn hơn so với trước đây, vector trên cho ta một chỉ dẫn tốt hơn về sự
phân bố nhiệt độ bên trong cây cầu. Tất nhiên, người ta có thể chính xác hơn bằng
cách xét lưới mịn hơn nữa (nhiều điểm bên trong), nhưng vấn đề giải các hệ
phương trình tuyến tính tương ứng trở nên khó khăn hơn nhiều. Trong trường hợp
này, nếu có một phương pháp số học để giải hệ sẽ là một lợi thế.
Lưu ý rằng bốn điểm trong của lưới đầu tiên là tại các điểm trong đặc biệt
đối với lưới thứ hai (với 25 điểm trong). Bảng dưới đây so sánh nhiệt độ của những
điểm chung trong cả hai trường hợp.

Nhiệt độ trong lưới 1 Nhiệt độ trong lưới 2

Điểm 1 16.04 23.10
Điểm 2 12.70 21.81
Điểm 3 16.45 25.68
Điểm 4 14.79 24.39

Do lưới thứ 2 tốt hơn lưới 1 nên nhiệt độ tìm được ở cột cuối ở bảng trên là gần với
nhiệt độ cân bằng đúng hơn trong cột thứ nhất.
 ỨNG DỤNG TRONG NÉN ẢNH

Bức ảnh của nhà toán học nổi tiếng Emmy Noether được nén theo nhiều
cách khác nhau.

1. Giới thiệu
Khi lấy từ Internet, hình ảnh kỹ thuật số mất một số lượng đáng kể thời gian
để tải về và sử dụng một lượng lớn bộ nhớ máy tính. Các Haar wavelet biến đổi mà
chúng ta sẽ thảo luận trong ứng dụng này là một cách để nén hình ảnh kỹ thuật số
để chúng mất ít không gian khi lưu trữ và truyền đi. Như chúng ta sẽ thấy sau này,
từ “wavelet” là viết tắt của một cơ sở trực giao của một không gian vector nhất
định. Ý tưởng cơ bản đằng sau phương pháp nén này đó là xem một hình ảnh kỹ
thuật số như một dãy số, chẳng hạn như một ma trận. Mỗi hình ảnh bao gồm một
số lượng khá lớn các hình vuông nhỏ gọi là điểm ảnh (phần tử ảnh). Các ma trận
tương ứng với một hình ảnh kỹ thuật số gán một số nguyên cho mỗi pixel. Ví dụ,
trong trường hợp của một hình ảnh màu xám quy mô 256x256 pixel, hình ảnh được
lưu trữ như là một ma trận 256x256, với mỗi phần tử của ma trận là một số nguyên
từ 0 (đen) đến 225 (cho trắng). Các kỹ thuật nén JPEG chia hình ảnh thành các
khối 8x8 và gán một ma trận cho mỗi khối. Người ta có thể sử dụng một số kỹ
thuật đại số tuyến tính để tối đa hóa việc nén hình ảnh và duy trì một mức độ phù
hợp của các chi tiết.
2. Vectơ chuyển đổi sử dụng Haar Wavelets
Trước khi ta giải thích sự biến đổi của một ma trận, chúng ta hãy xem làm thế
nào mà wavelets chuyển đổi các vectơ (hàng của một ma trận). Giả sử

là một hàng của một ma trận ảnh cấp 8x8. Tổng quát, nếu chuỗi dữ liệu có độ dài
bằng 2k, thì quá trình chuyển đổi sẽ bao gồm k bước. Trong trường hợp trên, sẽ có
3 bước từ 8=23.
Ta thực hiện phép biến đổi sau trên các phần tử của vectơ r:
1. Chia các phần tử của r thành bốn cặp:
(420, 680), (448, 708), (1260, 1410), (1600, 600).
2. Tính giá trị trung bình của mỗi cặp:

Các giá trị này sẽ là bốn phần tử của vectơ r1 của bước tiếp theo.
3. Trừ mỗi giá trị trung bình cho phần tử đầu tiên của cặp cho ta các số:
.
Các số này sẽ là bốn phần tử cuối cùng của vectơ r1 ở bước tiếp theo.
4. Tạo vectơ mới là:
.
Chú ý rằng vectơ r1 có thể đạt được từ r bằng cách nhân r vào bên phải bởi ma
trận:

Bốn phần tử đầu tiên của r1 được gọi là các hệ số xấp xỉ và bốn phần tử cuối của r1
được gọi là các hệ số chi tiết.
Với bước tiếp theo, ta xem bốn phần tử đầu tiên của r1 như hai cặp mà chúng
ta lấy giá trị trung bình của chúng như trong bước 1 ở trên. Điều này cho ta hai
phần tử đầu tiên 564, 1470 của vectơ mới r2. Đây là các hệ số xấp xỉ mới của
chúng ta. Phần tử thứ ba và thứ tư của r2 đạt được bằng cách trừ những giá trị trung
bình này cho phần tử đầu tiên của mỗi cặp. Điều này cho ta các hệ số chi tiết mới
là -14, -130. Bốn phần tử cuối cùng của r2 là giống như bốn hệ số chi tiết của r1:

Vectơ r2 ở đây có thể đạt được từ r1 bằng cách nhân r1 vào bên phải ma trận:
 Với bước cuối cùng, lấy trung bình hai phần tử đầu tiên của r2, và như ở
trước, trừ kết quả cho phần tử đầu tiên. Điều này cho ta vectơ sau:

Như ở trên, r3 có thể đạt được từ r1 bằng phép nhân r2 vào bên phải ma trận:

Từ đó ta có thể tính được r3 trực tiếp từ r sử dụng phương trình sau

Đặt

.
Chú ý rằng:
 Các cột của ma trận W1 tạo ra một tập con trực giao của R8 (không gian vectơ
chiều 8 trên R); tức là những cột này đôi một trực giao với nhau. Do đó,
chúng tạo ra một cơ sở của R8. Như là một hệ quả, W1 là khả nghịch. Điều
tương tự cũng đúng cho W2 và W3.
 Từ đó, vì là tích của các ma trận khả nghịch nên W cũng khả nghịch và các
cột của nó tạo ra một cơ sở trực giao của R8. Nghịch đảo của W được cho

bởi:
Từ đó cho phép ta thu lại hình ảnh gốc từ dạng nén bằng cách sử dụng liên hệ sau
 Giả sử rằng A là ma trận ứng với một ảnh nào đó. Phép chuyển đổi Haar
được thực hiện bằng việc biểu diễn các biến đổi trên mỗi hàng của ma trận A và
sau đó lặp lại tương tự trên các cột của ma trận thu được. Ma trận biến đổi hàng là
AW. Việc biến đổi các cột của AW đạt được bằng việc nhân AW vào bên trái
ma trận WT (chuyển vị của W). Do đó, biến đổi Haar lấy ma trận A và biến đổi nó
thành WTAW. Ký hiệu S là ma trận biến đổi:

Sử dụng các tính chất của ma trận nghịch đảo, ta có thể thu lại ma trận gốc là:

Điều này cho phép ta thấy được ảnh gốc (giải nén ảnh bị nén).
Ta hãy xét một ví dụ.
Ví dụ Giả sử chúng ta có một ma trận ảnh cấp 8x8 biểu diễn bởi ma trận

Ma trận biến đổi hàng là

Biến đổi các cột của L đạt được như sau

Điểm mấu chốt của việc thực hiện biến đổi Haar wavelet là những vị trí của
ma trận gốc chứa ít biến đổi sẽ kết thúc với những phần tử 0 ở ma trận biến đổi.
Một ma trận được xem là thưa thớt nếu nó có một “tỉ lệ cao các phần tử 0”. Các ma
trận
thưa thớt chiếm ít bộ nhớ hơn để lưu trữ. Do ta không thể mong chờ ma trận biến
đổi luôn là thưa thớt, ta quy định một giá trị ngưỡng không âm là ε, và sau đó ta
cho mọi phần tử trong ma trận biến đổi có giá trị tuyệt đối nhỏ hơn ε trở thành 0.
Điều này sẽ cho ta một loại ma trận thưa thớt. Nếu ε là 0, ta sẽ không sửa đổi bất
cứ phần tử nào của ma trận.
Mỗi lần bạn nhấn chuột vào một hình ảnh để tải về từ Internet, máy tính
nguồn nhớ lại ma trận chuyển Haar từ bộ nhớ của nó. Đầu tiên nó sẽ gửi các hệ số
xấp xỉ tổng thể và hệ số chi tiết lớn hơn và một lúc sau đó là các hệ số chi tiết nhỏ
hơn. Khi máy tính của bạn nhận được thông tin, nó bắt đầu xây dựng lại một cách
chi tiết lớn dần lên cho đến khi hình ảnh ban đầu được khôi phục lại hoàn toàn.
3. Đại số tuyến tính có thể làm cho quá trình nén nhanh hơn, hiệu quả hơn
Đầu tiên ta nhắc lại rằng một ma trận vuông A cấp n được gọi là trực giao
nếu các cột của nó tạo ra một cơ sở trực giao của Rn, tức là các cột của A đôi một
trực giao với nhau và độ dài của mỗi cột là 1. Một cách tương đương, A là trực
giao nếu nghịch đảo và chuyển vị của nó bằng nhau. Tính chất này giúp quá trình
hồi phục là ma trận chuyển đổi thực hiện được bởi phương trình sau sẽ nhanh hơn

nhiều
Một tính chất khác rất hữu dụng của ma trận trực giao là chúng bảo tồn độ lớn
vectơ. Nói một cách khác, nếu v là một vectơ của Rn và A là một ma trận trực
giao, thì
||Av||=||v||. Giải thích chi tiết của đẳng thức này như sau

Do đó ||Av||=||v||. Tương tự như vậy, các góc cũng được bảo toàn lúc phép biến đổi
được định nghĩa bởi các ma trận trực giao: nhắc lại rằng cosin của góc giữa hai vec
tớ u và v là:

Nên nếu A là một ma trận trực giao, ψ là góc giữa hai vectơ Au và Av, thì
Do cả độ lớn và góc được bảo toàn nên sẽ giảm thiểu được sự méo mó sai lệch lúc
xây dựng lại ảnh nếu ta sử dụng các ma trận trực giao. Từ ma trận chuyển đổi W là
tích của ba ma trận khác, ta có thể trực chuẩn hóa W bằng việc trực chuẩn hóa ba
ma trận này. Phiên bản trực chuẩn hóa của W là

Nhận xét Nếu bạn xem kỹ hơn quá trình ta mô tả ở trên, bạn sẽ chú ý rằng ma trận
W không gì khác là một sự thay đổi cơ sở của R8. Nói cách khác, các cột của W tạo
ra một cơ sở mới (một cơ sở rất đẹp) của R8. Nên lúc ta nhân một vectơ v (tọa độ
đối với cơ sở chuẩn tắc) của R8 bởi W, ta nhận được là tọa độ của v đối với cơ sở
mới. Một vài tọa độ này có thể bị bỏ quên khi sử dụng ngưỡng ε ở trên và điều này
cho phép ma trận chuyển sẽ được lưu trữ dễ dàng hơn và truyền đi nhanh hơn.
Tỉ lệ nén Nếu ta chọn ngưỡng giá trị ε là dương, thì một số phần tử của ma trận
chuyển sẽ bị đặt lại thành 0 và do đó một số chi tiết sẽ bị mất lúc ảnh được giải
nén. Vấn đề quan trọng là chọn ε đủ tốt sao cho việc nén được thực hiện hiệu quả
với mức thiệt hại tối thiểu cho hình ảnh. Chú ý rằng tỉ lệ nén được định nghĩa là tỉ
lệ của các phần tử khác 0 trong ma trận chuyển (S=WTAW) với số các phần tử khác
0 trong ma trận nén đạt được từ S bằng việc áp dụng ngưỡng ε.
 ỨNG DỤNG TRONG MẠNG LƯỚI

Giới thiệu Một mạng lưới bao gồm các nhánh và các nút. Một ví dụ điển hình là
mạng lưới đường phố, nơi các nhánh là các đường phố và các nút là các nút giao
thông. Một ví dụ khác là một mạng lưới điện. Nhiều vấn đề về mạng lưới có thể
được mô hình hóa bởi hệ phương trình tuyến tính. Các định luật cơ bản được giải
thích dưới đây.
1) Mạng lưới điện
Trong mạng lưới kiểu này, Định luật Ohm và Định luật Kirchhoff chi phối
dòng điện như sau:
Định luật Ohm: Hiệu điện thế tại hai đầu của một vật dẫn bằng tích của cường
độ dòng điện và điện trở: V=IR.
Định luật Kirchhoff thứ nhất: Tổng của cường độ dòng điện đi vào một nút bằng
tổng của cường độ dòng điện đi ra từ đó.
Định luật Kirchhoff thứ hai: Tổng đại số của các hiệu điện thế trong một mạch
vòng kín bằng tổng các điện áp trong mạch vòng.
Ví dụ Xác định cường độ dòng điện I1, I2, và I3 trong mạch điện sau:

Áp dụng Định luật Kirchhoff thứ nhất cho hoặc nút B hoặc C, ta có I1=I2+I3 . Nói
cách khác:
I1-I2-I3 =0.
Áp dụng Định luật Kirchhoff thứ hai cho mạch vòng BDCB và BCAB, ta thu được
các phương trình
-10I1+10I2=10.
20I1+10I2 =5.
Từ đây ta có hệ phương trình tuyến tính
Ma trận bổ sung của hệ trên là

Ta biến đổi nó về ma trận

Do đó, các cường độ dòng điện cần tìm là:

Do I3 là âm, dòng điện đi từ C tới B chứ không phải từ B tới C, như ở sơ đồ trên đã
vẽ.

2) Mạng lưới giao thông

Sơ đồ bên dưới biểu diễn lưu lượng giao thông đi qua các vị trí trên đường phố.
(Các số là lưu lượng trung bình đi vào và ra của mạng giao thông tại những giờ cao

điểm)
Bởi Định luật Kirchhoff thứ nhất, lưu lượng đi vào một giao điểm bằng với lưu
lượng đi ra từ đo. Điều này cho ta hệ phương trình tuyến tính sau

Ma trận bổ sung của hệ trên là

Tính toán chỉ ra ma trận này biến đổi được về dạng

Do đó, nghiệm của hệ là

Chẳng hạn, nếu w=300 và t=1300 (số lượng phương tiện giao thông mỗi giờ), thì
x=100, y=700, u=1000 và v=700.

Giả sử rằng các tuyến đường từ A tới B và từ B tới C bị đóng (do có công trình
đang xây dựng chẳng hạn), từ là x=0 và y=0. Vậy lưu lượng giao thông phải được
định tuyến như thế nào?

Để trả lời câu hỏi này, cho x=y=0 trong nghiệm trên ta thu được w=200, t=600, z =
-600, u=400 và v=800. Tất nhiên, giá trị âm của z là không bình thường. Nhằm
tránh lưu lượng âm, ta phải đảo ngược hướng tuyến đường kết nối từ C và D, điều
này làm cho z=600 thay vì z=-600.
 ỨNG DỤNG TRONG XÃ HỘI HỌC

Giới thiệu Các nhà xã hội quan tâm đến nhiều loại giao tiếp trong một nhóm các
cá nhân thường sử dụng biểu đồ để biểu diễn và phân tích các mối quan hệ bên
trong nhóm. Đối với thuật ngữ và một số kết quả về lý thuyết đồ thị mà chúng ta sẽ
sử dụng ở đây, ta có thể lấy từ phần ứng dụng của đại số tuyến tính lý thuyết đồ
thị. Ý tưởng ở đây là biểu thị một đỉnh cho mỗi cá nhân trong nhóm, và nếu cá
nhân A ảnh hưởng hoặc chi phối cá nhân B, ta vẽ một cạnh có hướng giữa hai đỉnh
phân biệt.

Ví dụ Xét một nhóm gồm 8 cá nhân I1,…, I8. Đồ thị định hướng sau biểu diễn mối
quan hệ nội tại giữa các cá nhân trong nhóm:

Ma trận liên thuộc của đồ thị này là:

Hàng với nhiều phần tử 1 nhất trong ma trận trên tương ứng với cá nhân có ảnh
hưởng nhất trong nhóm, trong trường hợp trên là I6. Trong đồ thị trên, bước có độ
dài 1 (một cạnh) tương ứng với ảnh hưởng trực tiếp trong nhóm, trong khi các
bước với độ dài lớn hơn tương ứng với các ảnh hưởng không trực tiếp. Chẳng hạn
như I3 trực tiếp ảnh hưởng tới I5 và I5 trực tiếp ảnh hưởng tới I4, do đó I3 ảnh
hưởng không trực tiếp tới I4.
 Bây giờ bình phương M ta được

Ta có thể thấy rằng cá nhân I8 có 2 tầng ảnh hưởng tới một nửa của nhóm, mặc dù
cá nhân này chỉ có một ảnh hưởng trực tiếp tới I6.
 NHẬN DIỆN KHUÔN MẶT

Bạn có biết
· Đứa bé xác định được mặt của mẹ mình ngay sau một nửa giờ sinh?
· Rằng chúng ta có thể nhận ran gay lập tức (150 phút) hơn 1000 khuôn mặt?
· Rằng hơn một nửa vỏ nảo được huy động trong quá trình nhận dạng hình
ảnh (nhiều hơn cả lúc làm toán!)?
Nói chung, hình ảnh chứa thông tin theo một dạng rất dày đặc và phức tạp.
Các máy móc phải dựa trên các mô hình (số hóa) phức tạp của hình ảnh để hiểu nội
dung của nó. Nhận diện khuôn mặt là việc nhận ra một người là ai. Nhận dạng một
khuôn mặt là việc định vị một khuôn mặt trong một hình ảnh hoặc một chuỗi
video. Chúng ta thường nhớ con người dựa trên màu sắc trên khuôn mặt, đặc tính
quan trọng nhất của họ, vv. Hoạt động nhận dạng này trở nên rất rõ ràng khi chúng
ta nhận diện cặp song sinh. Trong ứng dụng này, ta giải thích một cách sử dụng sự
hiểu biết của chúng ta về hình ảnh để nhận diện khuôn mặt.
Khi đi đến việc nhận dạng một mô hình 2D ta cần biết điều gì ta đang tìm
kiếm. Bên trái của hình minh họa sau, một vật đang nhào lộn bao gồm một khung
tự thám trên một hình lục giác phẳng. Phía bên phải, tương tự là một khung hình
lập phương. Từ một hướng nhìn, chúng xuất hiện đồng nhất với nhau, nhưng
không một người quan sát nào của hình ảnh giống nhau này lại nhận ra họ đang
thấy một khung kim tự tháp

Khi nhận diện các khuôn mặt 2D, nhiều nhân tố có thể ảnh hưởng tới quá trình
nhận diện như điều kiện ánh sáng khác nhau, các biểu hiện và những cái khác:
Như là một ví dụ, 70 bức ảnh sau được chụp với nhiều góc độ θ và Φ. Mỗi cái được
tập trung vào mắt, sau đó là hóa trang:

(Ảnh *)
Mỗi một bức ảnh trong 70 ảnh này có thể được biểu diễn bởi một vectơ

của không gian n

của các số tỉ lệ màu xám

của các điểm ảnh. Chẳng hạn, bức ảnh Bogart sau:
có thể được biểu thị bởi vectơ:
v=(...,0.858824, 0.615686, 0.407843, 0.396078, 0.65098, 1, 0.905882, 0.878431,
0.917647, 0.901961, 0.917647, 0.870588, 0.882353, ...)
18300
của không gian (Ở đây N=122x150=18300).
Nên đặt

Là các vectơ tương ứng với các ảnh trong Ảnh (*) ở trên. Đặt

là giá trị trung bình của các vectơ này, và đặt

Biểu thị các điểm v i' trong không gian 18300 (Ta đang lấy N=122x150=18300) sẽ
cho ta một siêu elip trong chiều 18300. Đưa phương trình siêu elip về dạng chính
tắc ta thu được dạng chuẩn tắc của nó là

Mỗi vectơ là một mặt riêng, 20 mặt riêng đầu tiên được sắp xếp bởi các giá trị
riêng là:

Nói cách khác, mỗi một khuôn mặt trong 70 ảnh trên có thể viết lại như là tổ hợp
tuyến tính của các mặt riêng, và một xấp xỉ tốt đối với mỗi cái có thể đạt được chỉ
bằng cách sử dụng 20 mặt riêng đầu tiên này.
Bây giờ cho ta một bức ảnh (thông thường), đó có phải là bức ảnh của khuôn mặt
ta đang cố gắng nhận diện? Để có thể trả lời câu hỏi này, ta cần một số kiến thức
sau:
Thành phần của một vectơ u theo hướng một vectơ đơn vị v được cho bởi

và từ
là đúng cho mọi số thực a, cái xấp xỉ tốt nhất giữa tất cả các vectơ có dạng av được
cho bởi vectơ

Nếu e1, e2, …, ek là k mặt riêng đầu tiên, đặt

thì vectơ closet trong Ek tới một vectơ u được cho bởi:

(vectơ này được gọi là “dựng lại” của u trong Ek).

Trong sơ đồ sau, ảnh n là

Một sự thu gọn đáng kể đã đạt được: từ 18300 tới ít hơn 40!

Câu hỏi tiếp theo là làm thế nào chúng ta mô tả những điểm này trong chiều 18300
và tìm đúng các trục? Tất nhiên chúng ta cần tiếp khác tới kết thúc. Các bước sau
cho ta một cách đại số để tìm những trục phải này sử dụng lý thuyết của việc số
hóa ma trận.
1. Cho A là ma trận 70x18300 sau:

2. Tạo hai ma trận ATA (18300x18300) và AAT (70x70). Rõ ràng cả hai là ma

trận đối xứng. Đặc biệt, chúng là ma trận chéo hóa được.
3. Chéo hóa ma trận ATA:

trong đó V là một ma trận 70x70 khả nghịch có các cột của nó là các vectơ riêng của
AAT và là ma trận chéo.
4. với
5. Mặt riêng là các cột của ma trận:
 ỨNG DỤNG TRONG XÍCH MARKOV

Giới thiệu Giả sử có một hệ vật lý hoặc toán học mà có n trạng thái có thể và tại
bất kỳ một thời điểm nào, hệ thống chỉ ở trong một và chỉ một trạng thái trong n
trạng thái của nó. Cũng như vậy, giả sử rằng tại một chu kỳ gian quan sát nào đó,
chẳng hạn như chu kỳ thứ k, xác suất của hệ thống ở trong một trạng thái đặc biệt
chỉ phụ thuộc vào trạng thái của nó ở giai đoạn thứ k-1. Một hệ thống như vậy
được gọi là xích Markov hay quá trình Markov. Chúng ta hãy làm rõ định nghĩa
này bằng ví dụ sau đây.
Ví dụ Giả sử một đại lý cho thuê xe có ba địa điểm ở Ottawa: vị trí trung tâm
thành phố (có nhãn A), vị trí phía Đông (nhãn B) và một vị trí phía Tây (nhãn C).
Đại lý này có một nhóm các lái xe vận chuyển để phục vụ cả ba địa điểm. Thống
kê của đại lý đã xác định như sau:
1. Trong số các cuộc gọi đến các vị trí Downtown, 30% được giao trong khu
vực trung tâm, 30% được chuyển giao ở phía Đông, và 40% được chuyển
giao ở phía Tây
2. Trong số các cuộc gọi đến vị trí phía Đông, 40% được giao trong khu vực
trung tâm, 40% được chuyển giao ở phía Đông, và 20% được chuyển giao ở
phía Tây.
3. Trong số các cuộc gọi đến vị trí phía Tây, 50% được giao trong khu vực
trung tâm, 30% được giao ở phía Đông, và 20% được giao ở phía Tây.
Sau khi làm một chuyến giao hàng, một lái xe đi tới địa điểm gần nhất để tiếp
tục giao tiếp chuyến hàng tiếp theo. Bằng cách này, vị trí của một lái xe cụ thể
được xác định chỉ bởi vị trí trước đó của lái xe đó.
Ta mô hình hóa vấn đề này bằng ma trận sau đây:

T được gọi là ma trận vận chuyển của hệ thống trên. Trong ví dụ của chúng ta, một
trạng thái (state) là một vị trí của một lái xe cụ thể trong hệ thống tại một thời
điểm
cụ thể. Phần tử sji trong ma trận trên biểu thị xác suất di chuyển từ địa điểm i sang
địa điểm j (ví dụ state ứng với 2 là B).
Để làm cho vấn đề đơn giản, chúng ta hãy giả sử rằng mỗi người giao hàng
phải mất cùng một lượng thời gian (15 phút) để thực hiện một giao hàng, và sau đó
mới tới được vị trí tiếp theo của họ. Theo số liệu của thống kê, sau 15 phút, các lái
xe bắt đầu tại A, 30% sẽ trở lại A, 30% sẽ tới B, và 40% sẽ tới C. Vì tất cả các lái
xe sẽ tới một trong ba địa điểm sau khi giao hàng, nên mỗi cột sẽ có tổng bằng 1.
Bởi vì chúng ta đang tính toán xác suất, nên mỗi phần phải nằm giữa 0 và 1. Sự
thật quan trọng nhất mà cho phép chúng ta mô hình hóa tình huống này như một
xích Markov đó là các vị trí giao hàng tiếp theo chỉ phụ thuộc vào vị trí hiện tại,
chứ không phải các vị trí trước đó. Một khẳng định cũng đúng nữa đó là ma trận
xác suất của chúng ta không thay đổi trong suốt thời gian chúng ta theo dõi.
Bây giờ, ta bắt đầu với một câu hỏi đơn giản. Nếu bạn bắt đầu tại địa điểm
C, xác suất (P) sẽ là bao nhiêu để bạn sẽ ở B sau hai lần giao hàng? Để ý về các
cách bạn tới B trong hai bước. Ta có thể đi từ C tới C, sau đo từ C tới B, ta có thể
đi từ C tới B sau đó từ B tới B, hoặc đi từ C tới A sau đó từ A về B. Để tìm xác
suất P, ký hiệu P(XY) là xác suất của việc đi từ X tới Y trong một lần giao hàng
(trong đó X, Y có thể là A, B, hoặc C). Nếu hai (hoặc nhiều hơn) biến cố độc lập
cùng xảy ra thì ta phải nhân các xác suất với nhau. Để tính xác suất của mỗi biến
cố có thể xảy ra, ta cộng các xác suất của các biến cố lại với nhau.
Điều này cho ta biểu thức
P = P(CA)P(AB) + P(CB)P(BB) + P(CC)P(CB)
đối với xác suất mà một người giao hàng đi từ C tới B trong 2 lần giao hàng. Thay
vào công thức trên các dữ liệu xác suất đã có ta được
P = (0.5)(0.3) + (0.3)(0.4) + (0.2)(0.3) = 0.33.
Điều này cho ta biết rằng nếu ta bắt đầu tại C, ta sẽ có 33% cơ hội tới B sau 2 lần
giao hàng.
Ta kiểm tra điều này cho một cặp địa điểm khác. Nếu ta bắt đầu tại B, xác
suất quay trở về B sau 2 lần giao hàng là bao nhiêu ? Câu trả lời tương tự trên là
P(BA)P(AB) + P(BB)P(BB) + P(BC)P(CB) = (0.4)(0.3)+(0.4)(0.4) + (0.2)(0.3) = 0.34.
Đây không phải là tính toán phức tạp nếu bạn qua tâm tới sau 2 lần giao hàng. Tuy
nhiên nếu là sau 5 lần hoặc 15 lần giao hàng, thì nó sẽ mất thời gian khá lâu để
tính. Nếu ta chú ý, ta sẽ thấy việc đi từ C tới B trong 2 lần giao hàng cũng giống
như lấy tích vô hướng hàng 2 và cột 3; xác suất đi từ B tới B sau 2 lần giao hàng
chính là tích vô hướng của hàng 2 với cột 2. Nên nếu ta nhân T với T, các phần tử
ở vị trí (2,3) và (2,2) sẽ tương ứng với các xác suất ta đang nói ở đây. Các phần tử
còn lại của T2 sẽ cho ta kết quả của xác suất cho cùng câu hỏi giữa các cặp địa
điểm X và Y khác.
Chú ý rằng tổng các phần tử trong mỗi cột vẫn bằng 1 và các phần tử là nằm giữa 0
và 1. Ma trận này cho ta xác suất đi từ địa điểm X tới Y sau chính xác 2 lần giao
hàng.
Tính toán hoàn toàn tương tự cho xác suất sau 3 lần giao hàng. Ta ký hiệu
p(AB) là xác suất của việc đi từ A tới B sau 3 lần giao hàng. Chẳng hạn, xác suất
đi từ C tới B sau 3 lần giao hàng là
p(CA)P(AB) + p(CB)P(BB) + p(CC)P(CB) = (.37)(.3) + (.33)(.4) + (.3)(.3) = .333.
Đây là tích vô hướng của hàng 2 của T2 với cột 3 T. Tổng quát, ma trận xác suất
cho 3 lần giao hàng sẽ là:

Tương tự, ta có ma trận xác suất cho nhiều lần giao hàng hơn, chú ý là tổng các
phần tử trên mỗi cột luôn bằng 1.

,
Có điều gì đặc biệt đối với các con số ở mỗi hàng? Đó là chúng sẽ hội tụ về một số
cụ thể sau một quá trình giao hàng đủ lâu. Tức là sau một số đủ lớn các lần giao
hàng, không cần biết ta bắt đầu từ địa điểm nào, vào cuối tuần, ta có (xấp xỉ)
38.9% cơ hội sẽ ở A, 33.3% cơ hội sẽ ở B và 27.8% cơ hội sẽ ở C. Sự hội tụ này sẽ
xảy ra với hầu hết ma trận chuyển đổi mà ta xét.
Nhận xét. Nếu tất cả các phần tử của ma trận chuyển đổi nằm giữa 0 và 1, thì sẽ
luôn có sự hội tụ. Điều này có thể không còn đúng nếu 1 và 0 xuất hiện trong ma
trận. Chẳng hạn đối với ma trận sau

Đôi khi, ta nhận được một vectơ của các phân phối ban đầu để mô tả có bao
nhiêu hoặc tỷ lệ là bao nhiêu của các sự kiện ứng với mỗi trạng thái ban đầu. Sử
dụng vector này, bạn có thể tìm ra có bao nhiêu (hoặc tỷ lệ bao nhiêu) của các sự
kiện trong mỗi trạng thái tại bất kỳ thời điểm nào sau đó. Nếu vector phân phối ban
đầu bao gồm các số giữa 0 và 1, ta sẽ biết tỉ lệ của tổng các sự kiện ứng với mỗi
trạng thái ban đầu, và tổng các phần tử trong mỗi cột luôn bang 1. Ngoài ra, các
vector phân phối ban đầu có thể hàm chứa số lượng thực tế của các vật hoặc con
người, nên tất cả các phần tử này sẽ là số dương và phần tử trong mỗi hàng sẽ cộng
vào tổng số đối tượng hoặc con người trong toàn bộ hệ thống. Trong ví dụ trên, các
vector phân phối ban đầu cho chúng ta biết tỷ lệ của các lái xe với xuất phát gốc tại
mỗi khu vực. Ví dụ, nếu chúng ta bắt đầu với một phân phối đều, chúng ta sẽ có
1/3 số lái xe tại mỗi khu vực. Do đó vectơ

là vectơ phân phối khởi đầu. Sau một lần giao hàng, phân phối sẽ là (xấp xỉ) 40%
các lái xe ở tại A, 33.4% tại B và 26.6% tại C. Điều này có được bời phép nhân ma
trận phân phối khởi đầu với ma trận chuyển đổi như sau:

Sau nhiều lần giao hàng, ta sẽ thấy một số sự hội tụ xảy ra, cho nên khu vực mà từ
đó ta xuất phát không còn là vấn đề. Điều này có nghĩa là ta sẽ đạt được ở vế phải
là các số (xấp xỉ) bằng nhau mà không phụ thuộc vào vectơ phân phối khởi đầu
nào mà ta có. Chẳng hạn

Chú ý rằng cột ở vế phải bằng với các cột của ma trận chuyển đổi sau nhiều lần
giao hàng. Điều này đúng như những gì ta mong đợi bởi vì ta đã biết rằng 38.9%
lái xe sẽ tới A sau một số lớn lần giao hàng bất kể là tỉ lệ phần trăm lái xe ở A
trong phân phối khởi đầu
Nếu phân phối khởi đầu cho biết số người thực tế trong hệ thống, thì sau
một lần giao hàng ta có số lượng sẽ là:

Mặc dù các số người ở vế phải có thể không nguyên, điều không thể xảy ra, nhưng
nó cho ta biết một xấp xỉ bao nhiêu người giao hàng sẽ có ở mỗi khu vực. Sau
nhiều lần giao hàng, vế phải của đẳng thức này sẽ rất gần với một vectơ cụ thể, đó
là

Vec tơ cụ thể này chính là tích của tổng số lái xe trong hệ thống (54 trong trường
hợp này) nhân với các cột của ma trận hội tụ Ak (với k đủ lớn),