Elementary linear algebra

Khám phá các khái niệm cơ bản của đại số tuyến tính: vecto, ma trận, định thức, hệ phương trình. Nền tảng quan trọng cho toán học và khoa học.

• Tác giả: Ron Larson
• Trường học: The Pennsylvania State University The Behrend College
• Chuyên ngành: Linear Algebra
• Đề tài: Elementary Linear Algebra
• Loại tài liệu: textbook
• Năm xuất bản: 2017
• Địa điểm: Boston

Tóm tắt

I. Khám phá Đại số tuyến tính cơ sở Nền tảng toán học

Đại số tuyến tính cơ sở (Elementary linear algebra) là một nhánh của toán học nghiên cứu về hệ phương trình tuyến tính, không gian vector, ma trận và các phép biến đổi tuyến tính. Nó cung cấp bộ công cụ nền tảng không thể thiếu cho hầu hết các lĩnh vực khoa học, kỹ thuật và kinh tế. Mọi thứ bắt đầu từ phương trình tuyến tính, một biểu thức có dạng a1x1 + a2x2 + ... + anxn = b, trong đó các biến số chỉ xuất hiện ở bậc nhất và không có các tích hay căn của biến. Một tập hợp các phương trình như vậy tạo thành một hệ thống, và việc tìm ra một bộ giá trị thỏa mãn đồng thời tất cả các phương trình được gọi là giải hệ thống đó. Theo tài liệu của Larson (2017), một hệ phương trình tuyến tính có thể có đúng một nghiệm, vô số nghiệm, hoặc không có nghiệm. Sự hiểu biết về Đại số tuyến tính cơ sở cho phép chúng ta phân loại và giải quyết các hệ thống này một cách có hệ thống. Các khái niệm cốt lõi như ma trận (matrices) được sử dụng để biểu diễn các hệ phương trình một cách ngắn gọn, biến các bài toán đại số phức tạp thành các thao tác trên ma trận. Các phương pháp như phép khử Gauss (Gaussian Elimination) và phép khử Gauss-Jordan (Gauss-Jordan Elimination) là những thuật toán mạnh mẽ để đưa ma trận về dạng đơn giản hơn, từ đó tìm ra nghiệm một cách hiệu quả. Lịch sử của lĩnh vực này gắn liền với những nỗ lực giải quyết các vấn đề thực tiễn, từ việc giải các bài toán thiên văn của Carl Friedrich Gauss đến việc phát triển các mô hình kinh tế trong thế kỷ 20.

1.1. Định nghĩa và vai trò cốt lõi của phương trình tuyến tính

Một phương trình tuyến tính trong n biến số x1, x2, ..., xn có dạng chuẩn a1x1 + a2x2 + ... + anxn = b. Các hệ số a1, a2, ..., an và hằng số b là các số thực. Đặc điểm chính của phương trình tuyến tính là các biến số không được nhân với nhau và chỉ có số mũ bằng 1. Theo Larson (2017), một phương trình không thỏa mãn điều kiện này, ví dụ như chứa sin(x1) hay x1*x2, được coi là phi tuyến. Vai trò của phương trình tuyến tính là mô tả mối quan hệ tỷ lệ thuận giữa các đại lượng. Một tập hợp các phương trình này, hay còn gọi là hệ phương trình tuyến tính, là công cụ cơ bản để mô hình hóa vô số hiện tượng trong thực tế. Ví dụ, trong kinh tế, chúng có thể mô tả mối quan hệ giữa cung và cầu; trong kỹ thuật, chúng được dùng để phân tích mạch điện.

1.2. Nguồn gốc và sự phát triển của Đại số tuyến tính

Lịch sử của Đại số tuyến tính cơ sở có thể bắt nguồn từ việc giải các hệ phương trình tuyến tính. Mặc dù các phương pháp giải sơ khai đã xuất hiện từ thời cổ đại, nhưng sự phát triển có hệ thống chỉ thực sự bắt đầu vào thế kỷ 17 và 18. Nhà toán học người Đức Carl Friedrich Gauss đã phát triển một phương pháp giải có hệ thống, ngày nay được gọi là phép khử Gauss, mặc dù các tài liệu cho thấy phương pháp tương tự đã được sử dụng ở Trung Quốc từ nhiều thế kỷ trước. Khái niệm về ma trận và định thức (determinants) cũng được phát triển trong giai đoạn này để đơn giản hóa việc giải các hệ thống phức tạp. Đến thế kỷ 19 và 20, đại số tuyến tính đã phát triển thành một lý thuyết trừu tượng hơn với sự ra đời của khái niệm không gian vector (vector spaces), trở thành ngôn ngữ chung cho nhiều ngành khoa học hiện đại.

II. Những thách thức khi giải hệ phương trình tuyến tính phức tạp

Việc giải quyết các hệ phương trình tuyến tính đặt ra nhiều thách thức, đặc biệt khi số lượng phương trình và biến số tăng lên. Một trong những vấn đề cơ bản là xác định tính nhất quán của hệ thống. Một hệ thống được gọi là nhất quán (consistent) nếu nó có ít nhất một nghiệm và không nhất quán (inconsistent) nếu không có nghiệm nào. Theo Larson (2017), một hệ thống không nhất quán thường xuất hiện khi các phương trình mâu thuẫn với nhau, ví dụ x + y = 1 và x + y = 3. Đồ thị của chúng là hai đường thẳng song song không bao giờ cắt nhau. Một thách thức khác là xử lý các hệ thống có vô số nghiệm. Điều này xảy ra khi các phương trình không hoàn toàn độc lập với nhau, dẫn đến các biến tự do (free variables) có thể nhận bất kỳ giá trị nào. Việc biểu diễn tập hợp nghiệm vô hạn này đòi hỏi phải sử dụng tham số hóa (parametric representation). Khi làm việc với các hệ thống lớn trong các ứng dụng thực tế như phân tích mạng lưới (network analysis) hoặc mô hình hóa, việc tính toán thủ công trở nên không khả thi và dễ xảy ra sai sót. Độ phức tạp tính toán tăng theo cấp số nhân với kích thước của ma trận, đòi hỏi các thuật toán máy tính hiệu quả và ổn định. Ngay cả khi sử dụng máy tính, các vấn đề như sai số làm tròn trong các phép tính số học cũng có thể ảnh hưởng đến độ chính xác của nghiệm.

2.1. Phân loại hệ thống Nhất quán và không nhất quán

Một hệ phương trình tuyến tính có thể rơi vào một trong ba trường hợp: có đúng một nghiệm, vô số nghiệm, hoặc không có nghiệm. Hai trường hợp đầu được gọi là hệ nhất quán, trong khi trường hợp cuối là hệ không nhất quán. Việc nhận biết một hệ không nhất quán là rất quan trọng. Trong quá trình sử dụng phép khử Gauss, một dấu hiệu của hệ không nhất quán là sự xuất hiện của một hàng trong ma trận có dạng [0 0 ... 0 | b] với b là một hằng số khác không. Điều này tương đương với một phương trình vô lý như 0 = -2, cho thấy không có nghiệm nào tồn tại. Larson (2017) minh họa điều này bằng các ví dụ đồ họa, trong đó các mặt phẳng hoặc đường thẳng không có điểm chung.

2.2. Khó khăn trong tính toán thủ công với ma trận lớn

Khi một hệ thống có nhiều hơn ba biến, việc giải bằng các phương pháp thay thế hoặc cộng trừ truyền thống trở nên cực kỳ cồng kềnh. Ma trận cung cấp một cách biểu diễn và xử lý gọn gàng hơn, nhưng các phép toán trên ma trận lớn vẫn đòi hỏi một lượng lớn các phép tính số học. Ví dụ, việc tìm ma trận nghịch đảo hoặc tính định thức của một ma trận cấp cao tốn nhiều thời gian và dễ mắc lỗi. Hơn nữa, sự lựa chọn các phép toán hàng (elementary row operations) có thể dẫn đến các hệ số phân số, làm phức tạp thêm quá trình tính toán. Những khó khăn này thúc đẩy sự phát triển của các phương pháp số và việc sử dụng phần mềm máy tính để giải quyết các bài toán Đại số tuyến tính cơ sở trong thực tế.

III. Hướng dẫn phương pháp khử Gauss và Gauss Jordan hiệu quả

Hai trong số các thuật toán nền tảng và hiệu quả nhất để giải hệ phương trình tuyến tính là phép khử Gauss và phép khử Gauss-Jordan. Cả hai phương pháp đều dựa trên việc thực hiện một chuỗi các phép toán hàng cơ sở (elementary row operations) trên ma trận mở rộng (augmented matrix) của hệ thống để đưa nó về một dạng đơn giản hơn. Các phép toán này bao gồm: hoán đổi hai hàng, nhân một hàng với một hằng số khác không, và cộng một bội số của một hàng vào một hàng khác. Mục tiêu của phép khử Gauss là biến đổi ma trận thành dạng bậc thang (row-echelon form). Ở dạng này, nghiệm của hệ thống có thể dễ dàng tìm thấy bằng phương pháp thế ngược (back-substitution). Quá trình này được thực hiện một cách có hệ thống, xử lý từng cột từ trái sang phải để tạo ra các số không bên dưới các phần tử dẫn đầu. Phép khử Gauss-Jordan là một bước tiến xa hơn. Nó tiếp tục quá trình khử cho đến khi ma trận đạt được dạng bậc thang rút gọn (reduced row-echelon form). Ở dạng này, mỗi cột chứa một phần tử dẫn đầu 1 sẽ có các số không ở tất cả các vị trí khác. Kết quả là nghiệm của hệ thống có thể được đọc trực tiếp từ ma trận mà không cần thế ngược. Larson (2017) nhấn mạnh rằng mặc dù Đại số tuyến tính cơ sở có nhiều phương pháp, hai kỹ thuật này là trung tâm của việc giải quyết các hệ thống một cách thuật toán.

3.1. Quy trình khử Gauss để đưa ma trận về dạng bậc thang

Quy trình phép khử Gauss bắt đầu bằng việc viết ma trận mở rộng của hệ phương trình. Bước đầu tiên là tạo ra một phần tử dẫn đầu 1 ở hàng đầu tiên, cột đầu tiên. Sau đó, sử dụng các phép toán hàng để tạo ra các số 0 ở tất cả các vị trí bên dưới phần tử dẫn đầu này. Quá trình này được lặp lại cho các cột tiếp theo, làm việc trên các ma trận con nhỏ hơn cho đến khi toàn bộ ma trận có dạng bậc thang. Một ma trận ở dạng bậc thang có các hàng không nằm ở dưới cùng, và phần tử dẫn đầu 1 của mỗi hàng nằm ở bên phải của phần tử dẫn đầu của hàng trên nó. Sau khi đạt được dạng này, hệ phương trình tương ứng có thể được giải nhanh chóng bằng cách sử dụng phép thế ngược.

3.2. Tối ưu hóa giải pháp với phép khử Gauss Jordan

Phép khử Gauss-Jordan mở rộng quy trình của Gauss. Sau khi ma trận đã ở dạng bậc thang, các phép toán hàng tiếp tục được áp dụng để tạo ra các số không ở các vị trí phía trên các phần tử dẫn đầu 1. Kết quả là một ma trận ở dạng bậc thang rút gọn, nơi mỗi biến dẫn đầu tương ứng với một cột chỉ có một số 1 và các số 0 khác. Lợi ích chính của phương pháp này là nó loại bỏ hoàn toàn nhu cầu thế ngược. Nghiệm của mỗi biến có thể được đọc trực tiếp từ cột cuối cùng của ma trận. Mặc dù nó đòi hỏi nhiều bước tính toán hơn phép khử Gauss, nhưng sự rõ ràng của kết quả cuối cùng làm cho nó trở thành một công cụ mạnh mẽ, đặc biệt trong các ứng dụng máy tính và lý thuyết.

IV. Top ứng dụng thực tiễn của Đại số tuyến tính cơ sở

Đại số tuyến tính cơ sở không chỉ là một lý thuyết toán học trừu tượng mà còn là một công cụ cực kỳ mạnh mẽ với vô số ứng dụng trong thế giới thực. Các khái niệm về ma trận, vector và hệ phương trình tuyến tính là ngôn ngữ để mô tả và giải quyết các vấn đề phức tạp trong nhiều lĩnh vực. Trong kinh tế, mô hình kinh tế Leontief input-output sử dụng ma trận để phân tích sự phụ thuộc lẫn nhau giữa các ngành công nghiệp. Trong kỹ thuật, phân tích mạng lưới (network analysis) áp dụng các nguyên tắc của đại số tuyến tính để tính toán dòng chảy trong giao thông, thủy lợi hoặc các mạng lưới điện (electrical networks) dựa trên Định luật Kirchhoff. Lĩnh vực đồ họa máy tính (computer graphics) phụ thuộc rất nhiều vào đại số tuyến tính. Các phép biến đổi như quay, co giãn và dịch chuyển các đối tượng 3D được thực hiện thông qua các phép nhân ma trận. Mật mã học (cryptography) hiện đại cũng sử dụng các thuộc tính của ma trận để mã hóa và giải mã thông tin, đảm bảo an ninh dữ liệu. Ngoài ra, các phương pháp thống kê như hồi quy tuyến tính (linear regression) sử dụng đại số tuyến tính để tìm ra đường cong phù hợp nhất với một tập hợp dữ liệu. Larson (2017) cung cấp một danh sách dài các ứng dụng, từ thiết kế máy bay, xử lý tín hiệu số đến thuật toán xếp hạng trang của Google, chứng tỏ sự phổ biến và tầm quan trọng của lĩnh vực này.

4.1. Mô hình hóa kinh tế và phân tích mạng lưới lưu lượng

Trong kinh tế học, mô hình Leontief Input-Output sử dụng một ma trận A để biểu diễn lượng đầu vào từ mỗi ngành cần thiết để sản xuất một đơn vị đầu ra cho một ngành khác. Bằng cách giải một hệ phương trình tuyến tính (I - A)x = d, các nhà kinh tế có thể xác định tổng sản lượng x cần thiết để đáp ứng nhu cầu cuối cùng d. Tương tự, trong phân tích giao thông, các nút giao được xem là các điểm nối và lưu lượng xe trên các con đường là các biến số. Nguyên tắc bảo toàn dòng chảy (tổng lưu lượng vào bằng tổng lưu lượng ra) tại mỗi nút giao tạo ra một hệ phương trình tuyến tính, giúp các nhà quy hoạch đô thị tối ưu hóa luồng giao thông.

4.2. Xử lý đồ họa máy tính và mật mã học hiện đại

Đồ họa máy tính biểu diễn các đối tượng bằng các tập hợp điểm (vector). Mọi phép biến đổi hình học—như quay một vật thể, thay đổi kích thước, hay chiếu nó lên một màn hình 2D—đều được thực hiện bằng cách nhân vector tọa độ với một ma trận biến đổi. Trong mật mã học, một thông điệp có thể được chuyển đổi thành một dãy số và được tổ chức thành một ma trận. Việc mã hóa thông điệp bao gồm nhân ma trận này với một ma trận khóa không khả nghịch (invertible key matrix). Chỉ những người sở hữu ma trận nghịch đảo của khóa mới có thể giải mã thông điệp. Phương pháp này minh họa cách các thuộc tính của ma trận và phép toán của chúng được sử dụng để bảo vệ thông tin.

4.3. Giải quyết bài toán vật lý và kỹ thuật điều khiển

Trong kỹ thuật điện, Định luật Kirchhoff cho các mạng lưới điện tạo ra một hệ phương trình tuyến tính trong đó các biến là dòng điện trong các nhánh khác nhau. Bằng cách giải hệ thống này, các kỹ sư có thể xác định chính xác dòng điện và điện áp tại mọi điểm trong mạch. Trong kỹ thuật cơ khí và xây dựng, phân tích cấu trúc giàn và dầm cũng dẫn đến các hệ phương trình tuyến tính lớn. Các khái niệm như trị riêng và vector riêng (Eigenvalues and Eigenvectors) rất quan trọng trong việc phân tích các dao động và sự ổn định của các hệ thống động lực, từ các hệ thống treo của ô tô đến các hệ thống điều khiển (control systems) phức tạp.

V. Tương lai và vai trò của Đại số tuyến tính trong khoa học

Vai trò của Đại số tuyến tính cơ sở ngày càng trở nên quan trọng trong kỷ nguyên của dữ liệu lớn và trí tuệ nhân tạo. Các khái niệm cơ bản được trình bày trong lĩnh vực này chính là nền móng cho nhiều thuật toán phức tạp đang định hình thế giới công nghệ. Trong lĩnh vực học máy (machine learning) và khoa học dữ liệu, ma trận và vector là cách biểu diễn dữ liệu cơ bản. Các thuật toán như Phân tích thành phần chính (PCA) dựa trên việc tính toán trị riêng và vector riêng của ma trận hiệp phương sai để giảm chiều dữ liệu. Các mô hình hồi quy tuyến tính và mạng nơ-ron sâu (deep neural networks) thực hiện hàng triệu phép nhân ma trận trong quá trình huấn luyện. Do đó, sự hiểu biết sâu sắc về Đại số tuyến tính cơ sở không còn là tùy chọn mà là yêu cầu bắt buộc đối với các nhà khoa học dữ liệu và kỹ sư AI. Tương lai của lĩnh vực này sẽ tiếp tục phát triển với việc tạo ra các thuật toán hiệu quả hơn để xử lý các ma trận cực lớn và thưa (sparse matrices), vốn phổ biến trong các bộ dữ liệu thực tế. Việc tối ưu hóa các phép toán tuyến tính trên các phần cứng chuyên dụng như GPU là một lĩnh vực nghiên cứu tích cực, hứa hẹn đẩy nhanh hơn nữa cuộc cách mạng dữ liệu.

5.1. Tầm quan trọng trong Machine Learning và Trí tuệ Nhân tạo

Trong học máy, dữ liệu thường được biểu diễn dưới dạng các ma trận, trong đó mỗi hàng là một mẫu dữ liệu và mỗi cột là một thuộc tính. Các thuật toán học tập về cơ bản là các quy trình tối ưu hóa nhằm tìm ra các tham số mô hình, và quá trình này thường liên quan đến việc giải các hệ phương trình tuyến tính hoặc thực hiện các phép phân rã ma trận. Các khái niệm như không gian vector giúp chúng ta hiểu được cấu trúc của dữ liệu, và các phép biến đổi tuyến tính là cốt lõi của các lớp trong mạng nơ-ron. Trị riêng và vector riêng được sử dụng trong các thuật toán như PageRank của Google để xác định tầm quan trọng của các trang web.

5.2. Tổng kết các khái niệm cốt lõi đã thảo luận

Bài viết này đã khám phá các khía cạnh cơ bản của Đại số tuyến tính cơ sở. Chúng ta đã bắt đầu với định nghĩa của phương trình tuyến tính, thảo luận về các thách thức khi giải quyết các hệ thống phức tạp. Các phương pháp giải quyết mạnh mẽ như phép khử Gauss và phép khử Gauss-Jordan đã được trình bày như những công cụ thuật toán để tìm nghiệm một cách có hệ thống. Cuối cùng, sự đa dạng của các ứng dụng trong kỹ thuật, kinh tế, và công nghệ máy tính đã minh chứng cho tầm quan trọng không thể thiếu của đại số tuyến tính. Đây thực sự là ngôn ngữ của khoa học và kỹ thuật hiện đại, một nền tảng vững chắc cho những đổi mới trong tương lai.

Trích đoạn nội dung tài liệu

INDEX OF APPLICATIONS BIOLOGY AND LIFE SCIENCES Petroleum production, 292 MATHEMATICS AND GEOMETRY Age distribution vector, 378, 391, 392, 395 Profit, from crops, 50 Adjoint of a matrix, 134, 135, 142, 146, 150 Age progression software, 180 Purchase of a product, 91 Collinear points in the xy-plane, 139, 143 Age transition matrix, 378, 391, 392, 395 Revenue Conic section(s), 226, 229 Agriculture, 37, 50 fast-food stand, 242 general equation, 141 Cosmetic surgery results simulation, 180 General Dynamics Corporation, 266, 276 rotation of axes, 221–224, 226, 229, Duchenne muscular dystrophy, 365 Google, Inc., 291 383–385, 392, 395 Galloping speeds of animals, 276 telecommunications company, 242 Constrained optimization, 389, 390, 392, Genetics, 365 software publishers, 143 395 Health care expenditures, 146 Sales, 37 Contraction in R2, 337, 341, 342 Heart rhythm analysis, 255 concession area, 42 Coplanar points in space, 140, 143 Hemophilia A, 365 stocks, 92 Cramer’s Rule, 130, 136, 137, 142, 143, 146 Hereditary baldness, 365 Wal-Mart, 32 Cross product of two vectors, 277–280, Nutrition, 11 Sales promotion, 106 288, 289, 294 Population Satellite television service, 85, 86, 147 Differential equation(s) Software publishing, 143 linear, 218, 225, 226, 229 of deer, 37 second order, 164 of laboratory mice, 91 system of first order, 354, 380, 381, of rabbits, 379 ENGINEERING AND TECHNOLOGY 391, 392, 395, 396, 398 of sharks, 396 Aircraft design, 79 Expansion in R2, 337, 341, 342, 345 of small fish, 396 Circuit design, 322 Fibonacci sequence, 396 Population age and growth over time, 331 Computer graphics, 338 Fourier approximation(s), 285–287, 289, 292 Population genetics, 365 Computer monitors, 190 Geometry of linear transformations in R2, Population growth, 378, 379, 391, 392, 336–338, 341, 342, 345 Control system, 314 395, 396, 398 Hessian matrix, 375 Controllability matrix, 314 Predator-prey relationship, 396 Jacobian, 145 Cryptography, 94–96, 102, 107 Red-green color blindness, 365 Lagrange multiplier, 34 Data encryption, 94 Reproduction rates of deer, 103 Laplace transform, 130 Decoding a message, 96, 102, 107 Sex-linked inheritance, 365 Least squares approximation(s), 281–284, 289 Digital signal processing, 172 Spread of a virus, 91, 93 linear, 282, 289, 292 Electrical network analysis, 30, 31, 34, 37, Vitamin C content, 11 quadratic, 283, 289, 292 150 Wound healing simulation, 180 Linear programming, 47 Electronic equipment, 190 X-linked inheritance, 365 Magnification in R2, 341, 342 Encoding a message, 95, 102, 107 Encryption key, 94 Mathematical modeling, 273, 274, 276 BUSINESS AND ECONOMICS Parabola passing through three points, 150 Engineering and control, 130 Partial fraction decomposition, 34, 37 Airplane allocation, 91 Error checking Polynomial curve fitting, 25–28, 32, 34, 37 Borrowing money, 23 digit, 200 Quadratic form(s), 382–388, 392, 395, 398 Demand, for a rechargeable power drill, 103 matrix, 200 Quadric surface, rotation of, 388, 392 Demand matrix, external, 98 Feed horn, 223 Reflection in R2, 336, 341, 342, 345, 346 Economic system, 97, 98 Global Positioning System, 16 Relative maxima and minima, 375 of a small community, 103 Google’s Page Rank algorithm, 86 Rotation Finance, 23 Image morphing and warping, 180 in R2, 303, 343, 393, 397 Fundraising, 92 Information retrieval, 58 in R3, 339, 340, 342, 345 Gasoline sales, 105 Internet search engine, 58 Second Partials Test for relative extrema, 375 Industrial system, 102, 107 Ladder network, 322 Shear in R2, 337, 338, 341, 342, 345 Input-output matrix, 97 Locating lost vessels at sea, 16 Taylor polynomial of degree 1, 282 Leontief input-output model(s), 97, 98, 103 Movie special effects, 180 Three-point form of the equation of a plane, Major League Baseball salaries, 107 Network analysis, 29–34, 37 141, 143, 146 Manufacturing Radar, 172 Translation in R2, 308, 343 labor and material costs, 105 Sampling, 172 Triple scalar product, 288 models and prices, 150 Satellite dish, 223 Two-point form of the equation of a line, production levels, 51, 105 Smart phones, 190 139, 143, 146, 150 Net profit, Microsoft, 32 Televisions, 190 Unit circle, 253 Output matrix, 98 Wireless communications, 172 Wronskian, 219, 225, 226, 229 Copyright 2017 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience.

Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it. PHYSICAL SCIENCES Newton’s Second Law of Motion, 164 Smokers and nonsmokers, 91 Acoustical noise levels, 28 Ohm’s Law, 322 Sports Airplane speed, 11 Pendulum, 225 activities, 91 Area Planetary periods, 27, 274 Super Bowl I, 36 of a parallelogram using cross product, Primary additive colors, 190 Television watching, 91 279, 280, 288, 294 RGB color model, 190 Test scores, 108 of a triangle Stiffness matrix, 64, 72 using cross product, 289 Temperature, 34 STATISTICS AND PROBABILITY using determinants, 138, 142, 146, Torque, 277 Traffic flow, 28, 33 Canonical regression analysis, 304 150 Least squares regression Astronomy, 27, 274 Undamped system, 164 Unit cell, 213 analysis, 99–101, 103, 107, 265, 271–276 Balancing a chemical equation, 4 cubic polynomial, 276 Beam deflection, 64, 72 end-centered monoclinic, 213 Vertical motion, 37 line, 100, 103, 107, 271, 274, 276, 296 Chemical quadratic polynomial, 273, 276 changing state, 91 Volume of a parallelepiped, 288, 289, 292 Leslie matrix, 331, 378 mixture, 37 Markov chain, 85, 86, 92, 93, 106 reaction, 4 of a tetrahedron, 114, 140, 143 Water flow, 33 absorbing, 89, 90, 92, 93, 106 Comet landing, 141 Multiple regression analysis, 304 Computational fluid dynamics, 79 Wind energy consumption, 103 Work, 248 Multivariate statistics, 304 Crystallography, 213 State matrix, 85, 106, 147, 331 Degree of freedom, 164 Steady state probability vector, 386 Diffusion, 354 Stochastic matrices, 84–86, 91–93, 106, 331 SOCIAL SCIENCES AND Dynamical systems, 396 Earthquake monitoring, 16 DEMOGRAPHICS Electric and magnetic flux, 240 Caribbean Cruise, 106 MISCELLANEOUS Flexibility matrix, 64, 72 Cellular phone subscribers, 107 Architecture, 388 Force Consumer preference model, 85, 86, 92, 147 Catedral Metropolitana Nossa Senhora matrix, 72 Final grades, 105 Aparecida, 388 to pull an object up a ramp, 157 Grade distribution, 92 Chess tournament, 93 Geophysics, 172 Master’s degrees awarded, 276 Classified documents, 106 Grayscale, 190 Politics, voting apportionment, 51 Determining directions, 16 Hooke’s Law, 64 Population Dominoes, A2 Kepler’s First Law of Planetary Motion, 141 of consumers, 91 Flight crew scheduling, 47 Kirchhoff’s Laws, 30, 322 regions of the United States, 51 Sudoku, 120 Lattice of a crystal, 213 of smokers and nonsmokers, 91 Tips, 23 Mass-spring system, 164, 167 United States, 32 U. Postal Service, 200 Mean distance from the sun, 27, 274 world, 273 ZIP + 4 barcode, 200 Natural frequency, 164 Population migration, 106 Copyright 2017 Cengage Learning. All Rights Reserved.

May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it. Copyright 2017 Cengage Learning.

All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.

Elementary Linear Algebra Copyright 2017 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience.

Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it. Copyright 2017 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part.

Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it. Elementary Linear Algebra 8e Ron Larson The Pennsylvania State University The Behrend College Australia • Brazil • Mexico • Singapore • United Kingdom • United States Copyright 2017 Cengage Learning. All Rights Reserved.

May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it. This is an electronic version of the print textbook.

Due to electronic rights restrictions, some third party content may be suppressed. Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. The publisher reserves the right to remove content from this title at any time if subsequent rights restrictions require it. For valuable information on pricing, previous editions, changes to current editions, and alternate formats, please visit www.com/highered to search by ISBN#, author, title, or keyword for materials in your areas of interest.

Important Notice: Media content referenced within the product description or the product text may not be available in the eBook version. Copyright 2017 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part.

Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it. Elementary Linear Algebra © 2017, 2013, 2009 Cengage Learning Eighth Edition WCN: 02-200-203 Ron Larson Product Director: Terry Boyle ALL RIGHTS RESERVED. No part of this work covered by the copyright herein may be reproduced, transmitted, stored, or used in any form or by Product Manager: Richard Stratton any means graphic, electronic, or mechanical, including but not limited Content Developer: Spencer Arritt to photocopying, recording, scanning, digitizing, taping, Web distribution, Product Assistant: Kathryn Schrumpf information networks, or information storage and retrieval systems, Marketing Manager: Ana Albinson except as permitted under Section 107 or 108 of the 1976 United States Content Project Manager: Jennifer Risden Copyright Act, without the prior written permission of the publisher.

Manufacturing Planner: Doug Bertke Production Service: Larson Texts, Inc. For product information and technology assistance, contact us at Cengage Learning Customer & Sales Support, 1-800-354-9706. Photo Researcher: Lumina Datamatics For permission to use material from this text or product, Text Researcher: Lumina Datamatics submit all requests online at www. Text Designer: Larson Texts, Inc.

Further permissions questions can be e-mailed to Cover Designer: Larson Texts, Inc. Cover Image: Keo/Shutterstock.com Compositor: Larson Texts, Inc. Library of Congress Control Number: 2015944033 Student Edition ISBN: 978-1-305-65800-4 Loose-leaf Edition ISBN: 978-1-305-95320-8 Cengage Learning 20 Channel Center Street Boston, MA 02210 USA Cengage Learning is a leading provider of customized learning solutions with employees residing in nearly 40 different countries and sales in more than 125 countries around the world. Find your local representative at www.

Cengage Learning products are represented in Canada by Nelson Education, Ltd. To learn more about Cengage Learning Solutions, visit www. Purchase any of our products at your local college store or at our preferred online store www. Printed in the United States of America Print Number: 01 Print Year: 2015 Copyright 2017 Cengage Learning.

All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).com Editorial review has deemed that any suppressed content does not materially affect the overall learning experience.