Ma trận Vandermonde
Ma trận Vandermonde xuất hiện rất tự nhiên trong một bài toán quen thuộc:
cho $n$ điểm có hoành độ phân biệt $x_1,\dots,x_n$, liệu có tồn tại duy nhất một đa thức bậc nhỏ hơn $n$ đi qua chúng hay không?
Khi viết bài toán đó thành hệ phương trình tuyến tính, ta gặp ngay một ma trận có hình dạng rất đặc biệt. Đó là ma trận Vandermonde.
1. Ma trận Vandermonde là gì?
$$ V(x_1,\dots,x_n)= \begin{bmatrix} 1 & x_1 & x_1^2 & \cdots & x_1^{n-1}\\ 1 & x_2 & x_2^2 & \cdots & x_2^{n-1}\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ 1 & x_n & x_n^2 & \cdots & x_n^{n-1} \end{bmatrix}. $$Hàng thứ $i$ chỉ đơn giản là các lũy thừa của $x_i$ từ bậc $0$ đến bậc $n-1$.
Nhìn qua, đây chỉ là một ma trận “có quy luật”. Nhưng cấu trúc này gắn rất chặt với đa thức.
2. Vì sao ma trận này xuất hiện trong nội suy đa thức?
$$ p(x)=a_0+a_1x+\cdots+a_{n-1}x^{n-1} $$$$ p(x_i)=y_i,\qquad i=1,\dots,n. $$$$ \begin{cases} a_0+a_1x_1+\cdots+a_{n-1}x_1^{n-1}=y_1,\\ a_0+a_1x_2+\cdots+a_{n-1}x_2^{n-1}=y_2,\\ \qquad\vdots\\ a_0+a_1x_n+\cdots+a_{n-1}x_n^{n-1}=y_n. \end{cases} $$Viết gọn bằng ma trận: $$ V(x_1,\dots,x_n) \begin{bmatrix} a_0\ a_1\ \vdots\ a_{n-1} \end{bmatrix}
\begin{bmatrix} y_1\ y_2\ \vdots\ y_n \end{bmatrix}. $$
Vì vậy, câu hỏi “có tồn tại duy nhất một đa thức nội suy hay không?” trở thành câu hỏi “ma trận Vandermonde có khả nghịch hay không?”.
3. Định thức Vandermonde
Kết quả nổi tiếng nhất là: $$ \det\bigl(V(x_1,\dots,x_n)\bigr)
\prod_{1\le i<j\le n}(x_j-x_i). $$
Đây là một công thức rất đẹp, vì nó nói ngay điều quan trọng nhất:
- nếu hai giá trị $x_i$ và $x_j$ trùng nhau, định thức bằng $0$;
- nếu mọi $x_i$ phân biệt, định thức khác $0$.
Và do đó:
ma trận Vandermonde khả nghịch khi và chỉ khi các điểm $x_1,\dots,x_n$ đôi một phân biệt.
Đó chính là lý do một đa thức bậc nhỏ hơn $n$ được xác định duy nhất bởi $n$ điểm có hoành độ khác nhau.
4. Vì sao công thức định thức lại có dạng tích?
Có một cách nhìn rất gọn.
Hãy xem định thức Vandermonde như một đa thức theo các biến $x_1,\dots,x_n$.
$$ x_j-x_i $$đều phải là một thừa số của định thức.
$$ \prod_{1\le iĐây là lý do công thức trên xuất hiện.
5. Một ví dụ nhỏ
$$ V(x_1,x_2,x_3)= \begin{bmatrix} 1 & x_1 & x_1^2\\ 1 & x_2 & x_2^2\\ 1 & x_3 & x_3^2 \end{bmatrix}. $$$$ \det(V)= (x_2-x_1)(x_3-x_1)(x_3-x_2). $$Nếu một trong ba hiệu này bằng $0$, định thức bằng $0$ ngay. Điều đó phản ánh đúng trực giác: nếu hai điểm có cùng hoành độ, ta không còn đủ dữ kiện “độc lập” để xác định duy nhất một đa thức bậc $2$ theo cách này.
6. Ý nghĩa của Vandermonde trong đại số tuyến tính
Ma trận Vandermonde là một ví dụ rất hay vì nó nối được nhiều ý với nhau:
- cơ sở đa thức: các cột tương ứng với $1,x,x^2,\dots,x^{n-1}$;
- hệ phương trình tuyến tính: tìm hệ số đa thức chính là giải một hệ;
- định thức: cho ta tiêu chuẩn khả nghịch rất rõ;
- độc lập tuyến tính: các điều kiện nội suy độc lập với nhau khi các $x_i$ phân biệt.
Nói cách khác, Vandermonde là nơi đại số tuyến tính chạm rất tự nhiên vào giải tích và nội suy.
7. Một lưu ý quan trọng về tính toán số
Về mặt lý thuyết, ma trận Vandermonde rất đẹp. Nhưng về mặt số học, nó thường kém điều kiện khi:
- số điểm quá nhiều;
- hoặc các $x_i$ ở quá gần nhau.
Điều đó có nghĩa là một sai số nhỏ trong dữ liệu có thể làm nghiệm tính được dao động mạnh. Vì vậy trong tính toán thực tế, người ta thường chuyển sang các cách biểu diễn ổn định hơn như cơ sở Newton hoặc nội suy Lagrange.
Nói ngắn gọn:
Vandermonde rất đẹp để hiểu cấu trúc, nhưng không phải lúc nào cũng là dạng tốt nhất để tính số.
8. Kết luận
Nếu chỉ nhớ một ý về ma trận Vandermonde, hãy nhớ ý này:
$$ \det(V)=\prod_{1\le inó là ma trận xuất hiện khi ta viết bài toán nội suy đa thức dưới dạng một hệ phương trình tuyến tính.
Đọc tiếp
- Trực giác hình học của định thức: vì định thức Vandermonde là một ví dụ rất đẹp của trực giác định thức nói chung.
- Diện tích hình bình hành tạo bởi hai vectơ: nếu muốn quay lại phiên bản hai chiều và hình học hơn của định thức trước khi đọc các công thức tổng quát.
- Độ co giãn thể tích của ánh xạ tuyến tính: để nhìn định thức không chỉ như một biểu thức đại số mà còn như một hệ số co giãn hình học.