vector space 에 따른 각각의 ordered bases 그리고 가 있다고 했을 때, linear mapping 는 에 대하여 다음과 같다.
이때 크기의 변환 행렬 의 원소는 이다.
예시
Consider a homomorphism and ordered bases of and of .
and 에 대한 the transformation matrix 는 for 를 만족한다.
여기서 는 에 대한 의 coordinates vector 다.
1 min read
vector space V,W 에 따른 각각의 ordered bases B=(b1,…,bn) 그리고 C=(c1,…,cm) 가 있다고 했을 때, linear mapping Φ:V→W 는 j∈{1,…,n} 에 대하여 다음과 같다.
Φ(bj)=α1jc1+⋯+αmjcm=i=1∑mαijci이때 m×n 크기의 변환 행렬 AΦ 의 원소는 AΦ(i,j)=αij 이다.
Consider a homomorphism Φ:V→W and ordered bases B= (b1,…,b3) of V and C=(c1,…,c4) of W.
Φ(b1)=c1−c2+3c3−c4Φ(b2)=2c1+c2+7c3+2c4Φ(b3)=3c2+c3+4c4B and C 에 대한 the transformation matrix AΦ 는 Φ(bk)= ∑i=14αikci for k=1,…,3 를 만족한다.
AΦ=[α1,α2,α3]=1−13−121720314여기서 αj,j=1,2,3 는 C 에 대한 Φ(bj) 의 coordinates vector 다.
변환 행렬이 다음과 같다고 하자.
두 real vector space V, W 에 대하여, mapping \Phi: V \rightarrow W 은 모든 \boldsymbol{x}, \boldsymbol{y} \in V 그리고 \lambda \in \mathbb{R} 에 대해 다음을 만족하는 경우, vector space 의 구조를 보존한다고...
vector space V 가 존재하고 순서가 있는 basis B=\left(\boldsymbol{b} {1}, \ldots, \boldsymbol{b} {n}\right) 가 V 에 있다면, 모든 \boldsymbol{x} \in V 는 unique 한 표현을 가진다 (linear combination).
벡터 공간 을 만드는 벡터를 뜻한다. 다시 말하면, 어떤 벡터들의 집합이 1) 선형 독립 을 만족하고, 2) 이 집합의 span 이 벡터 공간 V 을 구성한다면, 그 집합의 벡터들은 V 에 대한 basis 라고 부를 수 있다.
벡터 공간이란 어떤 벡터 집합을 의미하며, 그 집합 내 어떠한 벡터들 끼리 더하거나 서로 곱해도 집합 내 벡터가 된다. vector space \mathbf{R}^{n} 는 n 개의 원소가 존재하는 모든 column vectors 벡터 v 들로 이루어져 있다.
matrix 는 linear mapping 또는 vector 의 collection 이라고 생각할 수 있다. 벡터 공간 은 꽤 추상적이므로, 이를 컴퓨터에 표현하고 다루기 위해서는 숫자들로 구성된 직사각형 array 들, 즉, 행렬을 사용할 필요가 있다.
주어진 행렬의 행을 바꾸기 위한 행렬 (Row operation) \left[\begin{array}{ll}0 & 1 \\ 1 & 0\end{array}\right]\left[\begin{array}{ll}a & b \\ c &...
Projection 정의 V 가 벡터 공간이고 U \subseteq V 는 V 의 subspace 라고 하자.
어떤 벡터들 v {1}, \ldots, v {n} 로 구성된 집합의 그람 행렬은 각 벡터들의 내적 (정확히는 inner product) G {i j}=\left\langle v {i}, v {j}\right\rangle 이 원소로 표현된 행렬을 의미한다.
어떤 벡터 공간 이 주어졌을 때, 해당 공간에 대한 모든 basis 는 vector 들과 동일 수를 만족해야 한다. 이 수는 그 공간에 대한 차원 (dimension) 이라고 부른다. Note matrix 은 rank 가 존재하지만 차원 개념은 없다.
Unitary matrix는 complex vector space에서 inverse가 conjugate transpose와 같은 matrix다. U^ U = UU^ = I real-valued matrix에서는 같은 역할을 orthogonal가 한다.