행렬과 선형결합(Linear combination), 선형변환(Linear Transformation)

Surf in Data·2022년 4월 19일
0

linear algebra

목록 보기
5/6
post-thumbnail
post-custom-banner

행렬과 선형 결합

선형 결합이란 벡터에 스칼라를 곱해준 것들을 더하는것이다.
행렬은 선형 결합과 어떤 관계성을 띄는지 행렬과 벡터의 곱을 통해 알아보도록 하겠다.

[1234][x1x2]=[1x12x23x14x2]\left[ \begin{array}{cc} 1 & 2 \\ 3 & 4 \\ \end{array} \right] \begin{bmatrix} x_{1} \\ x_{2} \end{bmatrix} = \left[ \begin{array}{cc} 1 \cdot x_{1} & 2\cdot x_{2}\\ 3\cdot x_{1} & 4\cdot x_{2}\\ \end{array} \right]

행렬과 벡터의 곱이 주어지면 위와 같은 식으로 계산을 할 것이다. 하지만 이를 선형 변환의 관점에서 보면 다음과 같다.

[1234][x1x2]=x1[13]+x2[24]\left[ \begin{array}{cc} 1 & 2 \\ 3 & 4 \\ \end{array} \right] \begin{bmatrix} x_{1} \\ x_{2} \end{bmatrix} =x_{1}\begin{bmatrix} 1 \\ 3 \end{bmatrix} + x_{2}\begin{bmatrix} 2 \\ 4 \end{bmatrix}

즉, 행렬과 벡터의 곱은 행렬의 열 벡터를 선형 결합하는것으로 볼 수 있다.

선형 변환의 정의

임의의 벡터 v1,v2v_1, v_2가 스칼라 cc에 대해 변환 TT가 다음의 두 조건을 만족한다면 변환 TT는 선형변환이다.

T(v1+v2)=T(v1)+T(v2)T(v_1 + v_2) = T(v_1) + T(v_2)
T(cv1)=cT(v1)T(cv_1) = cT(v_1)

행렬과 선형 변환

이번에도 위와 동일한 행렬과 벡터의 곱을 통해 알아보도록 하겠다.

[1234][x1x2]\left[ \begin{array}{cc} 1 & 2 \\ 3 & 4 \\ \end{array} \right] \begin{bmatrix} x_{1} \\ x_{2} \end{bmatrix}

임의의 2차원 벡터 [x1x2]\begin{bmatrix} x_{1} \\ x_{2}\end{bmatrix}를 두개의 기저 벡터로 표현 한다면 다음과 같다.

x1[10]+x2[01]x_{1}\begin{bmatrix} 1 \\ 0 \end{bmatrix} + x_{2}\begin{bmatrix} 0 \\ 1 \end{bmatrix}

우리는 이미 행렬이 선형 변환TT가 된다는걸 알수 있으므로 행렬과 벡터의 곱을 아래와 같이 표현할 수 있다.

T([x1x2])=T(x1[10]+x2[01])T(\begin{bmatrix} x_{1} \\ x_{2}\end{bmatrix}) = T(x_{1}\begin{bmatrix} 1 \\ 0 \end{bmatrix} + x_{2}\begin{bmatrix} 0 \\ 1 \end{bmatrix})
=x1(T[10])+x2(T[01])=x_{1}(T\begin{bmatrix} 1 \\ 0 \end{bmatrix}) + x_{2}(T\begin{bmatrix} 0 \\ 1 \end{bmatrix})

즉, 행렬과 벡터의 곱은 기저 벡터들의 선형 변환이다.

profile
study blog
post-custom-banner

0개의 댓글