基底#
基底#
(定義)基底
ベクトル空間
は線形独立(1次独立)である は を生成する。すなわち、 の任意の元は の線形結合の形に書かれる( )
例えば
と書くことができる。
例題
が
まず、線形独立であるかを判断する。実数スカラー
とおいたときの連立方程式
を解くと
次に、
任意のベクトル
を満たす
この方程式を行列で表記すると
であり、未知数
であり、行列式が零ではないため解が一意的に存在する。よって
(定義)次元
ベクトル空間
このとき
基底に関する例題#
例題
は
行列式がゼロでないため、ランク落ちがなく
基底変換と線形写像#
成分ベクトル#
ベクトル空間
と一意的に表される。
このとき、
を、ベクトル
定理
ベクトル空間
と表され、別の基底
と表されるとき、
が成り立つ。
ただし、
と表すものである。
線形写像の行列表現#
ベクトル空間のあいだの線形写像を行列で表し、行列の理論で解析することができる。
線形写像
と表すことができる。まとめて書けば
である。
この係数
と表すことができる。
具体例
ベクトル空間
線形写像
であるとする。
を使って
となる。
これらに対し、
を使って
と写すような行列
方法1:連立方程式を求める
を解く。
方法2:行列として連立方程式を解く
すなわち
について、
の逆行列を求めて左から両辺に掛けて
逆行列の求め方は、例えば
とおいて、
を変形すると
となるので、
もとの式の両辺に左からかけて
とすると、
さて、
である。そして
である。この式と、式
より、
という関係が成り立つ。
逆に, 任意の
とおくことにより、写像
が定義されるが、この写像は線形写像である。
線形写像
次の線形写像
基底
に関する、この線形写像の表現行列を求めよ。
Step 1: 写像による変換後のベクトルを取得
基底ベクトルに線形写像を適用すると、
である。
Step 2: 1次結合にして係数を求める
変換後のベクトル
この連立1次方程式を解くと
同様に、
は
よって表現行列は
f(v1) = [3. 0.]
f(v2) = [1. 2.]
import numpy as np
v1 = np.array([1, 1])
v2 = np.array([1, -1])
A = np.array([
[3/2, 3/2],
[3/2, -1/2],
])
print("f(v1) =", A[0, 0] * v1 + A[0, 1] * v2)
print("f(v2) =", A[1, 0] * v1 + A[1, 1] * v2)
f(v1) = [3. 0.]
f(v2) = [1. 2.]
A @ v1
A @ v2
array([0., 2.])
基底の変換#
基底の取り方を変えると、行列表現も変わる。
ベクトル空間
と書かれる。ここで
とまとめて表わされる。
定理
また、基底の変換の行列をそれぞれ
とおく。
このとき
が成り立つ。
定理
そして, この 2 つの基底の変換の行列を
このとき,
が成り立つ。
なお、
のような関係にある2つの行列