티스토리 뷰
행렬 \(A\)가 존재합니다.
\(det(A)\)가 0이 아니면, \(A\)는 invertible 합니다.
\(det(A)\)가 0이면, \(A\)는 not invertible 합니다.
반대로,
\(A\)가 invertible 하면, \(det(A)\)는 0이 아닙니다.
\(A\)가 not invertible 하면, \(det(A)\)는 0입니다.
Linear equation \(Ax=b\)가 존재합니다.
\(det(A)\)가 0이 아니면, \(A\)는 invertible 하기때문에 다음의 공식을 통해 Unique solution인 \(x\)를 계산할 수 있습니다.
Linear equation \(Ax=0\)가 존재합니다.
\(det(A)\)가 0이 아니면, Unique solution인 \(x\)는 영벡터가 됩니다.
이 성질은 Eigenvalues와 Eigenvectors에 대해 공부할때에도 나오니 기억합시다!
\(det(I)=1\) 입니다.
행렬 \(A\)의 행을 서로 교환하면 Determinant의 부호가 바뀝니다.
행렬 \(A\)의 행 중 서로 같은 행이 존재하면, \(det(A)\)는 0입니다.
행렬 \(A\)의 한 행의 elements가 모두 0이라면, \(det(A)\)는 0입니다.
Diagonal matrix, Upper triangular matrix, Lower triangular matrix의 Determinant는 Diagonal elements 의 Product와 같습니다.
\(det(A+B) \ne det(A) + det(B)\) 입니다.
\(det(AB)=det(A)det(B)\) 입니다.
\(det(A^{-1})=1/det(A)\) 입니다.
\(det(A^{T})=det(A)\) 입니다.
'Math > Linear Algebra' 카테고리의 다른 글
인공지능을 위한 선형대수 - CHAPTER 2.2 선형결합 (0) | 2020.10.10 |
---|---|
인공지능을 위한 선형대수 - CHAPTER 2.1 선형방정식과 선형시스템 (0) | 2020.10.09 |
인공지능을 위한 선형대수 - CHAPTER 1. 선형대수의 기초 (0) | 2020.10.04 |
직교 행렬(Orthogonal Matrix) (0) | 2020.09.28 |
행벡터(Row Vector), 열벡터(Column Vector) (0) | 2020.09.16 |
- Total
- Today
- Yesterday
- ㅂ
- 백준
- 백트래킹
- cosine
- Lowest Common Ancestor
- 파이참
- 순열
- 조합
- 단축키
- LCA
- 이분탐색
- 백준 1766
- 위상 정렬 알고리즘
- 백준 11437
- FairMOT
- MOT
- 가장 긴 증가하는 부분 수열
- C++ Deploy
- 인공지능을 위한 선형대수
- 문제집
- 자료구조
- PyCharm
- 백준 11053
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |