ストラング：線形代数イントロダクション原書第４版の「行列の構成」についてその意味と意図が今一歩よくわかりませんでした。ChatGPT o1-mini/previewの出現は驚異的でいままでわからなかった理解が格段に上がりました。ギルバートストラングの線形代数についてはいまだに事前学習済みではないですが、2024年10月14日の朝、8章の一部を読み込ませ、行列の構成についてアドバイスを受けました。それで前回の修正2024年2月8日の修正からふたたび大々的な修正です。前回4版ではすでにこの節を理解することは不可能と思い、6版の関連部分を全面翻訳することにしました。6版の7.2節を翻訳し、その後に応用のコメントを大幅修正しました。今回この応用を削除しました。「行列の構成」を理解するカギはAを構成する方法にあるのではなく、基底と成分について理解することでした。
間違い、理解不足等があると思いますので、コメントいただけると助かります。
以下翻訳です。翻訳はChatGPTにより行い、若干の修正を加えました。原文はAPPENDIXです。
8.2 The Matrix of a Linear Transformationの訳
"""翻訳
次の項**"基底の変換: 行列B"** では、すべての線形変換 $T$ に対して行列 $A$ を割り当てます。通常の列ベクトルにおいて、入力 $\boldsymbol{v}$ は $V=R^n$ にあり、出力 $T(\boldsymbol{v})$ は $W=R^m$ にあります。この変換に対する行列は $m$ 行 $n$ 列になります。$V$ と $W$ での基底の選択が $A$ を決定します。
$R^n$ と $R^m$ の標準基底ベクトルは、単位行列 $I$ の列です。その選択は標準行列につながります。すると通常の方法で $T(\boldsymbol{v})=A\boldsymbol{v}$ となります。しかし、これらの空間には異なる基底も存在するので、同じ変換 $T$でも別の行列によって表現されます。線形代数の主要なテーマは、$T$ に対して最良の行列（対角行列）を与える基底を選択することです。
すべてのベクトル空間 $V$ と $W$ には基底があります。それらの基底の各選択は、$T$ に対する行列につながります。入力基底が出力基底と異なる場合、$T(\boldsymbol{v})$ のための行列は単位行列 $I$ にはなりません。それは「基底の変換行列」になります。ここに重要な考え方があります：
入力基底ベクトル $\boldsymbol{v}_1$ から $\boldsymbol{v}_n$ に対する出力 $T(\boldsymbol{v})$ を知っていると仮定します。行列の列 1 から $n$ には、それらの出力 $T(\boldsymbol{v}_1),\cdots,T(\boldsymbol{v}_n)$ が含まれます。$A \times c=$ 行列 $\times$ ベクトル = それらの $n$ 列の組み合わせ。
$Ac$ は正しい組み合わせ $c_1T(v_1)+\cdots+c_nT(v_n)=T(v)$ を与えます。
理由：すべての $\boldsymbol{v}$ は基底ベクトル $\boldsymbol{v}_j$ の一意の組み合わせ $c_1\boldsymbol{v}_1+\cdots+c_n \boldsymbol{v}_n$ です。
$T$ が線形変換である（ここが線形性のポイント）ので、$T(\boldsymbol{v})$ は出力 $T(\boldsymbol{v}_j)$ の同じ組み合わせ $c_1T(\boldsymbol{v}_1)+\cdots+c_nT(\boldsymbol{}v_n)$ でなければなりません。
最初の例として、$R^2$ と $R^3$ の標準基底ベクトルに対する行列 $A$ を考えます。
$A$ の二つの列は、$\boldsymbol{v}_1=(1,0)$ と $\boldsymbol{v}_2=(0,1)$ から出力を得ます。
例1:
$T$ が $\boldsymbol{v}_1=(1,0)$ を $T(\boldsymbol{v}_1)=(2,3,4)$ に変換し、第二の基底ベクトル $\boldsymbol{v}_2=(0,1)$ が $\boldsymbol{v}_2=(5,5,5)$ になると仮定します。$T$ が $R^2$ から $R^3$ への線形変換であれば、その「標準行列」は 3 行 2 列になります。これらの出力 $T(\boldsymbol{v}_1)$ と $T(\boldsymbol{v}_2)$ は $A$ の列に入ります：
A = \begin{bmatrix} 2 & 5 \\ 3 & 5 \\ 4 & 5 \end{bmatrix} c_1=1 \text{および } c_2 =1 \text{は } T(v_1+v_2)=\begin{bmatrix}
2 & 5 \\ 3 & 5 \\ 4 & 5 \end{bmatrix}\begin{bmatrix}1 \\ 1 \end{bmatrix}=\begin{bmatrix}7 \\ 8 \\ 9 \end{bmatrix}
を与えます。
基底の変換：行列 B
例2：
入力空間 $V=R^2$ が出力空間 $W=R^2$ と同じであると仮定します。$T(\boldsymbol{v})=\boldsymbol{v}$ が恒等変換である場合、その行列は $I$（単位行列）になると期待するかもしれません。しかし、それは入力基底が出力基底と同じ場合にのみ起こります。異なる基底を選択して、行列がどのように構築されるかを見てみましょう。
この特別なケース $T(\boldsymbol{v})=\boldsymbol{v}$ について、行列を $A$ ではなく $B$ と呼ぶことにします。これは単に $\boldsymbol{v}$ から $\boldsymbol{w}$ への基底の変換です。それぞれが $\boldsymbol{w}_1$ と $\boldsymbol{w}_2$ の組み合わせです。
\begin{matrix} 入力\\基底 \end{matrix} \begin{bmatrix} \boldsymbol{v}_1 & \boldsymbol{v}_2 \end{bmatrix}=\begin{bmatrix} 3&6\\3&8 \end{bmatrix}\begin{matrix} 出力\\基底 \end{matrix} \begin{bmatrix} \boldsymbol{w}_1 & \boldsymbol{w}_2 \end{bmatrix}=\begin{bmatrix} 3&0\\1&2 \end{bmatrix}\begin{matrix} 基底の\\変換 \end{matrix} \begin{bmatrix} \boldsymbol{v}_1 =\mathbf{1} \boldsymbol{w}_1+\mathbf{1}\boldsymbol{w}_2\\\boldsymbol{v}_2=\mathbf{2}\boldsymbol{w}_1+\mathbf{3}\boldsymbol{w}_2 \end{bmatrix}
注意してください！入力基底 $\boldsymbol{v}_1, \boldsymbol{v}_2$ を出力基底 $\boldsymbol{w}_1, \boldsymbol{w}_2$ の観点から記述しました。これは我々の重要なルールのためです。恒等変換 $T$ を各入力基底ベクトルに適用します：$T(\boldsymbol{v}_1)=\boldsymbol{v}_1$ および $T(\boldsymbol{v}_2)=\boldsymbol{v}_2$。次に、これらの出力 $\boldsymbol{v}_1$ と $\boldsymbol{v}_2$ を出力基底 $\boldsymbol{w}_1$ と $\boldsymbol{w}_2$ で記述します。これらの太字の数字 1, 1 と 2, 3 は行列 $B$ （基底の変換行列）の列 1 と列 2 となります：$WB=V$ なので $B=W^{-1}V$ です。
基底の変換に対する行列 $B$
\begin{matrix} \text{基底の変換に対する} \\ \text{行列 } B \end{matrix} \begin{bmatrix} \\ \boldsymbol{w}_1 \boldsymbol{w}_2\\ \;\end{bmatrix}=\begin{bmatrix} \\B\\ \; \end{bmatrix}\begin{bmatrix} \boldsymbol{v}_1 \boldsymbol{v}_2 \end{bmatrix}\text{ は } \begin{bmatrix} 3&0\\1&2 \end{bmatrix}\begin{bmatrix} \mathbf{1}&\mathbf{2}\\ \mathbf{1}&\mathbf{3} \end{bmatrix}= \begin{bmatrix} 3&6\\3&8 \end{bmatrix} \;\;\;(1)
入力基底が行列 $V$ の列にあり、出力基底が $W$ の列にあるとき、$T=I$ の基底の変換行列は $B=W^{-1}V$ です。
私が見た鍵は、そのルール $B=W^{-1}V$ を理解する明確な方法です。同じベクトル $\boldsymbol{u}$ を入力基底の $\boldsymbol{v}$ と出力基底の $\boldsymbol{w}$ で書くとします。これを三通りの方法で行います：
\begin{matrix} \boldsymbol{u}=c_1\boldsymbol{v}_1+\cdots+c_n\boldsymbol{v}_n\\ \boldsymbol{u}=d_1\boldsymbol{w}_1+\cdots+d_n\boldsymbol{w}_n \end{matrix}\text{ は } \begin{bmatrix} \\ \boldsymbol{v}_1 \cdots \boldsymbol{v}_n\\ \;\end{bmatrix}\begin{bmatrix} c_1\\ \vdots \\ c_n \end{bmatrix}=\begin{bmatrix} \boldsymbol{w}_1 \cdots \boldsymbol{w}_n \end{bmatrix}\begin{bmatrix} d_1\\ \vdots \\d_n \end{bmatrix} \text{ そして }V\boldsymbol{c}=W\boldsymbol{d}
新しい基底 $\boldsymbol{w}$ の係数 $\boldsymbol{d}$ は $\boldsymbol{d}=W^{-1}V\boldsymbol{c}$ です。そして $B$ は
W^{-1}V \;\;\;(2)
この式 $B=W^{-1}V$ は世界の最大の謎の一つを生み出します：標準基底 $V=I$ が異なる基底 $W$ に変換されると、基底の変換行列は $W$ ではなく $B=W^{-1}$ になります。大きな基底ベクトルはより小さい係数を持ちます！
\text{標準基底における
}
\begin{bmatrix} x\\y \end{bmatrix}
\text{は、} \boldsymbol{w}_1, \boldsymbol{w}_2 \text{ 基底において }\begin{bmatrix} \boldsymbol{w}_1 &\boldsymbol{w}_2 \end{bmatrix}^{-1}\begin{bmatrix} x\\y \end{bmatrix}\text{ の係数を持ちます。}
行列の構成ためのT
今度は任意の線形変換に対する行列を構築します。線形変換 $ T $ が $ n $ 次元の空間 $ \mathbf{V} $ を $ m $ 次元の空間 $ \mathbf{W} $ に変換すると仮定します。$ \mathbf{V} $ の基底として $ \mathbf{v}_1, \ldots, \mathbf{v}_n $ を、$ \mathbf{W} $ の基底として $ \mathbf{w}_1, \ldots, \mathbf{w}_m $ を選びます。行列 $ A $ のサイズは $ m \times n $ となります。$ A $ の最初の列を見つけるためには、最初の基底ベクトル $ \mathbf{v}_1 $ に $ T $ を適用します。出力 $ T(\mathbf{v}_1) $ は $ \mathbf{W} $ 内にあります。$T(\mathbf{v}_1)$ は $\mathbf{W}$ の出力基底に対する
$ a_{11}\mathbf{w_1} + \ldots + a_{m1}\mathbf{w_m} $ の組み合わせです。
これらの数値 $ a_{11}, \ldots, a_{m1} $ は $ A $ の最初の列に入ります。$ \mathbf{v}_1 $ を $ T(\mathbf{v}_1) $ に変換することは、$ (1,0, \ldots ,0) $ に $ A $ を掛けることと一致します。これが行列の最初の列を生成します。$ T $ が導関数で最初の基底ベクトルが 1 の場合、その導関数は $ T(\mathbf{v_1})= 0 $ です。したがって、導関数行列の $ A $ の最初の列はすべてゼロです。
例3
入力基底 $ \mathbf{v} $ は $ 1,x,x^2,x^3 $ です。出力基底 $ \mathbf{w} $ は $ 1,x,x^2 $ です。そして $ T $ は導関数を取ります：$ T(\mathbf{v}) = \frac{d\mathbf{v}}{dx} $ であり、$ A $ は「導関数行列」です。
もし $ \mathbf{v} = c_1 + c_2x + c_3x^2 + c_4x^3 $ ならば、$ \frac{d\mathbf{v}}{dx} = c_2 + 2c_3x + 3c_4x^2 $ です。
Ac =
\begin{bmatrix}
0&1&0&0 \\
0&0&2&0 \\
0&0&0&3
\end{bmatrix}
\begin{bmatrix}
c_1 \\
c_2 \\
c_3 \\
c_4
\end{bmatrix}
=
\begin{bmatrix}
c_2 \\
2c_3 \\
3c_4
\end{bmatrix}
キーとなるルール：$ A $ の $ j $ 番目の列は $ j $ 番目の基底ベクトル $ \mathbf{v}_j $ に $ T $ を適用することで見つかります。
$ T(\mathbf{v}_j) $ は基底ベクトルの組み合わせであり、
a_{1j}\mathbf{w}_1 + \cdots + a_{mj} \mathbf{w}_m
です。
これらの数値 $ a_{ij} $ は $ A $ に入ります。行列は基底ベクトルを正確に構築します。そして、線形性により他のすべてのベクトルも正確に反映されます。すべての $ \mathbf{v} $ は $ c_1 \mathbf{v}_1 + \ldots + c_n \mathbf{v}_n $ の組み合わせであり、$ T(\mathbf{v}) $ も $ \mathbf{w} $ の組み合わせです。$ A $ に $ \mathbf{v} $ の組み合わせである係数ベクトル $ c = (c_1, \ldots , c_n) $ を掛けると、$ Ac $ は $ T(\mathbf{v}) $ の係数を生成します。これは行列の積（列の結合）が $ T $ のように線形であるためです。
$ \mathbf{V} $ から $ \mathbf{W} $ へのすべての線形変換は、基底を使用して行列に変換されます。
例 4
積分 $T^{+}(v)$ において、最初の基底関数は再び 1 です。その積分は2番目の基底関数 $x$ です。したがって、「積分行列」 $A^+$ の最初の列は $(0, 1, 0, 0)$ です。
\begin{matrix} \text{積分 }d_1+d_2x+d_3x^2\\
\text{は } d_1x+\frac{1}{2}d_2x^2 + \frac{1}{3}d_3x^3 \text{です} \end{matrix}
A^+d=\begin{bmatrix}0&0&0\\1&0&0\\0&\frac{1}{2} &0\\0&0&\frac{1}{3} \end{bmatrix}\begin{bmatrix}d_1\\d_2\\d_3 \end{bmatrix}=\begin{bmatrix}0\\d_1\\\frac{1}{2}d_2\\ \frac{1}{3}d_3 \end{bmatrix}
関数を積分してから微分すると、元に戻ります。つまり $AA^+=I$ です。しかし、微分してから積分すると、定数項が失われます。したがって $A^+A$ は $I$ ではありません。
1の導関数の積分はゼロです：
$$T^+T(1)=\text {ゼロ関数の積分 = 0}$$
これは $A^+A$ に一致します。その最初の列はすべてゼロです。導関数 $T$ には核（定数関数）があります。その行列には零空間があります。主なアイデアは再び: $Av$ は $T(v)$ のコピーです。
導関数と積分の例では3つのポイントを示しました。第一に、線形変換 $T$ は、微積分、微分方程式、線形代数の至る所に存在します。第二に、$R^n$ 以外の空間も重要です。私たちは $V$ と $W$ で関数を扱いました。第三に、微分してから積分すると、それらの行列 $A^+A$ を乗算することができます。
行列積 AB と変換 TS の一致
私たちは重要なことにたどり着きました — 行列を掛け合わせるルールの本当の理由です。ついにその理由がわかります！2つの線形変換 $T$ と $S$ は、2つの行列 $A$ と $B$ によって表されます。これから、$TS$ と積 $AB$ を比較します：
変換 $T$ を $S$ の出力に適用するとき、次のルールによって $TS$ を得ます：$(TS)(\boldsymbol{u})$ は $T(S(\boldsymbol{u}))$ と定義されます。出力 $S(\boldsymbol{u})$ は $T$ への入力となります。
行列 $A$ を $B$ の出力に適用するとき、このルールによって $AB$ を掛け合わせます：$(AB)(\boldsymbol{x})$ は $A(B\boldsymbol{x})$ と定義されます。出力 $B\boldsymbol{x}$ は $A$ への入力となります。行列の積は、$TS$ を表す正しい行列 $AB$ を与えます。
変換 $S$ は空間 $U$ から $V$ へのもので、その行列 $B$ は $U$ の基底 $\boldsymbol{u}_1,\cdots,\boldsymbol{u}_p$ と $V$ の基底 $\boldsymbol{v}_1,\cdots, \boldsymbol{v}_n$ を使用します。その行列は $n$ 行 $p$ 列です。変換 $T$ は以前と同様に $V$ から $W$ へのものです。その行列 $A$ は、出力空間である $S$ と入力空間である $T$ のために同じ基底 $\boldsymbol{v}_1,\cdots, \boldsymbol{v}_n$ を使用しなければなりません。そして行列 $AB$ は $TS$ に一致します。
積の変換 $TS$ は、任意のベクトル $\boldsymbol{u}$ が $U$ から始まり、$V$ の $S(\boldsymbol{u})$ へ行き、そして $W$ の $T(S(\boldsymbol{u}))$ へ行きます。行列 $AB$ は、任意の $\boldsymbol{x}$ が $R^P$ から始まり、$R^n$ の $B\boldsymbol{x}$ へ行き、そして $R^m$ の $AB\boldsymbol{x}$ へ行きます。行列 $AB$ は $TS$ を正確に表しています：
$$TS:U→V→W ; AB:(m \text{ 行 } n)(n \text{ 行 } p)=(m \text{ 行 } p)$$
変換の積 $TS$ は行列の積 $AB$ と一致します。重要なケースは、空間 $U,V,W$ が同じで、その基底が同じである場合です → 正方行列。
例5
$S$ は平面を $\theta$ だけ回転させ、$T$ も $\theta$ だけ回転させます。すると $TS$ は $2\theta$ だけ回転します。この変換 $T^2$ は、$2\theta$ を通じて回転行列 $A^2$ に対応します：
T=S \;\; A=B \;\;\; T^2 = 2\theta \text{ だけの回転 } \;\;\; A^2=\begin{bmatrix}\cos(2\theta) & -\sin(2\theta) \\ \sin(2\theta) & \cos(2\theta) \end{bmatrix} \;\;\; (4)
A^2=\begin{bmatrix}\cos(\theta) & -\sin(\theta) \\ \sin(\theta) & \cos(\theta) \end{bmatrix}\begin{bmatrix}\cos(\theta) & -\sin(\theta) \\ \sin(\theta) & \cos(\theta) \end{bmatrix}
=\begin{bmatrix}\cos^2(\theta)- \sin^2(\theta) & - 2\sin(\theta)\cos(\theta) \\ 2\sin(\theta)\cos(\theta)& \cos^2(\theta)-\sin^2(\theta) \end{bmatrix} \;\;\; (5)
(4) と (5) を比較すると、$\cos 2\theta = \cos^2 \theta -\sin^2 \theta$ と $\sin 2\theta=2\sin \theta \cos \theta$ が得られます。
例6
$S$ は角度 $\theta$ で回転し、$T$ は角度 $-\theta$ で回転します。すると $TS=I$ になり、これは $AB=I$ につながります。この場合、$T(S(\boldsymbol{u}))$ は $\boldsymbol{u}$ です。前方と後方に回転します。行列が一致するためには、$AB\boldsymbol{x}$ は $\boldsymbol{x}$ でなければなりません。角度 $\theta$ と $-\theta$ の行列は互いに逆行列です。
最適な基底の選択
本節の最終ステップに到達します。行列を対角化する基底を選択します。標準基底（$I$ の列）を使用すると、変換 $T$ はある行列 $A$ を生成しますが、おそらく対角ではありません。異なる基底を選択すると、同じ $T$ は異なる行列によって表されます。2つの偉大な選択肢は、固有ベクトルと特異ベクトルです：
ー固有ベクトルー
$T$ が $R^n$ から $R^n$ への変換である場合、その行列 $A$ は正方形です。$n$ 個の独立した固有ベクトルがある場合、それらを入力と出力の基底として選択します。この良い基底では、$T$ のための行列は対角固有値行列 $\Lambda$ です。
例7
射影行列 $T$ は、$R^2$ のすべての $\boldsymbol{v}=(x,y)$ を線 $y=-x$ 上に射影します。標準基底を使用して、$\boldsymbol{v}_1=(1,0)$ は $T(\boldsymbol{v}_1)=\left(\frac{1}{2},-\frac{1}{2}\right)$ に射影されます。$ \boldsymbol{v}_2=(0,1)$ に対する射影は $T(\boldsymbol{v}_2)=\left(-\frac{1}{2},\frac{1}{2}\right)$ です。これらは $A$ の列です：
\begin{matrix}\text{射影行列}\\\text{標準基底}\\ \text{対角ではない} \end{matrix} A=\begin{bmatrix} \frac{1}{2}&-\frac{1}{2}\\-\frac{1}{2}&\frac{1}{2}\end{bmatrix} \text{ は } A^T=A \text{ および } A^2=A \text{ を満たします。}
つぎは固有ベクトルの重要な利用法です。それらを基底ベクトルにします！対角化するためです！
ー基底ベクトル=固有ベクトルー
基底ベクトルが固有ベクトルの場合、行列は対角行列になります。
\begin{matrix}
\boldsymbol{v}_1&=\boldsymbol{w}_1&=(1,ー1)&\text{ はそれ自身に射影されます: } &T(\boldsymbol{v}_1)=\boldsymbol{v}_1\text{ かつ }\lambda_1=1\\
\boldsymbol{v}_2&=\boldsymbol{w}_2&=(1,1)&\text{ はゼロに射影されます: }&T(\boldsymbol{v}_2)=0\text{ かつ }\lambda_2=0 \end{matrix}
\begin{matrix} \text{固有ベクトル基底}\\ \text{対角行列} \end{matrix} \text{ 新しい行列は } \begin{bmatrix}1&0\\0&1 \end{bmatrix}\begin{bmatrix}\lambda_1&0\\0&\lambda_2 \end{bmatrix}=\Lambda \;\;\; (6)
固有ベクトルは完璧な基底ベクトルです。それらは固有値行列 $\Lambda$ を生成します。
入力基底 = 出力基底の他の選択はどうでしょうか？それらの基底ベクトルを $B$ の列に入れます。上で見たように、基底の変換行列（標準基底と新しい基底の間）は $B_{\text{in}}=B$ と $B_{\text{out}}=B^{-1}$ です。$T$ の新しい行列は $A$ に似ています：
$A_{\text{new}}=B^{-1}AB$ 新しい基底の $\boldsymbol{b}$ での $A$ は標準基底の $A$ に似ています：
A_{\boldsymbol{b}'s\text{ to }\boldsymbol{b}'s} = B_{\text{standard to }\boldsymbol{b}'s}^{-1} \;\; A_{\text{standard}} \;\; B_{\boldsymbol{b}'s\text{ to standard}}\;\;(7)
変換 $ITI$ と行列 $B^{-1}AB$ に対する乗算ルールを使用しました。
最後に、異なる空間 $V$ と $W$、および異なる基底 $\boldsymbol{v}$ と $\boldsymbol{w}$ を可能にします。$T$ が分かっていて基底を選択すると、行列 $A$ を得ます。$A$ はおそらく対称でも正方形でもありません。しかし、対角行列を生成する $\boldsymbol{v}$ と $\boldsymbol{w}$ を常に選択することができます。これは分解 $A=U\Sigma V^T$ の中で特異値行列 $\Sigma=\text{diag} (\sigma_1,\cdots,\sigma_r)$ になります。
特異ベクトル
\text{特異値分解 (SVD) は} U^{-1}AV=\Sigma \text{ を示します。}
\text{右特異ベクトル}\boldsymbol{v}_1,\cdots,\boldsymbol{v}_n \text{ は入力基底になります。}
\text{左特異ベクトル}\boldsymbol{u}_1,\cdots,\boldsymbol{u}_m\text{ は出力基底になります。}
\text{行列乗算のルールに従い、これらの新しい基底での同じ変換のための行列は}
B_{\text{out}}^{-1}AB_{\text{in}}=U^{-1}AV=\Sigma\text{ です。対角です！}
$\Sigma$ が $A$ に「似ている」とは言えません。私たちは今、入力と出力の2つの基底で作業しています。しかし、それらは直交基底であり、ベクトルの長さを保持します。David Voganの良い提案に従って、私たちは"""$\Sigma$ は $A$ に「相似」"""だといいます。
\text{定義 }\;\;\; C=Q_1^{-1}AQ_2 \text{ は } A \text{ に相似である、もし } Q_1 \text{ と } Q_2 \text{ が直交している場合。}
例8
変換 $T=\frac{d}{dx}$ に対する行列 $A$ を構築するために、入力基底として $1, x, x^2, x^3$、出力基底として $1, x, x^2$ を選びました。行列 $A$ はシンプルでしたが、残念ながら対角行列ではありません。しかし、各基底を逆の順序で並べ変えます。
今、入力基底は $x^3, x^2, x, 1$ であり、出力基底は $x^2, x, 1$ です。基底の変更行列 $B_{\text{in}}$ と $B_{\text{out}}$ は置換です。新しい基底での $T(u)=du/dx$ のための行列は、$\sigma = 3, 2, 1$ を持つ対角特異値行列 $B_{\text{out}}^{-1}AB_{\text{in}}=\Sigma$ です：
B_{\text{out}}^{-1}AB_{\text{in}} = \begin{bmatrix} \;&\;&1\\ \;& 1&\; \\ 1 & \; & \; \end{bmatrix}\begin{bmatrix} 0 &1&1&0\\ 0&0&2&0 \\ 0 & 0 & 0&3 \end{bmatrix}\begin{bmatrix} \;&\;&\;&1 \\ \;&\;&1& \; \\ \;&1 & \; & \;\\1&\;&\;&\; \end{bmatrix}=\begin{bmatrix} 3&0&0&0\\ 0&2&0&0 \\ 0 & 0 & 1&0 \end{bmatrix}
"""
Pythonによる理解
例４のコード
import numpy as np
# 入力基底ベクトルと出力基底ベクトルを定義
input_basis = [[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]]
output_basis = [[1,0,0],[0,1,0],[0,0,1]]
# 導関数を取る関数Tを定義
def T(v):
if v == input_basis[0]:
return 0 + 0 + 0 + 0 # d(1)/dx = 0
elif v == input_basis[1]:
return 1*output_basis[0]+0*output_basis[1]+0*output_basis[2] # d(x)/dx = 1
elif v == input_basis[2]:
return 0*output_basis[0]+2*output_basis[1]+0*output_basis[2] # d(x^2)/dx = 2x
elif v == input_basis[3]:
return 0*output_basis[0]+0*output_basis[1]+3*output_basis[2] # d(x^3)/dx = 3x^2
# Tの出力を利用して行列Aを構築する関数
def construct_A(input_basis, output_basis):
A = np.zeros((len(output_basis), len(input_basis))) # 出力基底x入力基底のサイズで0行列を初期化
# 各入力基底ベクトルに対する導関数の計算
for i, v in enumerate(input_basis):
derivative = T(v)
# 導関数の結果に基づいて、行列Aの列を更新
if derivative == 0:
continue # 導関数が0の場合は、既に初期化されている0を使用
elif derivative == output_basis[0]:
A[0, i] = 1 # xの導関数は1、最初の行の対応する列に1を設定
elif derivative == 2*output_basis[1]:
A[1, i] = 2 # x^2の導関数は2x、2番目の行の対応する列に2を設定
elif derivative == 3*output_basis[2]:
A[2, i] = 3 # x^3の導関数は3x^2、3番目の行の対応する列に3を設定
return A
# 行列Aを構築
A_constructed = construct_A(input_basis, output_basis)
A_constructed
# 成分による計算
A=A_constructed
A@[1,2,3,4]
Appendix
The next pages assign a matrix $A$ to every linear transformation $T$. For ordinary column vectors, the input $v$ is in $V=R^n$ and the output $T(v)$ is in $W=R^m$. The matrix for this transformation will be $m$ by $n$. Our choice of bases in $V$ and $W$ will decide $A$.
The standard basis vectors for $R^n$ and $R^m$ are the columns of $I$. That choice leads to a standard matrix. Then $T(v)=Av$ in the normal way. But these spaces also have other bases, so the same transformation $T$ is represented by other matrices. A main theme of linear algebra is to choose the bases that give the best matrix (a diagonal matrix) for $T$.
All vector spaces $V$ and $W$ have bases. Each choice of those bases leads to a matrix for $T$. When the input basis is different from the output basis, the matrix for $T(v)$ will no be the identity $I$ It will be the "change of basis matrix". Here is the key idea:
Suppose we know outputs $T(v)$ for the input basis vectors $v_1$ to $v_n$. Columns 1 to $n$ of the matrix will contain those outputs $T(v_1)$ to $T(v_n)$. $A$ times $c=$ matrix times vector = combination of those $n$ columns.
$Ac$ gives the correct combination $c_1T(v_1)+\cdots+c_nT(v_n)=T(v)$.
Reason Every $v$ is a unique combination $c_1v_1+\cdots+c_nv_b$ of the basis vectors $v_j$.
Since $T$ is a linear transformation (here is the moment for linearity), $T(v)$ must be
the same combination $c_1T(v_1)+\cdots+c_nT(v_n)$ of the outputs $T(v_j)$ in the columns.
Our first example gives the matrix $A$ for the standard basis vectors in $R^2$ and $R^3$.
The two columns of $A$ are the outputs from $v_1=(1,0)$ and $v_2=(0,1)$
Example1 Suppose $T$ transforms $v_1=(1,0) to $T(v_1)=(2,3,4)$. Suppose the second basis vector $v_2=(5,5,5)$. If $T$ is linear from $R^2$ to $R^3$ then its "standard matrix" is 3by2. Those outputs $T(v_1)$ and $T(v_2)$ go into the columns of $A$:
A = \begin{bmatrix} 2 & 5 \\ 3 & 5 \\ 4 & 5 \end{bmatrix} c_1=1 \text{and } c_2 =1 \text{give } T(v_1+v_2)=\begin{bmatrix}
2 & 5 \\ 3 & 5 \\ 4 & 5 \end{bmatrix}\begin{bmatrix}1 \\ 1 \end{bmatrix}=\begin{bmatrix}7 \\ 8 \\ 9 \end{bmatrix}
Example2: Change of Basis: Matrix B
Suppose the input space $V=R$ is also the output space $W=R^2$
Suppose that $T(\boldsymbol{v})=\boldsymbol{v}$ is the identity transformation. You might expect its matrix to be $I$, but that only happens when the input basis is the same as the output basis.
I will choose different bases to see how the matnx is constructed.
For this special case $T(\boldsymbol{v})=\boldsymbol{v}$, I will call the matrix $B$ instead of $A$. We are just Changing basis from the $\boldsymbol{v}'s$ to the $\boldsymbol{w}'s$. Each is a combination of $\boldsymbol{w}_1$ and $\boldsymbol{w}_2$.
\begin{matrix} Input\\basis \end{matrix} \begin{bmatrix} \boldsymbol{v}_1 \boldsymbol{v}_2 \end{bmatrix}=\begin{bmatrix} 3&6\\3&8 \end{bmatrix}\begin{matrix} Output\\basis \end{matrix} \begin{bmatrix} \boldsymbol{w}_1 \boldsymbol{w}_2 \end{bmatrix}=\begin{bmatrix} 3&0\\1&2 \end{bmatrix}\begin{matrix} Change\\of basis \end{matrix} \begin{bmatrix} \boldsymbol{v}_1 =1 \boldsymbol{w}_1+1\boldsymbol{w}_2\\\boldsymbol{v}_2=2\boldsymbol{w}_1+3\boldsymbol{w}_3 \end{bmatrix}
Please notice! I wrote the input basis $\boldsymbol{v}_1,\boldsymbol{v}_2$ in terms of the output basis $\boldsymbol{w}_1,\boldsymbol{w}_2$. That is because of our key rule. We apply the identity transformation $T$ to each input basis vector: $T(\boldsymbol{v}_1)=\boldsymbol{v}_1$ and $T(\boldsymbol{v}_2)=\boldsymbol{v}_2$. Then we write those outputs $\boldsymbol{v}_1$ and $\boldsymbol{v}_2$ in the output basis $\boldsymbol{w}_1$ and $\boldsymbol{w}_2$. Those bold numbers 1,1 and 2,3 tell us column 1 and column 2 of the matrix B (the change of basis matrix): $WB=V$ so $B=W^{-1}V$.
\begin{matrix} \text{Matrix B for }\\ \text{change of basis }\end{matrix} \begin{bmatrix} \\ \boldsymbol{w}_1 \boldsymbol{w}_2\\ \;\end{bmatrix}=\begin{bmatrix} \\B\\ \; \end{bmatrix}\begin{bmatrix} \boldsymbol{v}_1 \boldsymbol{v}_2 \end{bmatrix}\text{ is } \begin{bmatrix} 3&0\\1&2 \end{bmatrix}\begin{bmatrix} \mathbf{1}&\mathbf{2}\\ \mathbf{1}&\mathbf{3} \end{bmatrix}= \begin{bmatrix} 3&6\\3&8 \end{bmatrix} \;\;\;(1)
When the input basis is in the columns of a matrix $V$,and the output basis is in the columns of $W$ the change of basis matrix for $T=I$ is $B=W^{-1}V$.
The key I see a clear way to understand that rule $B=W^{-1}V$. Suppose the same vector $\boldsymbol{u}$ is written in the input basis of $\boldsymbol{v}'s$ and the output basis of $\boldsymbol{w}'s$. I will do that three ways:
\begin{matrix} \boldsymbol{u}=c_1\boldsymbol{v}_1+\cdots+c_n\boldsymbol{v}_n\\ \boldsymbol{u}=d_1\boldsymbol{w}_1+\cdots+d_n\boldsymbol{w}_n \end{matrix}\text{ is } \begin{bmatrix} \\ \boldsymbol{v}_1 \cdots \boldsymbol{v}_n\\ \;\end{bmatrix}\begin{bmatrix} c_1\\ \vdots \\ c_n \end{bmatrix}=\begin{bmatrix} \boldsymbol{w}_1 \cdots \boldsymbol{w}_n \end{bmatrix}\begin{bmatrix} d_1\\ \vdots \\d_n \end{bmatrix} \text{ and }V\boldsymbol{c}=W\boldsymbol{d}
The coefficients $\boldsymbol{d}$ in the new basis of $\boldsymbol{w}$'s are $\boldsymbol{d}=W^{-1}V\boldsymbol{c}$. Then $B$ is $W^{-1}V ;;;(2)$
This formula $B=W^{-1}V$ produces one of the world's greatest mysteries: When the standard basis $V=I$
Is changed to a different basis $W$, the change of basis matrix is not $W$ but $B=W^{-1}$. Larger basis vectors have smaller coefficients!
\begin{bmatrix} x\\y \end{bmatrix}
in the standard basis has coefficients
\begin{bmatrix} \boldsymbol{w}_1 &\boldsymbol{w}_2 \end{bmatrix}^{-1}\begin{bmatrix} x\\y \end{bmatrix}
in the $\boldsymbol{w}_1,\boldsymbol{w}_2$ basis.
Matrix Products AB Match Transformations TS
We have come to some thing important —the real reason for the rule to multiply matrices. At last we discover why! Two linear transformations $T$ and $S$ are represented by two matrices $A$ and $B$. Now compare $TS$ with the multiplication $AB$:
When we apply the transformation $T$ to the output from $S$, we get $TS$ by this rule:$(TS)(\boldsymbol{u})$ is defined to be $T(S(\boldsymbol{u}))$. The output $S(\boldsymbol{u})$ becomes the input to $T$.
When we apply the matrix $A$ to the output from $B$, we multiply $AB$ by this rule: $(AB)(\boldsymbol{x})$ is defined to be $A(B\boldsymbol{x})$. The output $BC$ becomes the input to $A$. Matrix multiplication gives the correct matrix $AB$ to represent $TS$.
The transformation $S$ is from a space $U$ to $V$、Its matrix $B$ uses a basis $\boldsymbol{u}_1,\cdots,\boldsymbol{u}_p$ for $U$ and a basis $\boldsymbol{v}_1,cdots, \boldsymbol{v}_n$ for $V$. That matrix is $n$ by $p$. The transformation $T$ is from $V$ to $W$ as before. Its matrix $A$ must use the same basis $\boldsymbol{v}_1,cdots, \boldsymbol{v}_n$ — this is the output space for S and the input space for $T$. Then the matrix $AB$ matches TS.
Multiplication The linear transformation $TS$ starts with any vector $\boldsymbol{u}$ in $U$, goes to $S(\boldsymbol{u})$ in $V$ and then to $T(S(\boldsymbol{u}))$ in $W$. The matrix $AB$ starts with any $\boldsymbol{x}$ in $R^P$, goes to $B\boldsymbol{x}$ in $R^n$ and then to $AB\boldsymbol{x}$ in $R^m$. The matrix $AB$ correctly represents $TS$:
$$TS:U→V→W AB:($m$ by $n)($n$ by $p$)=($m$ by $p$).
Product of transformations $TS$ matches product of matrices $AB$. An important case is when the spaces $U,V,W$ are the same and their base sare the same $\rightarrow$ square matrices.
Example 5 $S$ rotates the plane by $\theta$ and $T$ also rotates by$theta$. Then $TS$ rotates by $2\theta$. This transformation $T^2$ corresponds to the rotation matrix $A^2$ through $2\theta$:
T=S \;\; A=B \;\;\; T^2 = \text{ rotation by }2\theta \;\;\; A^2=\begin{bmatrix}\cos(2\theta) & -\sin(2\theta) \\ \sin(2\theta) & \cos(2\theta) \\ \end{bmatrix} \;\;\; (4)
A^2=\begin{bmatrix}\cos(\theta) & -\sin(\theta) \\ \sin(\theta) & \cos(\theta) \end{bmatrix}\begin{bmatrix}\cos(\theta) & -\sin(\theta) \\ \sin(\theta) & \cos(\theta) \end{bmatrix}=\begin{bmatrix}\cos^2(\theta)- \sin^2(\theta) & - 2\sin(\theta)\cos(\theta) \\ - 2\cos(\theta)\sin(\theta)& \cos^2(\theta)-\sin^2(\theta) & \end{bmatrix} \;\;\; (5)
Comparing (4) with (5) produces $\cos 2\theta = \cos^2 \theta -\sin^2 \theta$ and $\sin 2\theta=2\sin \theta \cos \theta$
Example 6
$S$ rotates by the angle $\theta$ and $T$ rotates byー$\theta$. Then $TS=I$ leads to $AB=I$. In this case $T(S(\boldsymbol{u}))$ is $\boldsymbol{u}$. We rotate forward and back. For the matrices to match, $Ab\boldsymbol{x}$ must be $\boldsymbol{x}$. The matrices with $\theta$ and $-\theta$ are inverses.
Choosing the Best Bases
Now comes the final step in this section of the book. Choose bases that diagonalize the
matrix. With the standard basis (the columns of $I$) our transformation $T$ produces some matrix $A$— probably not diagonal. That same $T $ is represented by different matrices when we choose different bases. The two great choices are eigenvectors and singular vectors:
Eigenvectors
If $T$ transforms $R^n$ to $R^n$, its matrix $A$ is square. If there are $n$ independent eigenvectors, choose those as the input and output basis. In this good basis, the matrix for $T$ is the diagonal eigenvalue matrix $A$.
Example 7
The projection matrix $T$ projects every $\boldsymbol{v}=(x,y)$ in $R^2$ onto the line $y=-x$. Using the standard basis, $\boldsymbol{v}_1=(0,1)$ projects to $T(\boldsymbol{v}_1)=\left(\frac{1}{2},-\frac{1}{2}\right)$. For $\boldsymbol{v}_2=(0,1)$ the projection is $T(\boldsymbol{v}_2)=(-\frac{1}{2},\frac{1}{2})$. Those are the columns of $A$:
\begin{matrix}\text{Projection matrix}\\\text{Standard bases}\\ \text{Not diagonal} \end{matrix} A=\begin{bmatrix} \frac{1}{2}&-\frac{1}{2}\\-\frac{1}{2}&\frac{1}{2}\end{bmatrix} \text{ has } A^T=A \text{ and } A^2=A.
Now comes the main point of eigenvectors. Make them the basis vectors! Diagonalize!
When the basis vectors are eigenvectors, the matrix becomes diagonal.
\begin{matrix}\boldsymbol{v}_1&=\boldsymbol{w}_1&=(1,ー1)&\text{ projects to itself:} &T(\boldsymbol{v}_1)=\boldsymbol{v}_1\text{ and }\lambda_1=1\\
\boldsymbol{v}_2&=\boldsymbol{w}_2&=(1,1)&\text{ projects to zero: }&T(\boldsymbol{v}_2)=0\text{ and }\lambda_2=0 \end{matrix}
\begin{matrix} \text{Eigenvector bases}\\ \text{Diagonal matrix} \end{matrix} \text{ The new matrix is } \begin{bmatrix}1&0\\0&1 \end{bmatrix}\begin{bmatrix}\lambda_1&0\\0&\lambda_2 \end{bmatrix}=\Lambda \;\;\; (6)
Eigenvectors are the perfect basis vectors. They produce the eigenvalue matrix $\Lambda$.
What about other choices of input basis =output basis? Put those basis vectors into the columns of $B$. We saw above that the change of basis matrlces (between standard basis and new basis)are $B_{in}=B$ and $B_{out}=B^{-1}$. The new matrix for $T$ is similar to $A$:
$A_{new}=B^{-1}AB$ In the new basis of b's is similar to A in the standard basis:$
A_{\text{b's to b's}} \;\; B_{\text{standard to b's}}^{-1} \;\; A_{standard} \;\; B_{b's\; to\;standard}\;\;(7)
I used the multiplication rule for the transformation $ITI$ and the matrices $B^{-1}AB$
Finally we allow different spaces $V$ and $W$, and different basis $\boldsymbol{v}$'s and $\boldsymbol{w}'s$. When we know $T$and we choose bases, we get a matrix $A$. Probably $A$ is not symmetric or even square. But we can always choose $\boldsymbol{v}$'s and $\boldsymbol{w}$'s that produce a diagonal matnx. This will be the singular value matrix $\Sigma=\text{diag} (\sigma_1,\cdots,\sigma_r$) in the decomposition $A=U\Sigma V^T$.
Singular vectors The SVD says that $U^{-1}AV=\Sigma$. The right singular vectors $\boldsymbol{v}_1,\cdots,\boldsymbol{v}_n$ will be the input basis. The left singular vectors $\boldsymbol{u}_1,\cdots.\boldsymbol{u}_m$
will be the output basis. By the rule for matrix multiplication, the matrix for the same transformation in these new bases is $B_{out}^{-1}AB_{in}=U^{-1}AV=\Sigma$. Diagonal!
I can't say that $\Sigma$ is "similar" to $A$. We are working now with two bases, input and output. But those are orthonormal bases and theypreserve the lengths of vectors. Following a good suggestion by David Vogan, I propose that we say: $\Sigma$ is "isometric” to $A$.
\text{Definition }\;\;\; C=Q_1^{-1}AQ_2 \text{ is isometric to } A \text{ if } Q_1 \text{ and } Q_2 \text{ are orthogonal}.
Example 8
To construct the matrix $A$ for the transformation $T=\frac{d}{dx}$, we chose the input basis $1,x,x^2,x^3$ and the output basis $1,x,x^2$. The matrix $A$ was simple but unfortunately it wasn't diagonal. But we can take each basis in the opposite order.
Now the input basis is $x^3,x^2,x,1$ and the output basis is $x^2,ェ,1$. The change of basis matrices $B_{in}$ and $B_{out}$ are permutations. The matrix for $T(u)=du/dx $ with the new bases is the diagonal singular value matrix $B_{out}^{-1}AB_{in}=\Sigma$ with $\sigma's=3,2,1$:
B_{out}^{-1}AB_{in} = \begin{bmatrix} \;&\;&1\\ \;& 1&\; \\ 1 & \; & \; \end{bmatrix}\begin{bmatrix} 0 &1&1&0\\ 0&0&2&0 \\ 0 & 0 & 0&3 \end{bmatrix}\begin{bmatrix} \;&\;&\;&1 \\ \;&\;&1& \; \\ \;&1 & \; & \;\\1&\;&\;&\; \end{bmatrix}=\begin{bmatrix} 3&0&0&0\\ 0&2&0&0 \\ 0 & 0 & 1&0 \end{bmatrix}
ーーーーーーーーーーーーーーーーーーーーーーーー
Python3ではじめるシステムトレード【第2版】環境構築と売買戦略
「画像をクリックしていただくとpanrollingのホームページから書籍を購入していただけます。
Python3ではじめるシステムトレード改訂版 アマゾンから購入いただけます。
24021223560240278460