이 포스트에서 $V$는 $n$차원 $F$-벡터공간으로 취급한다. Theorem 1 Theorem 1. (a) Let $T \in \mathcal{L}(V)$. Then a scalar $\lambda$ is an eigenvector of $T$ $\Longleftrightarrow$ $\det(T - \lambda I_V) = 0$. (b) Let $A \in M_{n \times n}(F)$. Then a scalar $\lambda$ is an eigenvector of $A$ $\Longleftrightarrow$ $\det(A - \lambda I_n) = 0$. Proof. (a) Since $\lambda$ is an eigenvector of $T$, there is an nonzero v..

Diagonalizable Definition 1. Let $T \in \mathcal{L}(V)$ [$A \in M_{n \times n}(F)$] where $V$ be a finite-dimensional vector space. $T$ [$A$] is called diagonalizable if there is an ordered basis $\beta$ for $V$ [$F^n$] such that $[T]_{\beta}$ [$[L_A]_{\beta}$] is a diagonal matrix. Eigenvector, Eigenvalue Definition 2. Let $T \in \mathcal{L}(V)$ [$A \in M_{n \times n}(F)$] where $V$ be a finite..

Cramer's Rule Theorem 1. (Cramer's Rule) Let $Ax = b$ be a system of $n$ linear equations in $n$ unknowns, where $x = (x_1, ..., x_n)^t$. If $\det(A) \neq 0$, then this system has a unique solution, and $$x_k = \frac{\det(M_k)}{\det(A)}, \forall k \in \{1, ..., n\},$$ where $M_k \in M_{n \times n}(F)$ obtained from $A$ by replacing column $k$ of $A$ by $b$. Proof. Let $y \in F^n$, and let denote..

What Happens to $\det(A)$ if we perform an elementary row operation on $A$ Theorem 1. Let $A \in M_{n \times n}(F)$ and $B = R(A)$, where $R$ is an elementary row operation. Then the followings hold: (a) If $R = R_{i \leftrightarrow j}$, then $\det(B) = -\det(A)$. (b) If $R = R_{ci}$, then $\det(B) = c \cdot \det(A)$. (c) If $R = R_{i + cj}$, then $\det(B) = \det(A)$.

이 포스트에서 $V$는 유한차원 $F$-벡터공간으로 취급한다. Determinant of a Linear Operator Definition 1. Let $T \in \mathcal{L}(V)$. We define the determinant of $T$, denoted $\det(T)$, to be $\det(T) = \det([T]_{\beta})$, where $\beta$ is an ordered basis for $V$. 선형 연산자 $T$의 행렬 표현의 행렬식으로 $T$의 행렬식을 정의할 수 있다. 이러한 정의는 $V$의 기저의 선택에 의존하지 않는다. Let $\beta, \gamma$ be ordered bases for $V$. By Theorem 2, we have $[T]_{\gamm..

Determinant Definition 1. The determinant of $A \in M_{n \times n}(F)$ is a scalar $$\text{det}(A) = \sum_{j=1}^n (-1)^{i+j}A_{ij}\text{det}(\widetilde{A_{ij}})$$ for some row $i$, where $\widetilde{A_{ij}}$ is the $(n-1) \times (n-1)$ matrix obtained from $A$ by deleting row $i$ and column $j$. If $n = 1$, then $\det(A) := A_{11}.$ Determinant, 즉 행렬식은 치환으로 정의되나 여기서는 흔히 라플라스 전개라고 알려진 방법으로 정의하여 잘..

Least Common Multiple Definition 1. Let $a, b \in \mathbb{Z}$, with $a \neq 0, b \neq 0$. The least common multiple of $a$ and $b$, denoted by lcm($a, b$), is $m \in \mathbb{N}$ satisfying the following: (a) $a \,|\, m \wedge b \,|\, m$. (b) $a \,|\, c \wedge b \,|\, c (c > 0) \Longrightarrow m \leq c$. 최대공약수와 마찬가지의 방법으로 lcm, 즉 최소공배수를 정의할 수 있다. 공배수이면서 ((a)) 공배수 중 가장 작은 수를 ((b)) 최소공배수라고 한다. Theor..

주어진 두 수의 최대공약수는 보통 소인수분해를 하여 구한다. 그러나 숫자가 커져가면 소인수분해가 힘들어지고, 최대공약수를 구하는 것 또한 만만찮은 작업이 된다. 이때 직접 소인수분해를 하지 않고도 최대공약수를 제시해주는 방법이 Euclidean Algorithm, 즉 유클리드 호제법이다. 기본적으로 알고리즘이므로 일련의 과정을 제시하고, 이 과정을 따라가면 반드시 최대공약수를 구할 수 있다. Euclidean Algorithm 주어진 두 정수 $a, b$에 대해 gcd($|a|, |b|$) = gcd($a, b$)이므로 편의상 $a \geq b > 0$이라 가정해도 문제가 되지 않는다. Division Algorithm에 의해 $$a = q_1b + r_1 (0 \leq r_1 < b)$$를 만족하는 $..

Euclid's Lemma Theorem 1. (Euclid's Lemma) Let $a, b \in \mathbb{Z}$, not both zero. If $a \,|\, bc$ for $c \in \mathbb{Z}$, with gcd($a, b$) = 1, then $a \,|\, c$. Proof. By Theorem 3, $1 = ax + by$ for some $x, y \in \mathbb{Z}$. Let $bc = ka$ for some $k \in \mathbb{Z}$. Then $c = c \cdot 1 = c(ax + by) = acx + bcy = acx + kay = a(cx + ky) \Longrightarrow a \,|\, c$. $\blacksquare$ $a$와 $b$는 ..

Relatively Prime Definition 1. (Relatively Prime) Let $a, b \in \mathbb{Z}$, not both zero. Then $a$ and $b$ are relatively prime if gcd($a, b$) = 1. 두 정수의 최대공약수가 1일 경우 두 수를 relatively prime, 즉 서로소라고 부른다. 최대공약수를 두 수가 나눗셈이라는 연산에서 가지는 공통되는 성질의 최대치라고 생각해보자. 이러한 관점에서 서로소는 두 수가 더 이상 나눗셈에서 봤을 때 공통되는 성질을 가지지 않는다는 것으로 이해할 수 있다. Theorem 1 Theorem 1. Let $a, b \in \mathbb{Z}$, not both zero. Then $a$ and ..