maths.free › Linear Algebra › Orthogonality, projections and least squares

Orthogonality, projections and least squares

Dot products, orthonormal bases, projection onto a subspace, fitting a line.

The projection of b onto the column space of A is the closest point; the least-squares solution solves AᵀA x = Aᵀ b. Gram-Schmidt turns any basis orthonormal. Picture it: dropping a perpendicular from a point onto a plane. Think it: least squares is regression; the normal equations are calculus's "set the gradient to zero" done with matrices.

పనిరోజులు · inverse of [[2,1],[1,1]]

Linear-Algebra · Matrix-Inverse

Inverse of [[2,1],[1,1]]

\left[\begin{matrix}2 & 1\\1 & 1\end{matrix}\right]

అడుగు ద్వారా

  1. \det A = 1

    A matrix is invertible only when its determinant is non-zero.

  2. A^{-1} = \frac{1}{\det A}\begin{pmatrix} d & -b \\ -c & a \end{pmatrix} = \frac{1}{1}\left[\begin{matrix}1 & -1\\-1 & 2\end{matrix}\right]

    For 2×2: swap the diagonal, negate the off-diagonal, divide by the determinant.

  3. A^{-1} = \left[\begin{matrix}1 & -1\\-1 & 2\end{matrix}\right]

జవాబు వెల్లడి చేయండి
A^{-1} = \left[\begin{matrix}1 & -1\\-1 & 2\end{matrix}\right]

ఇప్పుడుమీరు ప్రతీ అడుగున, మీరు అడిగేంత వరకు దాక్కున్న జవాబు.

మీ సొంత పని ఉంచుకోండి

మీరు ఏ పాఠం నేర్చుకున్నారో, ఆ విషయం గురించి ఒక రిపోర్టులో మీరు తీసుకున్న సమస్యలను, మీ సమస్యలను ఒక స్థలంలో పరిష్కరించిన సమస్యలను, మీరు ఈ పేజీ గురించి అడగవచ్చు.

నమోదు చేసుకోండి ప్రవేశించు

ఇక్కడ వుపయోగించిన చిహ్నాలు

మొదటి శతాబ్దంలోని క్రైస్తవులు కూడా అదే విధంగా భావించారు.

ఎలా: Orthogonality, projections and least squares

  1. A matrix is invertible only when its determinant is non-zero.
  2. For 2×2: swap the diagonal, negate the off-diagonal, divide by the determinant.

ప్రశ్నలు

What does a determinant mean geometrically?

It is the factor by which the matrix scales area (2×2) or volume (3×3), with a negative sign if orientation flips. Zero means the matrix flattens space and cannot be undone.

What is an eigenvector?

A direction the matrix does not turn: it only stretches it by the eigenvalue. Along eigenvectors a complicated matrix acts like multiplication by a number.

Why is matrix multiplication not commutative?

Because a matrix is a transformation and AB means "do B, then A". Rotating then reflecting is not the same as reflecting then rotating.

ఇంకా Linear Algebra

DeterminantsMatrix inverseEigenvalues and eigenvectorsMatrix multiplicationRow reductionVector spaces, span and linear independenceDiagonalisation and matrix powersLinear transformations and change of basis