두 개의 벡터 사이의 덧셈은 각각의 구성 성분을 더하는 것으로 정의한다. 그렇다면 곱셈 연산은 어떻게 정의할까. 곱셈 연산으로 두 가지 방식이 있다. 바로 dot product와 cross product 연산이다.
두 벡터
내적은 위 식에서 보듯이 두 벡터의 성분을 차례로 곱한 다음에 모두 더하는 연산으로 정의한다. 보통 내적의 기호로 점(dot)을 이용하지만 다음과 같이 표기하기도 한다.
내적 연산의 결과로 스칼라 값이 나오기 때문에 내적을 scalar product라고도 한다.
정의에 의하면 내적은 다음과 같은 특성을 갖는다.
여기서
norm에는 이것 말고도 몇 가지 정의가 더 있는데, 위와 같은 norm을 2-norm이라고 한다. 2-norm은 벡터의 길이(또는 크기)를 나타낸다.
내적에는 중요한 기하학적 의미가 있는데, 두 벡터
증명해 보자. 여기서는 3차원 벡터에 대해서만 증명하지만 동일한 방법을

두 벡터
그런데 여기서
이므로
가 성립한다.
만약 두 벡터의 내적이 0이면 두 벡터는 서로 직각이다.

어떤 벡터

그런데 참고로 코사인 법칙은 다음과 같이 증명할 수 있다.

위 그림에서 녹색으로 칠한 직각 삼각형에 주목하자. 직각 삼각형의 높이는
'AI 수학 > 선형대수' 카테고리의 다른 글
행렬의 조건수 (Condition Number) (0) | 2021.03.02 |
---|---|
놈 (norm) (0) | 2020.10.24 |
유사 역행렬 (Pseudo Inverse Matrix) (0) | 2020.10.19 |
특이값 분해(SVD)의 응용: 이미지 압축 (0) | 2020.07.25 |
특이값 분해(SVD)의 증명 (0) | 2020.07.23 |
댓글