Notice
Recent Posts
Recent Comments
Link
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 |
Tags
- 크롤링
- OVB
- 예제
- 최소제곱법
- rct
- 사영
- simple linear regression
- 네이버 뉴스
- 누락편의
- 선형대수
- HTML
- 인과 추론
- least square estimation
- residuals
- 통계
- 단순선형회귀
- LU분해
- 인과추론
- Python
- confounder
- causal inference
- Sharp RD
- 잔차의 성질
- Instrumental Variable
- 교란변수
- Omitted Variable Bias
- 머신러닝
- 회귀불연속설계
- 교란 변수
- backdoor adjustment
Archives
- Today
- Total
목록행렬변환 (1)
Always awake,

"행 관점에서의 행렬 연산, 가우스 소거법으로 역행렬을 구하는 방법&증명 내용입니다" 행 관점에서의 행렬 변환 행 관점 행렬 $D,A,A^*$가 있을 때 아래 식의 의미는 "$A$ 행렬에 $D$ 연산을 하여 $A^*$ 행렬을 만든다" 입니다. 행렬 $A$에 어떤 연산 $D$를 취하여 변환한 행렬이 $A^*$ 인 것입니다 $$ DA = A^* $$ $$ (A \xrightarrow{D} A^*) $$ 자세히 보면 $A$의 각 행을 잘 조합하여 $A^*$ 가 만들어진다는 규칙을 알 수 있습니다 $A$의 각 행을 재료로 하고, 이를 조합하여($D$) 행렬 $A^*$를 만듭니다 변환 역할을 담당하는 행렬 $D$의 각 행의 값들이 $A^*$의 동일한 행에 영향을 미치는 것을 알 수 있습니다 예를 들면 $D$의 1..
선형 대수
2023. 1. 28. 21:23