সব বই

পেশাদার

1 Markets I: The Ecosystem and Exchange-Traded Marketsবাজার অনলাইনইংরেজি 2 Markets II: Rates, FX and Creditবাজার অনলাইনইংরেজি 3 Markets III: Commodities, Energy and Cryptoবাজার অনলাইনইংরেজি 4 Quantitative Methodsপদ্ধতি অনলাইনইংরেজি 5 Derivatives and Volatilityডেরিভেটিভস অনলাইনইংরেজি 6 Rates, Credit, XVA and Riskসুদহার, ঋণ ও ঝুঁকি অনলাইনইংরেজি 7 Research Craft: Predictors, Backtests, Measurement, Portfoliosগবেষণা অনলাইনইংরেজি 8 Strategies I: Equities and Futuresকৌশল অনলাইনইংরেজি 9 Strategies II: Volatility, Relative Value, Macro and the Bank Desksকৌশল অনলাইনইংরেজি 10 Microstructure and Executionএক্সিকিউশন অনলাইনইংরেজি 11 Market Making and High-Frequency Tradingমার্কেট মেকিং অনলাইনইংরেজি 12 Machine Learning for Marketsমেশিন লার্নিং অনলাইনইংরেজি 13 Low-Latency Softwareপ্রযুক্তি অনলাইনইংরেজি 14 Networks, Hardware and Trading Infrastructureপ্রযুক্তি অনলাইনইংরেজি 15 Research, Data and Risk Platformsপ্রযুক্তি অনলাইনইংরেজি 16 The Desk and the Firmপ্রতিষ্ঠান অনলাইনইংরেজি 17 The Industry: Firms, Roles and Careersক্যারিয়ার অনলাইনইংরেজি 18 Interviews I: Maths, Probability and Speedক্যারিয়ার অনলাইনইংরেজি 19 Interviews II: Markets, Trading Games and the Final Roundক্যারিয়ার অনলাইনইংরেজি 20 Interviews III: Codeক্যারিয়ার অনলাইনইংরেজি
অ্যাপ পরিচিতি Coach সাইন ইন পড়া শুরু করো

বইগুলো এখনো বাংলা ভাষায় পাওয়া যায় না — Português সংস্করণ দেখানো হচ্ছে।

Matemática · পরিভাষা

aplicação linear কী?

Definição 20.1 Matemática universitária — Graduação 1 · অধ্যায় 20 — Aplicações Lineares

Sejam E,FE, F espaços vetoriais sobre KK. Uma aplicação u ⁣:E→Fu \colon E \to F é linear quando

∀x,y∈E, ∀λ∈K,u(x+λy)=u(x)+λu(y).\forall x, y \in E,\ \forall \lambda \in K, \qquad u(x + \lambda y) = u(x) + \lambda u(y).

Então u(0)=0u(0) = 0 e u(∑λixi)=∑λiu(xi)u(\sum \lambda_i x_i) = \sum \lambda_i u(x_i). O conjunto L(E,F)\mathcal{L}(E, F) das aplicações lineares é ele próprio um espaço vetorial; a composição de aplicações lineares é linear, e bilinear no par. Um endomorfismo é uma aplicação linear E→EE \to E; um isomorfismo é uma aplicação linear bijetiva (a sua inversa é então automaticamente linear); a inversa u−1u^{-1} de um isomorfismo e as compostas de isomorfismos são isomorfismos.

উদাহরণ

Exemplo 20.8 (Construir uma aplicação sob encomenda)

Construa u∈L(R3)u \in \mathcal{L}(\R^3) com ker⁡u=Vect⁡(1,1,1)\ker u = \operatorname{Vect}(1,1,1) e im⁡u={z=0}\operatorname{im} u = \{z = 0\}. Primeiro a coerência: o teorema do núcleo e da imagem exige 1+2=31 + 2 = 3 — coerente, logo pode existir uma solução. Escolha uma base adaptada ao núcleo, digamos ((1,1,1), e1, e2)\bigl((1,1,1),\ e_1,\ e_2\bigr) (o Exemplo 19.7), e prescreva as imagens (a Proposição 20.2):

u(1,1,1)=0,u(e1)=e1,u(e2)=e2.u(1,1,1) = 0, \qquad u(e_1) = e_1, \qquad u(e_2) = e_2 .

Então ker⁡u⊇Vect⁡(1,1,1)\ker u \supseteq \operatorname{Vect}(1,1,1) e im⁡u=Vect⁡(e1,e2)={z=0}\operatorname{im} u = \operatorname{Vect}(e_1, e_2) = \{z = 0\}; o teorema do núcleo e da imagem força dim⁡ker⁡u=1\dim\ker u = 1, logo o núcleo é exatamente a reta prescrita. Explicitamente, decompondo (x,y,z)=z(1,1,1)+(x−z)e1+(y−z)e2(x, y, z) = z(1,1,1) + (x - z)e_1 + (y - z)e_2:

u(x,y,z)=(x−z, y−z, 0).u(x, y, z) = (x - z,\ y - z,\ 0).

A receita generaliza-se: uma aplicação linear com núcleo prescrito NN e imagem prescrita II existe exatamente quando dim⁡N+dim⁡I=dim⁡E\dim N + \dim I = \dim E — a necessidade é o teorema do núcleo e da imagem, e a suficiência é esta construção.

Exemplo 20.10 (Interpolação, estruturalmente)

Fixe x0,…,xnx_0, \dots, x_n distintos e seja u ⁣:Rn[X]→Rn+1u \colon \R_n[X] \to \R^{n+1}, P↦(P(x0),…,P(xn))P \mapsto (P(x_0), \dots, P(x_n)): linear. O seu núcleo é {P:deg⁡P≤n, n+1 roots}={0}\{P : \deg P \leq n,\ n+1 \text{ roots}\} = \{0\} (o Corolário 8.8). Dimensões iguais n+1n + 1: uu é um isomorfismo — existência e unicidade do interpolante de Lagrange (o Teorema 8.23) numa linha.

O mesmo padrão de uma linha trata dados que misturam valores e derivadas: v ⁣:R3[X]→R4v \colon \R_3[X] \to \R^4, P↦(P(0),P′(0),P(1),P′(1))P \mapsto \bigl(P(0), P'(0), P(1), P'(1)\bigr) é linear, e o seu núcleo consiste nos polinômios de grau ≤3\leq 3 com raízes duplas em 00 e em 11, isto é, divisíveis por X2(X−1)2X^2(X-1)^2, de grau 44: só P=0P = 0. Dimensões iguais de novo: toda quádrupla de dados (P(0),P′(0),P(1),P′(1))(P(0), P'(0), P(1), P'(1)) é realizada por exatamente uma cúbica — a interpolação de Hermite, garantida por um cálculo de núcleo antes de escrever qualquer fórmula (o problema de fim de semana do Capítulo 22 encontra o seu determinante).

Exemplo 20.11 (O teorema do núcleo e da imagem em ação: o operador de diferenças)

Seja Δ ⁣:Rn[X]→Rn[X]\Delta \colon \R_n[X] \to \R_n[X], P↦P(X+1)−P(X)P \mapsto P(X+1) - P(X): linear. Núcleo: se ΔP=0\Delta P = 0, então P(0)=P(1)=P(2)=…P(0) = P(1) = P(2) = \dots, logo P−P(0)P - P(0) tem infinitas raízes e se anula (o Corolário 8.8): ker⁡Δ\ker\Delta é a reta das constantes. Pelo teorema do núcleo e da imagem: rk⁡Δ=(n+1)−1=n\operatorname{rk}\Delta = (n + 1) - 1 = n. Como deg⁡ΔP<deg⁡P\deg \Delta P < \deg P para PP não constante (os termos de topo se cancelam), im⁡Δ⊆Rn−1[X]\operatorname{im}\Delta \subseteq \R_{n-1}[X], que tem dimensão exatamente nn: a inclusão é uma igualdade. Conclusão, sem calcular nenhuma pré-imagem: todo polinômio QQ de grau ≤n−1\leq n - 1 é uma diferença Q=P(X+1)−P(X)Q = P(X+1) - P(X) — a primitiva discreta existe. (Compare com o problema de fim de semana do Capítulo 18, em que Δ\Delta foi invertido explicitamente na base binomial.)

প্রসঙ্গসহ পড়ো →