【선형대수학】 2강. 행렬의 계수

2강. 행렬의 계수

 

추천글 : 【선형대수학】 선형대수학 목차

---

1. 기저 [본문]

2. 직교집합 [본문]

3. 상공간과 영공간 [본문]

---

 

1. 기저(basis) [목차]

⑴ 정의 : 생성집합 중에서 선형독립인 것 

⑵ 정리 1. 벡터 공간의 기저의 원소의 개수는 유일함 : 그 개수를 차원(dimension)이라고 함

① 정리 1-1. V가 n차원 벡터공간이고 V의 부분집합을 S =｛y₁, ···, y_m｝이라 할 때, n ＜ m이면 S는 선형종속

 

○ 증명

x₁, x₂, ···, x_n을 V의 기저라고 정의

 

 

그런데 m개의 미지수에 n개의 연립방정식이므로 전체 연립방정식이 부정방정식이 되어 선형종속이 됨

 

② 정리 1-2. 정리 1과 유사하게 n ＞ m이면 S는 생성집합이 아님 : 즉, 벡터의 개수가 부족함

⑶ 정리 2. 벡터 공간의 기저의 존재성 : dim V = n이고 A =｛X₁, ···, X_n｝이 선형독립이면 A는 V의 기저

 

○ 증명

x가 V의 임의의 기저라 할 때

 

 

｛X₁, ···, X_n｝은 생성집합인 동시에 선형독립이므로 V의 기저임

 

⑷ 정리 3. W가 벡터공간 V의 부분공간이고 dim W = dim V이면 W = V가 성립

 

○ 증명

W의 기저를 ｛w₁, ···, w_n｝, V의 기저를 ｛v₁, ···, v_n｝이라 하자.

v ∈ V이고 v ∉ W인 v가 존재한다고 가정하자. (＃)

 

x_n+1 ≠ 0이라면 (＃)에 모순됨

 

 

따라서 x_n+1 = 0이어야 (＃)을 만족하고 그 결과 w₁, ···, w_n, v는 선형독립

 

이는 V가 n차원 벡터이고 V의 부분집합을 S = {y₁, ···, y_m}이라 할 때, n ＜ m이면 S는 선형종속이라는 명제와 모순따라서 그러한 v는 존재하지 않으므로 W = V가 성립함

 

⑸ 정리 4. 초평면｛(x₁, x₂, ···, x_n)' | p₁x₁ + p₂x₂ + ··· + p_nx_n = 0, p₁ ≠ 0｝의 기저로 다음 n-1개를 선택할 수 있음

 

 

⑹ 정리 5. 기저에 대한 선형사상의 변환행렬

① V, W : 유한 차원 벡터공간

② T : V → W : 선형변환

③ B =｛v₁, v₂, ···, v_n｝: V의 기저

④ B' =｛w₁, w₂, ···, w_m｝: W의 기저

⑤ 수식화 

 

 

⑥ 기저 B, B'에 관한 T의 행렬

 

 

⑺ 응용 1. 기저의 확장 : 행간소 사다리꼴(RREF) 이용

 

Figure. 1. v₁, v₂, v₃가 주어져 있을 때 ℝ⁵를 span하도록 기저를 확장하는 과정

 

 

2. 직교집합 [목차]

⑴ 직교(orthogonal)

 

 

⑵ 직교집합(orthogonal set) : 집합 내 서로 다른 임의의 원소가 직교한 경우. 직교집합은 선형독립성을 만족함

 

 

⑶ 직교기저(orthogonal basis) : 직교집합 S가 V의 기저인 경우

⑷ 정규직교기저(orthonormal basis) : S가 직교기저이고 모든 j에 대하여 || x_j || = 1인 경우

① 정규직교기저로 구성된 행렬 U에 대하여, U^TU = I ⇔ U^-1 = U^T를 만족함 

⑸ 표준기저(standard basis) : ℝⁿ의 기저 중 하나인 U = ℰⁿ ≡ {e₁, e₂, ···, e_n}을 지칭함

⑹ 좌표계(coordinates system)

 

 

⑺ 직교좌표계(orthogonal coordinates system) : 표준기저에 의하여 결정되는 좌표계

⑻ 투영(projection)

① 임의의 벡터를 정규직교기저로 구성된 이미지 (예 : 직선, 평면) 위에 투영하는 변환

 

 

○ 파이썬 코드 예시 

 

y1 = np.array([1, 2, 3, 4])
y2 = np.array([8/3, 4/3, 0, -4/3])
u1 = y1 / np.linalg.norm(y1)
u2 = y2 / np.linalg.norm(y2)
U = np.column_stack((u1, u2))
UUT = np.dot(U, U.T)
v = np.array([1, 1, 2, 2])
proj_v = np.dot(UUT, v)
proj_v

 

② 저차원 주성분 공간으로 데이터 투영 및 복원

 

 

○ 행렬 B : 주로 정규 직교 행렬 B

○ 투영 공간 : B가 정의하는 저차원 공간으로 투영한 뒤 복원 

③ 최소 제곱 문제를 풀기 위해 데이터 투영 : 임의의 행렬 A가 주어져 있을 때 Ax = b 위에 투영하는 변환

 

 

 

○ 행렬 A : 임의의 A

○ 투영 공간 : A의 컬럼 스페이스 

④ 주어진 데이터를 Ax = b에 선형 근사 (ref)

 

 

⑼ 그람-슈미트 직교화 과정(Gram-Schmidt orthogonalization process) 

① 정의 : 임의의 기저로부터 직교기저를 얻는 방법

 

 

② (주석) 직관적 해석 : y_k를 구할 때 주어진 x_k에 y₁, ···, y_k-1로 수정을 하는 느낌

③ 정규직교기저를 얻으려면 y₁, ···, y_k 등의 직교기저를 얻고 난 뒤 이들을 정규화해야 함 

 

 

3. 상공간과 영공간 [목차]

⑴ 개요

① 상공간(image space) : 컬럼 공간(column space)이라고도 함

 

 

② 계수(rank) : rank (T) 또는 rk (T)로 나타냄

 

 

③ 핵(kernel) 또는 영공간(null space)

 

 

④ 퇴화차수(nullity) : nullity (T) 또는 nul (T)로 나타냄

 

 

⑤ 예 1. T(x, y, z) = (3x - 2z, y + z)'

 

 

⑥ 예 2. T(x, y) = (x - 4y, x + 2y, 2x - y)' 

 

 

⑦ 예 3. 선형사상 T가 행렬로 표현된 경우 : 열벡터들 중 선형독립인 것들의 최대 개수는 2이므로,

 

 

⑧ 예 4. 선형사상 T가 행렬로 표현된 경우

 

 

⑵ 정리 1. 계수정리 : 임의의 행렬의 열벡터들의 계수와 행벡터들의 계수는 같음

⑶ 정리 2. 행렬 A ∈ ℝ^n×m의 rank는 A = B·C^t, B ∈ ℝ^n×r, C ∈ ℝ^m×r인 최소의 r이기도 함

① 2-1. 임의의 n × n 대칭 양반정부호 행렬(symmetric positive semi-definite matrix)의 계수가 r인 필요충분조건

 

 

⑷ 정리 3. rank(AB) ≠ rank(BA)

 

 

⑸ 정리 4. rank-nullity theorem : 사상 T : U → V가 선형사상이고 dim U = n이면 다음 관계가 성립함

 

 

○ 증명

 

 

① 정리 3-1. 선형 사상 T가 전사함수이면 T는 단사함수이고, 그 역도 성립함

 

 

② 정리 3-2. m ×  n 행렬 A와 n × p 행렬 B에 대해 다음 등식이 성립

 

rank(AB) = rank(B) - dim［Ker(A) ∩ Im(B)］

 

○ 증명 1

 

 

○ 증명 2. rank-nullity theorem 이용

 

 

③ 정리 3-3. m × n 행렬 A에 관하여 다음 등식이 성립함

 

Im(A) = Im(AA')

 

○ 증명

 

 

Im(A')의 어떤 원소 A'x가 동시에 ker(A)의 원소라고 가정

 

 

따라서 dim [ker(A) ∩ Im(A')] = 0이므로 다음이 성립함

 

 

⑹ 정리 5. 프로베니우스 rank 부등식(Frobenius' rank inequality) : k × ℓ 행렬 A, ℓ × m 행렬 B, m × n 행렬 C에 대해 다음 부등식이 성립

 

rank(AB) + rank(BC) ≤ rank(B) + rank(ABC)

 

○ 증명

 

 

입력: 2020.04.25 10:03