[선형대수3] Vector와 linear combination

JinSeopKim·2022년 6월 19일

Linear Algebra

목록 보기

3/4

Vector와 Scalar

Vector와 Scalar를 아마 물리시간에 처음 접했던 것 같습니다. 벡터는 방향과 크기를 가지는 값이고 스칼라는 크기만 가지는 값이라고 배웠습니다. 이번시간에는 벡터를 활용한 선형대수에 대하여 배워보기 위해 벡터를 조금 깊게 이해하고 linear combination을 알아보도록 하겠습니다.

Vector는 $\vec{a}$ 로 위에 화살표를 작성하여 표시합니다. 선형대수에서는 볼드체로 문자를 작성하여 $a$ 와 같이 표현하기도 합니다. $\mathbb{R^2}$ 차원의 벡터라는 의미는 실수 2차원의 벡터를 의미합니다. 그 벡터는 아래와 같이 표현할 수 있습니다.

\vec{a} = \begin{bmatrix}x_1 \\ x_2 \end{bmatrix}

이 벡터 값의 의미는 (0,0)에서 ( $x_1$ , $x_2$ )까지의 크기와 방향을 가진 벡터가 됩니다.

만약 서로 다른 두개의 벡터를 더해준다면 사다리꼴 모양으로 두 벡터가 합쳐지게 됩니다. 따라서 서로 다른 방향의 $a$ 벡터와 $b$ 벡터를 더하게 된다면 각 요소를 더해준 것이 결과가 됩니다.(이해가 어렵다면 그래프를 직접 그려보는 것을 추천드립니다.)

a = \begin{bmatrix}1 \\ 4 \end{bmatrix} ~~~ b = \begin{bmatrix}2 \\ 3 \end{bmatrix}

a +b = \begin{bmatrix}3 \\ 7 \end{bmatrix}

스칼라 값을 더하는 것은 당연히 불가능합니다. 스칼라는 방향이 없기 때문입니다. 하지만 곱하는 것은 가능합니다. 곱하게 된다면 스칼라 값만큼 벡터의 크기가 커지거나 작아지게 됩니다. 동일하게 원소들에 각각 곱해주면 스칼라 곱을 할 수 있습니다.

\vec{a} = \begin{bmatrix}1 \\ 4 \end{bmatrix} ~~~c = 5

c*\vec{a} = \begin{bmatrix}5 \\ 20 \end{bmatrix}

현재 $\mathbb{R^2}$ 차원의 벡터에 대한 연산만 수행하였기 때문에 2개의 요소만 나타나는 것이며, $\mathbb{R^n}$ 차원까지 벡터가 늘어나게 된다면 n개의 요소를 작성해야 합니다.

$\mathbb{R^n}$ 에서 벡터의 기본성질

실수차원에서의 벡터끼리의 덧셈에서는 교환법칙, 결합법칙등이 성립합니다. 그리고 영벡터(방향과 크기가 0인 벡터)를 더해도 그대로이며 반대방향의 벡터를 더한다면 영벡터가 됩니다.

$\vec{a} + \vec{b} = \vec{b} + \vec{a}$
( $\vec{a} + \vec{b}) + \vec{c} = \vec{a} + (\vec{b} + \vec{c})$
$\vec{a} + 0 = 0 + \vec{a} = \vec{a}$ (여기서 0은 영벡터를 의미합니다.)
$\vec{a} + -\vec{a} = -\vec{a} + \vec{a} = 0$

스칼라 곱에 대하여도 분배와 결합법칙이 성립하게 됩니다. 그리고 스칼라 값 1을 곱해도 자기 자신의 벡터가 나오게 됩니다.

$c(\vec{a} + \vec{b}) = c\vec{a} + c\vec{b}$
$(c + d)\vec{a} = c\vec{a} + d\vec{a}$
$c(d\vec{a}) = (cd)\vec{a}$
$1\vec{a} =\vec{a}$

Linear combinations

Linear combination은 $\mathbb{R^n}$ 차원의 벡터 $\vec{v_1},\vec{v_2},\vec{v_3}\cdots \vec{v_p}$ 와 스칼라 $c_1,c_2,c_3\cdots c_p$ 의 곱으로 이루어진 벡터의 합을 의미합니다.

y = c_1\vec{v_1} + c_2\vec{v_2} + \cdots + c_p\vec{v_p}

위 처럼 벡터들이 더해진 것을 Linear combination이라고 부릅니다. 그리고 이 때 앞에 곱해진 스칼라 값들을 weight라고 부릅니다.

그렇다면 Linear Combination이 갖는 의미가 무엇인지 알아보겠습니다.
"어떤 벡터 $\vec{b}$ 를 $\vec{a_1}$ 와 $\vec{a_2}$ 벡터의 Linear Combination으로 표현할 수 있는가?" 라는 질문의 의미를 수식으로 풀어보겠습니다.

\vec{a_1} = \begin{bmatrix}a_{11} \\ a_{12} \\ a_{13}\end{bmatrix} ~~~ \vec{a_2} = \begin{bmatrix}a_{21} \\ a_{22} \\ a_{23} \end{bmatrix} ~~~ \vec{b} = \begin{bmatrix}b_{1} \\ b_{2} \\ b_{3} \end{bmatrix}

벡터 3개를 위와 같이 정의를 하였을 때 Linear combination으로 표현이 가능한지에 대한 여부는 $\vec{b} = x_1\vec{a_1} + x_2\vec{a_2}$ 이 만족하는 $x_1,x_2$ 가 존재하는지 확인하는 문제와 동일합니다.

\begin{bmatrix}b_{1} \\ b_{2} \\ b_{3} \end{bmatrix} = \begin{bmatrix}x_1a_{11} \\ x_1a_{12} \\ x_1a_{13}\end{bmatrix}+\begin{bmatrix}x_2a_{21} \\ x_2a_{22} \\ x_2a_{23} \end{bmatrix} = \begin{bmatrix}x_1a_{11}+x_2a_{21} \\ x_1a_{12} +x_2a_{22} \\ x_1a_{13} + x_2a_{23}\end{bmatrix}

위 식의 벡터를 풀어쓰면 자연스럽게 linear system이 되는 것을 알 수 있습니다. 따라서 어떤 벡터를 Linear Combination으로 표현할 수 있는지 여부를 풀이하는 것은 Linear system의 해가 존재하는지 해결하는 방법과 동일합니다.

Span { $v_1,...v_p$ }

Linear Combination으로 표현한다는 것은 결국 주어진 벡터를 활용해 Linear System을 풀어 값이 있는지 여부를 판단하는 것과 동일하다는 결론을 얻었습니다.

이제 새로운 용어를 정의하도록 하겠습니다. Span{ $v_1,...v_p$ }은 {}괄호 안에 있는 벡터들의 linear combination으로 표현할 수 있는 모든 벡터를 의미합니다.

즉 벡터 $\vec b$ 가 Span{ $\vec v_1, \vec v_2$ }인지를 묻는 것은 $\vec v_1, \vec v_2$ 의 linear combination으로 $\vec b$ 를 표현할 수 있는지 여부를 물어보는 것입니다. 이는 linear system으로 해가 존재하는지 여부를 Row Reduction 알고리즘을 활용해 해결하는 문제로 변환하여 해결할 수 있게 됩니다.