"모두를 위한 열린 강좌 KOCW"에서 제공하는 한양대학교 이상화 교수님의 선형대수 수업을 정리한 내용입니다.
Eigenvalues and Eigenvectors
우리는 Ax=b 연립방정식의 해를 구하는 방법에 대해 지금까지 알아보았는데요. 이때 A를 system 관점으로 보면, x는 input이고 b는 output, A는 두 입출력의 관계를 나타내는 system이다. 이 A를 factorization하여 더 쉽게 표현할 수 있다면 입출력의 관계를 더 쉽게 표현할 수 있지 않을까?
고유값과 고유벡터는 이 질문에 대한 답이 되는 개념이라 할 수 있어요.
Ax는 multiplication of matrics인데, 이것을 scalar multiplication 으로 표현하는 것입니다. eigenvalue는 det(A−λI)=0일 때 λ 입니다.
그렇다면 eigenvector는 뭘까요? 예시를 통해 알아보죠.
eigenvector는 구한 eigenvalue에 대응되는 vector 인것을 알 수 있습니다. 또한 (A−λI)X=0의 해이기도 합니다. 근데 어디서 많이 본 모양이쥬? 앞에서 배웠던 AX=0의 해의 집합 Null space가 eigenvector이라는 것을!!!
그리고 Null space(eigenvector)를 구하는 방법도 알고 있쥬? Reduced Row Echelon form R을 구해 special sol 과 particular sol을 구하는 것이쥬~
Diagonalization of matrix
앞에서 행렬A를 factorization하는 방법 2가지를 배웠어요.
첫 번째는 LU decomposition
두 번째는 QR decomposition
A=QR=[q1q2⋯qn]⎣⎢⎢⎢⎢⎢⎢⎡q1Ta100⋮0q1Ta2q2Ta20⋮0⋯⋯⋯⋯⋯q1Tanq2Tanq3Tan⋮qnTan⎦⎥⎥⎥⎥⎥⎥⎤
그리고 새로운 factorization을 알아볼 것 입니다!!
그것은 바로~ SΛS−1 decomposition
S=[e1e2⋯en],Λ=⎣⎢⎢⎢⎢⎡λ10⋮00λ2⋮000⋮0⋯⋯⋱⋯000λn⎦⎥⎥⎥⎥⎤
증명해보자!!
→AS=SΛ→A=SΛS−1
예를 들어보자!!
자, eigenvalue는 Ax를 scalar multiplication으로 표현해준다고 했다. 그렇다면 모든 실수, real number만 해당될까? 복소수 complex number는 안될까?
eigenvalue는 실수, 복소수에 상관없이 갖을 수 있다는 것을 알 수 있다.
이제 eigenvalue와 eigenvector의 특성에 대해 알아보자.
Property
- If λ1,λ2,...λn are differents, then e1,e2,...en are linearly independent
- S is not unique, since ke→eigenvector
- The order of eigenvalues is same with that of eigenvectors
- Not all matrices have n linearly independent eigenvectors
A=SΛS−1,S−1 is not always established
- Powers