18강_고유값과 고유벡터 및 대각화

Eony_Jahng·2022년 1월 31일
0

선형대수

목록 보기
18/19

"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(AλI)=0det(A-\lambda I)=0일 때 λ\lambda 입니다.

그렇다면 eigenvector는 뭘까요? 예시를 통해 알아보죠.


eigenvector는 구한 eigenvalue에 대응되는 vector 인것을 알 수 있습니다. 또한 (AλI)X=0(A-\lambda I)X=0의 해이기도 합니다. 근데 어디서 많이 본 모양이쥬? 앞에서 배웠던 AX=0AX=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

A=LU=LDUA=LU=LDU

두 번째는 QR decomposition

A=QR=[q1q2qn][q1Ta1q1Ta2q1Tan0q2Ta2q2Tan00q3Tan00qnTan]A=QR= \begin{bmatrix} q_1 & q_2 & \cdots & q_n \end{bmatrix} \begin{bmatrix} q_1^Ta_1 & q_1^Ta_2 & \cdots & q_1^Ta_n \\ 0 & q_2^Ta_2 & \cdots & q_2^Ta_n \\ 0 & 0 & \cdots & q_3^Ta_n \\ \vdots & \vdots & \cdots & \vdots \\ 0 & 0 & \cdots & q_n^Ta_n \end{bmatrix}

그리고 새로운 factorization을 알아볼 것 입니다!!
그것은 바로~ SΛS1S\Lambda S^{-1} decomposition

S=[e1e2en],Λ=[λ10000λ2000000λn]S= \begin{bmatrix} e_1 & e_2 & \cdots & e_n \end{bmatrix},\quad \Lambda= \begin{bmatrix} \lambda_1 & 0 & 0 & \cdots & 0 \\ 0 & \lambda_2 & 0 & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & 0\\ 0 & 0 & 0 & \cdots & \lambda_n \end{bmatrix}

증명해보자!!

AS=SΛA=SΛS1\rightarrow AS=S\Lambda \rightarrow A=S\Lambda S^{-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

  1. If λ1,λ2,...λn\lambda_1,\lambda_2, ... \lambda_n are differents, then e1,e2,...ene_1, e_2, ... e_n are linearly independent

  1. S is not unique, since keeigenvectorke \rightarrow eigenvector

  1. The order of eigenvalues is same with that of eigenvectors

  1. Not all matrices have n linearly independent eigenvectors
A=SΛS1,S1 is not always establishedA=S\Lambda S^{-1},\quad S^{-1}\ is\ not\ always\ established
  1. Powers

profile
7층에 사는 동언이

0개의 댓글