내용
선형 독립과 선형 종속
$\mathbb{R}$ 공간의 벡터들$(v_1, v_2, \cdots, v_p) $와 스칼라$(c_1, c_2,\cdots, c_p)$의 동차 선형 결합은 식 1과 같이 행렬 방정식의 형태로 나타낼 수 있습니다.
$$\begin{align}\tag{1} \begin{matrix}c_1v_1 + c_2v_2 + \cdots + c_pv_p= 0\\\Downarrow \\\begin{matrix}\begin{bmatrix}v_{11}& v_{12}& \cdots&v_{1p}\\ v_{21}& v_{22}& \cdots &v_{2p}\\ \vdots &\vdots &\ddots & \vdots \\v_{n1}& v_{n2}& \cdots &v_{np} \end{bmatrix} \begin{bmatrix}c_1\\c_2\\ \vdots \\c_p \end{bmatrix}=\begin{bmatrix}0\\0\\\vdots \\0 \end{bmatrix} \end{matrix} \end{matrix} \end{align}$$동차 선형 결합이 자명한 해(trivial solution)를 갖는다면 선형 독립(linear independent)라고 하고 위 식을 만족시키기 위한 자명하지 않은 해(nontrivial solution)을 갖는다면 선형 종속(linear dependent)이라고 합니다.
예)
다음시스템의 선형 독립성을 결정합니다.
$$\begin{aligned}
&x_1 + 4x_2 + 2x_3 = 0\\
&2x_1 + 5x_2 + x_3 = 0\\
&3x_1 + 6x_2 = 0
\end{aligned}$$
import numpy as np import numpy.linalg as la import sympy as sp import matplotlib.pyplot as plt
v1=np.array([[1],[2],[3]]) v2=np.array([[4],[5],[6]]) v3=np.array([[2],[1],[0]]) A=np.hstack([v1,v2,v3]) A
array([[1, 4, 2], [2, 5, 1], [3, 6, 0]])
np.round(la.det(A), 4)
-0.0
행렬 A는 3×3 정방 행렬이므로 행렬식을 계산할 수 있지만 그 결과는 0이므로 역행렬은 존재하지 않습니다. 이는 고유한 해가 없음을 의미합니다. 기약행사다리꼴(rref)을 적용하여 확인할 수 있습니다.
b=np.array([[0],[0],[0]]) au=np.hstack([A, b]); au
array([[1, 4, 2, 0], [2, 5, 1, 0], [3, 6, 0, 0]])
sp.Matrix(au).rref()[0]$\color{navy}{\left[\begin{matrix}1 & 0 & -2 & 0\\0 & 1 & 1 & 0\\0 & 0 & 0 & 0\end{matrix}\right]}$
위 결과에 의하면 2개의 선도 변수와 1개의 자유 변수가 존재합니다. 즉, 다음과 같이 나타낼 수 있습니다.
위 시스템은 변수 x3에 따라 다양한 해를 가질 수 있습니다. 결과적으로 자명하지 않은 해를 가지므로 선형 종속입니다.
예)
행렬 B의 선형 독립 여부를 결정하여 봅니다.
행렬 B는 정방 행렬이므로 가역행렬이라면 함수 np.linalge.solve()
에 의해 해집합을 계산할 수 있습니다.
B=np.array([[0,1,4],[1,2,-1],[5,8,0]]);B
array([[ 0, 1, 4], [ 1, 2, -1], [ 5, 8, 0]])
round(la.det(B), 3)
-13.0
c=np.array([0,0,0]).reshape(-1,1); c
array([[0], [0], [0]])
la.solve(B, c)
array([[ 0.], [ 0.], [-0.]])
행렬 B의 행렬식은 0이 아닙니다. 이 결과는 B의 역행렬이 존재하며 그 행렬에 의한 선형 결합의 유일해가 존재함을 의미합니다. 이러한 결과는 그 선형 결합의 확대 행렬(augment matrix)에 대한 rref에서 자유 변수가 없는 것으로 확인됩니다. 결론적으로 위 행렬의 경우는 선형 독립입니다.
Bc=np.hstack([B, c]);Bc
array([[ 0, 1, 4, 0], [ 1, 2, -1, 0], [ 5, 8, 0, 0]])
sp.Matrix(Bc).rref()
(Matrix([ [1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0]]), (0, 1, 2))
정방 행렬 차원의 표준 행렬에 의한 선형 시스템은 미지수의 수와 식의 수가 동일합니다. 이러한 조건에서 표준 행렬의 역행렬의 존재 여부로 그 시스템의 독립성 여부를 판단할 수 있으므로 위 예들의 결과들을 다음과 같이 요약할 수 있습니다.
- 표준행렬이 정방행렬이고 가역적이면 다음과 동치입니다.
- ≡자명한 해(trivial solution)
- ≡선형 독립
예)
다음 선형 시스템의 경우는 식의 수가 변수의 수보다 많은 상태로서 표준 행렬이 정방 행렬이 아닌 경우입니다. 선형 독립 여부를 결정하여봅니다.
v1=np.array([[0],[2],[-1], [1]]) v2=np.array([[-3],[1],[4],[-4]]) v3=np.array([[9],[-7],[-5],[2]]) c=np.zeros([4,1]) V=np.hstack([v1,v2,v3]); V
array([[ 0, -3, 9], [ 2, 1, -7], [-1, 4, -5], [ 1, -4, 2]])
au=np.hstack([V, c]) sp.Matrix(au).rref()
(Matrix([ [1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0], [0, 0, 0, 0]]), (0, 1, 2))
위 결과에 의하면 선도변수가 3로서 위 식들의 변수의 수와 같습니다. 즉, 변수 x1, x2, x3의 해는 모두 0의 경우만 존재합니다. 즉, 자명한 해를 가지므로 선형독립입니다.
예)
다음 예는 변수의 수가 식의 수보다 많은 경우 입니다. 선형 독립 여부를 결정하여봅니다.
v1=np.array([[1],[-2],[-4]]) v2=np.array([[4],[-7],[-5]]) v3=np.array([[-3],[5],[7]]) v4=np.array([[0],[1],[5]]) c=np.zeros([3,1]) V=np.hstack([v1,v2,v3,v4]); V
array([[ 1, 4, -3, 0], [-2, -7, 5, 1], [-4, -5, 7, 5]])
au=np.hstack([V, c]) sp.Matrix(au).rref()[0]$\color{navy}{\left[\begin{matrix}1 & 0 & 0 & -3.0 & 0\\0 & 1 & 0 & 0 & 0\\0 & 0 & 1 & -1.0 & 0\end{matrix}\right]}$
위 결과와 같이 확대행렬의 기약행사다리꼴에서 1개의 자유변수(x4)가 존재합니다. 그러므로 나머지 변수는 그 자유변수 값에 따라 결정되어집니다. 즉, 다음과 같이 나타낼 수 있습니다.
행렬 V에 대응되는 변수 벡터 x는 다음과 같이 4×1의 형태이어야 합니다.결론적으로 자명하지 않은 해(nontrivial solution)가 존재하므로 선형 종속 관계에 있습니다.
위 결과들은 다음과 같이 정리될 수 있습니다.
- 행의 수 > 열의 수 ∩ 변수 벡터의 요소수(미지수의 수) = 열의 수
- → 자명한 해를 가집니다.
- → 선형 독립
- 행의 수 < 열의 수 ∩ 식의 수 < 미지수의 수
- → 자명하지 않은 해를 가집니다.
- → 선형 종속
댓글
댓글 쓰기