내용
유사변환(Similarity transformation)
유사변환
n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사하다고 하며 이 변환을 유사 변환(similarity transformation)이라고 합니다.
$$\begin{equation}\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B \end{equation}$$식 1의 유사 변환은 다음과 같이 고유값을 적용하여 특성 방정식 형태로 정리할 수 있습니다.
$$\begin{align} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align}$$위 식의 행렬식은 다음과 같이 정리됩니다.
$$\begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align}$$결과적으로 유사 변환에 의한 두 행렬은 동일한 특성 방정식과 특성값을 가집니다.
예)
A와 B가 유사하면 A2과 B2은 유사함을 결정합니다.
유사한 관계에 있는 두 행렬 A와 B는 A~B와 같이 나타내며 다음의 특징을 가집니다.
- rank(A)=rank(B)
- det(A)=det(B)
- 동일한 특성 방정식을 가집니다.
- 동일한 고유값을 가집니다.
- A는 B가 가역적일 때만 가역적입니다.
예)
다음 두 행렬 A, B는 유사합니까?
$$A=\begin{bmatrix}3&-2\\0&-3 \end{bmatrix}, \quad B=\begin{bmatrix}3&1\\13&1 \end{bmatrix}$$
import numpy as np import numpy.linalg as la import sympy as sp
A=np.array([[3, -2],[0, -3]]) B=np.array([[3, 1],[13, 1]]) eigValA, eigVecA=la.eig(A) eigValA
array([ 3., -3.])
eigValB, eigVecB=la.eig(B) eigValB
array([ 5.74165739, -1.74165739])
두 행렬의 고유값이 같지 않으므로 유사하지 않습니다.
예)
다음 두 행렬 A, B는 유사합니까?
$$A = \begin{bmatrix}
1& -2 \\-1&-2
\end{bmatrix}, \quad B = \begin{bmatrix}
1&-1\\-2&-2
\end{bmatrix}$$
A=np.array([[1, -2], [-1, -2]]) B=np.array([[1, -1],[-2, -2]]) la.matrix_rank(A)==la.matrix_rank(B)
True
la.det(A)==la.det(B)
True
valA, vecA=la.eig(A) valB, vecB=la.eig(B) valA == valB
array([ True, True])
la.det(A-valA[0]*np.eye(2))
7.385576408059756e-17
la.det(B-valB[0]*np.eye(2))
7.385576408059809e-17
위 결과에 의하면 두 행렬은 유사합니다. 두 행렬의 유사 변환을 위한 P는 다음 코드와 같이 sympy 모듈의 symbols()
와 solve()
함수를 사용하여 생성할 수 있습니다.
a, b, c, d=sp.symbols('a b c d') P=sp.Matrix([[a,b],[c,d]]) P$\small\color{navy}{\left[\begin{matrix}a & b\\c & d\end{matrix}\right]}$
inv_P=P.inv() inv_P$\small\color{navy}{\left[\begin{matrix}\frac{d}{a d - b c} & - \frac{b}{a d - b c}\\- \frac{c}{a d - b c} & \frac{a}{a d - b c}\end{matrix}\right]}$
sol=sp.solve(sp.Eq(sp.Matrix(A), P*B*inv_P), (a, b, c, d))[0] sol
(-3*c + 2*d, c, c, d)
P=P.subs({a:sol[0], b:sol[1], c:sol[2], d:sol[3]}) P$\small\color{navy}{\left[\begin{matrix}- 3 c + 2 d & c\\c & d\end{matrix}\right]}$
위 결과에서 c, d를 1이라고 하면 P는 다음과 같으며 유사 변환이 성립합니다.
P=P.subs({c:1, d:1}) P$\small\color{navy}{\left[\begin{matrix}-1 & 1\\1 & 1\end{matrix}\right]}$
P*sp.Matrix(B)*P.inv()==sp.Matrix(A)
True
대각화(Diagonalization)
많은 경우 행렬 A의 고유값과 고유 벡터는 행렬의 식 2로 나타나는 유사 변환과 같이 행렬의 분해(factorization)를 위해 적용될 수 있습니다. 식 2는 식 1의 행렬 B를 대각 행렬(diagonal matrix)인 D로 치환한 것 입니다.
$$\begin{equation}\tag{2} A = PDP^{-1} \end{equation}$$식 2에서 P와 D는 각각 행렬 A의 고유벡터들을 결합한 고유행렬와 각 고유벡터에 대응하는 고유값을 대각원소로 하는 대각행렬입니다.
예를 들어 다음 행렬의 경우 고유값을 대각요소로 하는 D와 각 고유값에 대응하는 고유 벡터들로 구성된 고유 행렬을 P로 하여 사용하면 식 2가 성립합니다.
A=np.array([[3, 1],[1, 3]]);A
array([[3, 1], [1, 3]])
d, P=la.eig(A) D=np.diag(d);D
array([[4., 0.], [0., 2.]])
np.around(P, 3)
array([[ 0.707, -0.707], [ 0.707, 0.707]])
np.dot(np.dot(P, D), la.inv(P))
array([[3., 1.], [1., 3.]])
대각 행렬의 경우는 다음과 같이 계산에 매우 유리합니다. 예를 들어 대각 행렬의 거듭제곱은 그 행렬의 대각 원소의 거듭제곱과 같습니다.
A=np.array([[5,0],[0,5]]); A
array([[5, 0], [0, 5]])
np.dot(A,A)
array([[25, 0], [ 0, 25]])
결과적으로 대각 행렬의 거듭제곱은 대각 원소의 거듭제곱으로 나타낼 수 있으며 식 3과 같이 일반화하여 나타낼 수 있습니다.
$$\begin{equation}\tag{3} D^k=\begin{bmatrix} a^k&0\\0&b^k \end{bmatrix} \end{equation}$$이 대각 행렬의 특성을 적용하면 식 2와 같이 분해 가능한 행렬의 거듭제곱을 보다 쉽게 계산할 수 있습니다. 예로 다음 행렬 A는 A=PDP-1로 분해 가능하므로 그 행렬의 Ak는 식 3을 적용하여 쉽게 진행됩니다.
예)
행렬 A, P, D에 대해 식 2를 검사해 봅니다.
A=np.array([[7,2],[-4,1]]) P=np.array([[1,1],[-1, -2]]) D=np.array([[5,0],[0,3]])
A==np.dot(np.dot(P, D), la.inv(P))
array([[ True, True], [ True, True]])
d, P1=la.eig(A) np.diag(d)
array([[5., 0.], [0., 3.]])
P1
array([[ 0.70710678, -0.4472136 ], [-0.70710678, 0.89442719]])
고유벡터는 대응하는 고유값에 대해 간단한 형태의 벡터를 나타내는 것으로 그 방향은 고정되어 있지만 고유벡터의 크기(norm)을 유일하지 않습니다. 그러므로 다음과 같이 위 고유행렬의 0행을 기준으로 나머지 값들의 비로서 나타낼 수 있습니다. 위의 고유값을 사용하여 작성한 대각행렬과 다음의 고유행렬은 예제에서 주어진 D, P와 같습니다.
P1/P1[0,:]
array([[ 1., 1.], [-1., -2.]])
위 관계로부터 다음이 성립됩니다.
$$\begin{align} A^2&= (PDP^{-1})(PDP^{-1})= PD^2P^{-1}\\ A^3 &= (PD^2P^{-1})(PDP^{-1})= PD^3P^{-1}\\ &\qquad \vdots \\ A^k &= PD^kP^{-1} \end{align}$$배열 객체의 지수승은 linalg.matrix_power()
함수를 사용하여 계산할 수 있습니다.
D3=np.array([[5**3, 0],[0, 3**3]]) np.dot(np.dot(P, D3), la.inv(P))
array([[ 223., 98.], [-196., -71.]])
la.matrix_power(A, 3)
array([[ 223, 98], [-196, -71]])
위 관계는 n×n 차원의 정방 행렬 A의 고유값(λ)과 고유벡터(x)를 사용하여 식 4와 같이 일반화하여 나타낼 수 있습니다.
$$\begin{align}\tag{4} &\begin{aligned}Ax &=\lambda x \\&=x \lambda \end{aligned}\\ &A=x \lambda x^{-1} \end{align}$$식 4에서 고유값은 스칼라 λ은 위 예에서 나타낸 것과 같이 대각행렬로, 모든 고유벡터들의 결합으로 고유행렬을 생성하고 그 고유행렬이 가역행렬이면 식 2가 성립되며 결과적으로 행렬 A는 가역행렬인 고유행렬 P, 대각행렬 D로 분리할 수 있게 됩니다. 즉, 식 2와 같이 유사 변환이 가능하다면 행렬 A는 대각가능(Diagonalizable)하다고 합니다.
예)
행렬 A, P에 대해 식 2를 적용하여 D를 계산해 봅니다.
A=np.array([[17, 7], [-42, -18]]);A
array([[ 17, 7], [-42, -18]])
P=np.array([[1, -1], [-3, 2]]); P
array([[ 1, -1], [-3, 2]])
inv_P=la.inv(P); inv_P
array([[-2., -1.], [-3., -1.]])
D=np.around(np.dot(np.dot(inv_P, A), P), 5);D
array([[-4., -0.], [ 0., 3.]])
위에서 계산한 D는 행렬 A의 고유값으로 구성된 대각 행렬과 같습니다.
val, vec=la.eig(A) np.diag(val)
array([[ 3., 0.], [ 0., -4.]])
예)
행렬 A는 대각화가 가능 여부를 결정해 봅니다.
A=np.array([[-3, -1],[0, -3]]) d,P=la.eig(A) D=np.diag(d);D
array([[-3., 0.], [ 0., -3.]])
np.around(la.det(P),3)
0.0
고유 행렬은 비가역행렬이므로 대각화가 가능하지 않습니다.
예)
다음 행렬 A의 분해시 대각 행렬과 고유 행렬을 계산합니다. 이 고유 행렬의 정규직교성을 조사해 봅니다.
A=np.array([[-3, 6],[6, -5]]) la.det(A)
-21.0
d, P=la.eig(A) D=np.diag(d) np.around(D, 3)
array([[ 2.083, 0. ], [ 0. , -10.083]])
np.around(P, 3)
array([[ 0.763, -0.646], [ 0.646, 0.763]])
다음과 같이 PT = P-1가 성립하므로 P는 정규직교 행렬입니다.
P_inv=la.inv(P) np.around(P_inv, 3)==np.around(P.T, 3)
array([[ True, True], [ True, True]])
위 예로 부터 식 5가 성립합니다.
$$\begin{align}\tag{5} B &= PDP^{-1}\\ &= PDP^T\\ B^T &= (PDP^T)^T\\ &= (P^T)^TDP^T\\ &= PDP^T\\ &= B \end{align}$$행렬 B에 대해 다음을 정의할 수 있습니다.
- B = PDP-1에서 PT = P-1이고 D가 대각 행렬이라면 B 는 대칭 행렬입니다.
- 모든 대칭 행렬은 정규적으로 대각화가 가능합니다.
예)
다음 행렬 A의 분해를 고유 행렬과 대각 행렬을 사용하여 분해할 수 있습니까? 그렇다면 고유 행렬의 정규직교 행렬을 계산해 봅니다.
행렬 A의 고유값과 고유 행렬은 다음과 같습니다.
A=np.array([[5, 8, -4], [8, 5, -4],[-4,-4,-1]]) d, P=la.eig(A);d
array([-3., 15., -3.])
np.around(P, 3)
array([[-0.745, 0.667, 0.016], [ 0.596, 0.667, 0.435], [-0.298, -0.333, 0.9 ]])
위 고유값으로부터 다음의 대각 행렬을 생성합니다.
D=np.diag(d);D
array([[-3., 0., 0.], [ 0., 15., 0.], [ 0., 0., -3.]])
각 고유값에 대응하는 고유 벡터에 대한 정규직교 벡터는 qr()함수를 사용하여 계산하면 다음과 같습니다.
Q,R=la.qr(P) np.around(Q, 3)
array([[-0.745, -0.667, 0. ], [ 0.596, -0.667, 0.447], [-0.298, 0.333, 0.894]])
댓글
댓글 쓰기