기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[Linear Algebra] QR 분해(Decomposition)

QR 분해(Decomposition)

임의의 벡터와 관련된 직교 벡터를 계산하기 위해 Gram-Schmidt 과정을 적용하였습니다. 이 과정을 사용하여 식 1과 같이 행렬을 구성하는 벡터들의 직교벡터들로 구성된 직교행렬과 그에 대응하는 행렬로 분해될 수 있습니다. 이러한 분해를 QR 분해(Decomposition)라고 합니다. 즉, m × n 형태의 행렬 A가 선형독립이라면 식 1과 같이 분해할 수 있습니다.

$$\begin{align}\tag{식 1} \text{A} = \text{QR} \end{align}$$

  • Q: 열공간 A에 정규직교인 m×n 차원의 행렬 (Col A)
  • R: n×n 차원의 상삼각 역행렬, 대각원소는 양수입니다.

예 1)

다음 행렬 A의 QR 분해를 계산합니다.

$$A=\begin{bmatrix} 1& 0 & 0 \\1& 1& 0\\1& 1& 1\\1& 1 & 1 \end{bmatrix}$$

행렬 A를 구성하는 열 벡터들이 기저벡터인지를 확인합니다. 즉, 선형독립인지를 확인합니다. rref() 메서드를 적용합니다.

import numpy as np
import numpy.linalg as la
from sympy import *
A=np.array([[1,0,0],[1,1,0],[1,1,1], [1,1,1]])
Matrix(A).rref()
(Matrix([
 [1, 0, 0],
 [0, 1, 0],
 [0, 0, 1],
 [0, 0, 0]]),
 (0, 1, 2))

위 결과에 의하면 A의 모든 열벡터들이 기저 벡터입니다. 각 벡터들에 직교 기저는 Gram-Schmidt 과정을 적용하여 계산할 수 있습니다.

a1, a2, a3=A[:,0], A[:,1], A[:,2]
v1=a1
v2=a2-(a2@v1)/(v1@v1)*v1
print(v1)
print(v2)
[1 1 1 1]
[-0.75  0.25  0.25  0.25]
v3=a3-(a3@v1)/(v1@v1)*v1-(a3@v2)/(v2@v2)*v2
print(v3.round(3))
[ 0.    -0.667  0.333  0.333]

Q는 정규직교이므로 각 벡터를 단위 벡터로 수정합니다.

q1=v1/la.norm(v1)
q2=v2/la.norm(v2)
q3=v3/la.norm(v3)
Q=np.c_[q1,q2,q3]
print(Q.round(3))
[[ 0.5   -0.866  0.   ]
 [ 0.5    0.289 -0.816]
 [ 0.5    0.289  0.408]
 [ 0.5    0.289  0.408]]

결과 Q를 식 1에 적용하여 R을 결정합니다. Q는 정규 직교 행렬로서 QT = Q-1의 특성을 가지므로 식 2와 같이 계산할 수 있습니다.

\begin{align}\tag{식 2}QR & =A\\ R&=Q^{-1}A\\&=Q^TA \end{align}

R=Q.T@A
print(R.round(3))
[[2.    1.5   1.   ]
 [0.    0.866 0.577]
 [0.    0.    0.816]]

이 결과로부터 분해를 확인해 봅니다.

np.allclose(A,Q@R)
True

행렬의 QR 분해는 np.linalg.qr() 함수를 사용하여 계산할 수 있습니다. 이 함수는 두 가지 결과, 즉 Q, R을 튜플로 반환합니다. 또한 위에서 계산한 결과와 반대의 부호를 가질 수 있으나 바뀐 부호는 Q, R에 공통적으로 적용되기 때문에 최종 결과는 동일합니다.

Q1,R1=la.qr(A)
print(Q1.round(3))
[[-0.5    0.866  0.   ]
 [-0.5   -0.289  0.816]
 [-0.5   -0.289 -0.408]
 [-0.5   -0.289 -0.408]]
print(R1.round(3))
[[-2.    -1.5   -1.   ]
 [ 0.    -0.866 -0.577]
 [ 0.     0.    -0.816]]
np.allclose(A, Q1@R1)
True

예 2)

3×4 형태의 행렬 A는 QR 분해를 가질 수 있습니까?

A = QR에서 A와 Q의 형태는 같습니다. 그리고 Q는 정규직교 행렬로 A의 열공간이며 기저입니다. 즉, A의 모든 열이 피벗열이 되어 선형 독립이어야 합니다. 3×4형태의 행렬을 표준행렬로 선형시스템을 생성하면 식의 수가 변수의 수보다 작습니다. 자유변수가 존재하므로 선형종속입니다. 그러므로 A의 QR 분해는 계산되지 않습니다.

QR 분해의 조건

모든 가역행렬 = 선형 독립 = QR 분해 가능

예 3)

Gram-Schmidt과정을 사용하여 행렬 A는 QR 분해를 실행해 봅니다.

$$A=\begin{bmatrix}-2& 1\\1& 2\\-2& 3 \end{bmatrix}$$

A의 1열 벡터를 v1으로 하여 각 열벡터에 대해 Gram-Schmidt 과정을 적용합니다.

A=np.array([[-2, 1], [1, 2],[-2, 3]])
a1, a2=A[:,0], A[:,1]
v1=a1
v2=a2-(a2@v1)/(v1@v1)*v1
print(v1)
print(v2.round(3))
[-2  1 -2]
[-0.333  2.667  1.667]

위 결과벡터를 단위벡터로 수정하여 결합한 행렬이 Q가 됩니다.

q1=v1/la.norm(v1)
q2=v2/la.norm(v2)
Q=np.c_[q1, q2]
print(Q.round(3))
[[-0.667 -0.105]
 [ 0.333  0.843]
 [-0.667  0.527]]

위 결과로부터 식 2를 적용하여 R을 계산할 수 있습니다.

R=Q.T@A
print(R.round(3))
[[ 3.     -2.    ]
 [-0.      3.1623]]
print(Q@R)
[[-2.  1.]
 [ 1.  2.]
 [-2.  3.]]
q, r=la.qr(A)
print(q)
[[-0.6667  0.1054]
 [ 0.3333 -0.8433]
 [-0.6667 -0.527 ]]
print(r)
[[ 3.     -2.    ]
 [ 0.     -3.1623]]
np.allclose(A, q@r)
True

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 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} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...