기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[Linear Algebra]그람 슈미트(Gram-Schmidt) 과정

그람 슈미트(Gram-Schmidt) 과정

그람 슈미트 과정은 0이 아닌 $\mathbb{R}^n$의 부분공간에서 직교 또는 정규직교 기저를 생성하는 단순한 알고리즘입니다.

import numpy as np
import numpy.linalg as LA
from sympy import *

예 1)

부분공간 W = Span{x1, x2}일 때 W에 직교 기저인 {v1, v2}을 결정해 봅니다.

$$x_1 =\begin{bmatrix}3\\6\\0\end{bmatrix},\quad x_2=\begin{bmatrix}1\\2\\2\end{bmatrix}$$

그림 1은 두 기저벡터 x1과 x2에 의한 부분공간 W를 나타낸 것입니다. 즉, 두 벡터는 부분공간 W의 스판으로 W = Span{x1, x2}를 나타낸 것입니다.

그림 1. x1, x2를 기저벡터로 하는 부분공간 W.

그림 1에서 나타낸 것과 같이 부분공간 W에 직교벡터는 v1와 v2입니다. v1는 x1와 같으며 그 벡터 위로 x2의 정사영은 벡터 p입니다. 그러므로 x2는 식 2와 같이 계산됩니다.

$$\tag{식 1}x_2 = v_2 + p$$

기사 직교적 투영에서 소개한 식 4와 5를 적용하면 p와 v2는 식 2와 같이 계산됩니다.

\begin{align} \tag{식 2} p&=\frac{x_2x_1}{x_1x_1}x_1\\v_2& = x_2- \frac{x_2x_1}{x_1x_1}x_1\end{align}

위 계산을 위한 코드는 다음과 같습니다.

x1=np.array([3,6,0]).reshape(-1,1)
print(x1)
[[3]
 [6]
 [0]]
x2=np.array([1,2,2]).reshape(-1,1)
print(x2)
[[1]
 [2]
 [2]]
def orthoCoefS(x, y):
    x=np.dot(x.T, y)
    y=np.dot(y.T, y)
    return(x/y)
p=orthoCoefS(x2,x1)*x1
print(p)
[[1.]
 [2.]
 [0.]]
v2=x2-p
print(v2)
[[0.]
 [0.]
 [2.]]
print(x2==p+v2)
[[ True]
 [ True]
 [ True]]

위 결과와 같이 x2는 기저 벡터인 v1, v2를 스판으로 하는 부분 공간이 됩니다(식 3).

$$\tag{식 3}x_2=\text{span}\{v_1,\, v_2\}$$

식 3은 x2는 v1의 선형 결합은 선형독립이며 그 결과가 v2임을 의미합니다.

v=np.hstack([x1,v2])
print(v)
[[3. 0.]
 [6. 0.]
 [0. 2.]]
au=np.hstack([v, x2])
print(au)
[[3. 0. 1.]
 [6. 0. 2.]
 [0. 2. 2.]]
print(np.array(Matrix(au).rref()[0], dtype=float).round(2)))
[[1.   0.   0.33]
 [0.   1.   1.  ]
 [0.   0.   0.  ]]
Matrix(v).columnspace()
[Matrix([
     [3.0],
     [6.0],
     [  0]]),
     Matrix([
     [  0],
     [  0],
     [2.0]])]
la.matrix_rank(v)
2

위 결과에 의하면 행렬 v의 모든 열이 피벗 열이고 행렬 v의 열공간의 차원과 급수(rank)가 2로서 같습니다. 이 결과는 위 결합이 선형독립이며 v의 각 열벡터는 기저벡터들로서 x2의 스판임을 의미합니다.

위 예의 계산과정은 다음과 같이 정리됩니다.

  1. v1 = x1
  2. x2는 v2와 v1 위로 x2의 직교투영(정사영)인 p와의 합으로 나타낼 수 있으므로 v2는 식 4와 같이 정리됩니다.

\begin{align}x_2& = v_2+p\\&= v_2 +\frac{x_2x_1}{x_1x_1}x_1\\ &= v_2 +\frac{x_2v_1}{v_1v_1}v_1\\ v_2 &= x_2-\frac{x_2x_1}{x_1x_1}x_1 \tag{식 4} \\ & =x_2-\frac{x_2v_1}{v_1v_1}v_1 \end{align}

식 4는 어떤 공간의 직교 기저 벡터들을 계산하는 Gram-Schmit 과정으로 식 5와 같이 일반화 할 수 있습니다. 즉, ℝn의 0이 아닌 부분공간 W의 기저가 {x1, x2, …, xp}라면 W에 직교기저는 {v1, v2, …, vp}는 다음과 같이 계산할 수 있습니다.

\begin{align}v_1 & =x_1\\ v_2 & = x_2-\frac{x_2v_1}{v_1v_1}v_1\\ v_3& = x_3-\frac{x_3v_1}{v_1v_1}v_1-\frac{x_3v_2}{v_2v_2}v_2\tag{식 5} \\ & \qquad \vdots\\ v_p&=x_p-\frac{x_pv_1}{v_1v_1}v_1-\frac{x_pv_2}{v_2v_2}v_2- \cdots -\frac{x_pv_{p-1}}{v_{p-1}v_{p-1}}v_{p-1}\end{align}

예 2)

ℝ4의 부분 공간인 W의 기저 집합 {x1, x2, x3}으로부터 직교 기저 벡터들을 계산해 봅니다.

$$w=\text{span}\left\{\begin{bmatrix}1\\1\\1\\1 \end{bmatrix},\; \begin{bmatrix}0\\1\\1\\1 \end{bmatrix}, \; \begin{bmatrix}0\\0\\1\\1 \end{bmatrix}\right\}$$

x1=np.array([[1],[1],[1],[1]])
x2=np.array([[0],[1],[1],[1]])
x3=np.array([[0],[0],[1],[1]])
v1=x1
v2=x2-(x2.T@v1)/(v1.T@v1)*v1
print(v2)
[[-0.75]
 [ 0.25]
 [ 0.25]
 [ 0.25]]
v3=x3-(x3.T@v1)/(v1.T@v1)*v1-(x3.T@v2)/(v2.T@v2)*v2
print(v3)
[[ 0.    ]
 [-0.6667]
 [ 0.3333]
 [ 0.3333]]

위 결과들을 요소로 구성하는 직교기저행렬은 다음과 같습니다.

print(np.c_[v1,v2,v3].round(3))
[[ 1.    -0.75   0.   ]
 [ 1.     0.25  -0.667]
 [ 1.     0.25   0.333]
 [ 1.     0.25   0.333]]

위 결과인 정규 직교 벡터는 다음 장에서 소개할 QR분해의 Q와 같습니다. numpy.linalg 모듈의 qr() 함수를 사용할 수 있습니다. 정규 직교 벡터는 고유 벡터 등과 같이 기저 벡터이므로 다양한 값으로 나타낼 수 있습니다. 그러나 벡터의 값들 사이에 비례 관계는 일치해야 합니다. 위 예에 qr()함수를 적용한 결과는 다음과 같습니다. 위 결과와 열벡터의 값들은 다르지만 각 값들의 비(ratio)는 같습니다.

Q, R=la.qr(np.hstack([x1,x2,x3]))
np.around(Q, 3)
array([[-0.5  ,  0.866,  0.   ],
           [-0.5  , -0.289,  0.816],
           [-0.5  , -0.289, -0.408],
           [-0.5  , -0.289, -0.408]])

예 3)

Gram-Schmit를 사용하여 다음 벡터들에 대한 정규 직교 벡터들을 계산해 봅니다.

$$x_1=\begin{bmatrix}0\\-1\\1 \end{bmatrix}\quad x_2=\begin{bmatrix}2\\2\\2 \end{bmatrix}\quad \begin{bmatrix}4\\4\\4 \end{bmatrix}$$

벡터 x3 = 2x2의 관계이므로 x1:x2 또는 x1:x3사이의 정규직교벡터를 계산합니다. 다음은 x1:x2 사이의 결과입니다.

x1=np.array([[0,-1,1]]).reshape(3,1)
x2=np.array([[2,2,2]]).reshape(3,1)
x3=np.array([[4, 4,4]]).reshape(3,1)
X=np.c_[x1, x2]
Q, R=la.qr(X)
print(Q.round(3))
[[ 0.    -0.577]
 [ 0.707 -0.577]
 [-0.707 -0.577]]

그림 2는 위 결과를 나타낸 것으로 벡터 x2와 x3는 배수관계에 있으므로 하나의 벡터로 간주됩니다. 벡터 x2를 벡터 x1로 투영할 경우 q1은 x1의 배수관계가 성립합니다. 그 역 역시 q2와 x2의 배수관계가 성립합니다. 이러한 결과는 x2와 x1의 직교관계에 기인하는 것입니다.

그림 2. x1, x2에 직교관계인 벡터들.

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 ...