기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[Linear Algebra] 기약행 사다리꼴 형태 (Reduced row echelon form, rref)

기약행 사다리꼴 형태 (Reduced row echelon form, rref)

관련된 내용

행사다리 꼴(row echelon form, ref)은 식 1과 같이 상삼각행렬 형태를 보입니다. 각 행에서 0이외의 첫번 째 요소가 1인 경우를 기약행사다리꼴(reduced row echelon form, rref) 이라고 합니다.

$$\begin{bmatrix}0& a& b & c & \cdots\\0& 0& d & e & \cdots\\0& 0& 0 & f & \cdots\\ \vdots& \vdots& \vdots& \vdots& \ddots\end{bmatrix}$$(식 1)

식 2는 연립방정식을 행렬 방정식으로 나타낸 것입니다.

$$\begin{aligned}x+y& =2\\ 2x+4y &=-3\\ 3x+6y & =5 \end{aligned}\Rightarrow \begin{bmatrix} 1& 1\\2& 4\\3& 6\end{bmatrix} \begin{bmatrix} x\\ y\end{bmatrix} = \begin{bmatrix}2\\ -3\\5\end{bmatrix}$$(식 2)

식 2에서는 나타낸 것과 같이 표준행렬은 정방행렬이 아니므로 역행렬에 의한 해를 결정할 수 없습니다. 이 경우 식 3에서 나타낸 것과 같이 표준행렬과 상수행렬을 결합한 형태에서 각 행간의 연산에 의해 표준행렬을 항등행렬의 형태로 전환할 수 있다면 해를 결정 할 수 있습니다.

\begin{align}\begin{bmatrix} 1& 1& :2 \\2& 4& :-3\\3& 6 & :5\end{bmatrix} &\Rightarrow \begin{bmatrix} 1& 0& :a \\0& 1& :b\\0& 0 & :0\end{bmatrix}\\ \begin{bmatrix} 1& 0 \\0& 1\\0& 0\end{bmatrix} \begin{bmatrix} x \\y\end{bmatrix}&= \begin{bmatrix} a \\b\\c\end{bmatrix}\\ \therefore x=a &\quad y=b\end{align}(식 3)

식 3의 첫 행렬과 같이 표준행렬과 상수행렬을 결합한 형태를 확대 행렬(augment matrix)이라고 합니다. 식 4와 같이 확대행렬에서 두 행간의 연산을 반복하여 최종적으로 표준행렬을 항등행렬과 유사한 형태인 기약행 사다리꼴 형태(rref)로 수정하는 것으로 각 미지수의 해를 결정할 수 있습니다. 이 방법을 가우스조르당 소거법이라고 합니다.

1행 × 2 − 2행 = 2행(식 4)
⋮

식 2.2.7에서 나타낸 것과 같이 확대 행렬에서 표준행렬과 상수행렬을 구분하기 위해 콜론을 사용했습니다. 다음은 콜론의 오른쪽에 나타낸 표준행렬을 rref로 변환하기 위한 연산 과정을 코드화한 것입니다.

au=np.array([[1,1,2], [2,4,-3], [3,6,5]])
print(au)
[[ 1  1  2]
 [ 2  4 -3]
 [ 3  6  5]]
au[1,:]=au[1,:]-2*au[0,:]
print(au)
[[ 1  1  2]
 [ 0  2 -7]
 [ 3  6  5]]
au[2,:]=au[2,:]-3*au[0,:] 
au[1,:]=au[1,:]/2 
au[0,:]=au[0,:]-au[1,:] 
au[2,:]=au[2,:]-3*au[1,:] 
au[2,:]=au[2,:]/8
print(au)
[[ 1  0  5]
 [ 0  1 -3]
 [ 0  0  1]]

위 결과와 같이 상수행렬의 각 요소는 표준행렬에 표시되는 각 변수에 대한 해가 됩니다. 위 결과는 식 5와 같이 나타낼 수 있습니다.

$$\begin{bmatrix} 1& 0 \\0& 1\\0& 0\end{bmatrix} \begin{bmatrix} x \\y\end{bmatrix}= \begin{bmatrix} 5\\-3\\1\end{bmatrix} \Rightarrow \begin{aligned}x&=5\\y&=-3\\0x+0y&=1 \end{aligned}$$(식 5)

식 5의 3번째 행(식)의 경우는 계수가 모두 0인데 상수 1과 같음을 의미하는 것으로 성립될 수 없는 식입니다. 그러므로 이 선형시스템(연립방정식)의 해는 존재할 수 없습니다. 이와 같이 해를 결정할 수 없는 연립방정식(선형시스템)을 모순된 시스템(inconsistemt system)이라 합니다. 그림 1은 위 연립방정식(식 2)을 나타낸 것으로 세개의 직선의 교차점은 존재할 수 없습니다.

그림 1. 교차점을 가지지 않는 세 직선.

메서드 sympy객체.rref()를 사용하여 rref를 확인할 수 있습니다. 이 메서드를 적용하는 sympy 객체는 모듈 sympy의 여러 함수들로 생성된 객체이며 파이썬의 기본 자료형인 리스트 형식으로 생성됩니다. 이것은 numpy의 배열(array)과 같은 형식이므로 두 모듈에서 생성된 객체의 상호변환이 가능합니다. 그러므로 다음 코드와 같이 numpy의 배열 객체는 sympy 모듈의 행렬을 생성하는 함수 Matrix()을 사용하여 변환하여 메서드 rref()에 적용할 수 있습니다. 이 메서드는 객체의 rref와 선도변수의 위치를 튜플 형태로 반환합니다. 선도변수의 위치는 각 행에서 첫 1의 값이 나오는 위치에 해당하는 열 번호를 나타냅니다.

A=np.array([[1,1],[2,4],[3,6]])
print(A)
[[1 1]
 [2 4]
 [3 6]]
print(Matrix(A).rref())
(Matrix([
[1, 0],
[0, 1],
[0, 0]]), (0, 1))

식6과 같이 표현되는 기약행사다리꼴은 행렬의 다양한 정보를 포함하고 있습니다.

$$\begin{bmatrix}{\color{red}{1}}&0&0&0 & \cdots\\0& {\color{red}{1}}& 0 & 0 & \cdots\\0& 0& {\color{red}{1}} & 0 & \cdots\\ \vdots& \vdots& \vdots& \vdots& \ddots\end{bmatrix}$$
(식 6)
[기약행사다리꼴 형태의 특성]
  1. 선도 1(leading 1): 각 행에서 0이후에 나타나는 첫 번째 요소로서 그 값이 1인 경우를 의미
    • 선도 1이 나타난 위치를 피봇 위치(pivot position)이라 합니다.
  2. 피봇열(pivot column): 피봇 위치를 포함하는 열 (column)
    • 선도변수(leading variable): 피봇 열에 해당하는 변수
    • 자유변수(free variable): 피봇 열이 아닌 열에 대응하는 변수
    • 자유변수가 존재하면 다수의 해들이 존재합니다.
  3. k 행이 모두 0으로 구성되지 않는 경우 선도 1 이전의 0수는 k+1 행보다 k행이 더 많습니다.
  4. 어떤 행의 요소들이 모두 0인 경우 그 직전 행의 모든 요소들이 0은 아닙니다.
  5. 선도 1을 포함하는 행의 나머지 요소들은 모두 0입니다.

위 특성들 중 1, 2, 3, 4를 만족하면 행사다리꼴 형태(row echelon form, ref)이며 위의 모든 특성을 충족하는 경우 기약 행 사다리꼴 형태(rref)이 됩니다.

예 1)

다음 연립 방정식의 해를 기약행사리꼴 형태를 사용하여 계산해봅니다.

a + b - c + 3d = 0
3a + b - c - d = 0
2a - b - 2c + d = 0

위 연립방정식의 확대행렬 aug는 다음과 같습니다.

aug=np.array([[1,1,-1,3, 0], [3,1,-1, -1, 0], [2,-1,-2, 1, 0]])
print(aug)
[[ 1  1 -1  3  0]
 [ 3  1 -1 -1  0]
 [ 2 -1 -2  1  0]]
re=Matrix(aug).rref()
re
(Matrix([
 [1, 0, 0,    -2, 0],
 [0, 1, 0,   5/3, 0],
 [0, 0, 1, -10/3, 0]]),
 (0, 1, 2))

위 결과는 1, 2, 그리고 3열이 피봇열로 3개의 선도변수와 1개의 자유변수가 존재함을 나타냅니다. 이 결과는 식 7과 같이 나타낼 수 있습니다.

\begin{align}&\begin{bmatrix} 1&0&0&-2\\ 0& 1& 0 & \frac{5}{3} \\ 0& 0&1 &\frac{-10}{3}\end{bmatrix} \begin{bmatrix} a\\b\\c\\d\end{bmatrix}= \begin{bmatrix} 0\\0\\0\end{bmatrix}\\ &\Rightarrow \begin{aligned}a-d =0 & \rightarrow a=d\\ b+\frac{5}{3}d=0& \rightarrow a=-\frac{5}{3}\\ c-\frac{10}{3}d=0 &\rightarrow c=\frac{10}{3}d\end{aligned}\end{align}(식 7)

식 7에서 나타낸 것과 같이 선도변수인 a, b, c는 자유변수인 d에 의존합니다. 즉, 자유변수가 존재하면 다수의 해가 존재합니다.

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 ...