search

벡터: 크기 (Magnitude of a Vector)

hashtag
벡터의 정의와 크기의 개념

벡터는 크기와 방향을 가지는 수학적 객체로, 물리적 세계에서 힘, 속도, 전기장 등의 여러 물리량을 표현하는 데 사용된다. 벡터의 크기, 즉 벡터의 길이는 벡터의 중요한 특성 중 하나이며, 이는 물리적 의미에서 벡터가 얼마나 큰지, 또는 강한지를 나타낸다. 벡터의 크기는 스칼라로 표현되며, 보통 양수이다.

벡터의 크기는 벡터 공간에서 정의된 거리 개념과 연관된다. 이를 통해 벡터 간의 상대적인 크기를 비교하거나 벡터의 방향성을 무시하고 단순히 크기만을 고려할 수 있다. 벡터의 크기를 이해하는 것은 벡터의 기본적인 성질을 파악하는 데 필수적이다.

hashtag
유클리드 공간에서의 벡터 크기

유클리드 공간에서 벡터의 크기는 주로 피타고라스 정리를 통해 정의된다. 이는 가장 직관적이고 널리 사용되는 방법으로, 특히 2차원과 3차원 공간에서 자주 사용된다.

2차원 벡터의 크기는 두 축에서의 성분을 이용해 계산된다. 예를 들어, 벡터 $ \mathbf{v} = (v_1, v_2) $의 크기는 다음과 같이 정의된다:

∥v∥=v12+v22\|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2}

여기서 $ |\mathbf{v}| $는 벡터 $ \mathbf{v} $의 크기(magnitude)를 나타내며, 이는 원점에서 해당 벡터가 가리키는 점까지의 거리를 의미한다.

3차원 벡터의 크기도 유사하게 계산되며, 벡터 $ \mathbf{v} = (v_1, v_2, v_3) $의 크기는 다음과 같이 정의된다:

∥v∥=v12+v22+v32\|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2 + v_3^2}

이 역시 벡터의 시작점에서 끝점까지의 유클리드 거리를 나타내며, 물리적으로는 공간에서의 직선 거리를 의미한다.

n차원 벡터의 크기는 일반화된 형태로, 벡터 $ \mathbf{v} = (v_1, v_2, \dots, v_n) $의 크기는 다음과 같이 정의된다:

∥v∥=v12+v22+⋯+vn2\|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2 + \dots + v_n^2}

이 공식은 모든 차원에서 벡터의 크기를 계산하는 데 적용 가능하며, n차원 공간에서의 거리 개념을 포괄적으로 설명한다.

hashtag
노름(Norm)과 벡터의 크기

벡터의 크기를 더 일반화하면, 이는 벡터 공간에서의 노름(norm)이라는 개념으로 확장된다. 노름은 벡터의 크기를 정의하는 다양한 방식들을 포함하며, 다양한 상황에서 벡터를 평가할 수 있는 도구를 제공한다.

**유클리드 노름(Euclidean Norm)**은 앞서 설명한 것처럼 가장 일반적인 노름의 형태로, $ L^2 $ 노름이라고도 불린다. 이는 유클리드 공간에서의 벡터 크기를 계산하는 방법과 동일하다.

맨해튼 노름(Manhattan Norm), 또는 $ L^1 $ 노름은 벡터의 각 성분의 절댓값을 합하여 크기를 계산하는 방식이다. 벡터 $ \mathbf{v} = (v_1, v_2, \dots, v_n) $의 맨해튼 노름은 다음과 같이 정의된다:

∥v∥1=∣v1∣+∣v2∣+⋯+∣vn∣\|\mathbf{v}\|_1 = |v_1| + |v_2| + \dots + |v_n|

이 노름은 물리적으로는 점 사이의 이동 경로가 축을 따라 직각으로만 이동할 때의 거리를 의미한다.

최대 노름(Maximum Norm), 또는 $ L^\infty $ 노름은 벡터의 성분 중 절댓값이 가장 큰 성분을 크기로 정의한다. 벡터 $ \mathbf{v} = (v_1, v_2, \dots, v_n) $의 최대 노름은 다음과 같이 정의된다:

∥v∥∞=max⁡(∣v1∣,∣v2∣,…,∣vn∣)\|\mathbf{v}\|_\infty = \max(|v_1|, |v_2|, \dots, |v_n|)

이 노름은 벡터의 크기를 측정할 때 가장 지배적인 성분의 영향을 고려하는 방식으로, 특정 상황에서 유용하다.

일반화된 $ L^p $ 노름은 위의 노름들을 포함하는 일반적인 형태로, 다음과 같이 정의된다:

∥v∥p=(∑i=1n∣vi∣p)1p\|\mathbf{v}\|_p = \left( \sum_{i=1}^{n} |v_i|^p \right)^{\frac{1}{p}}

여기서 p가 2일 때는 유클리드 노름, p가 1일 때는 맨해튼 노름, p가 무한대에 가까워질 때는 최대 노름이 된다. 이는 다양한 공간에서 벡터의 크기를 평가할 수 있는 일반적인 도구를 제공한다.

hashtag
벡터 크기의 성질

벡터의 크기는 여러 중요한 성질을 가지며, 이는 선형대수에서 매우 유용하다. 이러한 성질을 이해하는 것은 벡터 간의 관계를 분석하고 벡터 공간 내에서의 연산을 수행하는 데 필수적이다.

비음성성(Non-negativity): 모든 벡터 $ \mathbf{v} $에 대해, 벡터의 크기는 항상 0 이상이다. 즉, $ |\mathbf{v}| \geq 0 $이며, $ |\mathbf{v}| = 0 $일 때 $ \mathbf{v} $는 영벡터(모든 성분이 0인 벡터)이다.

동차성(Homogeneity): 모든 스칼라 $ c $와 벡터 $ \mathbf{v} $에 대해, 스칼라 곱을 취한 벡터의 크기는 원래 벡터의 크기에 스칼라의 절댓값을 곱한 것과 같다. 즉, $ |c\mathbf{v}| = |c||\mathbf{v}| $이다.

삼각 부등식(Triangle Inequality): 두 벡터 $ \mathbf{u} $와 $ \mathbf{v} $에 대해, 벡터의 크기는 그 합의 크기보다 작거나 같다. 즉, $ |\mathbf{u} + \mathbf{v}| \leq |\mathbf{u}| + |\mathbf{v}| $이다. 이 성질은 벡터 공간에서 벡터 간의 거리와 관련이 깊다.

관련 자료:

  • Linear Algebra and Its Applications by Gilbert Strang

  • Introduction to Linear Algebra by Serge Lang

  • Matrix Analysis by Roger A. Horn and Charles R. Johnson

Previous벡터: 벡터의 전치 (Transpose of a Vector)Next벡터: 유클리드 노름

Last updated