# 행렬: 대칭행렬 (Symmetric Matrices)

#### 대칭행렬의 정의와 기본 성질

**대칭행렬**은 정방행렬 $ A $에서 행렬의 요소가 주대각선을 기준으로 대칭을 이루는 행렬을 의미한다. 즉, $ A = \[a\_{ij}] $일 때, 모든 $ i $와 $ j $에 대해 $ a\_{ij} = a\_{ji} $가 성립하는 행렬을 대칭행렬이라고 한다. 이러한 대칭성으로 인해 대칭행렬은 여러 가지 중요한 수학적 성질을 가지며, 특히 고유값과 고유벡터의 분석에서 중요한 역할을 한다.

대칭행렬의 가장 기본적인 성질 중 하나는 모든 고유값이 실수라는 점이다. 이 성질은 대칭행렬이 실수 벡터 공간에서 실수로 구성된 벡터에 대해 선형 변환을 행할 때, 그 변환의 결과가 여전히 실수 공간 내에 머물러 있음을 의미한다.

또한, 대칭행렬은 항상 대각화 가능하다. 즉, 대칭행렬 $ A $는 직교행렬 $ Q $와 대각행렬 $ \Lambda $에 대해 $ A = Q\Lambda Q^T $의 형태로 표현될 수 있다. 이는 대칭행렬의 고유벡터가 서로 직교한다는 사실과 밀접하게 연결되어 있다.

#### 대칭행렬의 고유값과 고유벡터

대칭행렬의 중요한 특징 중 하나는 모든 고유값이 실수라는 것이다. 이 성질은 대칭행렬의 고유값을 이용해 행렬을 대각화할 수 있음을 보장하며, 이는 행렬의 대각화 과정에서 중요한 역할을 한다.

**고유값과 고유벡터의 계산**은 대칭행렬의 성질을 연구하는 핵심 과정 중 하나이다. 대칭행렬 $ A $의 고유값 $ \lambda $와 대응하는 고유벡터 $ v $는 $ Av = \lambda v $를 만족하는 벡터로 정의된다. 대칭행렬의 특성상, 고유값은 모두 실수이며, 서로 다른 고유값에 대응하는 고유벡터는 서로 직교한다.

**대각화 가능성**은 대칭행렬의 또 다른 중요한 성질이다. 대칭행렬 $ A $는 직교행렬 $ Q $에 의해 대각행렬 $ \Lambda $로 대각화될 수 있다. 즉, $ A = Q\Lambda Q^T $의 형태로 표현 가능하다. 여기서 $ Q $는 대칭행렬의 고유벡터들로 구성된 행렬이고, $ \Lambda $는 그에 대응하는 고유값들로 구성된 대각행렬이다.

**직교성**은 대칭행렬의 고유벡터들이 가지는 중요한 성질이다. 서로 다른 고유값에 대응하는 고유벡터는 항상 서로 직교한다. 이는 고유벡터들로 이루어진 행렬 $ Q $가 직교행렬이 되도록 하며, 결과적으로 $ Q^T Q = I $가 성립한다.

#### 대칭행렬의 양의 정부호성과 반정부호성

대칭행렬의 성질 중 하나는 양의 정부호성(Positive Definiteness)과 반정부호성(Negative Definiteness)이다. 이 성질은 대칭행렬의 고유값을 통해 판단할 수 있다.

**양의 정부호 행렬**은 모든 고유값이 양수인 대칭행렬을 의미한다. 이는 벡터 $ x $에 대해 $ x^T A x > 0 $을 만족하는 행렬 $ A $로 정의된다. 양의 정부호 행렬은 다양한 최적화 문제에서 중요한 역할을 하며, 이 성질을 통해 특정 행렬의 특성을 분석할 수 있다.

**반정부호 행렬**은 모든 고유값이 음수인 대칭행렬을 의미한다. 반정부호 행렬은 $ x^T A x < 0 $을 만족하며, 이러한 행렬은 시스템의 안정성 분석에서 중요한 역할을 한다.

\*\*준정부호 행렬(Semidefinite Matrix)\*\*은 고유값이 모두 비음수(양의 준정부호) 또는 비양수(음의 준정부호)인 행렬을 말한다. 이는 다수의 응용 문제에서 나타나며, 양의 정부호성이나 반정부호성보다는 완화된 조건을 제공한다.

#### 대칭행렬의 분해 방법

대칭행렬은 다양한 방식으로 분해될 수 있으며, 이는 선형 시스템의 해석 및 응용에서 중요한 도구로 사용된다.

\*\*고윳값 분해(Eigenvalue Decomposition)\*\*는 대칭행렬의 가장 기본적인 분해 방법이다. 대칭행렬 $ A $는 $ A = Q\Lambda Q^T $로 분해되며, 여기서 $ Q $는 고유벡터들로 구성된 직교행렬, $ \Lambda $는 고유값들로 구성된 대각행렬이다. 이 분해는 대칭행렬의 구조를 명확하게 드러내며, 행렬의 복잡한 연산을 단순화하는 데 유용하다.

\*\*촉각 분해(Cholesky Decomposition)\*\*는 대칭이고 양의 정부호인 행렬에 대해 적용 가능한 분해 방법으로, 행렬 $ A $를 하삼각행렬 $ L $과 그 전치행렬 $ L^T $의 곱으로 분해하는 방법이다. 즉, $ A = LL^T $로 표현되며, 이는 선형 시스템을 효율적으로 푸는 데 자주 사용된다.

\*\*스펙트럼 분해(Spectral Decomposition)\*\*는 대칭행렬의 고유값과 고유벡터를 이용해 행렬을 스펙트럼(고유값)으로 분해하는 방법이다. 대칭행렬 $ A $는 $ A = \sum \lambda\_i v\_i v\_i^T $로 표현될 수 있으며, 이는 각 고유값과 그에 대응하는 고유벡터의 외적을 통해 이루어진다.

***

관련 자료:

* Matrix Analysis by Roger A. Horn and Charles R. Johnson
* Linear Algebra by Kenneth Hoffman and Ray Kunze
* Introduction to Linear Algebra by Gilbert Strang