제 7장: 선형 대수의 이론적 기반

7.1 행렬의 고유값과 고유벡터

행렬의 고유값과 고유벡터는 선형 대수에서 매우 중요한 개념이다. 이들은 행렬의 특성과 구조를 이해하는 데 도움을 준다.

7.1.1 고유값과 고유벡터 정의

정방 행렬 $ \mathbf{A} $가 주어졌을 때, $ \mathbf{A} $의 고유값 $ \lambda $와 고유벡터 $ \mathbf{v} $는 다음과 같은 관계를 만족한다:

$$\mathbf{A} \mathbf{v} = \lambda \mathbf{v}$$

여기서:

• $ \mathbf{v} $는 $ \mathbf{A} $의 고유벡터이다.

• $ \lambda $는 $ \mathbf{A} $의 고유값이다.

이 관계는 $ \mathbf{A} $의 고유벡터가 $ \mathbf{A} $에 의해 방향이 바뀌지 않지만 크기가 $ \lambda $배로 변한다는 것을 의미한다.

7.1.2 고유값과 고유벡터의 계산

고유값은 다음과 같은 특성 방정식(Characteristic Equation)을 통해 계산할 수 있다:

$$\text{det}(\mathbf{A} - \lambda \mathbf{I}) = 0$$

여기서 $ \mathbf{I} $는 단위 행렬이다. 이 방정식을 풀어 $ \lambda $를 찾고, 이를 이용하여 고유벡터를 계산한다.

7.1.3 C++ Eigen3를 이용한 고유값과 고유벡터 계산

#include <Eigen/Dense>
#include <iostream>

int main() {
    // 정방 행렬 정의
    Eigen::Matrix2d A;
    A << 4, 1,
         2, 3;

    // 고유값과 고유벡터 계산
    Eigen::EigenSolver<Eigen::Matrix2d> es(A);
    Eigen::Vector2cd eigenvalues = es.eigenvalues();
    Eigen::Matrix2cd eigenvectors = es.eigenvectors();

    std::cout << "Eigenvalues: \n" << eigenvalues << std::endl;
    std::cout << "Eigenvectors: \n" << eigenvectors << std::endl;

    return 0;
}

이 코드는 EigenSolver를 사용하여 행렬 $ \mathbf{A} $의 고유값과 고유벡터를 계산하고 출력한다.

7.2 행렬의 대각화

행렬의 대각화는 행렬을 대각 행렬과 두 개의 직교 행렬의 곱으로 표현하는 방법이다.

7.2.1 대각화의 정의

행렬 $ \mathbf{A} $가 대각화 가능(diagonalizable)하다는 것은 다음과 같은 형태로 표현할 수 있을 때를 의미한다:

$$\mathbf{A} = \mathbf{P} \mathbf{D} \mathbf{P}^{-1}$$

여기서:

• $ \mathbf{P} $는 고유벡터를 열벡터로 갖는 행렬이다.

• $ \mathbf{D} $는 $ \mathbf{A} $의 고유값이 대각 원소로 있는 대각 행렬이다.

7.2.2 대각화의 응용

• 행렬의 거듭제곱 계산: 대각 행렬 $ \mathbf{D} $를 사용하면 $ \mathbf{A}^k = \mathbf{P} \mathbf{D}^k \mathbf{P}^{-1} $으로 쉽게 계산할 수 있다.

• 동적 시스템의 해: 동적 시스템의 해를 구할 때 대각화를 통해 간단히 해를 분석할 수 있다.

7.2.3 C++ Eigen3를 이용한 대각화

#include <Eigen/Dense>
#include <iostream>

int main() {
    // 정방 행렬 정의
    Eigen::Matrix2d A;
    A << 4, 1,
         2, 3;

    // 대각화
    Eigen::EigenSolver<Eigen::Matrix2d> es(A);
    Eigen::Matrix2cd P = es.eigenvectors();
    Eigen::Matrix2cd D = es.eigenvalues().asDiagonal();
    Eigen::Matrix2cd P_inv = P.inverse();

    Eigen::Matrix2cd A_diag = P * D * P_inv;

    std::cout << "Diagonalized matrix A: \n" << A_diag.real() << std::endl;

    return 0;
}

이 코드는 EigenSolver를 사용하여 행렬 $ \mathbf{A} $를 대각화하고, 대각화된 행렬을 출력한다.

7.3 행렬 함수

행렬 함수는 행렬에 대해 정의된 함수로, 특히 행렬의 거듭제곱, 지수 함수, 로그 함수 등이 포함된다.

7.3.1 행렬의 거듭제곱

행렬의 거듭제곱은 대각화를 사용하여 계산할 수 있다. 즉, $ \mathbf{A}^k = \mathbf{P} \mathbf{D}^k \mathbf{P}^{-1} $로 계산한다.

7.3.2 행렬의 지수 함수

행렬의 지수 함수는 다음과 같이 정의된다:

$$e^{\mathbf{A}} = \sum_{k=0}^{\infty} \frac{\mathbf{A}^k}{k!}$$

행렬 지수 함수는 주로 선형 동적 시스템의 해를 구하는 데 사용된다.

7.3.3 C++ Eigen3를 이용한 행렬 함수 계산

#include <Eigen/Dense>
#include <Eigen/Eigenvalues>
#include <iostream>

int main() {
    // 행렬 정의
    Eigen::Matrix2d A;
    A << 0, -1,
         1, 0;

    // 행렬의 지수 함수 계산
    Eigen::Matrix2d expA = (A * 1.0).exp();

    std::cout << "Matrix exponential of A: \n" << expA << std::endl;

    return 0;
}

이 코드는 행렬의 지수 함수를 계산하고 출력한다.

7.4 선형 대수의 응용과 이론적 기초

이 장에서는 행렬의 고유값과 고유벡터, 대각화, 그리고 행렬 함수에 대해 다루었다. 이론적 기초는 행렬의 특성과 연산을 깊이 이해하는 데 필수적이며, 다양한 응용 문제를 해결하는 데 중요한 역할을 한다. 선형 대수의 이론적 기반을 이해하면 실제 문제를 보다 효과적으로 접근하고 해결할 수 있다. 다음 장에서는 선형 대수의 고급 주제 및 응용에 대해 더욱 깊이 있는 논의를 이어가겠다.