Loading [MathJax]/jax/output/SVG/jax.js
Link Search Menu Expand Document

2.6 기저와 계수

Chapter 6 : Basis and Rank

Edited by / 박상은 (CheezEun) CheezEun



Chapter 2-1Chapter 2-3 에서 선형방정식 Ax=b의 해의 종류는 없거나, 유일하거나, 무한한 해가 존재한다는 것과 해를 직접적으로 구하는 방법까지 소개하였다.

그렇다면 우리가 선형 방정식 Ax=b의 해를 구할 수 있을 때와 없을 때의 차이는 무엇일까?

이것을 설명하기 위해서 이번 챕터에서는 행렬 A가 갖는 특징에 대해 소개한다.


생성집합과 기저

A = {x1,x2,,xk}의 원소들의 선형결합으로 표현할 수 있는 벡터 공간 Vspan[A] 또는 span[x1,x2,,xk]라고 하며1, 이때 A를 벡터 공간 V의 생성집합(Generating Set)이라고 한다.

또한, 벡터 공간 V의 생성집합으로 가능한 집합 중에서 가장 작은 집합(가장 적은 원소의 개수를 가진 집합)을 V의 기저(basis)라고 하며, 기저 B는 다음은 특징이 있다.

  • BV에 속한 선형 독립인 벡터를 최대로 갖는다. 즉, 임의의 벡터를 추가하면 B는 선형 종속(linear dependent)이 된다.
  • V를 span하는 기저 B는 유일하지 않지만, B의 원소(basis vector)의 개수는 일정하다.
  • V에 속하는 모든 벡터는 B의 원소(basis vector)들의 선형 결합으로 표현 가능하며, 그 표현은 유일하다. 즉, ψi,λi for x=ki=1λibi=ki=1ψibiλi=ψi(i=1,2,,k).


기저 BB가 span하는 벡터 공간 V에 대해 V의 차원(dimension)을 dim(V)라 하고, n(B) (basis vector의 개수)로 정의한다. 즉, dim(V)=n(B). 2


생성집합, span, 기저에 대해서 다음 예시를 통해서 살펴보자.

예시

다음과 같은 R2에 속하는 벡터를 원소로 갖는 집합

A={[10],[01],[82],[412]}

에 대하여 [λψ] for λ,ψR는 다음과 같이 벡터들의 선형결합으로 표현가능하다.

λ[10]+ψ[01]+0[82]+0[412]

즉, span[A]=R2 이며, 집합 AR2의 생성집합이다.

그러나 [10],[01]만 있어도 모든 R2의 원소를 표현할 수 있기 때문에 집합 A는 가장 작은 생성 집합이 아니므로 기저가 아니다.


표준 기저

실수 공간 Rn 또는 허수 공간 Cn과 같은 좌표 공간(coordinate vector space)의 표준 기저(canonical basis)는 한 개의 1과 나머지는 0으로 채워진 벡터들로 이루어진 집합이다.

예를 들어 3차원 공간을 span하는 표준 기저는 B={[100],[010],[001]} 이다.

n 차원 벡터공간의 표준 기저는 일반적으로 e1,e2,,en으로 표현한다.

Chapter 3-6에서 정규직교화 기저(Orthogonal basis)를 다루겠지만, 표준 기저를 일반적으로 사용하는 이유는 정렬되어 있고(ordered), 정규직교화 벡터이기 때문이다.



기저를 구하는 법

생성집합 {x1,x2,x3,,xm}가 span하는 벡터 공간 V의 기저 B는 다음과 같은 과정을 통해 구할 수 있다.

  1. 생성집합의 각 원소 벡터들이 행렬 A의 열(column)이 되도록 A를 만든다.

  2. A의 행 사다리꼴(row-echelon form)을 구한다.

  3. 기저 BApivot column들의 집합이다.


위의 과정을 아래 예시 2.8과 함께 알아보자.

예시 2.8

벡터 부분공간 UR5를 span하는 벡터 x1,x2,x3,x4가 다음과 같을 때,

x1=[12111],x2=[21122],x3=[34353],x4=[18561]R5

x1,x2,x3,x4U의 basis vector인지 판단하려면 서로가 선형 독립인지 확인해야 한다. 그러기 위하여 homogeneous system, 즉

4i=1λixi=0

의 해를 구했을 때, λi=0를 반드시 만족해야 하는 λi (basic variable)을 구별하여 선형 독립성을 확인할 수 있다.

  1. x1,x2,x3,x4를 하나의 행렬 A로 만들면
    A=[x1,x2,x3,x4]=[12312148113512561231]
  2. 행렬 A를 행 사다리꼴(row-echelon form)으로 변형하면
    [12312148113512561231][12310122000100000000]
  3. 따라서 basis vector는
[10000],[21000],[12100]

이며, {x1,x2,x4}도 U의 기저이다.


행렬의 계수

행렬 ARm×n에 대하여 행렬 A의 계수(Rank)는 rank(A) 또는 rk(A)로 표현하며, 선형 독립인 열의 개수 또는 선형 독립인 행의 개수와 같다.

행렬의 계수는 다음과 같은 중요한 성질들을 가지고 있다.

  1. rk(A)=rk(AT). 즉, 열계수(column rank)와 행계수(row rank)가 같다.

  2. 행렬 ARm×n의 열들이 span하는 부분공간 URm에 대해 dim(U)=rk(A)이다. 위의 예시 2.8에서처럼 가우스 소거법으로 U의 기저를 구할 수 있다.

  3. 행렬 ARm×n의 행들이 span하는 부분공간 WRn에 대해 dim(W)=rk(A)이다. 마찬가지로 가우스 소거법으로 W의 기저를 구할 수 있다.

  4. 모든 n×n 정사각행렬 ARn×n에 대해 A가 가역행렬(invertible)이기 위한 필요충분조건은 rk(A)=n이다.

  5. 행렬 ARm×n과 벡터 bRm에 대해 Ax=b의 해가 존재하기 위한 필요충분조건은 rk(A)=rk(A|b)이다. 즉, A의 column basis vector들로 b를 표현할 수 있다.

  6. 행렬 ARm×n에 대해 Ax=0의 해가 표현하는 부분공간 S의 차원 dim(S)=nrank(A)이다.

  7. 행렬 ARm×n에 대해 free column 또는 free row가 없을 경우, 즉 rk(A)=min(m,n)을 만족하면 full rank라고 하며, rk(A)<min(m,n)인 경우 rank deficient라고 한다.


Chapter 2-7에서 다루겠지만, 성질 2 에서 정의된 부분공간 U을 상공간(Image 또는 range) 또는 A의 열공간(column space)라고 하며, 성질 6 의 부분공간 S를 핵공간(kernel) 또는 A의 영공간(null space)라고 한다.



'선형대수' 카테고리의 다른 글
  1. 벡터 공간
  2. 선형 독립
  3. 기저와 계수
  4. 선형 매핑
  5. 아핀 공간
  1. span은 ‘포괄하다’라는 뜻을 가지고 있다. 즉, span[A]는 A의 vector들의 선형결합으로 표현할 수 있는(포괄하는) 영역을 의미하며, ‘벡터 공간 V를 span한다’는 것은 벡터들의 선형결합으로 V 안의 모든 벡터를 표현가능하다는 뜻이다. 

  2. V의 차원은 basis vector의 차원으로 결정되지 않는다. 즉, {[10]} 가 span하는 공간 VR2의 차원 dim(V)은 1이다.