고유값(Eigenvalue)과 고유벡터(Eigenvector)는 선형대수학에서 매우 중요한 개념으로, 행렬의 작용을 분석하고, 물리학, 통계학, 머신러닝, 그래픽스 등 다양한 분야에서 활용됩니다. 이번 글에서는 고유값과 고유벡터의 정의, 계산 방법, 그리고 현실적인 의미와 활용 사례를 체계적으로 설명합니다.
1. 고유값과 고유벡터의 정의
정방행렬 \( A \in \mathbb{R}^{n \times n} \)에 대해, 다음 조건을 만족하는 \( \lambda \in \mathbb{R} \), \( \vec{v} \in \mathbb{R}^n \setminus \{0\} \)가 존재할 때:
\[ A\vec{v} = \lambda \vec{v} \]
여기서 \( \vec{v} \)는 고유벡터, \( \lambda \)는 고유값입니다. 즉, \( A \)가 \( \vec{v} \)에 작용해도 방향은 바뀌지 않고 크기만 \( \lambda \)배가 된다는 의미입니다.
2. 직관적 의미
- 행렬은 일반적으로 벡터를 회전시키거나 크기를 바꾸는 등 다양한 변형을 합니다.
- 그러나 어떤 특정 벡터(고유벡터)는 행렬 작용에도 방향이 변하지 않고, 크기만 조절됩니다.
- 이는 시스템의 ‘정적인 방향’ 또는 ‘주된 변화 방향’을 의미합니다.
3. 고유값과 고유벡터의 계산 방법
3-1. 특성방정식 유도
\[ A\vec{v} = \lambda \vec{v} \Rightarrow (A – \lambda I)\vec{v} = 0 \]
이 방정식이 해를 가지기 위해서는 행렬이 가역이 아니어야 하므로:
\[ \det(A – \lambda I) = 0 \]
이 식을 특성방정식(Characteristic Equation)이라 하며, 이를 풀어 \( \lambda \)를 구합니다.
3-2. 고유벡터 구하기
- 각 고유값 \( \lambda \)에 대해, \( (A – \lambda I)\vec{v} = 0 \)의 해공간(null space)을 구합니다.
- 해공간의 모든 비영벡터가 해당 고유벡터입니다.
4. 예제
\[ A = \begin{bmatrix} 4 & 1 \\ 2 & 3 \end{bmatrix} \]
Step 1: 특성방정식
\[ \det(A – \lambda I) = \begin{vmatrix} 4 – \lambda & 1 \\ 2 & 3 – \lambda \end{vmatrix} = (4 – \lambda)(3 – \lambda) – 2 \]
\[ = \lambda^2 – 7\lambda + 10 = 0 \Rightarrow \lambda = 5, 2 \]
Step 2: 고유벡터 구하기
① \( \lambda = 5 \)
\[ (A – 5I) = \begin{bmatrix} -1 & 1 \\ 2 & -2 \end{bmatrix} \Rightarrow \vec{v}_1 = \begin{bmatrix} 1 \\ 1 \end{bmatrix} \]
② \( \lambda = 2 \)
\[ (A – 2I) = \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix} \Rightarrow \vec{v}_2 = \begin{bmatrix} -1 \\ 2 \end{bmatrix} \]
5. 고유값과 고유벡터의 활용
5-1. 대각화
행렬 \( A \)는 고유값과 고유벡터를 이용해 다음과 같이 분해할 수 있습니다:
\[ A = PDP^{-1} \]
- \( P \): 고유벡터를 열로 가지는 행렬
- \( D \): 고유값을 대각에 갖는 대각행렬
5-2. 선형 변환 해석
고유벡터는 행렬이 유지하는 방향, 고유값은 그 방향에서의 스케일링 비율을 나타냅니다.
5-3. 주성분 분석(PCA)
데이터의 분산이 가장 큰 방향을 고유벡터로 찾습니다. 공분산행렬의 고유벡터를 주성분으로 활용합니다.
5-4. 물리 시스템 해석
- 진동, 파동, 양자역학, 구조역학 등에서 고유모드, 고유주파수 계산
5-5. 그래프와 네트워크
PageRank, 고유벡터 중심성 등 네트워크의 구조 분석에 활용됩니다.
결론
고유값과 고유벡터는 행렬이 특정 방향에서 어떻게 작용하는지를 분석할 수 있게 해주는 수학적 도구입니다.
행렬의 성질을 해석하고 대각화, 데이터 분석, 물리 시스템, 네트워크 구조 등 다양한 분야에서 필수적으로 사용됩니다.
고유값 문제를 해결하는 능력은 고급 수학, 공학, 데이터과학, 컴퓨터비전 등 응용 수학 전반에서 핵심 역량이 됩니다.