대각화(Diagonalization)는 정방행렬을 고유값과 고유벡터로 분해하여 더 단순한 형태인 대각행렬로 변환하는 과정을 말합니다. 이 기법은 행렬의 거듭제곱, 지수행렬, 선형 변환 해석 등에서 계산을 단순화하는 데 매우 유용합니다. 이번 글에서는 어떤 행렬이 대각화 가능한지 판별하는 방법과 그 수학적 조건, 예제, 그리고 응용에 대해 설명합니다.
1. 대각화란 무엇인가?
정방행렬 \( A \in \mathbb{R}^{n \times n} \)가 다음과 같은 형태로 표현될 수 있으면 대각화 가능하다고 합니다:
\[ A = PDP^{-1} \]
- \( D \): 대각행렬 (고유값이 대각 원소)
- \( P \): 고유벡터를 열로 가지는 행렬 (정방행렬)
즉, \( A \)는 고유값 분해를 통해 보다 단순한 형태로 바꿀 수 있는 행렬입니다.
2. 대각화 가능 조건
행렬이 대각화 가능하려면, 선형 독립인 고유벡터가 n개 존재해야 합니다. 이는 다음과 같은 수학적 조건으로 표현됩니다.
조건 1: n개의 선형 독립 고유벡터
정방행렬 \( A \in \mathbb{R}^{n \times n} \)가 n개의 선형 독립 고유벡터를 가지면 대각화 가능합니다.
조건 2: 기하적 중복도 = 대수적 중복도
- 대수적 중복도: 고유값의 중복 횟수 (특성다항식의 중근 개수)
- 기하적 중복도: 해당 고유값에 대한 고유공간의 차원 (선형 독립 고유벡터 수)
모든 고유값에 대해 두 중복도가 일치하면 대각화 가능합니다.
조건 3: 고유값이 모두 서로 다르면 대각화 가능
고유값이 모두 서로 다르면 고유벡터도 반드시 선형 독립이므로, 자동으로 대각화 가능합니다.
3. 대각화 판별 절차
Step 1: 고유값 찾기
\[ \det(A – \lambda I) = 0 \]
특성방정식을 풀어 고유값을 찾습니다.
Step 2: 고유벡터 찾기
각 고유값 \( \lambda \)에 대해 \( (A – \lambda I)\vec{v} = 0 \)의 해를 구해 고유벡터를 찾습니다.
Step 3: 고유벡터의 수 확인
n개의 선형 독립 고유벡터가 존재하는지 확인합니다. 존재한다면 대각화 가능.
4. 예제
예제 1: 대각화 가능한 행렬
\[ A = \begin{bmatrix} 5 & 4 \\ 1 & 2 \end{bmatrix} \]
특성방정식:
\[ \lambda^2 – 7\lambda + 6 = 0 \Rightarrow \lambda = 6, 1 \]
고유값이 서로 다르므로 고유벡터도 2개 존재 → 대각화 가능
예제 2: 대각화 불가능한 행렬
\[ B = \begin{bmatrix} 2 & 1 \\ 0 & 2 \end{bmatrix} \]
고유값: \( \lambda = 2 \) (중복도 2)
고유벡터는 하나만 존재 (기하적 중복도 1) → 대각화 불가능
5. 대각화의 활용
5-1. 행렬 거듭제곱
\[ A^k = P D^k P^{-1} \]
복잡한 행렬의 반복 연산을 대각행렬 \( D \)의 거듭제곱으로 단순화 가능
5-2. 미분 방정식
시스템 미분방정식 \( \frac{d\vec{x}}{dt} = A\vec{x} \)의 해를 고유값 분해로 쉽게 구할 수 있습니다.
5-3. 데이터 분석
주성분 분석(PCA)은 공분산행렬을 대각화하여 주요 방향(주성분)을 찾는 기법입니다.
결론
행렬이 대각화 가능하다는 것은 고유벡터 기저를 갖고 있음을 의미하며, 이는 행렬 연산을 대폭 단순화시킵니다.
고유값이 모두 다르거나, 각 고유값의 기하적 중복도가 대수적 중복도와 같다면 대각화가 가능하며, 이 조건을 만족하지 않으면 대각화는 불가능합니다.
행렬의 대각화 가능 여부를 빠르게 파악하면, 다양한 응용 분야에서 효율적인 해법을 설계할 수 있습니다.