벡터의 기본 개념부터 선형 독립성, 기저(Basis), 스팬(Span), 그리고 행렬의 랭크(Rank)에 이르기까지 핵심적인 선형대수 개념을 종합적으로 설명한다. 벡터는 단순한 점이나 숫자의 나열을 넘어, 공간을 구성하고 변환하는 기본 단위로 정의된다.
핵심은선형 독립성개념이다. 이는 여러 벡터가 서로 얼마나 '고유한' 방향성을 가지는지를 나타내는 척도로, 주어진 벡터들의 조합으로 특정 차원의 공간 전체를 생성(Span)할 수 있는지를 결정한다.
선형 독립적인 벡터들은 해당 차원의 '기저(Basis)'를 형성하며, 이 기저 벡터들의 개수가 바로 행렬의 **랭크(Rank)**가 된다.
행렬의 랭크는 그 행렬이 표현하는 벡터들이 실제로 몇 차원의 공간을 만들어내는지를 알려주는 중요한 지표이다. 만약 벡터들 간에 종속 관계가 존재하면, 랭크는 행렬의 크기보다 작아지며, 이는 생성할 수 있는 공간이 축소됨을 의미한다.
[선형대수 입문] 메타코드 강의 후기 - 서울대 AI 박사과정 - 2강 -1_벡터
1. 벡터의 기본 개념
1) 정의 : 스칼라의 묶음 벡터는 여러 개의 스칼라(Scalar) 값이 묶여 있는 형태로 정의된다. 예를 들어, n차원 공간의 벡터는Rⁿ으로 표현되며, 이는 n개의 스칼라 값으로 구성된다.
2) 시각적 표현 : 점과 화살표 벡터는 좌표 공간에서 특정 위치를 나타내는 **점(point)**으로 시각화될 수 있다.
3) 2차원 공간(R²) 예시 :벡터a = (1, 3)은 2차원 좌표 평면 위의 한 점으로 표현된다. 또한, 벡터는 원점에서 해당 점을 가리키는방향과 크기를 가진 화살표로 해석하는 것이 더 본질적이다. 이 화살표는 벡터가 가지는 고유한 방향성을 직관적으로 보여준다.
[선형대수 입문] 메타코드 강의 후기 - 서울대 AI 박사과정 - 2강 -1_벡터
2. 선형 독립성 (Linear Independence) 선형 독립성은 벡터들의 집합이 서로에게 얼마나 영향을 받지 않고 고유한지를 나타내는 개념으로, "각 벡터가 얼마나 개성이 있는가"로 비유할 수 있다.
1) 개념적 이해 : 공간 생성 능력 두 벡터a와b가 선형 독립이라는 것은, a벡터 방향으로의 이동과b벡터 방향으로의 이동을 조합하여 해당 차원의 공간에 있는 임의의 지점에 도달할 수 있음을 의미한다.
•독립적인 경우 :두 벡터a와b의 방향이 다르다면,a방향으로 일정량 이동하고b방향으로 일정량 이동하는 연산을 통해 2차원 평면 전체를 '덮을' 수 있다. 이 경우a와b는 선형 독립이다.
•종속적인 경우 :두 벡터a와b가 동일한 직선 위에 있다면, 두 벡터를 아무리 조합해도 해당 직선을 벗어날 수 없다. 이 경우 두 벡터는 전체 평면을 만들지 못하므로 선형 종속(Linearly Dependent)이라고 한다.
◦예시 :벡터A = (4, 2)와 벡터B = (-2, -1)은 같은 직선 위에 있으므로 선형 종속이다. 이 두 벡터의 조합으로는 2차원 평면 위의 모든 점에 도달할 수 없다.
2) 수학적 조건 - 벡터a와b가 선형 독립일 조건은 다음과 같이 정의된다. - αa + βb = 0을 만족시키는 해가α = 0,β = 0이외에는 존재하지 않아야 한다. - 만약 0이 아닌α또는β값이 존재한다면, 이는 한 벡터가 다른 벡터의 스칼라 곱으로 표현될 수 있다는 의미이며 (예:a = - (β/α)b), 두 벡터가 같은 직선 위에 있음을 나타낸다. 이는 선형 종속 관계이다.
[선형대수 입문] 메타코드 강의 후기 - 서울대 AI 박사과정 - 2강 -1_벡터
3. 기저(Basis)와 스팬(Span) : 공간의 구성 요소
1) 기저(Basis)
기저는 특정 차원의 공간을 완전히 재구성할 수 있는 최소한의 벡터 집합을 의미한다.
•n차원 공간(Rⁿ)을 만들기(Span) 위해서는n개의 선형 독립적인 벡터가 필요하다. •이 n개의 벡터 각각을 **기저 벡터(Basis Vector)**라고 부른다. •통상적으로 계산의 편의를 위해 길이가 1인 단위 벡터를 기저 벡터로 사용하는 경우가 많다.
2) 스팬(Span)
스팬은 주어진 벡터들의 모든 가능한 선형 조합 (스칼라 곱을 하고 더하는 연산)으로 만들 수 있는 공간 또는 점들의 집합을 의미한다.
•n개의 기저 벡터는n차원 공간 전체를 스팬할 수 있다. 예를 들어, 2차원 공간의 두 기저 벡터는 2차원 평면 전체를 스팬한다.
[선형대수 입문] 메타코드 강의 후기 - 서울대 AI 박사과정 - 2강 -1_벡터
4. 행렬과 랭크(Rank): 독립성의 측정 행렬의 해석 : 벡터의 묶음 행렬은 여러 개의 열벡터(column vector)들이 묶여 있는 구조로 해석할 수 있다. 예를 들어, 2x2 행렬은 2차원 벡터 두 개로 구성된 것으로 볼 수 있다.
행렬
벡터 A
벡터 B
[[2, 1], [1, 2]]
(2, 1)
(1, 2)
이 행렬의 두 벡터 A와 B는 선형 독립이므로, 2차원 공간 전체를 스팬할 수 있다.
1) 랭크(Rank)의 정의 행렬의 랭크는 해당 행렬을 구성하는 열벡터들이 스팬하는 공간의 차원(dimension)을 의미한다. 즉,행렬 내에 존재하는 선형 독립적인 벡터의 최대 개수이다.
2) 랭크와 선형 독립의 관계
•최대 랭크 (Full Rank):n x n행렬을 구성하는n개의 벡터가 모두 서로 선형 독립일 때, 이 행렬의 랭크는n이 된다. 이는 해당 벡터들이n차원 공간 전체를 생성할 수 있음을 의미한다.
•랭크 감소 (Rank Deficiency):행렬을 구성하는 벡터들 간에 선형 종속 관계가 존재하면 랭크는n보다 작아진다. 이는 벡터들이 생성하는 공간이 원래의n차원보다 축소됨을 의미한다.
3) 랭크 감소 예시
•2차원 공간 (랭크 1) ◦행렬 :[[2, 4], [1, 2]] ◦분석 : 두 벡터(2, 1)과(4, 2)는 동일 직선 위에 있다(선형 종속). 따라서 이 벡터들의 조합으로는 2차원 평면이 아닌 1차원 직선밖에 만들 수 없다. ◦결론 :랭크는 1이다.
•3차원 공간 (랭크 2) ◦분석 : 3개의 3차원 벡터를 조합했을 때, 3차원 공간 전체가 아닌 특정평면위에 있는 점들만 생성할 수 있는 경우이다. ◦예시 : 행렬[[1, 2, 0], [2, 4, 0], [0, 0, 1]]에서 첫 번째 벡터와 두 번째 벡터는 종속 관계이다. 이 벡터들은 3차원 공간 내의 한 평면만 스팬할 수 있다. ◦결론 :랭크는 2이다.
•3차원 공간 (랭크 1) ◦분석 : 3개의 3차원 벡터를 조합했을 때, 3차원 공간 내의 특정직선위에 있는 점들만 생성할 수 있는 경우이다. ◦예시 :(1, 0, 0),(2, 0, 0),(3, 0, 0)벡터들은 모두 x축 위에만 존재하므로 이들의 조합은 x축을 벗어날 수 없다. ◦결론 :랭크는 1이다.
