๐คพ๐ฝโ๏ธ ์ ๋ฒ ์๊ฐ์ eigenvalue์ eigenvector์ ๋ํด ํ์ตํ๋ค.
๐คพ๐ฝโ๏ธ ์ด ๋ ๊ฐ์ง ๊ฐ๋ ์ ์ฌ์ฉํด eigen decomposition์ ๊ฐ๋จํ ์์๋ณด๋ ค ํจ
eigendecomposition์ด๋?
๐คพ๐ฝโ๏ธ ์ ์
$$A = V \Lambda V^{-1}$$
· A: nxn ์ ์ฌ๊ฐํ๋ ฌ
· V: A์ ๊ณ ์ ๋ฒกํฐ๋ค์ ์ด๋ก ๊ฐ๋ ํ๋ ฌ
· $\Lambda$: ๊ณ ์ ๊ฐ๋ค์ ๋๊ฐ์ฑ๋ถ์ผ๋ก ๊ฐ๋ ํ๋ ฌ ($\Lambda = diag(\lambda_1, \lambda_2, ... , \lambda_n$)
๐คพ๐ฝโ๏ธ ex) A๋ 2x2 ์ ์ฌ๊ฐํ๋ ฌ, eigenvector $v_1$๊ณผ $v_2$, ๊ทธ๋ฆฌ๊ณ ๋ ๊ฐ์ eigenvalue($\lambda_1, \lambda_2)$๋ฅผ ๋๊ฐ์ฑ๋ถ์ผ๋ก ๊ฐ๋ $\Lambda$
โ $\lambda_1, \lambda_2$๋ ๊ฐ๊ฐ ํ๋ ฌ A์ eigenvalue์ด๋ฏ๋ก
$$Av_1 = \lambda_1v_1, Av_2 = \lambda_2v_2$$
โก eigenvector $v_1, v_2$์ ์งํฉ์ V๋ผ๊ณ ํ๋ฉด
$$v_1 = \begin{bmatrix}
v_{11} \\ v_{12}
\end{bmatrix},
v_2 = \begin{bmatrix}
v_{21} \\ v_{22}
\end{bmatrix}
V = \begin{bmatrix}
v_{11} & v_{21} \\
v_{12} & v_{22} \\
\end{bmatrix}$$
โข โ ๊ณผ โก
$$A \begin{bmatrix}
v_1 & v_2 \\
\end{bmatrix}
=
\begin{bmatrix}
\lambda_1v_1 & \lambda_2v_2 \\
\end{bmatrix}
=
\begin{bmatrix}
v_1 & v_2 \\
\end{bmatrix}
\begin{bmatrix}
\lambda_1 & 0 \\
0 & \lambda_2 \\
\end{bmatrix} $$
โฃ ์ฆ,
$$AV = V\Lambda$$
$v_1$๊ณผ $v_2$๋ linearly independentํ๋ฏ๋ก V์ rank๋ 2, ์ฆ V๋ invertible
$$A = V \Lambda V^{-1}$$
→ ํ๋ ฌ A๋ฅผ eigendecomposition ํ์๋ค.
$$V^{-1}AV = \Lambda$$
→ ํ๋ ฌ A๊ฐ diagonalizableํ matrix์ด๋ฉฐ, independent eigenvector๊ฐ n๊ฐ ์กด์ฌ (nxn A matrix)
๐คพ๐ฝโ๏ธ ๊ธฐํํ์ ์๋ฏธ (๋๋ฆฌ๊ณ - ๋๋ฆฌ๊ณ ๋๋ฆฌ๊ณ )
eigendecomposition์ ์ด์ฉํ ์ฌ๋ฌ ๊ณ์ฐ
โ ํ๋ ฌ A์ ๊ฑฐ๋ญ์ ๊ณฑ ๊ณ์ฐ
$$A^k = V \Lambda V^{-1} V \Lambda V^{-1} ... = V \Lambda^k V^{-1}$$
$$(\Lambda^k = \begin{bmatrix}
\lambda_1^k & 0 \\
0 & \lambda_2^k \\
\end{bmatrix})$$
โก ํ๋ ฌ A์ ์ญํ๋ ฌ ๊ณ์ฐ
$$A^{-1} = (V \Lambda V^{-1})^{-1} = V \Lambda^{-1} V^{-1}$$
โข ํ๋ ฌ A์ determinant(det(A)) ๊ณ์ฐ (๋ชจ๋ eigenvalue์ ๊ณฑ)
$$det(A)$$
$$= det(V \Lambda V^{-1}) = det(V)det(\Lambda)det(V^{-1})$$
$$= det(\Lambda) = \lambda_1 \lambda_2 \lambda_3 ... = \prod_{i=1}^{n} \lambda_i$$
โฃ ํ๋ ฌ A์ ๋๊ฐํฉ tr(A) ๊ณ์ฐ (๋ชจ๋ eigenvalue์ ํฉ)
$$tr(A)$$
$$= tr(V\Lambda V^{-1}) = tr(\Lambda V^{-1} V)$$
$$= tr(\Lambda) = \lambda_1 + \lambda_2 + ... = \sum_{i=1}^{n} \lambda_i$$
โค rank-deficientํ A๋ det(A) = 0 ์ด๊ณ โข์ ์ํด 0์ธ eigenvalue๊ฐ ์ ์ด๋ 1๊ฐ ์ด์ ์กด์ฌ
python code
โ $AV = V\Lambda$ ๋ณด์ด๊ธฐ
import numpy as np
A = np.array([[5,1],
[3,3]])
eigVals, V = np.linalg.eig(A)
v1 = V[:, 0]
v2 = V[:, 1]
np.dot(A, v1) #array([4.24264069, 4.24264069])
eigVals[0]*v1 #array([4.24264069, 4.24264069])
np.dot(A, v2) #array([-0.63245553, 1.8973666 ])
eigVals[1]*v2 #array([-0.63245553, 1.8973666 ])
np.linalg.matrix_rank(V) #2 (number of eigenvalues)
โก $A = V\Lambda V^{-1}$ ํ์ธ
#eigendecomposition
L = np.diag(eigVals)
print(np.dot(np.dot(V,L),np.linalg.inv(V)))
'''
array([[5., 1.],
[3., 3.]])
'''
* ์ถ์ฒ1) https://rfriend.tistory.com/183
* ์ถ์ฒ2) ํํํ์ ๐ https://youtu.be/PP9VQXKvSCY
'Math & Linear Algebra > Concepts' ์นดํ ๊ณ ๋ฆฌ์ ๋ค๋ฅธ ๊ธ
Probability fundamentals (0) | 2023.02.27 |
---|---|
SVD(Singular Value Decomposition) (0) | 2023.02.20 |
vector similarity (0) | 2023.02.09 |
Linear Equation & Linear System / Rank & det(A) (0) | 2023.02.01 |
Matrix (fundamentals) (0) | 2022.07.31 |
๋๊ธ