고리형 전자장은 발산(divergence)이 0이지만 회전(curl)은 0이 아니므로, 접선 방향 전자장(transverse field)이라고도 한다. 비회전형 전자장은 반대로 회전이 0이지만 발산은 0이 아니므로, 진행 방향 전자장(longitudinal field)이라 할 수 있다. 식 (3)에 의해 벡터 함수 $\bar K$는 식 (1)과 (2)를 모두 만족하는 일반식이다. 하지만 $\bar L$은 함수의 발산이 0이 아니므로 식 (1)만 만족한다. 식 (3)의 특성에 의해 벡터 함수 $\bar K$는 다음으로 표현할 수 있다.
(4)
여기서 $A_i, B_i$는 벡터 함수 $\bar M_i, \bar N_i$의 상수 계수이다. 벡터 함수 $\bar K$를 $\bar M_i, \bar N_i$으로만 표현하는 이유는 전자파의 TE(Transverse Electric) 모드(mode)와 TM(Transverse Magnetic) 모드를 생각하면 쉽게 이해할 수 있다. 즉, 전자파는 TE와 TM 모드로만 표현되므로 전자장 표현식도 독립적인 두 함수인 $\bar M_i, \bar N_i$만 생각하면 된다.
헬름홀츠의 정리(Helmholtz' theorem)에 의해 임의의 벡터 함수를 유일하게 정의하려면 식 (3)처럼 그 함수의 발산과 회전을 정해야 한다. 따라서 $\bar M, \bar N$의 발산은 0이므로 이 함수의 회전만 정의하면 된다. 쉽게 생각하기 위해 $\bar M$의 회전을 새로운 함수 $\bar N$으로 정한다.
(4)
식 (4)에 발산을 취하면 벡터 함수 $\bar N$의 발산이 0이 되므로, $\bar N$은 식 (3)의 첫째식을 만족하는 또 다른 해이다. 식 (4)에 다시 회전 연산자를 적용하면 $\bar N$의 회전도 정할 수 있다.
(5)
신기하게도 벡터 함수 $\bar M, \bar N$은 서로가 서로를 회전으로 생성한다. 꼬리에 꼬리를 물고 서로를 생성하므로 식 (3)의 첫째식을 만족하는 함수는 $\bar M, \bar N$ 뿐이다. 또한 헬름홀츠의 분해 정리(Helmholtz' decomposition theorem)를 식 (1)에 적용하면 해 $\bar \Psi$는 다음처럼 표현되어야 한다.
(6)
여기서 $A_i, B_i, C_i$는 벡터 함수 $\bar M_i, \bar N_i, \bar L_i$의 상수 계수이며 $\bar L_i$는 식 (1)만 만족한다. 함수 $\bar L$은 식 (3)의 둘째식을 만족하므로 다음 스칼라 함수 $\psi$로 표현할 수 있다.
(7)
스칼라 함수 $\psi$의 성질을 알기 위해 식 (7)을 식 (1)에 대입한다.
(8)
스칼라 함수 $\psi$가 식 (8)의 마지막식을 만족하면 자동적으로 식 (1)이 성립한다. 즉 식 (8)을 만족하는 $\psi$는 식 (7)을 통해 $\bar L$을 생성하고 식 (1)도 만족한다. 또한 $\bar M, \bar N$도 $\psi$를 통해 만들 수 있다. 이런 측면 때문에 $\psi$를 스칼라 생성 함수(scalar generating function)라 한다. 따라서 $\bar M, \bar N$은 어떤 벡터 함수의 회전이라는 성질과 $\psi$를 이용해서 $\bar M, \bar N$을 다시 표현하면 다음과 같다.
(9)
식 (9)에서 생성 함수 $\psi$를 도와주는[혹은 스칼라 특성이 벡터가 되게 하는] 벡터 $\bar p$는 안내 벡터(piloting vector)이다. 식 (9) 정의식 자체로는 $\bar M, \bar N$이 식 (2)를 만족하지 못하므로, $\bar p$가 반드시 필요하다. 이를 이해하기 위해 벡터 항등식(vector identity)을 이용해 식 (9)의 둘째식을 바꾼다.
(10)
식 (10)을 간단히 하기 위해 안내 벡터 $\bar p$가 다음 방정식을 만족한다고 가정한다.
(11)
그러면 식 (10)은 다음처럼 간략화된다.
(12)
식 (12)를 이용해 $\bar M$에 대한 식 (2)를 계산한다. 그러면 자동적으로 식 (2)가 성립함을 보일 수 있다.
(13)
이 부분이 좌표계에 독립적인 MNL 함수의 유용성이다. 맥스웰 방정식은 벡터 기반 방정식이라서 스칼라 함수 관계로 기본식을 표현하기는 매우 어렵다. 하지만 스칼라 방정식인 식 (8)을 계산해서 스칼라 생성 함수 $\psi$만 구하면, 벡터 기반 전자장 표현식을 임의의 좌표계에서 손쉽게 얻을 수 있다. 다만 스칼라 특성을 벡터로 바꾸는 안내 벡터 $\bar p$가 반드시 식 (11)을 만족해야 한다.
[그림 1] 잠자는 비너스(출처: wikipedia.org)
사실 위에 소개한 MNL 함수 이론은 무척이나 따분하다. 맥스웰 방정식을 효과적으로 풀려면 반드시 거쳐가야 하는 관문이니 더 힘들다. MNL 함수를 이해하려다 한국을 비롯한 전세계 대학원생들이 많이 졸았을 것이다. 전자파의 기계적 공식화에서 자그마한 인간미라도 찾기 위해 이 함수의 제안자[1]를 한 번 알아본다. MNL 함수의 발명자는 바로 클라이스트론(klystron)의 발명자 중 한 명인 공학자 겸 물리학자인 핸슨William Webster Hansen(1909–1949)이다. 핸슨은 대학생 시절부터 X선(X-ray)에 관심이 매우 많았다. 특히 고출력 X선 발생기에 관심이 많았지만, 초고전압 DC를 이용한 기술로는 값싼 고출력 X선 발생기를 만들 수 없었다. 그래서 제안한 발명이 AC 전압을 이용하는 고출력 전자파 발생기인 클라이스트론이다. 클라이스트론의 연구 과정에서 나온, 전자기파를 공식화하는 편리한 도구가 MNL 함수이다. 하지만 핸슨은 그렇게 바라던 실용적인 고출력 전자파 발생기의 완성을 보지 못하고, 39세의 젊은 나이에 죽음을 맞았다. 핸슨이 사랑하던 장치인 X선 발생기에 쓰였던 베릴륨(beryllium)에 의한 중독으로 인해, 원래 좋지 않았던 폐에 심각한 이상이 생겼기 때문이다. 핸슨에게는 불행한 특성이지만, 산화 베릴륨(beryllium oxide)은 열 전도성(thermal conductivity)이 매우 좋으면서도 전기 절연체(electric insulator)가 될 수 있는 특이한 물질이어서 X선 발생기에 많이 쓰였다. 핸슨이 죽고 몇 달 후 그의 아내도 자살하였다. 마치 전설로 내려오는 모딜리아니Amedeo Modigliani(1884–1920) 부부의 자살처럼, 한 젊은 연구자 부부에게도 갑자기 불행이 찾아왔다.
[그림 2] 모딜리아니의 작품(출처: wikipedia.org)
MNL 함수에 대한 이런 정도의 뒷배경을 듣고도 여전히 하품을 할 수 있겠는가! 열심히 공부해 멋진 삶을 살다간 핸슨의 유작을 빛내보자.
행렬(matrix) 이론은 1차 연립 방정식인 ${\bf Ax} = {\bf b}$를 효율적으로 풀려는 의도에서 시작했다. 행렬로 표현한 ${\bf Ax} = {\bf b}$를 뜯어서 보자. 해를 표현하는 열 벡터(column vector) $\bf x$와 연립 방정식 행렬 $\bf A$의 곱 ${\bf Ax}$가 평면의 교점을 나타내는 열 벡터 $\bf b$와 같게 하는 $\bf x$를 찾는 과정이 1차 연립 방정식의 해법이다. 하지만 행렬을 1차 연립 방정식의 해법에만 묶어두기에는 행렬의 잠재력과 파급력이 너무 크다. 그래서 행렬의 곱 ${\bf Ax}$를 다시 보자. 해 $\bf x$와 연립 방정식 행렬 $\bf A$의 곱인 ${\bf Ax}$로 보지 말고, 열 벡터 $\bf x$의 선형 변환 $f({\bf x})$ = ${\bf Ax}$라 생각하자. 그러면 어떤 열 벡터 $\bf x$에 대해, 선형 변환을 하더라도 $\bf x$와 같은 방향에 놓이는 열 벡터가 존재할 수 있다. 이를 행렬 관계식으로 표현하면 다음과 같다.
(1)
여기서 $\bf x$는 고유 벡터(eigenvector), $\lambda$는 $\bf x$에 대한 고유치(eigenvalue)라 부른다. 고유 벡터와 고유치에 쓰이는 영어 아이건(eigen, 고유한)은 독일어에서 유래한다. 이러한 고유치의 어원에서 독일 수학의 위대함을 넌지시 볼 수 있다. 만약 고유치 $\lambda$ = $1$이라면, 고유 벡터 $\bf x$는 선형 변환 $\bf A$에 대한 고정점(fixed point)이라 생각할 수도 있다. 즉, 고유 벡터는 선형 변환을 하더라도 원래 벡터의 방향을 그대로 가지고 있고, 원래 벡터와 선형 변환한 벡터는 고유치만큼만 다르다. 고유 벡터의 대표적인 예는 [그림 1]에 소개한 회전 연산에 대한 주축(主軸, principal axis)이다. 3차원 공간에서 회전을 하면, 주축 벡터 $\hat e$를 중심으로 벡터가 $\theta$만큼 회전한다. 하지만 $\hat e$와 나란한 벡터는 회전하지 않고 원래 방향을 그대로 유지한다. 그래서 [그림 1]의 회전 연산에 대한 고유 벡터는 주축 벡터 $\hat e$가 된다. 회전 연산은 벡터의 크기를 바꾸지 않기 때문에 $\hat e$의 고유치는 $1$이 된다.
[그림 1] 3차원 공간에서 주축 $\hat e$에 대한 회전(출처: wikipedia.org)
고유 벡터를 식 (1)처럼 정의해서 행렬을 선형 변환으로 보는 관점은 이해가 간다. 하지만 1차 연립 방정식에 사용한 행렬을 식 (1)처럼 썼다고 해서, 고유치와 고유 벡터가 매우 큰 개념일 수 있을까? 이 부분을 이해하려면 식 (1)을 다르게 봐야 한다. 과감하게 행렬과 스칼라(scalar) 개념을 착각해야 한다. 식 (1)의 좌변과 우변이 같다면, ${\bf A} \equiv \lambda$라 생각할 수 있다.[행렬 ${\bf A}$가 $1\times1$ 행렬이 아닌 다음에야 스칼라 $\lambda$와 절대 같을 수는 없다. 하지만 ${\bf A}$의 특성을 표현하는 스칼라로 $\lambda$를 선택할 수는 있다.] 즉, 식 (1)에 의해 복잡한 행렬 ${\bf A}$를 단 하나의 스칼라 $\lambda$로 표현할 수 있는 길이 열린다. 우리가 행렬을 분석할 때, ${\bf A}$를 직접 공략하기보다 ${\bf A}$를 바꾼 $\lambda$로 분석하면 더 쉽게 행렬의 여러 특성을 예측할 수 있다. 그래서 행렬 이론의 전반전이 1차 연립 방정식의 해법인 ${\bf Ax}$ = ${\bf b}$라면, 후반전은 ${\bf Ax}$ = $\lambda{\bf x}$로 시작한다.
행렬이 주어지면 고유치부터 먼저 정해야 한다. 식 (1)을 이항해서 고유치 $\lambda$에 대한 방정식을 만든다.
(2)
식 (2)의 우변에 있는 행렬식이 $0$이 아니면 식 (2)의 좌변에 있는 방정식이 풀린다. 그러면 $\bf x$ = $\bf 0$이 되므로, $\lambda$에 관계 없고 의미도 없는 고유 벡터가 된다.[∵ 해 $\bf x$ = $\bf 0$은 자명하므로, 고유 벡터에서 제외한다.] 따라서 식 (2)의 우변이 꼭 성립해야 한다. 대수학의 기본 정리(fundamental theorem of algebra)를 쓰면 식 (2)의 우변을 다음처럼 공식화할 수도 있다.
(3)
여기서 ${\bf A}$의 차원은 $n \times n$, $\lambda_i$는 $i$번째 고유치이다. 고유치에 대한 행렬식이 $0$이므로, 정방 행렬(square matrix) ${\bf A} - \lambda {\bf I}$를 구성하는 행 벡터 중에서 하나 이상은 선형 종속(linear dependence)이 되어야 한다. 예를 들어 $i$번째 행이 다른 행과 선형 종속이라 가정한다. 그러면 식 (2)의 좌변에 따라 고유 벡터 $\bf x$를 다음처럼 결정할 수 있다.
(4)
여기서 $x_i \ne 0$이 되도록 $i$번째 행을 선택한다.
1. 기본(basics)
식 (1)을 이용해서 정방 행렬 $\bf A$, 고유 벡터 $\bf x$, 고유치 $\lambda$의 관계를 다양하게 증명할 수 있다.
[고유치의 합]
모든 고유치의 합은 정방 행렬의 대각합과 같다.
[증명]
행렬의 대각합(對角合, trace) $\operatorname{tr}({\bf A})$은 대각선 원소의 합으로 정의한다.
(1.1)
식 (3)의 원래 의미는 $\lambda$에 대한 $n$차 방정식이다. 하지만 식 (3)의 처음 두 식에는 임의의 $\lambda$를 넣을 수 있다. 이 경우 $\lambda \to \infty$로 가는 극한(limit)을 생각한다. 그러면 정방 행렬 ${\bf A} - \lambda {\bf I}$은 대각 행렬(diagonal matrix)로 수렴해서 다음 관계가 성립한다.
(1.2)
식 (1.2)에서 $\lambda^{n-1}$ 항의 계수를 비교하면, 정방 행렬의 대각합은 모든 고유치의 합과 같다.
______________________________
고유치의 합 특성에 의해, 모든 고유치가 양수가 되려면 정방 행렬의 대각합이 반드시 $0$보다 커야 한다.
[고유치의 곱]
모든 고유치의 곱은 정방 행렬의 행렬식이다.
[증명]
식 (3)에서 $\lambda$ = $0$을 대입하면 증명할 수 있다.
______________________________
고유치의 곱 특성에 따라 행렬식이 $0$이면, $0$인 고유치가 반드시 존재한다. 또한 고유치가 $0$인 고유 벡터는 식 (4)에 $\lambda$ = $0$을 대입해 계산할 수 있다.
[고유치와 고유 벡터의 관계]
서로 다른 고유치에 대한 고유 벡터는 선형 독립이다.
[증명]
고유치 $\lambda_1, \lambda_2$에 대한 고유 벡터를 ${\bf x}_1, {\bf x}_2$라 한다. 고유 벡터 ${\bf x}_1, {\bf x}_2$의 선형 결합(linear combination)에 식 (1)을 적용해서 정리하면 다음과 같다[1].
(1.3)
고유 벡터의 선형 결합에 $\lambda_2$를 곱하면 다음 관계도 얻는다.
(1.4)
식 (1.3), (1.4)의 최종 결과를 서로 빼주어 ${\bf x}_2$를 없애자.
(1.5)
고유치는 서로 다르고 ${\bf x}_1$이 영 벡터가 아니기 때문에, 식 (4)의 좌변을 만족하려면 $\alpha_1$ = $0$이 되어야 한다. 비슷한 방법으로 식 (1.3)에서 ${\bf x}_1$을 없애면 다음과 같다.
(1.6)
따라서 $\alpha_1$ = $\alpha_2$ = $0$이 되어야 하므로, ${\bf x}_1$과 ${\bf x}_2$는 서로 선형 독립이다. 고유 벡터가 두 개보다 더 많더라도 식 (1.5), (1.6)과 동일한 방법으로 $\alpha_i$ = $0$을 증명할 수 있다. 그래서 고유치가 서로 다르면 고유 벡터는 항상 선형 독립이다.
______________________________
[대칭 행렬과 고유치의 관계]
대칭 행렬의 고유치는 항상 실수이다.
[증명]
실수 원소로 구성한 대칭 행렬은 에르미트 행렬(Hermitian matrix)이므로, 고유치는 항상 실수가 되어야 한다.
______________________________
실수 원소만 있는 행렬은 실수 행렬(real matrix)라 한다. 원소의 범위가 더 확장되어 복소수까지 가능하면 실수 행렬의 일반화인 복소 행렬(complex matrix)이 된다. 복소 행렬에 포함되는 켤레 행렬(conjugate matrix)을 이용해 실수 행렬을 다음처럼 정의할 수 있다.
(1.7)
여기서 ${\bf A}^*$는 $\bf A$의 원소에 켤레 복소수를 취한 켤레 행렬이다.
[대칭 행렬과 고유 벡터의 관계]
서로 다른 고유치를 가진 대칭 행렬의 고유 벡터는 서로 직교한다.
[증명]
고유 벡터의 직교성(orthogonality)은 내적(inner product)으로 결정할 수 있다. 정방 행렬 ${\bf A}$의 두 고유 벡터를 ${\bf x}_1$, ${\bf x}_2$, 고유 벡터에 대응하는 고유치를 $\lambda_1, \lambda_2$라 하자. 그러면 다음과 같은 2차 형식(quadratic form)을 계산할 수 있다.
(1.8)
여기서 2차 형식은 스칼라이므로 ${\bf y}^T {\bf Ax}$ = $({\bf y}^T {\bf Ax})^T$ = ${\bf x}^T {\bf A}^T {\bf y}$가 성립한다. 따라서 식 (1.8)에 의해 ${\bf x}_1$과 ${\bf x}_2$는 서로 직교한다.
______________________________
2. 다양한 연산(various operations)
고유치와 고유 벡터의 유용성은 행렬의 대각화(diagonalization)에서 분명히 확인된다. 원소가 빽빽하게 채워진 행렬은 계산이 매우 어렵지만, 대각화를 해서 대각 행렬로 만들면 효율적인 행렬 처리가 가능하다.
[행렬의 대각화]
정방 행렬 $\bf A$가 서로 다른 고유치를 가지면, 행렬을 대각화할 수 있다.
(2.1)
여기서 $\bf S$는 고유 벡터를 열 벡터로 구성한 정방 행렬인 고유 벡터 행렬(eigenvector matrix), $\bf \Lambda$는 고유치로 구성한 대각 행렬인 고유치 행렬(eigenvalue matrix)이다.
[증명]
식 (3)을 보면 $n \times n$ 행렬은 $n$개의 고유치를 가진다. 가정에 의해 고유치가 모두 다르기 때문에, 고유 벡터는 모두 선형 독립이다. 그러면 식 (1)에 따라 다음처럼 행렬의 대각화를 할 수 있다.
(2.2)
정방 행렬 $\bf S$는 열 벡터가 모두 선형 독립이므로, 역행렬이 존재해서 식 (2.1)처럼 표현할 수 있다.
______________________________
식 (2.1)과 같은 행렬의 분해는 고유치와 고유 벡터를 사용하기 때문에 고유 분해(eigendecomposition) 혹은 스펙트럼 분해(spectral decomposition)라 부른다. 행렬에서 스펙트럼(spectrum)이란 용어가 나와서 어색할 수 있지만, 주파수(frequency) 분석에 쓰는 푸리에 급수의 직교성처럼 고유 벡터의 직교성을 사용한 분해이기 때문에 스펙트럼이란 말을 쓴다. 행렬의 고유 분해에서 고유치 행렬 $\bf \Lambda$의 알파벳은 고유치 $\lambda$의 대문자인 $\Lambda$를 사용한다. 고유 벡터 행렬 $\bf S$는 스펙트럼 분해에 사용되므로, 알파벳은 S를 선택한다.
대칭 행렬인 경우는 고유 벡터가 서로 직교하므로 $\bf S$의 열 벡터의 크기를 $1$로 만들면, $\bf S$는 직교 행렬(orthogonal matrix) $\bf Q$로 쓸 수 있다. 그래서 대각 행렬 $\bf A$에 대한 대각화는 다음처럼 공식화한다.
식 (2.1)을 $k$번 곱하면 ${\bf S}^{-1}$와 ${\bf S}$의 곱이 항등 행렬을 만들기 때문에, 식 (2.4)를 증명할 수 있다.
______________________________
행렬의 대각화가 가능하기 때문에 행렬의 곱도 식 (2.4)처럼 매우 간략화된다. 즉, 행렬 곱의 핵심은 내부에 있는 대각 행렬의 곱이므로, 대각선 원소를 $k$번 곱하면 ${\bf \Lambda}^k$를 쉽게 계산해서 원래 행렬의 곱 ${\bf A}^k$를 효과적으로 얻을 수 있다.
[대각화와 역행렬]
(2.5)
[증명]
식 (2.5)에 있는 $\bf A$와 ${\bf A}^{-1}$을 서로 곱하면 다음 결과를 얻는다.
(2.6)
______________________________
식 (2.1)처럼 행렬의 대각화를 한 후 대각 행렬 $\bf \Lambda$의 역행렬을 구하면, 더 쉽게 원래 행렬의 역행렬을 구할 수 있다.
[고유 벡터의 선형 결합]
임의의 행렬 $\bf AX$를 $0$이 아닌 고유치와 고유 벡터의 선형 결합으로 표현할 수 있다.
(2.7)
여기서 $\bf X$는 임의의 열 벡터, 고유치가 $0$인 고유 벡터는 ${\bf x}_\text{null}$, $r$ = $\operatorname{rank}({\bf A})$, 고유치 $\lambda_i$는 서로 다르다.
[증명]
열 벡터 $\bf X$를 고유 벡터의 선형 결합으로 표현할 때, 고유치가 $0$인 기저 ${\bf x}_\text{null}$까지 사용해야 한다. 하지만 식 (2.7)의 마지막식에 의해, 이 기저는 행렬 합에 기여하지 않으므로 최종 선형 결합에서는 제외한다.
______________________________
식 (2.7)을 이용하면 행렬 $\bf AX$의 결과는 고유치가 $0$이 아닌 고유 벡터의 선형 결합으로 완전하게 표현할 수 있다. 고유 벡터 ${\bf x}_i$의 크기가 $1$인 경우는 단위 고유 벡터(unit eigenvector) $\hat {\bf x}_i$라고 한다. 단위 고유 벡터를 기저(basis)로 해서 선형 결합을 표현하면, 다양한 수치 계산에 유용하다.
[역행렬의 고유치]
역행렬의 고유치는 원래 행렬에 대한 고유치의 역수이며, 역행렬의 고유 벡터는 원래 행렬의 고유 벡터와 같다.
(2.8)
여기서 $\lambda$는 행렬 $\bf A$의 고유치이다.
[증명]
식 (1)을 다음처럼 변형하면 증명할 수 있다.
(2.9)
______________________________
고유 분해의 직접적인 응용 중 하나는 행렬의 제곱근(square root of a matrix)이다.
[행렬의 제곱근]
행렬 $\bf A$를 고유 분해(eigendecomposition)하여 $\bf A$의 제곱근을 다음처럼 정의한다.
(2.10)
여기서 ${\bf \Lambda}^{1/2}$는 대각 행렬(diagonal matrix) $\bf \Lambda$의 제곱근[${\bf \Lambda}^{1/2}{\bf \Lambda}^{1/2}$ = $\bf \Lambda$]이며 ${\bf \Lambda}^{1/2}$ = ${\rm diag}(\sqrt{\lambda_1}, \sqrt{\lambda_2}, \cdots, \sqrt{\lambda_n})$처럼 구할 수 있다.
[증명]
식 (2.10)에 정의한 제곱근 행렬을 서로 곱해본다.
(2.11)
______________________________
서로 다른 고유치를 가진 행렬을 고유 분해하면, 식 (2.10)과 비슷하게 실수 지수를 가진 행렬의 거듭제곱(power of a matrix)을 만들 수 있다.
교환 법칙 ${\bf AB} = {\bf BA}$를 만족해서 $\bf A$ = ${\bf BAB}^{-1}$이 된다. 만약 $\bf C$ = ${\bf BA}^{1/2} {\bf B}^{-1}$로 둔 경우는 ${\bf C}^2$ = $\bf A$가 되어서 $\bf C$는 $\bf A$의 제곱근이다. 따라서 ${\bf C B}$ = ${\bf BA}^{1/2} {\bf B}^{-1} {\bf B}$ = ${\bf BA}^{1/2}$이 얻어진다. 명제의 오른쪽 식이 선택되면, $\bf AB$ = ${\bf A}^{1/2} {\bf A}^{1/2} {\bf B}$ = ${\bf A}^{1/2} {\bf B}{\bf A}^{1/2} $ = ${\bf BA}$가 유도된다.
[명제 (b)의 증명]
관계 ${\bf AB} = {\bf BA}$를 두고 명제 (a)의 오른쪽 식에 의해 ${\bf B}$ = ${\bf A}^{1/2} {\bf B} {\bf A}^{-1/2}$을 만든다. 명제 (a)의 증명처럼 $\bf C$ = ${\bf A}^{1/2} {\bf B}^{1/2} {\bf A}^{-1/2}$이라 정의하면, ${\bf C}^2$ = $\bf B$가 되어서 $\bf C$는 분명 $\bf B$의 제곱근이다. 따라서 ${\bf C}{\bf A}^{1/2}$ = ${\bf A}^{1/2} {\bf B}^{1/2}$에 따라 오른쪽 식이 증명된다. 조건 ${\bf A}^{1/2} {\bf B}^{1/2}$ = ${\bf B}^{1/2} {\bf A}^{1/2}$이 주어지면, $\bf AB$ = $({\bf A}^{1/2})^2 ({\bf B}^{1/2})^2$ = $({\bf A}^{1/2} {\bf B}^{1/2})^2$ = $\bf BA$에 의해 왼쪽 식이 만족된다.
______________________________
명제 (a), (b)에 나오는 역행렬의 존재성은 아래에 증명하는 교환 법칙과 대칭 행렬의 고유 벡터 동일성에 의해 대각화 혹은 고유 분해 가능성으로 일반화될 수도 있다. 즉, 역행렬이 존재하지 않더라도 대칭 행렬이 고유 분해만 된다면, 제곱근과의 교환 법칙도 필연적으로 성립한다.
[교환 법칙과 대칭 행렬의 고유 벡터]
대칭 행렬 ${\bf A}, {\bf B}$가 고유 분해되어서 ${\bf A} = {\bf S \Lambda S}^T$, ${\bf B} = {\bf T M T}^T$이면, ${\bf AB} = {\bf BA}$ $\Leftrightarrow$ ${\bf S} = {\bf T}$가 성립한다. 여기서 고유 벡터 행렬 ${\bf S} = [{\bf x}_i]$, ${\bf T} = [{\bf y}_i]$를 구성하는 고유 벡터의 내적은 ${\bf x}_i^T {\bf y}_i \ne 0$이라 가정한다.
[증명]
대칭 행렬의 곱은 다음과 같이 고유 분해와 연결된다.
(2.14)
교환 법칙에 따라 식 (2.14)에 나온 행렬의 곱이 서로 같다고 놓는다.
(2.15)
교환 법칙과 대각 행렬의 성질에 의해 식 (2.15)에서 정의한 행렬 $\bf D$는 대각 행렬이 되어야 한다. 그러면 행렬 $\bf Q$와 원소 $q_{ij}$는 다음 관계식을 만족한다.
(2.16)
여기서 $m_j$와 $d_i$는 각각 $\bf M$과 $\bf D$의 대각선 원소이다. 식 (2.16)에서 $i$ = $j$라 두면, $d_i$ = $m_i$가 된다. 왜냐하면 조건 ${\bf x}_i^T {\bf y}_i \ne 0$은 $q_{ii} \ne 0$을 의미하기 때문이다. 또한 대각선에서 $d_i$ = $m_i$이므로, 비대각선인 $i \ne j$ 경우는 $m_i \ne m_j$가 되어서 $q_{ij}$ = $0$이 유도된다. 마지막으로 $\bf Q$ = ${\bf S}^T {\bf T}$ = $\bf I$인 결과를 이용해 $\bf S$ = $\bf T$를 증명한다. 명제의 오른쪽 식이 조건으로 주어지면, 식 (2.14)에 따라 왼쪽 식이 매우 쉽게 얻어진다.
______________________________
교환 법칙을 만족하는 두 대칭 행렬의 고유 벡터가 같다는 성질을 이용해서 임의의 지수(exponent)를 가진 행렬간의 교환 법칙도 쉽게 유도할 수 있다.
여기서 $\bf x$ = ${\bf Qx}'$, $x$ = $q_{11}x' + q_{12}y'$, $y$ = $q_{21}x' + q_{22}y'$, $q_{ij}$는 직교 행렬(orthogonal matrix) $\bf Q$의 원소이다. 식 (3.4)는 $x', y'$가 서로 분리되어 구성된 2차 곡선이며, 고유치 $\lambda_1, \lambda_2$의 부호에 따라 원뿔 곡선의 종류가 정해진다. 또한 고유치의 부호는 $\bf A$의 행렬식 $|{\bf A}|$ = $\lambda_1 \lambda_2$ = $ac - b^2$이 결정한다. 따라서 원뿔 곡선의 판별식은 $D$ = $ac - b^2$이 된다. 만약 $D > 0$이면, 모든 고유치의 부호가 같아서 2차 곡선은 타원으로 그려진다. 반대로 $D < 0$인 경우는 고유치의 부호가 달라서 쌍곡선으로 도출된다.
______________________________
상이한 수학 분야가 합쳐지는 경이를 볼 수 있는 좋은 예가 원뿔 곡선의 판별식이다. 예로부터 잘 알려진 원뿔 곡선을 분류하는 기준은 [그림 3.1]과 같은 절단이다. 다른 측면으로 원뿔 곡선의 판별식 $D$를 도입함으로써 대수적으로 2차 곡선 혹은 원뿔 곡선의 종류를 판정할 수 있다. 이 판별식은 행렬식과 고유치의 성질을 지능적으로 연결한 공식이다. 또한 원뿔 곡선의 판별식[= $ac - b^2$]은 2차 방정식의 판별식[= $b^2 - ac$]과 거의 같지만 부호가 다르다. 왜냐하면 원뿔 곡선의 판별식은 2차 방정식이 아닌 2차 곡선의 2차 항으로 만든 행렬의 행렬식이기 때문이다.
(1)
(2)
(3)
(4)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
(13)
(1)
(2)
(3)
(4)
(1.1)
(1.3)
(1.4)
(1.5)
(1.6)
(1.7)
(1.8)
(2.1)
(2.2)
(2.3)
(2.4)
(2.5)
(2.6)
(2.7)
(2.9)
(3.3)
(3.4)