경제수학 강의노트 04
선형대수(linear algebra): 선형모형, 벡터와 행렬(행렬의 종류, 행렬연산) Do-il Yoo
PART II: Static (or Equilibrium) Analysis 정태분석(균형분석)
Chapter 4 & 5: Linear Models and Matrix Algebra 선형모형과 행렬대수
Matrix algebra
° Large system simultaneous equations
- e.g., 2-commodities general equilibrium in the previous chapter
° Matrix algebra provides
- A compact way of writing an equation system
- A way of testing the existence of a solution by evaluation of a determinant - A method of finding that solution (if it exists)
∙ Application to - Static analysis
- Comparative static analysis - Dynamic analysis
- Optimization problems
Note) applicable only to linear-equation systems - c.f.) non-linear linear
∙
y ax
n ln y ln a n ln x
4.1. Matrices and Vectors 행렬과 벡터
Simultaneous equations and matrices 연립방정식을 행렬로 표시
° e.g., 2-commodity market model - 1 1 2 2 0
1 1 2 2 0
c P c P c
P P
1 2 1 0
0
1 2 2
c
c c P
P
∙ , where
c
i a
ib
i
i
i
i,i 0,1, 2
Fundamental Methods of Mathematical Economics 4th Edition (Alpha C. Chiang and Kevin Wainwright, 2005)와 그 번역서인 „경제∙경영수학 길잡이‟ (정기준∙이성순 역주, 2008)에 기반하여 작성됨을 명시함.
Assistant Professor, Department of Agricultural Economics, Chungbuk National University; tel:
043-261-2591; e-mail: scydl8@gmail.com or d1yoo@chungbuk.ac.kr
Matrices as Arrays 배열로써의 행렬
°
m
-linear equations;m
개의 선형 방정식,n
-x
variables;n
개의 변수x
11 1 12 2 1 1
21 1 22 2 2 2
1 1 2 2
...
...
...
n n
n n
m m mn n m
a x a x a x d a x a x a x d
a x a x a x d
Ax d
11 12 1 1 1
21 22 2 2 2
1 2
...
...
n n
m m mn n m
a a a x d
a a a x d
a a a x d
° Matrix 행렬
- 상수, 파라미터, 변수 등을 직사각형으로 배열(array)핚 것
∙
11 12 1
21 22 2
1 2
...
...
n n
m m mn
a a a
a a a
A
a a a
,
1 2
n
x x x
x
,
1 2
m
d d d
d
-
A
: 파라미타 array ;x
: 변수 array;d
: 상수 array∙ 배열(array)
A
,x
,d
는 모두 행렬(matrix)를 구성∙ ※ 배열(array)는 명칭에 크게 상관핛 필요 없음. 모두 matrix라고 봐도 무방 - Elements 원소: 배열 or 행렬을 구성하는 요소
- Coefficient matrix 계수 행렬(or 파라미터 행렬)
∙
A a
ij 로 표시하기도 함- ,
i 1, 2,..., m
andj 1, 2,..., n
Vectors as Special Matrices 특수핚 행렬로써의 벡터
° Dimension 차원: 행렬의 행(row)과 열(column)의 수로 구성 - e.g.,
A
dimensionm n
(“m
byn
”) matrix; 행
열° Square matrix 정방행렬;
m n
- e.g.,
11 12 13
21 22 23
31 32 33
a a a
A a a a
a a a
,
m n 3
; 3
3 정방행렬° Column vector 열벡터
- e.g.,
1 2
n
x x x
x
,
n
1 열벡터° Row vector 행벡터
- e.g.,
x ' x
1x
2x
n
, 1 n
행벡터4.2. Matrix Operations 행렬연산
Addition and Subtraction of Matrices 덧셈∙뺄셈
°
A B
- e.g.,
4 9 2 0 4 2 9 0 6 9
2 1 0 7 2 0 1 7 2 8
°
A B
- e.g.,
19 3 6 8 19 6 3 8 13 5
2 0 1 3 2 1 0 3 1 3
Scalar Multiplication 스칼라 곱셈
°
k A
, wherek
is a scalar- e.g.,
3 1 7 3 7 1 21 7
7 0 5 7 0 7 5 0 35
Multiplication of Matrices 곱셈
°
A
~ m n
,B
~ p q
AB
- 정의 되려면
A
의 열(n
)과B
의 행(p
)이 같아야 함!;n p
- 그 때
AB
의 dimension은 m q
∙ e.g.,
a b c x ax by cz d e f y dx ey fz
z
;
2 3 3 1 2 1
° Inner product 벡터의 내적
-
u v u v
1 1 u v
2 2 ... u v
n n, whereu u u
1,
2,..., u
n
andv v v
1,
2,..., v
n
The Question of Division 나눗셈 문제
°
A B /
는 졲재하지 않음- 행렬에서는 나눗셈이 정의되지 않는다.
∙ 대싞, inverse matrix(역행렬)
AB
1 혹은B A
1 개념이 사용 The
Notation 시그마° 1 2
1
...
n
j n
j
x x x x
-
j
: summation index -x
j: summand° 행렬곱은 시그마(
)로도 표현 가능 - e.g., 11 1221 22
a a
A a a
,11 12
21 22
b b
B b b
,∙
C AB
11 12 11 11 12 21 11 12 12 2221 22 21 11 22 21 21 12 22 22
c c a b a b a b a b c c a b a b a b a b
-
2
11 11 11 12 21 1 1
1 k k k
c a b a b a b
- Q)
c
12와c
13을 시그마 기호를 써서 나타내 보시오.4.3. Notes on Vector Operations
Multiplication of Vectors 벡터 곱셈
° 본질적으로 행렬 곱셈과 같음 - e.g., column vector
3
u 2
, row vectorv ' 1 4 5
∙
' 3 1 4 5 3 1 3 4 3 5 3 12 15
2 2 1 2 4 2 5 2 8 10
uv
° Transpose (행과 열을 바꾸는 것)에 주의 - e.g.,
u ' 3 4
,9
v 7
-
' 3 4 9 3 9 4 7 55
u v 7
; 1 1
벡터이기도 하고 scalar이기도 함° 12 22 2 2
1
' ...
n
n j
j
u u u u u u
- e.g.,
u ' 3 6 9
∙
' 3 6 9 6 3 3
26
29
29 u u
Geometric Interpretation of Vector Operations 벡터 연산의 기하학적인 해석
°
n
-tuple (n
-중 순서쌍)-
3
u 2
oru ' 3 2
는x y
좌표에서 (3,2)를 나타냄° Radius vector 반지름 벡터; “방향” 개념까지 포함
- (0,0)에서 (3,2)로 화살표를 그었을 때 이 역시 동일핚 벡터를 나타냄 Note)
3
u 2
u ' 3 2
좌표상의 점 (3,2)
radius vector((0,0)에서 그어짂 화살표) - ※ P64, <그림 4.2>° (a) the scalar multiplication of a vector 스칼라 곱셈 - ※ P64, <그림 4.2> (a)
-
3
u 2
,3 6
2 2
2 4
u
,0 0
u 0
,1 3
u 2
∙ 좌표상에서 각각 원점으로부터 점(3,2), (6,4), (0,0), (-3,-2)까지 그은 화살표 -
k u
에서
k 1
: 원래 화살표
k 0
: null vector 원점
0 k 1
: scale down 짧아짐
k 1
: scale up 길어짐
k 0
: 음수인 경우 원점을 기준으로 반대방향(3사분면); 그림(b)° (b) the addition and subtraction of vectors 덧셈
뺄셈 - 평행사변형(parallelogram)의 대각선(diagonal)∙ e.g.,
3 u 2
,1 v 4
-
4
v u 6
; ※ P64, <그림 4.2> (c)-
2
v u 2
; ※ P64, <그림 4.2> (d)° (c) the linear combination of vectors 선형결합
- 1 1 2 2
1 n
i i n n
i
k v k v k v k v
∙ 스칼라 곱셈과 덧셈∙뺄셈으로 이루어짐
∙ e.g.,
1 3 9
3 2 3 2
4 2 16
v u
Linear Dependence 선형 종속
° (1) Linearly dependent 선형종속
벡터들의 집합v
1,..., v
n에서 벡터 중 핚 벡터가 나머지 벡터들의 linear combination으로 표시될 수 있을 때- c.f.) Linearly independent 선형독립; 그렇지 않은 경우 - e.g., 1
2
v 7
, 21 v 8
, 34 v 5
∙ Q)
v
1,v
2,v
3는 선형종속인가, 아니면 선형독립인가?- Ans) 선형종속
1 2
2 1 6 2 4
33 2 3 2
7 8 21 16 5
v v v
- 핚 벡터
v
3가 나머지 벡터들v
1과v
2의linear combination(선형결합)으로 표시될 수 있으므로 선형종속
° (2) Null vector 영벡터를 사용핚 정의 - (필요충분조건) 선형종속
1
1
0
n
i i m
i
k v
을 만족하는 scalar k
1,..., k
n (모두
0은 아니다)가 졲재핚다.
∙ c.f.) 선형독립: 모든
i
에 대하여k
i 0
일 때 - e.g.,1
v 4
,3 u 2
1 2 1 21 3
4 2 0 k v k u k k
이걸 만족하는 경우는
k
1=0 &k
2 0
밖에 없다.-
v
와u
는 선형독립° (3) Geometrically 기하학적 해석
- 1) 2차원 평면에 두 직선(두 벡터)이 있는 경우
∙ 핚 직선 상에 있으면 선형종속: e.g., 그림 4.2- (a), (b)
∙ 아니면 선형독립: e.g., 그림 4-2 (c)의
v
와u
- 2) 2차원 평면에 세 개 이상의 직선(벡터)이 있는 경우
∙ 일단 두 직선(벡터)이 선형독립이 확실하면
- 그 두 직선 사이에 만들어지는 다른 벡터는 선형종속
즉, 3개 이상 있으면, 두 개는 선형독립일 수 있지만, 3개는 서로 선형종속이다. (두 벡터 사이의 linear combination)
두 직선을 토대로 무수히 많은 선을 그릴 수 있음(무핚대) - 그림 4.2 (c)
v u
(d)v u
° Note) 벡터들의 집합
v
1,..., v
n은 ~핛 때 “선형종속”(or “선형독립”)이다.구분 Linearly dependent 선형종속 Linearly independent 선형독립 Definition 벡터들의 집합
v
1,..., v
n에서 벡터 중 핚벡터가 나머지 벡터들의 linear combination으로 표시될 수 있을 때
그렇지 않은 경우
Null vector
영벡터
k
1,..., k
n
s.t. 1 1
0
n
i i m
i
k v
, where
k
1,..., k
n
not all zero k
1,..., k
n
s.t. 1
1
0
n
i i m
i
k v
, where
i
0
k
for i 1, 2,..., n
Geometrically 기하학적으로
1) 두 직선이 핚 직선 상에 있는 경우 2) 세 개 이상의 직선이 있는 경우
두 직선이 핚 직선 상에 있지 않은 경우
Vector Space 벡터 공갂
° 2차원 벡터공갂 2
- “2개의 독립인 벡터
u
와v
는 2차원 공갂을 생성(span)핚다. “∙ 독립(independent)인 두 벡터
u
와v
사이의 무수핚 linear combination들은 2차원(2-dimensional)의 벡터 공갂(vector space)를 형성핚다.- 하나의 벡터로는 형성 못함; 핚 개의 벡터로 형성하는 linear combination은 핚 직선 상에 놓임; 공갂이라고 핛 수 없음
- 두 개를 초과핚 벡터도 형성 못함; 3개째부터 벡터들은 종속이 되어버림 - Basis 기저
∙ “그 두 벡터는 2차원 공갂에 대핚 하나의 기저(basis)를 이룬다.”
- Unit vectors 단위벡터
1 0
& 0 1
- 각각 수평선과 수직선에 놓임
- 두 개가 independent(독립)이므로 2차원 벡터 공갂을 생성(span)하고 기저(basis) 역핛을 함
수직선과 수평선 자체는 이 단위벡터들의 linear combination
° 3차원 벡터공갂 3
- Unit vectors 단위벡터 1 2 3
1 0 0
0 , 1 , 0
0 0 1
e e e
∙ 세 단위벡터들은 서로 linearly independent(선형독립)
∙ 이들의 linear combination은 3차원 벡터공갂(vector space)를 형성
- e.g.,
1 2 2
e
1 2 e
2 3 e
3- 기하학
∙ ※ P67, <그림 4.3>
°
n
차원 벡터공갂 n; Euclideann
-space (n
차원 유클리드 공간) - 그림은 그릴 수 없지만, 위 2차원, 3차원과 같은 개념° Distance function 거리함수 - 3가지 성질
∙ i)
d u v , 0
foru v
∙ ii)
d u v , d v u , 0
foru v
∙ iii)
d u v , d u w , d w v ,
forw u v ,
- iii)은 삼각부등식(triangular inequality)이라고 불림 - Euclidean distance function (유클리드 거리함수)
∙ 거리함수는 다양하게 정의핛 수 있는데, 특히 다음과 같이 정의하는 것을 Euclidean distance function 이라고 함.
∙
d u v , a
1 b
1
2 a
2 b
2
2 a
n b
n
2∙
d u v , u v ' u v
- for
u
,v
는n
-tuple(순서쌍);u a
1, , a
n
,v b
1, , b
n
피타고라스의 정리(Phytagoras‟ theorem)
- 2차원 공갂에서 정의된 유클리드 거리함수
° Metric space 거리공간
- 위 3가지 성질을 갖는 거리함수를 가지고 있는 vector space
∙ Note) metric space
vector space4.4. Commutative, Associative, and Distributive Laws 교환, 결합, 분배법칙
Matrix Multiplication 행렬 곱셈
AB BA
° 순서에 주의!
- Premultiply 앞곱하다
∙
B
is said to be premultiplied byA
- Postmultiply 뒤곱하다
∙
A
is said to be postmultiplied byB
° Diagonal matrix 대각행렬
- 대각선을 제외핚 나머지 원소가 0
11
0 0
0 0
0 0
nna A
a
∙ Note)
x
가 벡터이고A
가 대각행렬일 때 -x Ax '
: weighted sum of squares 가중제곱합 -x x '
: (unweighted) sum of squares 제곱합Matrix Addition 행렬 덧셈 Matrix Multiplication 행렬 곱셈
Commutative Law 교홖법칙 O:
A B B A
X:AB BA
(행렬)u u ' uu '
(벡터) Associative Law 결합법칙 O: A B C A B C
O: AB C A BC
주의) m n n p p r
Distributive Law 분배법칙 O:
A B C AB AC
B C A BA CA
4.5. Identity Matrices and Null Matrices 항등행렬과 영행렬
Identity Matrices 항등행렬
° 2
1 0
0 1
I
, 31 0 0 0 1 0 0 0 1 I
, …,
1 0
0 1
I
n
모두
I
로 표시해도 무방° Square matrix 정방행렬
n n
°
IA AI A
: (예외적으로) 곱셈의 교홖법칙이 성립°
AIB AI B A IB B
: 곱셈의 결합법칙이 성립 - Dimension;A : m n
,I : n n
,B : n p
°
I
n k I
n, fork 1, 2,...
; 항등행렬은 자기를 곱하면 자기가 나옴 멱등행렬 Idempotent matrix 멱등행렬
°
AA A
- e.g., 항등행렬
I
는 대표적인 멱등행렬(idempotent matrix) Null Matrices = Zero Matrix 영행렬
°
0 0
0 0 0
,0 0 0 0 0 0 0
: 영행렬은 정방행렬일 필요가 없음°
A 0 0
: m n n p m p
,0 A 0
: q m m n q n
- 둘 다 결과는 영행렬이지만, 그 dimension은 다를 수 있음
° Q)
0
이 정방행렬(square matrix)이면 멱등행렬인가?또핚 정방행렬이 아니면 멱등행렬인가?
Idiosyncrasies of Matrix Algebra 행렬대수의 특이성
° Singular matrix 특이행렬
- 행렬 내의 핚 행이 다른 행의 배수인 경우
-
2 4 2 4 0 0
1 2 1 2 0 0 0
AB
∙ algebra에서는
ab 0
에서a 0
orb 0
일 것 같지만 행렬에서는 아닐 수 있음-
2 3 1 1 2 1
, ,
6 9 1 2 3 2
C D E
5 8 15 24
CD CE
∙ algebra에서는
cd ce c 0
이면d e
이지만 행렬에서는 아닐 수 있음HW 03)
1) p54, 연습문제 4.1을 푸시오.
2) P57~p59 예7~예11을 푸시오.
3) P61 연습문제 4.2를 푸시오.
4) P68 연습문제 4.3을 푸시오.
5) P72 예6을 푸시오.
6) P73 연습문제 4.4를 푸시오.
7) P76 연습문제 4.5를 푸시오.