6.35 대칭 행렬의 스펙트럼 정리

1. 대칭 행렬의 정의와 기본 성질

실수 성분을 가지는 정사각 행렬 $A \in \mathbb{R}^{n \times n}$ 이 $A^\top = A$ 를 만족할 때 $A$ 를 실대칭 행렬(real symmetric matrix)이라 한다. 대칭 행렬은 선형대수학에서 가장 중요한 행렬 부류 중 하나이며, 여러 자연 과학과 공학 분야에서 물리적 양들을 표현하는 데 광범위하게 사용된다. 대칭 행렬은 다음의 기본적인 성질들을 가진다.

대칭 행렬의 합과 스칼라 배는 다시 대칭 행렬이다.
대칭 행렬의 두 행렬 곱은 일반적으로 대칭 행렬이 아니며, 두 대칭 행렬이 가환일 때에만 곱이 대칭 행렬이 된다.
대칭 행렬의 거듭제곱은 항상 대칭 행렬이다.
가역 대칭 행렬의 역행렬은 대칭 행렬이다.

2. 스펙트럼 정리의 진술

스펙트럼 정리(spectral theorem)는 대칭 행렬에 관한 가장 핵심적인 정리로서, 다음과 같이 진술된다.

정리 (실대칭 행렬의 스펙트럼 정리). 임의의 실대칭 행렬 $A \in \mathbb{R}^{n \times n}$ 에 대하여 다음이 성립한다.

$A$ 의 모든 고유값은 실수이다.
서로 다른 고유값에 대응하는 고유벡터는 서로 직교한다.
$A$ 는 직교 행렬에 의하여 대각화 가능하다. 즉, 어떤 직교 행렬 $Q$ 에 대하여 $Q^\top A Q = \Lambda$ 가 성립하며, $\Lambda$ 는 $A$ 의 고유값을 대각 성분으로 가지는 대각 행렬이다.
$\mathbb{R}^n$ 은 $A$ 의 고유벡터로 이루어진 정규 직교 기저를 가진다.

이 정리는 대칭 행렬의 고유 구조가 매우 단순하고 규칙적임을 보여 주며, 결함 고유값이 결코 발생하지 않음을 보장한다.

3. 고유값의 실수성 증명

정리. 실대칭 행렬 $A$ 의 모든 고유값은 실수이다.

증명. $\lambda$ 를 $A$ 의 임의의 고유값이라 하고, 이에 대응하는(잠재적으로 복소수) 고유벡터를 $\mathbf{v} \in \mathbb{C}^n$ 이라 하자. 즉 $A\mathbf{v} = \lambda \mathbf{v}$ 이며 $\mathbf{v} \neq \mathbf{0}$ 이다. 켤레 전치를 $\mathbf{v}^*$ 로 표기하자.

$\mathbf{v}^* A \mathbf{v}$ 를 두 가지 방식으로 계산한다. 먼저

$\mathbf{v}^* A \mathbf{v} = \mathbf{v}^* (\lambda \mathbf{v}) = \lambda \mathbf{v}^* \mathbf{v} = \lambda \|\mathbf{v}\|^2$

이다. 한편 $A$ 가 실대칭이므로 $A^* = A^\top = A$ 이고, 따라서

$\mathbf{v}^* A \mathbf{v} = (A\mathbf{v})^* \mathbf{v} = (\lambda \mathbf{v})^* \mathbf{v} = \overline{\lambda} \mathbf{v}^* \mathbf{v} = \overline{\lambda} \|\mathbf{v}\|^2$

이다. $\|\mathbf{v}\|^2 \neq 0$ 이므로 $\lambda = \overline{\lambda}$ , 즉 $\lambda$ 는 실수이다. $\blacksquare$

4. 직교성 증명

정리. 실대칭 행렬 $A$ 의 서로 다른 고유값에 대응하는 고유벡터는 서로 직교한다.

증명. $\lambda_1 \neq \lambda_2$ 가 $A$ 의 두 고유값이고, 대응하는 고유벡터를 각각 $\mathbf{v}_1, \mathbf{v}_2$ 라 하자. 즉 $A\mathbf{v}_1 = \lambda_1 \mathbf{v}_1$ , $A\mathbf{v}_2 = \lambda_2 \mathbf{v}_2$ 이다.

$\mathbf{v}_1^\top A \mathbf{v}_2$ 를 두 가지 방식으로 표현한다.

$\mathbf{v}_1^\top A \mathbf{v}_2 = \mathbf{v}_1^\top (\lambda_2 \mathbf{v}_2) = \lambda_2 \mathbf{v}_1^\top \mathbf{v}_2$

또한 $A^\top = A$ 이므로

$\mathbf{v}_1^\top A \mathbf{v}_2 = (A\mathbf{v}_1)^\top \mathbf{v}_2 = (\lambda_1 \mathbf{v}_1)^\top \mathbf{v}_2 = \lambda_1 \mathbf{v}_1^\top \mathbf{v}_2$

두 식을 같게 놓으면 $(\lambda_1 - \lambda_2) \mathbf{v}_1^\top \mathbf{v}_2 = 0$ 이며, $\lambda_1 \neq \lambda_2$ 이므로 $\mathbf{v}_1^\top \mathbf{v}_2 = 0$ , 즉 $\mathbf{v}_1$ 과 $\mathbf{v}_2$ 는 직교한다. $\blacksquare$

5. 직교 대각화 가능성

정리. 임의의 실대칭 행렬 $A \in \mathbb{R}^{n \times n}$ 에 대하여 직교 행렬 $Q$ 가 존재하여 $Q^\top A Q = \Lambda$ 가 성립한다.

이 명제의 증명은 슈어 분해(Schur decomposition)를 활용하여 다음과 같이 수행할 수 있다. 임의의 정사각 행렬은 어떤 유니타리 행렬에 의하여 상삼각 행렬로 변환될 수 있다는 슈어 정리에 의하여, 실대칭 행렬 $A$ 에 대해서도 실수 직교 행렬 $Q$ 가 존재하여 $Q^\top A Q = T$ 가 상삼각 행렬이 된다. 그러나

$T^\top = (Q^\top A Q)^\top = Q^\top A^\top Q = Q^\top A Q = T$

이므로 $T$ 는 대칭이며 동시에 상삼각이다. 따라서 $T$ 는 대각 행렬이어야 한다. $\blacksquare$

이 결과는 결함 고유값이 결코 존재하지 않으며, 모든 대칭 행렬에서 대수적 중복도와 기하학적 중복도가 항상 일치함을 함의한다.

6. 스펙트럼 분해

스펙트럼 정리의 중요한 결과는 대칭 행렬이 외적 합의 형태로 표현될 수 있다는 사실이다. 직교 대각화 $A = Q \Lambda Q^\top$ 에서 $Q$ 의 열을 $\mathbf{q}_1, \mathbf{q}_2, \ldots, \mathbf{q}_n$ 이라 하면

$A = \sum_{i=1}^{n} \lambda_i \mathbf{q}_i \mathbf{q}_i^\top$

이 성립한다. 이 표현을 스펙트럼 분해(spectral decomposition) 또는 고유 분해의 외적 형태라 한다. 각 항 $\lambda_i \mathbf{q}_i \mathbf{q}_i^\top$ 은 랭크 1의 사영 행렬에 해당 고유값을 곱한 형태이며, 이는 대칭 행렬이 일차원 사영들의 가중합으로 분해됨을 의미한다.

스펙트럼 사영 행렬 $P_i = \mathbf{q}_i \mathbf{q}_i^\top$ 은 다음의 성질을 만족한다.

대칭성: $P_i^\top = P_i$
멱등성: $P_i^2 = P_i$
직교성: $i \neq j$ 에 대하여 $P_i P_j = 0$
완전성: $\sum_{i=1}^{n} P_i = I$

7. 레일리 몫과 변분 표현

대칭 행렬의 고유값은 레일리 몫(Rayleigh quotient)의 임계값으로 표현될 수 있다. 비영벡터 $\mathbf{x} \in \mathbb{R}^n$ 에 대한 레일리 몫은 다음과 같이 정의된다.

$R(\mathbf{x}) = \frac{\mathbf{x}^\top A \mathbf{x}}{\mathbf{x}^\top \mathbf{x}}$

대칭 행렬 $A$ 의 고유값을 $\lambda_1 \leq \lambda_2 \leq \cdots \leq \lambda_n$ 로 정렬하면 다음이 성립한다.

$\lambda_1 = \min_{\mathbf{x} \neq \mathbf{0}} R(\mathbf{x}), \qquad \lambda_n = \max_{\mathbf{x} \neq \mathbf{0}} R(\mathbf{x})$

더 일반적으로, 쿠란트-피셔 최소-최대 정리(Courant-Fischer min-max theorem)에 의하여 $k$ 번째 고유값은 다음과 같이 표현된다.

$\lambda_k = \min_{\substack{S \subseteq \mathbb{R}^n \\ \dim S = k}} \max_{\substack{\mathbf{x} \in S \\ \mathbf{x} \neq \mathbf{0}}} R(\mathbf{x})$

이 변분 표현은 고유값 섭동 해석과 수치적 알고리듬의 이론적 토대를 제공한다.

8. 양정치성과 고유값

대칭 행렬 $A$ 의 양정치성은 고유값의 부호와 직접적으로 연결된다.

$A$ 가 양정치(positive definite)일 필요충분조건은 모든 고유값이 양수인 것이다.
$A$ 가 양반정치(positive semidefinite)일 필요충분조건은 모든 고유값이 비음수인 것이다.
$A$ 가 음정치, 음반정치, 부정치인 경우도 유사하게 고유값의 부호 분포로 특성화된다.

이 결과는 이차 형식 $\mathbf{x}^\top A \mathbf{x}$ 의 부호 판정과 최적화 문제의 안장점 분류에 직접 적용된다.

9. 대칭 행렬의 함수

스펙트럼 분해를 활용하면 대칭 행렬의 함수를 자연스럽게 정의할 수 있다. 대칭 행렬 $A = Q\Lambda Q^\top$ 과 함수 $f$ 에 대하여

$f(A) = Q \, f(\Lambda) \, Q^\top = \sum_{i=1}^{n} f(\lambda_i) \mathbf{q}_i \mathbf{q}_i^\top$

으로 정의된다. 특히 양반정치 행렬의 제곱근, 행렬 지수 함수, 행렬 로그 함수 등은 모두 이 방식으로 일관성 있게 정의된다.

10. 일반화된 스펙트럼 정리

스펙트럼 정리는 정규 행렬(normal matrix), 즉 $A^* A = A A^*$ 를 만족하는 행렬에 대한 일반화를 가진다. 이 경우 행렬은 유니타리 행렬에 의하여 대각화 가능하며, 고유값은 일반적으로 복소수이다. 실대칭 행렬, 에르미트 행렬, 실 직교 행렬, 유니타리 행렬 등은 모두 정규 행렬의 부분 부류이다.

11. 로봇공학에서의 응용

11.1 관성 텐서의 주축 분해

강체의 관성 텐서 $\mathbf{I} \in \mathbb{R}^{3 \times 3}$ 는 실대칭 양정치 행렬이다. 스펙트럼 정리에 의하여 직교 행렬 $Q$ 를 통하여 $Q^\top \mathbf{I} Q = \mathrm{diag}(I_1, I_2, I_3)$ 로 대각화되며, $Q$ 의 열 벡터들은 강체의 주축을 이룬다. 주축 좌표계에서 회전 운동 방정식이 단순화되어 비대칭 강체의 자세 동역학 분석이 효율적으로 수행된다.

11.2 강성 행렬의 스펙트럼 분석

로봇 구조물의 강성 행렬은 대칭 양반정치 행렬이며, 스펙트럼 분해를 통하여 구조물의 진동 모드와 고유 진동수를 추출할 수 있다. 이는 공진 회피 설계, 능동 진동 억제, 그리고 유연체 로봇의 변형 제어에서 핵심적인 도구이다.

11.3 공분산 행렬의 분석

상태 추정에서 사용되는 공분산 행렬 $\Sigma$ 는 대칭 양반정치 행렬이다. 스펙트럼 분해 $\Sigma = Q \Lambda Q^\top$ 를 통하여 추정 불확실성의 주축과 주성분 분산을 추출할 수 있으며, 이는 불확실성 타원체의 시각화와 적응적 측정 계획에 활용된다. 또한 양정치 제곱근 $\Sigma^{1/2}$ 는 칼만 필터의 제곱근 형식 구현에서 활용된다.

11.4 가조작성 타원체 해석

자코비안 행렬 $J$ 의 가조작성 타원체는 대칭 양반정치 행렬 $JJ^\top$ 또는 $J^\top J$ 의 스펙트럼 분해를 통하여 구성된다. 고유벡터는 타원체의 주축 방향을, 고유값의 제곱근은 주축의 길이를 결정한다. 이 분석은 로봇 매니퓰레이터의 운동 능력 평가와 경로 계획에 활용된다.

11.5 헤시안 행렬과 최적화

비선형 최적화 문제에서 헤시안 행렬은 대칭 행렬이며, 그 스펙트럼은 임계점의 성질을 결정한다. 헤시안의 고유값이 모두 양수이면 임계점은 국소 최솟값이고, 모두 음수이면 국소 최댓값이며, 부호가 혼재되면 안장점이다. 이 분류는 로봇 궤적 최적화와 동작 계획에서 활용된다.

11.6 점 구름의 주성분 분석

점 구름 데이터의 공분산 행렬은 대칭 양반정치 행렬이며, 스펙트럼 분해를 통하여 주성분을 추출할 수 있다. 가장 큰 고유값에 대응하는 고유벡터는 점 구름의 주된 분산 방향을, 가장 작은 고유값에 대응하는 고유벡터는 표면의 법선 방향을 나타낸다. 이는 평면 적합, 곡률 추정, 물체 인식에서 활용된다.

11.7 그래프 라플라시안과 다중 로봇 시스템

다중 로봇 시스템의 통신 그래프에 대응하는 라플라시안 행렬은 대칭 양반정치 행렬이다. 그 스펙트럼은 합의 알고리듬의 수렴 속도, 그래프의 연결성, 그리고 군집의 형상 형성 능력을 결정하는 핵심적인 정보를 제공한다.

참고문헌

Strang, G. (2023). Introduction to Linear Algebra (6th ed.). Wellesley-Cambridge Press.
Horn, R. A., & Johnson, C. R. (2013). Matrix Analysis (2nd ed.). Cambridge University Press.
Meyer, C. D. (2023). Matrix Analysis and Applied Linear Algebra (2nd ed.). SIAM.
Trefethen, L. N., & Bau, D. (2022). Numerical Linear Algebra (25th Anniversary ed.). SIAM.
Axler, S. (2024). Linear Algebra Done Right (4th ed.). Springer.
Lynch, K. M., & Park, F. C. (2017). Modern Robotics: Mechanics, Planning, and Control. Cambridge University Press.

Version: 1.0