6.5 선형 독립과 선형 종속의 판정

1. 선형 독립과 선형 종속의 정의

선형 독립(linear independence)과 선형 종속(linear dependence)은 벡터 집합의 구조적 성질을 기술하는 핵심 개념이며, 기저의 구성, 행렬의 랭크 분석, 로봇의 자유도 판정 등에 본질적으로 사용된다.

정의 6.5.1 (선형 독립). 벡터 공간 V의 벡터 집합 \{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_k\}이 다음 조건을 만족하면 선형 독립이라 한다.

c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + \cdots + c_k\mathbf{v}_k = \mathbf{0} \implies c_1 = c_2 = \cdots = c_k = 0

즉, 영벡터를 만드는 유일한 선형 결합은 모든 계수가 0인 자명한(trivial) 결합뿐이다.

정의 6.5.2 (선형 종속). 벡터 집합 \{\mathbf{v}_1, \mathbf{v}_2, \ldots, \mathbf{v}_k\}이 선형 독립이 아니면 선형 종속이라 한다. 즉, 적어도 하나의 c_i \neq 0인 스칼라 c_1, \ldots, c_k가 존재하여

c_1\mathbf{v}_1 + c_2\mathbf{v}_2 + \cdots + c_k\mathbf{v}_k = \mathbf{0}

이 성립한다. 이러한 비자명한(nontrivial) 선형 결합을 선형 종속 관계(linear dependence relation)라 한다.

2. 선형 종속의 동치 조건

정리 6.5.1. 두 개 이상의 벡터로 이루어진 집합 \{\mathbf{v}_1, \ldots, \mathbf{v}_k\} (k \geq 2)이 선형 종속일 필요충분조건은 적어도 하나의 벡터가 나머지 벡터들의 선형 결합으로 표현되는 것이다.

증명. (\Rightarrow) 비자명한 선형 결합 \sum_i c_i \mathbf{v}_i = \mathbf{0}에서 c_j \neq 0인 지표 j가 존재하면, \mathbf{v}_j = -\frac{1}{c_j}\sum_{i \neq j} c_i \mathbf{v}_i로 표현된다. (\Leftarrow) 어떤 \mathbf{v}_j = \sum_{i \neq j} a_i \mathbf{v}_i이면, \sum_{i \neq j} a_i \mathbf{v}_i - \mathbf{v}_j = \mathbf{0}은 비자명한 선형 결합이다. \square

이 정리의 직관적 의미는, 선형 종속 집합에는 “중복 정보“를 가진 벡터가 존재한다는 것이다. 해당 벡터는 다른 벡터들로부터 복원 가능하므로 제거하더라도 생성 공간이 변하지 않는다.

3. 선형 독립의 판정 방법

3.1 방법 1: 동차 연립 방정식의 해

벡터 \mathbf{v}_1, \ldots, \mathbf{v}_k \in \mathbb{R}^n의 선형 독립 여부는 행렬 A = [\mathbf{v}_1 \; \mathbf{v}_2 \; \cdots \; \mathbf{v}_k] \in \mathbb{R}^{n \times k}로 구성한 동차 연립 방정식 A\mathbf{c} = \mathbf{0}의 해를 조사하여 판정한다.

• A\mathbf{c} = \mathbf{0}이 자명해 \mathbf{c} = \mathbf{0}만을 가지면 \{\mathbf{v}_1, \ldots, \mathbf{v}_k\}는 선형 독립이다.
• A\mathbf{c} = \mathbf{0}이 비자명해를 가지면 \{\mathbf{v}_1, \ldots, \mathbf{v}_k\}는 선형 종속이다.

실제 판정은 A를 행 사다리꼴(row echelon form)로 변환하여 피벗(pivot)의 개수를 확인하는 것으로 수행된다. 피벗의 수가 k와 같으면 선형 독립이고, k보다 작으면 선형 종속이다.

3.2 방법 2: 행렬식 (정방 행렬의 경우)

k = n인 경우, 즉 n개의 n차원 벡터의 선형 독립 여부는 행렬식으로 판정할 수 있다.

\det([\mathbf{v}_1 \; \mathbf{v}_2 \; \cdots \; \mathbf{v}_n]) \neq 0 \iff \{\mathbf{v}_1, \ldots, \mathbf{v}_n\} \text{은 선형 독립}

행렬식이 0이면 선형 종속이고, 0이 아니면 선형 독립이다. 이 판정법은 계산적으로 명료하지만, 벡터의 수가 공간의 차원과 같은 경우에만 적용 가능하다.

방법 3: 그람 행렬 (Gram matrix)

내적 공간에서, 벡터 \mathbf{v}_1, \ldots, \mathbf{v}_k의 그람 행렬(Gram matrix) G는 다음과 같이 정의된다.

G_{ij} = \langle \mathbf{v}_i, \mathbf{v}_j \rangle = \mathbf{v}_i^\top \mathbf{v}_j

그람 행렬은 항상 대칭 반양정치(symmetric positive semidefinite)이며, 다음이 성립한다.

\det(G) > 0 \iff \{\mathbf{v}_1, \ldots, \mathbf{v}_k\} \text{은 선형 독립}

그람 행렬 판정법은 벡터의 수 k와 공간의 차원 n이 다른 경우에도 적용 가능하다는 장점이 있다.

선형 독립에 관한 기본 정리

정리 6.5.2. 다음 명제가 성립한다.

(i) 영벡터 \mathbf{0}을 포함하는 벡터 집합은 반드시 선형 종속이다.

(ii) 단일 벡터 \{\mathbf{v}\}는 \mathbf{v} \neq \mathbf{0}일 때 선형 독립이다.

(iii) 두 벡터 \{\mathbf{u}, \mathbf{v}\}가 선형 종속일 필요충분조건은 하나가 다른 하나의 스칼라 배인 것이다.

(iv) n차원 벡터 공간에서 n + 1개 이상의 벡터는 반드시 선형 종속이다.

정리 6.5.3 (선형 독립 부분 집합). 선형 독립 집합의 모든 부분 집합은 선형 독립이다. 대우로, 선형 종속 집합을 포함하는 모든 상위 집합은 선형 종속이다.

행렬의 열 벡터와 선형 독립

행렬 A \in \mathbb{R}^{m \times n}의 열벡터들의 선형 독립 여부와 행렬의 성질 간에는 밀접한 관계가 있다.

수치적 선형 독립 판정

이론적으로 선형 독립은 명확히 정의되지만, 수치 계산에서는 부동 소수점 연산의 한계로 인해 “거의 선형 종속“인 경우와 “정확히 선형 종속“인 경우를 구분하기 어려운 상황이 발생한다.

특이값 분해(SVD)를 이용한 수치적 랭크 판정이 이 문제에 대한 표준적 접근법이다. 행렬 A의 특이값 \sigma_1 \geq \sigma_2 \geq \cdots \geq \sigma_{\min(m,n)} \geq 0 중에서 기계 정밀도(machine epsilon) \epsilon_{\text{mach}} 수준 이하의 특이값은 수치적으로 0으로 간주한다. 수치적 랭크(numerical rank)는 주어진 허용 오차 \tau 이상인 특이값의 개수로 정의된다.

\text{rank}_\tau(A) = \#\{i \mid \sigma_i > \tau\}

일반적으로 \tau = \max(m, n) \cdot \epsilon_{\text{mach}} \cdot \sigma_1을 허용 오차로 사용한다 (Golub & Van Loan, 2013).

4. 로봇공학에서의 응용

4.1 자코비안 행렬의 열 벡터 독립성

자코비안 행렬 J(\mathbf{q}) \in \mathbb{R}^{m \times n}의 열벡터는 각 관절이 말단 장치 속도에 기여하는 방향을 나타낸다. 열벡터들이 선형 독립이면 각 관절은 작업 공간에서 독립적인 속도 방향을 생성하며, \text{rank}(J) = \min(m, n)이 된다. 열벡터들 사이에 선형 종속 관계가 발생하면 랭크가 감소하며, 이는 특이점(singularity)에 해당한다.

특이점에서 로봇은 특정 방향으로의 말단 장치 속도를 생성할 수 없게 되며, 역기구학의 해가 존재하지 않거나 불안정해진다. 따라서 자코비안 열벡터의 선형 독립 여부를 실시간으로 감시하는 것은 로봇 제어의 안전성 확보에 필수적이다.

4.2 센서 데이터의 선형 독립성

다중 센서 시스템에서 각 센서가 제공하는 측정 벡터가 선형 독립이면, 센서 융합을 통해 시스템 상태를 완전히 추정할 수 있다. 반대로, 측정 벡터가 선형 종속이면 특정 상태 변수를 관측할 수 없는 비가관측(unobservable) 상태가 존재하게 된다. 관측 행렬(observability matrix)의 랭크 판정은 센서 배치 설계에서 핵심적 분석 도구이다.

4.3 형상 공간의 독립 방향

로봇의 형상 공간(configuration space)에서 독립적인 운동 방향의 수는 해당 공간에서의 접선 벡터(tangent vector)들의 선형 독립 관계로 결정된다. 구속 조건(constraint)이 존재하는 경우, 구속 자코비안(constraint Jacobian)의 영 공간에 속하는 선형 독립 벡터의 수가 허용 가능한 운동의 자유도를 나타낸다.

참고문헌

• Axler, S. (2024). Linear Algebra Done Right (4th ed.). Springer.
• Strang, G. (2023). Introduction to Linear Algebra (6th ed.). Wellesley-Cambridge Press.
• Golub, G. H., & Van Loan, C. F. (2013). Matrix Computations (4th ed.). Johns Hopkins University Press.
• Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2009). Robotics: Modelling, Planning and Control. Springer.

Version: 1.0