함께 배우는 수업 · 수학

고유값과 고유벡터(Eigenvalues)

선형 변환 후에도 방향이 변하지 않고 크기만 스케일링되는 불변 축인 고유벡터와 고유값! 특성다항식, 대각화, 대칭행렬의 스펙트럼 정리까지 완벽히 정복합니다.

이 수업에서 해 볼 일

  • 고유벡터의 정의를 행렬 곱으로 확인한다

먼저 알면 좋은 것: 행렬식(Determinant)과 가역행렬 · 선형 변환과 영공간(Null Space) · 다항방정식의 인수분해

오늘의 목표

가입 없이 시작할 수 있어요. 설명을 읽고, 함께 연습한 뒤, 처음 보는 문제에서 직접 확인합니다.

판단 과정과 비교 사례

고유벡터는 A를 곱해도 방향이 유지되고 길이·방향 배수 λ만 달라지는 0 아닌 벡터다. Av=λv에서 λ는 스칼라로 벡터 자체와 구별한다.삼각행렬의 고유값은 대각성분에서 찾을 수 있다. 비대각 원소를 고유값으로 바로 읽지 말고 det(A−λI)=0과 연결해 확인한다.대각화에는 충분한 수의 선형독립 고유벡터가 필요하다. 서로 다른 고유값은 충분조건이지만 항등행렬처럼 고유값이 하나여도 대각화 가능한 경우가 있다.

1. 개념 정의와 직관적 원리: 선형 변환의 회전하지 않는 불변 축 (Av = λv)

일반적으로 정사각행렬 A∈Rn×nA \in \mathbb{R}^{n \times n}를 벡터 x\mathbf{x}에 곱하면(AxA\mathbf{x}), 벡터의 크기뿐만 아니라 방향까지 복잡하게 휘어지고 회전합니다. 그러나 공간 안에는 행렬 AA에 의해 변환되어도 원래 직선 방향에서 전혀 벗어나지 않고 오직 길이만 λ\lambda배로 늘어나거나 줄어드는(또는 반대 방향이 되는) 아주 특별한 벡터들이 존재합니다! 영벡터가 아닌 벡터 v≠0\mathbf{v} \neq \mathbf{0}가 어떤 스칼라 λ\lambda에 대하여 다음 방정식을 만족할 때:
Av=λvA\mathbf{v} = \lambda \mathbf{v}
이때 스칼라 λ\lambda를 행렬 AA의 고유값(Eigenvalue, 특성값)이라 하고, 영벡터가 아닌 벡터 v\mathbf{v}를 고유값 λ\lambda에 대응하는 고유벡터(Eigenvector)라고 부릅니다. - 기하학적 의미: 고유벡터 v\mathbf{v}는 선형 변환 AA의 고유한 작용 축(Principal Axis)이고, 고유값 λ\lambda는 그 축 방향으로의 확대·축소 배율(Scaling Factor)입니다. - 중요 규칙: 정의상 영벡터(0\mathbf{0})는 절대 고유벡터가 될 수 없습니다! (A0=λ0A\mathbf{0} = \lambda\mathbf{0}은 모든 λ\lambda에 대해 자명하게 성립하므로 무의미하기 때문입니다. 반면 고유값 λ=0\lambda = 0은 얼마든지 가능하며, 이는 행렬 AA가 비가역행렬임을 뜻합니다.)🎯 고유치 방정식 변형의 핵심: 우변의 스칼라 곱 λv 에는 행렬 A를 바로 뺄 수 없으므로, 반드시 항등행렬 I를 끼워 넣어 '(A - λI)v = 0' 형태로 묶어야 행렬 연산이 성립합니다!

2. 핵심 공식 유도 및 성질: 특성방정식 det(A - λI) = 0 과 대각화

1) 특성방정식(Characteristic Equation)의 유도: Av=λvA\mathbf{v} = \lambda\mathbf{v}를 이항하여 항등행렬 II를 이용해 묶으면 동차 선형 연립방정식이 됩니다:
(A−λI)v=0(A - \lambda I)\mathbf{v} = \mathbf{0}
이 방정식이 영벡터가 아닌 해(비자명해 v≠0\mathbf{v} \neq \mathbf{0}, 즉 고유벡터)를 가지려면, 계수행렬 (A−λI)(A - \lambda I)가 역행렬을 갖지 않아야 하므로 행렬식이 00이어야 합니다:
det⁡(A−λI)=0\det(A - \lambda I) = 0
이를 AA의 특성방정식이라 하며, 특히 2×22 \times 2 행렬 A=(abcd)A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}의 특성방정식은 대각합(tr(A)=a+d\text{tr}(A) = a + d)과 행렬식(det⁡(A)=ad−bc\det(A) = ad - bc)으로 즉시 세울 수 있습니다:
λ2−tr(A)λ+det⁡(A)=0\lambda^2 - \text{tr}(A)\lambda + \det(A) = 0
2) 고유값과 대각합(Trace)·행렬식(Determinant)의 황금 항등식: n×nn \times n 행렬 AA의 nn개의 고유값을 λ1,λ2,…,λn\lambda_1, \lambda_2, \dots, \lambda_n (중근 포함)이라 하면 항상 다음이 성립합니다:
∑i=1nλi=λ1+⋯+λn=tr(A)(고유값의 총합=주대각성분의 합)\sum_{i=1}^{n} \lambda_i = \lambda_1 + \cdots + \lambda_n = \text{tr}(A) \quad (\text{고유값의 총합} = \text{주대각성분의 합})
∏i=1nλi=λ1λ2⋯λn=det⁡(A)(고유값의 총곱=행렬식)\prod_{i=1}^{n} \lambda_i = \lambda_1 \lambda_2 \cdots \lambda_n = \det(A) \quad (\text{고유값의 총곱} = \text{행렬식})

예제로 살펴보기

2×2 행렬 A = [[4, 1], [2, 3]] 의 고유값 λ₁, λ₂ 와 각 고유값에 대응하는 고유벡터를 구하시오.
  1. 1) [특성방정식 세우기]: tr(A) = 4 + 3 = 7 이고, det(A) = (4)(3) - (1)(2) = 10 입니다. 따라서 특성방정식은 λ² - 7λ + 10 = (λ - 5)(λ - 2) = 0 이므로 고유값은 λ₁ = 5, λ₂ = 2 입니다. 2) [λ₁ = 5 에 대한 고유벡터]: (A - 5I)v = [[-1, 1], [2, -2]][x, y]^T = [0, 0]^T 에서 -x + y = 0 → y = x 이므로 고유벡터는 v₁ = (1, 1)^T (및 그 0 아닌 상수배)입니다. 3) [λ₂ = 2 에 대한 고유벡터]: (A - 2I)v = [[2, 1], [2, 1]][x, y]^T = [0, 0]^T 에서 2x + y = 0 → y = -2x 이므로 고유벡터는 v₂ = (1, -2)^T 입니다.
확인: 고유벡터 v (v ≠ 0)는 선형 변환 A에 의해 방향이 유지되고 크기만 λ배(Av = λv)가 되는 불변 방향 벡터이다.

3. 심화 응용 및 실전 빈출 함정 분석: 행렬의 대각화(P⁻¹AP = D)와 중복도 조건

1) 행렬의 대각화(Diagonalization)와 거듭제곱 AkA^k 계산: n×nn \times n 행렬 AA가 nn개의 선형 독립인 고유벡터 v1,…,vn\mathbf{v}_1, \dots, \mathbf{v}_n을 가질 때, 이 고유벡터들을 열벡터로 나란히 세운 가역행렬 P=(v1⋯vn)P = \begin{pmatrix} \mathbf{v}_1 & \cdots & \mathbf{v}_n \end{pmatrix}와 고유값들을 대각성분에 놓은 대각행렬 D=diag(λ1,…,λn)D = \text{diag}(\lambda_1, \dots, \lambda_n)에 대하여 다음 대각화 공식이 성립합니다:
A=PDP−1⟺P−1AP=D⟹Ak=PDkP−1=P(λ1k0⋱0λnk)P−1A = P D P^{-1} \quad \Longleftrightarrow \quad P^{-1} A P = D \quad \Longrightarrow \quad A^k = P D^k P^{-1} = P \begin{pmatrix} \lambda_1^k & & 0 \\ & \ddots & \\ 0 & & \lambda_n^k \end{pmatrix} P^{-1}
2) 거듭제곱·역행렬·다항식 변환 시 고유값의 변화 (빈출 공식): Av=λvA\mathbf{v} = \lambda\mathbf{v}이면 고유벡터 v\mathbf{v}는 그대로 유지된 채 고유값만 바뀝니다: - AkA^k의 고유값   ⟹  λk\implies \lambda^k - A−1A^{-1}의 고유값   ⟹  λ−1=1λ\implies \lambda^{-1} = \frac{1}{\lambda} - A+cIA + cI의 고유값   ⟹  λ+c\implies \lambda + c 3) 실전 빈출 함정 — 대각화 가능 조건(대수적 중복도 vs 기하적 중복도): - 서로 다른 nn개의 고유값을 가지면 무조건 대각화 가능합니다. - 중근 고유값이 있더라도 특성방정식에서의 중근 횟수인 대수적 중복도(Algebraic Multiplicity)와 고유공간 Null(A−λI)\text{Null}(A - \lambda I)의 차원인 기하적 중복도(Geometric Multiplicity)가 모든 고유값에서 일치하면 대각화 가능합니다. (예: (2102)\begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}는 λ=2\lambda = 2가 2중근이지만 독립인 고유벡터가 1개뿐이어서 대각화 불가능합니다!) - 반면 실대칭행렬(AT=AA^T = A)은 모든 고유값이 실수이고 언제나 직교 대각화(A=QDQTA = Q D Q^T)가 보장됩니다(스펙트럼 정리).✏️ 객관식 초고속 풀이 팁: 3×3 이상의 행렬에서 고유값들의 합이나 곱만 묻는 문제라면 det(A - λI) = 0 을 힘들게 전개할 필요 없이, 대각성분만 더한 'tr(A) = Σλ_i' 와 행렬식 'det(A) = Πλ_i' 성질로 5초 만에 해결하세요!

참고 근거와 확인 범위

설명·예제·문제 구성 및 오류 수정 책임: 프리런. 위 자료는 표시한 주제를 확인하거나 더 읽기 위한 근거이며, 외부 기관의 공식 수업이나 감수본을 뜻하지 않습니다.

참고 자료 연결 점검: 2026-11-02. 제작 방식·검수 범위와 수정 기록에서 확인 범위를 볼 수 있습니다. 오류는 상단의 의견 보내기 또는 contact@freelearn.io로 알려 주세요.

이 단원의 개념서 읽기 →