프로베니우스 노름 계산기

프로베니우스 노름 계산기

인기 AI Skill PRO

계산 입력

결과

프로베니우스 노름
16.8819

입력 행렬:

1,2,3|4,5,6|7,8,9

행렬 크기:

3 x 3

행렬:

1
2
3
4
5
6
7
8
9

공식

‖A‖F=∑i=1m∑j=1naij2A=행렬\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{행렬}
사용 통계

광고

이 페이지의 오류 신고

프로베니우스 노름 계산기

프로베니우스 노름은 행렬의 크기(magnitude)를 나타내는 행렬 노름입니다. 행렬의 모든 원소의 절댓값을 제곱해 더한 뒤 그 합의 제곱근을 취하여 구합니다. 이 계산기를 사용하면 어떤 행렬이든 프로베니우스 노름을 빠르고 정확하게 계산할 수 있습니다.

프로베니우스 노름이란?

프로베니우스 노름(유클리드 노름이라고도 합니다)은 행렬의 모든 원소를 제곱해 더한 값의 제곱근으로 정의되는 행렬 노름입니다. 원소가 \(a_{ij}\)인 행렬 \(A\)에 대해 프로베니우스 노름은 \(\lVert A \rVert_F\)로 표기합니다.

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$

이 노름은 벡터의 크기를 유클리드 노름으로 측정하는 것과 비슷하게, 행렬의 "크기"를 나타내는 척도를 제공합니다. 선형대수학, 행렬 해석, 수치 계산 등 다양한 분야에서 폭넓게 활용됩니다.

각 원소를 제곱하고 합산한 뒤 제곱근을 취해 프로베니우스 노름을 구하는 행렬 격자
프로베니우스 노름은 행렬의 각 원소를 제곱하고 모두 더한 뒤 제곱근을 취합니다.

프로베니우스 노름은 언제 사용하나요?

프로베니우스 노름은 다음과 같은 상황에서 특히 유용합니다.

  • 행렬 근사: 저계수 근사(low-rank approximation)나 압축 센싱처럼 한 행렬이 다른 행렬에 얼마나 가까운지 측정할 때 사용합니다.
  • 수치 해석: 반복법이나 수치 알고리즘에서 행렬 간의 오차나 차이를 평가할 때 활용합니다.
  • 신호 처리: 행렬 형태로 표현된 신호의 에너지 양을 분석할 때 쓰입니다.
하나의 긴 벡터로 펼쳐진 행렬, 그 유클리드 길이가 프로베니우스 노름과 같음
동일하게, 프로베니우스 노름은 행렬을 하나의 벡터로 펼쳤을 때의 유클리드 길이입니다.

예제

예제 1: 2×2 행렬

행렬 \(A = [1, 2; 3, 4]\)의 프로베니우스 노름을 계산해 봅시다.

행렬 계산 과정 결과
[1, 2;
3, 4]
\(\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}\) 5.4772

예제 2: 3×3 행렬

행렬 \(B = [2, 0, 1; -1, 3, 5; 4, 2, 1]\)의 프로베니우스 노름을 계산해 봅시다.

행렬 계산 과정 결과
[2, 0, 1;
-1, 3, 5;
4, 2, 1]
\(\sqrt{2^2 + 0^2 + 1^2 + (-1)^2 + 3^2 + 5^2 + 4^2 + 2^2 + 1^2} = \sqrt{4 + 0 + 1 + 1 + 9 + 25 + 16 + 4 + 1} = \sqrt{61}\) 7.8102

예제 3: 비정방 행렬

2×3 행렬 \(C = [5, 2, 1; 3, 4, 0]\)의 프로베니우스 노름을 계산해 봅시다.

행렬 계산 과정 결과
[5, 2, 1;
3, 4, 0]
\(\sqrt{5^2 + 2^2 + 1^2 + 3^2 + 4^2 + 0^2} = \sqrt{25 + 4 + 1 + 9 + 16 + 0} = \sqrt{55}\) 7.4162
광고

프로베니우스 노름을 단계별로 계산하는 방법

프로베니우스 노름(또는 힐베르트–슈미트 노름 또는 유클리드 행렬 노름)은 다음 계산기가 표시하는 공식으로 항목별로 정의됩니다:

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$
  1. 행렬을 작성하고 그 차원을 기록하십시오. \(A\)를 \(m\)개의 행과 \(n\)개의 열로 기록합니다. 따라서 총 \(m \times n\)개의 항목이 있습니다. 위의 입력 상자에서 행 내의 값은 쉼표로 구분되고 행은 |로 구분됩니다. 이중 합에서 한계 \(i = 1 \ldots m\) 및 \(j = 1 \ldots n\)은 정확히 이러한 차원입니다.
  2. 모든 항목을 제곱하십시오. 각 \(a_{ij}\)를 \(a_{ij}^{2}\)로 바꿉니다 — 이것은 이중 합 내부의 항입니다. 제곱은 부호를 제거하므로 \(-4\)와 \(+4\) 모두 \(16\)을 제공합니다; 노름은 절대 행렬의 부호 패턴에 의존하지 않습니다. 복소 행렬의 경우 올바른 항은 제곱된 절댓값 \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\)이며, 이는 실수이고 음이 아닙니다(예를 들어 \(|3 + 4i|^2 = 9 + 16 = 25\)).
  3. 모든 \(m \times n\)개의 제곱된 값을 더하십시오. 행별로 작업하십시오: 행 1의 제곱을 합산한 다음 행 2를 합산하고, 이런 식으로 계속한 다음 행 합계를 더하십시오. 그 누적은 이중 합 \(\sum_{i}\sum_{j} a_{ij}^{2}\)입니다.
  4. 음이 아닌 제곱근을 취하십시오. \(\sqrt{\;\cdot\;}\)를 합에 적용하십시오. 모든 항이 제곱이었으므로 합은 \(\ge 0\)이고 주 제곱근(음이 아닌)은 항상 정의됩니다; \(\lVert A \rVert_F \ge 0\)은 구성상 성립합니다.
  5. 원하는 정밀도로 반올림하십시오. 제곱근은 보통 무리수이므로 응용 프로그램이 필요로 하는 만큼 많은 소수 자릿수를 보고하십시오 — 노름이 추가 계산에 사용되면 중간 단계에서 전체 정밀도를 유지하십시오.

작업된 예제

\(2 \times 3\) 행렬을 고려하십시오

$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$

단계 2 및 3, 모든 항목을 대체하면:

$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$

단계 4 및 5:

$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$

따라서 프로베니우스 노름은 7.416198(소수점 여섯 자리로 반올림)입니다.

작업을 단순화하는 두 가지 속성

  • 순서는 중요하지 않습니다. 덧셈은 교환법칙과 결합법칙을 만족하므로 제곱된 항목은 어떤 순서로든 합산될 수 있습니다 — 행별로, 열별로 또는 모두 한 번에. \(\lVert A \rVert_F\)의 값은 어느 쪽이든 동일하며, 이것이 노름이 종종 행렬을 숫자의 단일 목록으로 "평탄화"하는 것으로 설명되는 이유입니다.
  • 전치는 아무것도 변경하지 않습니다. 전치는 \(a_{ij}\)를 \(a_{ji}\)와 바꾸지만 정확히 같은 항목 집합을 재사용하므로 \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\)입니다. 위의 예에서 \(3 \times 2\) 전치도 \(\sqrt{55}\)를 제공합니다.

빠른 검증: 노름은 가장 큰 절댓값 항목만큼 크거나 커야 합니다. 왜냐하면 그 항목의 제곱이 합의 항 중 하나이기 때문입니다. 예에서 \(\sqrt{55} \approx 7.42 \ge 5\)는 예상대로입니다.

광고

주요 용어 및 표기법

용어 기호 정의
행렬 \(A\) 행과 열로 배열된 숫자의 직사각형 배열입니다. 그 차원은 \(m \times n\)으로 작성되며, \(m\)개의 행과 \(n\)개의 열, 총 \(m \cdot n\)개의 항목을 의미합니다.
요소(항목) \(a_{ij}\) \(A\)의 행 \(i\)와 열 \(j\)에 위치한 단일 숫자입니다. 첫 번째 인덱스는 항상 행을 나타냅니다.
프로베니우스 노름 \(\lVert A \rVert_F\) 모든 항목의 제곱의 합의 제곱근, \(\sqrt{\sum_i \sum_j a_{ij}^2}\)입니다. 힐베르트–슈미트 노름 또는 (구 문헌에서) 유클리드 행렬 노름이라고도 불립니다.
유클리드 / 벡터 2-노름 \(\lVert x \rVert_2\) 벡터 \(x\)에 대해, \(\sqrt{\sum_k x_k^2}\) — 그 일반적인 길이입니다. \(A\)를 길이 \(mn\)의 단일 벡터 \(\mathrm{vec}(A)\)로 평탄화하면, \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\)입니다; 프로베니우스 노름은 펼쳐진 행렬의 벡터 2-노름입니다.
항목별 노름 — 개별 항목에서 직접 계산된 노름으로, 행렬을 숫자 목록으로 취급합니다. 프로베니우스 노름은 항목별 2-노름입니다.
유도(연산자) 노름 \(\lVert A \rVert_p\) \(A\)가 벡터를 얼마나 늘릴 수 있는지로 정의된 노름: \(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\)입니다. 유도 노름은 \(A\)를 데이터 배열이 아닌 사상으로 설명합니다; 프로베니우스 노름은 유도 노름이 아닙니다.
스펙트럼 노름 \(\lVert A \rVert_2\) 벡터 2-노름으로 유도된 노름으로, 가장 큰 특이값 \(\sigma_{\max}(A)\)와 같습니다. 표기법의 충돌에 주목: 행렬에 대한 \(\lVert A \rVert_2\)는 스펙트럼 노름을 의미하며, 항목별 2-노름이 아닙니다.
대각합 \(\operatorname{trace}(A)\) 정사각 행렬의 대각 항목의 합, \(\sum_i a_{ii}\)입니다. 이것은 항등식 \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\)을 제공합니다(복소 행렬의 경우 켤레 전치 \(A^{*}\)를 사용). \(A^{\mathsf{T}}A\)의 대각선이 제곱된 열 길이를 포함하기 때문입니다.
특이값 \(\sigma_i\) 특이값 분해 \(A = U\Sigma V^{\mathsf{T}}\)에서 \(\Sigma\)의 대각선 위의 음이 아닌 수입니다. 이들은 \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\)을 만족하므로, 프로베니우스 노름은 특이값 벡터의 2-노름입니다.
정사각형 vs 직사각형 \(m = n\) vs \(m \ne n\) 정사각 행렬은 행과 열의 개수가 같으며; 직사각형(비정사각형) 행렬은 그렇지 않습니다. 프로베니우스 노름은 \(m = n\)을 요구하는 행렬식이나 고유값과 달리 둘 다에 대해 정의됩니다.
직교/단위 불변성 \(Q^{\mathsf{T}}Q = I\) 직교 행렬 \(Q\)(실수) 또는 단위 행렬 \(U\)(복소수)는 길이와 각을 보존합니다. 프로베니우스 노름은 그러한 곱셈에서 불변입니다: 호환되는 크기의 직교 \(Q\)와 \(Z\)에 대해 \(\lVert QAZ \rVert_F = \lVert A \rVert_F\)입니다.
계수 \(\operatorname{rank}(A)\) \(A\)의 선형독립인 행(동등하게, 열)의 개수로, 0이 아닌 특이값의 개수와 같습니다.

프로베니우스 노름 결과 해석

반환된 숫자는 전체 행렬을 요약하는 단일 음이 아닌 크기입니다. 다음은 그 수량의 확립된 속성입니다.

범위 및 단위

  • \(\lVert A \rVert_F \ge 0\)은 항상 참이며, \(\lVert A \rVert_F = 0\)은 모든 항목이 0인 경우에만 — 즉, 영행렬의 경우에만 성립합니다.
  • 이것은 확률, 백분율 또는 1로 제한된 점수가 아닙니다. 상한이 없습니다: 항목이나 차원이 증가함에 따라 노름은 무한정 증가합니다.
  • 결과는 행렬 항목의 단위를 가집니다. 왜냐하면 제곱한 후 제곱근을 취하면 원래 스케일로 돌아가기 때문입니다. 항목이 미터인 경우, 노름은 미터 단위입니다. 한 행렬에서 다양한 물리적 단위의 항목을 혼합하면 산술이 계속 실행되더라도 노름이 물리적으로 무의미해집니다.
  • 노름은 최대 절댓값 항목보다 크거나 같으며, \(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\)이고, 최대 \(\sqrt{mn}\)배입니다.

변환에 대한 반응

  • 스케일링: 임의의 스칼라 \(c\)에 대해 \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\)입니다. 모든 항목을 두 배로 늘리면 노름도 두 배가 되며; 행렬을 음수화하면 변경되지 않습니다.
  • 전치: \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\)이며, 같은 항목이 합산되기 때문입니다.
  • 직교/단위 불변성: \(Q\)와 \(Z\)가 직교(또는 단위)일 때마다 \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\)입니다. 따라서 행 또는 열의 회전, 반사 및 순열은 값을 변경하지 않습니다.
  • 삼각 부등식 및 준승법성: 호환되는 \(A\)와 \(B\)에 대해 \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\)이고, \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\)입니다.

스펙트럼 노름과의 관계

\(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\)이고 \(\lVert A \rVert_2 = \sigma_{\max}\)이므로, 두 노름은 다음에 의해 결합됩니다

$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$

하한은 \(A\)의 계수가 1일 때(단일 0이 아닌 특이값), 상한은 모든 0이 아닌 특이값이 같을 때 달성됩니다. 예를 들어, \(n \times n\) 항등 행렬의 경우, \(\lVert I_n \rVert_2 = 1\)이고 \(\lVert I_n \rVert_F = \sqrt{n}\)입니다; \(n = 4\)일 때 프로베니우스 노름은 2입니다.

근사 오차로서

  • \(\lVert A - B \rVert_F\)는 한 행렬이 다른 행렬에서 얼마나 멀리 떨어져 있는지를 표준으로 측정합니다; 이것은 프로베니우스 내적 \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\)에 의해 유도된 거리이며, 이를 최소화하는 것은 정확히 모든 항목에 대한 최소제곱 피팅입니다.
  • 에카르트–영–미르스키 정리는 계수가 최대 \(k\)인 모든 행렬 \(B\) 중에서 절단된 특이값 분해 \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\)가 \(\lVert A - B \rVert_F\)를 최소화하며, 최솟값은 \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\)임을 명시합니다. (동일한 절단은 스펙트럼 노름에서도 최적이며, 오차는 \(\sigma_{k+1}\)입니다.)

절대 대 상대 크기

큰 값이 그 자체로 큰 항목을 나타내지는 않습니다 — \(mn\)개의 항목 모두가 기여하기 때문에 단순히 큰 행렬을 반영할 수 있습니다. 각각 0.1과 같은 10,000개의 항목을 가진 행렬은 모든 항목이 작음에도 불구하고 \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\)입니다. 그 이유로 상대 오차

$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$

는 근사 \(B\)를 참조 \(A\)와 비교할 때 일반적으로 의미 있는 수량입니다; 이것은 차원이 없으며 \(A\)의 전체 스케일과 무관합니다. \(A\)가 영행렬일 때는 정의되지 않습니다.

최종 업데이트:

수학 및 통계 인기 계산기

수학 및 통계 계산기 전체 보기