well-posed matrix and well-conditioned matrix
$A\textbf{x}=\textbf{b}$와 같은 linear system에서 system matrix $A$가 invertible하다면 해당 linear system(달리 말하면 연립방정식)이 well-posed라고 할 수 있다.
- 하지만, 해당 matrix가 "일부 item의 약간의 변화" 또는 "$\text{b}$에서의 약간의 변화" 등에 solution이 지나치게 큰 변화를 보이는 "민감성"을 가질 수 있다.
- 이같은 경우, linear system을 풀 때 적용한 수치해석적 방법의 한계 나 matrix를 만들 때 피할 수 없는 noise등 의 영향이 매우 커져 solution을 구할 수 없다.
참고로, 이같은 민감도를 정량적인 scalar로 나타내는 것이 condition number(조건수)라고 한다.
(실제로 condition number가 지나치게 큰 경우, ill-conditioned라고 부름)
well-conditioned 란 linear systme의 system matrix의 condition number가 작은 경우로, 민감도가 낮아 solution을 용이하게 구할 수 있는 경우를 가르킨다.
condition number를 통해 well-posed와 well-conditioned 를 쉽게 구분하면,
- condition number가 유한할 경우 : well-posed
- condition number가 작을 경우 : well-conditioned
라고 할 수 있다.
well posed 인 경우, 다음의 3가지 조건을 만족한다.
1. solution이 존재함.
2. solution이 유일하게 결정됨.
3. 데이타(matrix entity 혹은 $\textbf{b}$)가 연속적으로 변할 때, solution도 연속적으로 변하게 됨.
(noise로 인해 데이터가 변하면 solution도 영향을 받음)
ill-posed matrix ill-conditioned matrix
ill-posed 는 well-posed에 대비되는 개념으로 condtion number가 무한한 경우이다.
쉽게 생각하면
- 구해야하는 변수보다 주어진 식이 적은 경우로 free variable이 생겨서 무수히 많은 solution을 가질 수 있는 경우를 예로 들 수 있다.
- solution이 존재하지 않는 경우도 ill-posed이나, 많은 공학적 문제에선 여러 solution이 존재하는 경우가 더 많다.
ill-posed의 경우, regularization(정규화)등을 통해 수많은 해에서 가장 적절한 solution을 구하려고 노력하게 된다.
ill-posed의 경우, solution이 유일하게 존재하지 않기 때문에 주어진 matrix $A$만으로는 진짜 solution을 구하기가 매우 어렵다.
반면 ill conditioned 는 well-conditioned에 대비되는 개념이다.(즉, well-posed이면서도 ill-conditioned 일 수 있다.)
ill-conditioned의 경우 condition number가 매우 큰 경우에 해당하며, nearly singular 이라고도 불린다.
수치해석적으로 볼 때 stability가 낮은 경우라 할 수 있다. (작은 noise에도 매우 큰 오차가 발생.)
역시 간략히 요약하면 다음과 같다.
condition number를 통해 ill-posed와 ill-conditioned 를 쉽게 구분하면,
- condition number가 무한할 경우 : ill-posed
- condition number가 매우 클 경우 : ill-conditioned
condition number가 얼마나 커야 ill-conditioned이고
얼마나 작아야 well-conditioned인지는 각 문제(or task)에 따라 다르다.
참고로 identity matrix의 경우 conditin number는 1임.
참고
'... > Math' 카테고리의 다른 글
[Math] Sigmoid function (0) | 2022.12.28 |
---|---|
[LA] Pseudo Inverse Matrix (0) | 2022.12.02 |
[LA] 예제 : Eigen value, Eigen vector 구하기 (0) | 2022.12.01 |
[LA] Properties of Hermitian Matrix (0) | 2022.11.25 |
[LA] Orthogonal matrix (직교행렬) (0) | 2022.11.17 |