- 세상의 모든 계산기 수학, 과학, 공학 이야기 수학 ()
norm, 노름? (feat. ChatGTP-4o)
-
- 2024.07.19 - 17:46 2024.07.08 - 16:56 1103 1
수학에서 '노름'이라는 개념은 벡터, 행렬, 함수 등의 크기 또는 '강도'를 측정하는 데 사용되는 중요한 도구입니다. 다양한 노름의 정의와 특성은 다르지만, 공통적으로 몇 가지 핵심 특징을 가지고 있습니다.
### 노름의 공통 특징
1. **크기 측정**: 노름은 벡터, 행렬, 함수 등의 크기를 나타내는 비음수 값으로 정의됩니다.
2. **양의 성질**: 노름은 항상 0 이상의 값을 가지며, 해당 객체가 0인 경우에만 노름 값이 0이 됩니다.
3. **삼각 부등식**: 노름은 삼각 부등식 성질을 만족합니다. 즉, 임의의 두 벡터 \( u \)와 \( v \)에 대해 \( ||u + v|| \leq ||u|| + ||v|| \)가 성립합니다.
4. **스칼라 곱 규칙**: 노름은 스칼라 곱에 대해 \( ||\alpha u|| = |\alpha| ||u|| \)의 성질을 가집니다. 여기서 \( \alpha \)는 임의의 스칼라 값입니다.
### 다양한 종류의 노름
1. **벡터 노름 (Vector Norm)**:
- **유클리드 노름 (Euclidean Norm)**: 벡터의 각 성분 제곱의 합의 제곱근으로 계산됩니다. (L2)
- **맨하탄 노름 (Manhattan Norm)**: 벡터의 각 성분 절댓값의 합으로 계산됩니다. (L1)
- **p-노름 (p-Norm)**: 벡터의 각 성분 \( p \)제곱의 합의 \( 1/p \)제곱으로 계산됩니다. (Lp)
- **∞-노름 (L-infinity-Norm, 최대값 노름)**: 2차원에서 이는 정사각형 형태로 표현됩니다. 단위원은 각 변의 길이가 2인 정사각형입니다. (L∞)
- **0-노름 (0-Norm)**: 0이 아닌 원소의 개수. 따라서 연속적인 형태로 나타내기 힘듭니다.(L0)
2. **행렬 노름 (Matrix Norm)**:
- **프로베니우스 노름 (Frobenius Norm)**: 행렬의 각 성분 제곱의 합의 제곱근으로 계산됩니다.
- **연산자 노름 (Operator Norm)**: 행렬을 벡터로 변환했을 때의 벡터 노름으로 계산됩니다.
- **유도 노름 (Induced Norm)**: 다른 행렬 노름을 이용하여 정의됩니다.
3. **함수 공간 노름 (Function Space Norm)**:
- **L1 노름**: 함수의 각 지점에서의 절대값의 합으로 계산됩니다.
- **L2 노름**: 함수 제곱의 적분값의 제곱근으로 계산됩니다.
- **최대 노름 (Sup Norm)**: 함수의 최대 절대값으로 계산됩니다.
### 노름의 활용
- **벡터 공간의 구조**: 노름은 벡터 공간의 완비성, 연속성 등을 판단하는 데 사용됩니다.
- **오차 분석**: 수치 계산 과정에서 발생하는 오차를 분석하는 데 사용됩니다.
- **최적화 문제**: 최적화 문제를 풀 때 해의 후보들을 비교하고 선택하는 데 사용됩니다.
- **기계 학습**: 머신 러닝 알고리즘에서 모델의 복잡도를 제어하거나 특징들을 선택하는 데 사용됩니다.
### 통합적인 이해
'노름'은 벡터, 행렬, 함수 등의 크기 또는 '강도'를 측정하고 비교하는 데 사용되는 중요한 수학적 도구입니다. 각 노름의 정의와 특성은 다르므로, 맥락에 맞게 적절한 노름을 선택하고 활용하는 것이 중요합니다. 노름에 대한 깊은 이해는 벡터 공간, 함수 분석, 수치 해석, 기계 학습 등 다양한 수학 분야 및 응용 분야에서 유용합니다.
'노름(norm)'의 어원은 라틴어 "norma"에서 유래했습니다. "norma"는 원래 목수들이 사용하는 직각자를 의미하며, 어떤 것이 올바른지, 규범적인지 판단하는 기준을 뜻했습니다. 이 단어는 이후 프랑스어 "norme"를 거쳐 영어 "norm"으로 변형되었습니다.
수학에서 '노름'이라는 용어는 이러한 어원적 의미를 반영하여, 벡터, 행렬, 함수 등의 크기나 '표준'을 측정하는 기준 또는 척도를 나타내는 데 사용됩니다. 노름은 주어진 수학적 객체의 길이, 크기 또는 강도를 측정하여, 이를 통해 다양한 수학적 분석과 계산을 가능하게 합니다.
-
25
댓글1
-
세상의모든계산기2024.07.19 - 17:46 #44551
그래프로 알아본 벡터 노름
import numpy as np import matplotlib.pyplot as plt def unit_circle(p, num_points=1000): t = np.linspace(0, 2*np.pi, num_points) x = np.sign(np.cos(t)) * np.abs(np.cos(t))**(2/p) y = np.sign(np.sin(t)) * np.abs(np.sin(t))**(2/p) return x, y plt.figure(figsize=(10, 10)) # L1 Norm (Manhattan) x1, y1 = unit_circle(1) plt.plot(x1, y1, label='L1 Norm') # L2 Norm (Euclidean) x2, y2 = unit_circle(2) plt.plot(x2, y2, label='L2 Norm') # L4 Norm x4, y4 = unit_circle(4) plt.plot(x4, y4, label='L4 Norm') # L∞ Norm (Maximum) xinf, yinf = unit_circle(np.inf) plt.plot(xinf, yinf, label='L∞ Norm') plt.xlim(-1.1, 1.1) plt.ylim(-1.1, 1.1) plt.axhline(y=0, color='k', linestyle='--') plt.axvline(x=0, color='k', linestyle='--') plt.title('Unit Circles for Different Norms') plt.legend() plt.grid(True) plt.axis('equal') plt.show()
세상의모든계산기 님의 최근 댓글
- claude AI는 l-c*r^2 을 1-c*r^2 으로 잘못 읽고 표시하고 있습니다. - TI-nspire CAS 계산기에 l-c*r^2 ≥0 을 조건에 추가해 계산해 보아도 결과는 바뀌지 않습니다. 2026 07.20 ⚠️ 경고가 바로 두 번째 방법이 "성공"한 이유와 정확히 연결되어 있습니다. 경고의 의미 "Domain of the result might be larger than the domain of the input"는 CAS가 절댓값(모듈러스)을 계산하는 과정에서 원래 식보다 정의역이 더 넓은 형태로 단순화했다는 뜻입니다. 구체적으로 이 계산은 내부적으로 대략 이런 과정을 거칩니다. $$\left|\frac{er}{e\cdot r}\right| = \sqrt{\left(\frac{er}{e\cdot r}\right)\cdot\overline{\left(\frac{er}{e\cdot r}\right)}}$$ 즉 원래 식(복소수)과 그 켤레복소수를 곱해서 실수부·허수부 제곱합을 만들고, 거기에 다시 제곱근을 씌우는 과정입니다. 이 과정에서 √(x²) → x 또는 √a·√b → √(ab) 같은 규칙들이 쓰이는데, 이런 규칙들은 x가 실수이고 0 이상일 때만 엄밀하게 성립합니다. CAS는 이 조건들을 일일이 다 추적하지 않고 넘어가면서, 원래는 (e≠0, r+l·ω·i ≠ 0 등) 복소수 특유의 좁은 정의역을 가진 식을, r, l, ω가 어떤 실수여도(부호 무관하게) 정의되는 1/√(r²+l²·ω²)라는 더 넓은 정의역의 식으로 바꿔버린 것입니다. CAS는 이 손실을 감지하고 경고를 띄운 것입니다. 이게 왜 조건 대입 성공과 연결되는가 정리하면, 이 경고는 사실상 이런 뜻입니다. "나는 이 결과를 만들면서 원래 식이 가지고 있던 정의역 제약 정보(부호 조건, i 관련 조건 등)를 이미 버렸다." 바로 이 "정의역 정보를 버린" 상태가 이후 con_1 대입을 매끄럽게 만드는 원인입니다. 첫 번째 시도에서는 i가 살아있는 원래 식에 조건을 대입했기 때문에, CAS가 √(1-c·r²)이 실수인지(정의역 조건: 1-c·r² ≥ 0) 계속 추적하려고 했고, 그 정보가 con에 없어서 더 이상 정리를 못 하고 멈췄습니다. 두 번째 시도에서는 절댓값 계산 단계에서 이미 그런 세밀한 정의역 추적을 CAS 스스로 포기(단순화)했기 때문에, 이후 ω에 무리식을 대입해도 "이게 실수가 맞나?" 하는 검증 절차 없이 그냥 대수적으로 치환·정리해 버립니다. 그래서 깔끔하게 √c/√l이 나온 겁니다. 한 줄 요약 절댓값 계산 시 뜬 "정의역이 넓어졌을 수 있다"는 경고는, CAS가 그 순간에 원래 식의 엄밀한 조건(정의역)을 놓쳤다는 신호이고, 바로 그 "조건을 놓친 상태"이기 때문에 뒤에 이어지는 조건식 대입이 막힘없이 진행된 것입니다. 다만 그 대가로, 결과인 1/√(r²+l²·ω²)이나 최종 √c/√l이 원래 회로 조건(i≠0이 되는 경계, 분모가 0이 되는 경우 등)에서는 엄밀히 성립하지 않을 수 있다는 점은 감안하셔야 합니다. 실제 물리적으로는 r, l, c > 0이고 결과도 물리적으로 타당한 형태라 문제없어 보이지만, 수학적 엄밀성 측면에서는 "정의역이 넓어진 근사적 결과"라는 꼬리표가 붙어있는 셈입니다. 2026 07.20 Claude AI 답변 TI-Nspire CAS의 | (such that / 조건대입) 연산자는 대입 시점의 수식 형태를 그대로 두고 기호만 치환하는 연산입니다. 대입 후에 처음부터 다시 "실수부/허수부 분리, 유리화" 같은 재간소화를 자동으로 수행하지 않습니다. 이 차이가 지금 보신 결과 차이의 핵심입니다. 첫 번째 경우 (|er/(e·r)| | con_1 and con → 실패) 이 시점의 식은 아직 r + l·ω·i 형태의 복소수 그대로입니다 (i가 살아있음). 여기에 con_1: ω = √(1-c·r²)/(√c·l)을 대입하면, 분모 안에 i · √(1-c·r²) 라는 항이 새로 생깁니다. 문제는 CAS가 √(1-c·r²)이 실수인지(즉 1-c·r² ≥ 0인지) 판단할 근거가 없다는 겁니다. 저장해 두신 con 조건은 c>0, l>0, r>0뿐이고, 1-c·r²≥0이라는 조건은 포함되어 있지 않습니다. 그래서 CAS는 i와 이 무리식을 더 정리(유리화, 실수부·허수부 재결합)하지 못하고 있는 그대로 남겨둡니다. 결과에 여전히 i가 보이는 이유입니다. 두 번째 경우 (결과값 1/√(r²+l²·ω²)에 대입 → 성공) |er/(e·r)| (절댓값/모듈러스) 연산은 그 자체로 이미 "복소수 → 실수" 변환을 완료한 결과입니다. 즉 1/√(r²+l²·ω²)에는 더 이상 i가 없고, 순수하게 r, l, ω로만 이루어진 실수식입니다. 이 식에 ω = con_1을 대입하는 것은 그냥 실수 대수식에 실수 대입하는 것이므로, i와 무리식이 뒤엉키는 문제 자체가 발생하지 않습니다. 그래서 바로 깔끔하게 √c/√l로 정리됩니다. 정리하면 절댓값(모듈러스) 계산은 "이 값들이 실수다"라는 가정을 이미 내부적으로 써서 i를 제거하는 연산입니다. 그 연산을 조건 대입 이전에 해두면, 이후 대입은 단순 실수 대입이라 문제없이 정리됩니다. 반대로 i가 남아있는 식에 무리식을 포함한 조건을 먼저 대입하면, 그 무리식의 실수성/부호에 대한 가정이 없어서 CAS가 i를 소거하는 재간소화를 못 하고 멈춰버립니다. 실용적 팁: 복소식에 조건을 대입해야 할 때는 가능하면 절댓값·실수화(유리화) 등을 먼저 끝내서 i를 없앤 뒤 조건을 대입하거나, 대입 후 결과에 다시 simplify/expand/combine 같은 명령을 한 번 더 걸어주면 (필요한 도메인 조건과 함께) 정리가 되는 경우가 많습니다. 2026 07.19 저도 어림잡아 추측할 뿐이지 정확한 이유를 알지는 못합니다. 질문하신 사진을 그대로 (Gemini 3.5 Flash / ChatGPT / Claude Sonnet 5) AI에 넣어 보니 claude AI 가 제일 합리적인 답변을 주어서 이를 붙여 넣습니다. 2026 07.19 아 그렇네요. 감사합니다. ^^ 2026 04.28