3 Inseok Kong Schedule

보이는 선형대수학 12: 그람-슈미트, QR 분해, 촐레스키 분해

정사영을 빼서 직교 기저를 만드는 그람-슈미트 과정, 그 기록인 QR 분해, 그리고 양의 정부호 대칭 행렬을 삼각 행렬의 제곱으로 쓰는 촐레스키 분해를 정리한다.

그람-슈미트 과정

▶ 9-1강

왜 직교 기저가 좋은가

평면을 span하는 기저는 무수히 많다. 그중 서로 수직이고 길이가 1인 기저, 즉 정규직교 기저(orthonormal basis)는 특별히 다루기 쉽다. 벡터 \(\mathbf{x}\)를 정규직교 기저 \(\mathbf{q}_1, \dots, \mathbf{q}_n\)으로 표현할 때 계수를 구하려면 연립방정식을 풀 필요가 없다. 각 기저와 내적만 하면 된다.

\[\mathbf{x} = (\mathbf{q}_1^T\mathbf{x})\,\mathbf{q}_1 + \cdots + (\mathbf{q}_n^T\mathbf{x})\,\mathbf{q}_n\]

직교하지 않는 기저에서는 한 방향의 성분을 바꾸면 다른 방향의 계수까지 바뀌지만, 직교 기저에서는 각 방향이 서로 간섭하지 않는다. 그래서 주어진 기저를 같은 공간을 span하는 정규직교 기저로 바꾸는 방법이 필요하고, 그것이 그람-슈미트 과정(Gram-Schmidt process)이다.

아이디어: 이미 있는 방향의 성분을 뺀다

선형 독립인 \(\mathbf{a}_1, \mathbf{a}_2, \mathbf{a}_3\)가 있다. 하나씩 처리한다.

  1. \(\mathbf{a}_1\)은 그대로 방향으로 쓰고 길이만 1로 맞춘다: \(\mathbf{q}_1 = \mathbf{a}_1 / \lVert\mathbf{a}_1\rVert\).
  2. \(\mathbf{a}_2\)에는 \(\mathbf{q}_1\) 방향 성분이 섞여 있다. 그 성분, 즉 \(\mathbf{q}_1\) 위로의 정사영(projection) \((\mathbf{q}_1^T\mathbf{a}_2)\mathbf{q}_1\)을 빼면 \(\mathbf{q}_1\)에 수직인 부분만 남는다.

    \[\mathbf{v}_2 = \mathbf{a}_2 - (\mathbf{q}_1^T\mathbf{a}_2)\,\mathbf{q}_1, \qquad \mathbf{q}_2 = \mathbf{v}_2 / \lVert\mathbf{v}_2\rVert\]
  3. \(\mathbf{a}_3\)에서는 \(\mathbf{q}_1\), \(\mathbf{q}_2\) 방향 성분을 모두 뺀다. \(\mathbf{q}_1\), \(\mathbf{q}_2\)가 서로 수직이므로, \(\mathbf{q}_1\), \(\mathbf{q}_2\)가 만드는 평면 위로의 정사영은 두 직선 위 정사영의 합이다.

    \[\mathbf{v}_3 = \mathbf{a}_3 - (\mathbf{q}_1^T\mathbf{a}_3)\,\mathbf{q}_1 - (\mathbf{q}_2^T\mathbf{a}_3)\,\mathbf{q}_2, \qquad \mathbf{q}_3 = \mathbf{v}_3 / \lVert\mathbf{v}_3\rVert\]

일반적으로 \(\mathbf{v}_k = \mathbf{a}_k - \sum_{i<k}(\mathbf{q}_i^T\mathbf{a}_k)\mathbf{q}_i\)이다. 빼는 것은 모두 앞선 벡터들의 선형 결합이므로 span은 변하지 않는다. 각 단계에서 \(\operatorname{Span}\{\mathbf{q}_1, \dots, \mathbf{q}_k\} = \operatorname{Span}\{\mathbf{a}_1, \dots, \mathbf{a}_k\}\)이다. 정사영 자체는 보이는 선형대수학 2의 내적과 정사영에서 다루었다.

\(\mathbf{a}_k\)가 앞선 벡터들의 span 안에 있으면(선형 종속이면) 정사영이 \(\mathbf{a}_k\) 전체이므로 \(\mathbf{v}_k = \mathbf{0}\)이 되고 정규화할 수 없다. 그래서 그람-슈미트는 선형 독립인 입력을 전제로 한다.

계산 예

\[\mathbf{a}_1 = \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix}, \quad \mathbf{a}_2 = \begin{bmatrix} 1 \\ 0 \\ 1 \end{bmatrix}, \quad \mathbf{a}_3 = \begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix}\]

1단계. \(\lVert\mathbf{a}_1\rVert = \sqrt{2}\)이므로 \(\mathbf{q}_1 = \frac{1}{\sqrt{2}}(1, 1, 0)\).

2단계. \(\mathbf{q}_1^T\mathbf{a}_2 = \frac{1}{\sqrt{2}}\)이므로 정사영은 \(\frac{1}{\sqrt{2}}\mathbf{q}_1 = (\frac{1}{2}, \frac{1}{2}, 0)\)이다.

\[\mathbf{v}_2 = (1, 0, 1) - (\tfrac{1}{2}, \tfrac{1}{2}, 0) = (\tfrac{1}{2}, -\tfrac{1}{2}, 1), \qquad \lVert\mathbf{v}_2\rVert = \sqrt{\tfrac{1}{4} + \tfrac{1}{4} + 1} = \sqrt{\tfrac{3}{2}}\]

이므로 \(\mathbf{q}_2 = \frac{1}{\sqrt{6}}(1, -1, 2)\). 확인: \(\mathbf{q}_1^T\mathbf{q}_2 \propto 1 - 1 + 0 = 0\).

3단계. \(\mathbf{q}_1^T\mathbf{a}_3 = \frac{1}{\sqrt{2}}\), \(\mathbf{q}_2^T\mathbf{a}_3 = \frac{-1 + 2}{\sqrt{6}} = \frac{1}{\sqrt{6}}\)이다.

\[\mathbf{v}_3 = (0, 1, 1) - (\tfrac{1}{2}, \tfrac{1}{2}, 0) - \tfrac{1}{6}(1, -1, 2) = (-\tfrac{2}{3}, \tfrac{2}{3}, \tfrac{2}{3}), \qquad \lVert\mathbf{v}_3\rVert = \tfrac{2}{\sqrt{3}}\]

이므로 \(\mathbf{q}_3 = \frac{1}{\sqrt{3}}(-1, 1, 1)\). 확인: \(\mathbf{q}_1^T\mathbf{q}_3 \propto -1 + 1 + 0 = 0\), \(\mathbf{q}_2^T\mathbf{q}_3 \propto -1 - 1 + 2 = 0\).

Gram-Schmidt steps 2 and 3 for a1 = (1,1,0), a2 = (1,0,1), a3 = (0,1,1) 위 계산 예의 2단계와 3단계. 색칠한 평면은 \(\operatorname{Span}\{\mathbf{a}_1, \mathbf{a}_2\} = \operatorname{Span}\{\mathbf{q}_1, \mathbf{q}_2\}\)이다. 초록 화살표가 빼는 정사영, 점선이 남은 수직 성분이다.

왼쪽에서 \(\mathbf{a}_2\)(빨강)를 \(\mathbf{a}_1\)(파랑) 방향으로 정사영하면 초록 화살표가 된다. 그 끝에서 \(\mathbf{a}_2\)까지의 점선을 원점으로 옮긴 것이 \(\mathbf{v}_2\)(보라)이고, \(\mathbf{a}_1\)에 수직이면서 같은 평면 안에 있다. 오른쪽에서는 \(\mathbf{a}_3\)를 평면 위로 정사영한 초록 화살표 \((\frac{2}{3}, \frac{1}{3}, \frac{1}{3})\)을 빼서 평면에 수직인 \(\mathbf{v}_3\)만 남긴다. 단계마다 하는 일은 같다. 이미 만든 방향들이 span하는 공간에 정사영하고 그 나머지를 취한다. 4차원 예와 2차원 그림은 Linear Algebra 6에 있다.

흔한 실수

  • 정사영 계수를 원래 벡터 \(\mathbf{a}_i\)로 계산하는 것. 빼야 하는 것은 이미 직교화된 \(\mathbf{q}_i\) 방향 성분이다. \(\mathbf{a}_1\), \(\mathbf{a}_2\)는 서로 수직이 아니므로 두 정사영을 더해도 평면 위 정사영이 되지 않는다.
  • 정규화를 하지 않고 \((\mathbf{q}_i^T\mathbf{a}_k)\mathbf{q}_i\) 공식을 쓰는 것. 정규화하지 않은 \(\mathbf{v}_i\)를 쓰려면 \(\frac{\mathbf{v}_i^T\mathbf{a}_k}{\mathbf{v}_i^T\mathbf{v}_i}\mathbf{v}_i\)로 나누어 주어야 한다.
  • 순서가 상관없다고 생각하는 것. 처리 순서를 바꾸면 다른 정규직교 기저가 나온다. 둘 다 같은 공간의 정규직교 기저이지만 같은 벡터는 아니다.

QR 분해

▶ 9-2강

그람-슈미트를 행렬로 기록하기

LU 분해가 가우스 소거의 기록이었듯, QR 분해(QR decomposition)는 그람-슈미트의 기록이다. 그람-슈미트의 식을 \(\mathbf{a}_k\)에 대해 다시 쓰면

\[\begin{aligned} \mathbf{a}_1 &= \lVert\mathbf{v}_1\rVert\,\mathbf{q}_1, \\ \mathbf{a}_2 &= (\mathbf{q}_1^T\mathbf{a}_2)\,\mathbf{q}_1 + \lVert\mathbf{v}_2\rVert\,\mathbf{q}_2, \\ \mathbf{a}_3 &= (\mathbf{q}_1^T\mathbf{a}_3)\,\mathbf{q}_1 + (\mathbf{q}_2^T\mathbf{a}_3)\,\mathbf{q}_2 + \lVert\mathbf{v}_3\rVert\,\mathbf{q}_3 \end{aligned}\]

이다(\(\mathbf{v}_1 = \mathbf{a}_1\)). 각 \(\mathbf{a}_k\)는 \(\mathbf{q}_1, \dots, \mathbf{q}_k\)만 쓴다. 보이는 선형대수학 3의 열 관점 행렬 곱셈으로 묶으면

\[\underbrace{\begin{bmatrix} \mathbf{a}_1 & \mathbf{a}_2 & \mathbf{a}_3 \end{bmatrix}}_{A} = \underbrace{\begin{bmatrix} \mathbf{q}_1 & \mathbf{q}_2 & \mathbf{q}_3 \end{bmatrix}}_{Q} \underbrace{\begin{bmatrix} \lVert\mathbf{v}_1\rVert & \mathbf{q}_1^T\mathbf{a}_2 & \mathbf{q}_1^T\mathbf{a}_3 \\ 0 & \lVert\mathbf{v}_2\rVert & \mathbf{q}_2^T\mathbf{a}_3 \\ 0 & 0 & \lVert\mathbf{v}_3\rVert \end{bmatrix}}_{R}\]

이다. \(Q\)는 정규직교 열을 가진 행렬이고, \(R\)은 대각 성분이 양수인 상삼각 행렬이다. \(R\)이 상삼각인 이유는 “\(k\)번째 열은 처음 \(k\)개의 방향만 쓴다”는 그람-슈미트의 구조 그 자체다. \(Q^TQ = I\)이므로 \(R = Q^TA\)로 구할 수도 있다.

\(A\)가 \(m \times n\)이고 열이 선형 독립이면 \(Q\)는 \(m \times n\), \(R\)은 \(n \times n\) 가역 행렬이다. \(m > n\)이면 \(Q\)는 정사각이 아니므로 \(Q^TQ = I\)이지만 \(QQ^T \neq I\)이다. \(QQ^T\)는 \(\operatorname{Col}A\) 위로의 정사영 행렬이다.

계산 예

앞의 예에서는

\[\begin{bmatrix} 1 & 1 & 0 \\ 1 & 0 & 1 \\ 0 & 1 & 1 \end{bmatrix} = \begin{bmatrix} 1/\sqrt{2} & 1/\sqrt{6} & -1/\sqrt{3} \\ 1/\sqrt{2} & -1/\sqrt{6} & 1/\sqrt{3} \\ 0 & 2/\sqrt{6} & 1/\sqrt{3} \end{bmatrix} \begin{bmatrix} \sqrt{2} & 1/\sqrt{2} & 1/\sqrt{2} \\ 0 & \sqrt{3/2} & 1/\sqrt{6} \\ 0 & 0 & 2/\sqrt{3} \end{bmatrix}\]

이다. 예컨대 2열은 \(\frac{1}{\sqrt{2}}\mathbf{q}_1 + \sqrt{\frac{3}{2}}\,\mathbf{q}_2 = (\frac{1}{2}, \frac{1}{2}, 0) + (\frac{1}{2}, -\frac{1}{2}, 1) = (1, 0, 1) = \mathbf{a}_2\)이다. (numpy.linalg.qr은 \(\mathbf{q}_1\), \(\mathbf{q}_2\)의 부호를 반대로 돌려줄 수 있다. 열 하나와 \(R\)의 대응하는 행의 부호를 함께 바꿔도 곱은 같기 때문이다.)

QR로 최소자승 문제 풀기

QR의 가장 큰 쓰임은 보이는 선형대수학 5의 최소자승법(least squares)이다. 정규 방정식 \(A^TA\hat{\mathbf{x}} = A^T\mathbf{b}\)에 \(A = QR\)을 넣으면 \(A^TA = R^TQ^TQR = R^TR\)이므로

\[R^TR\,\hat{\mathbf{x}} = R^TQ^T\mathbf{b} \quad\Longrightarrow\quad R\,\hat{\mathbf{x}} = Q^T\mathbf{b}\]

이다. \(R^T\)가 가역이라 양변에서 지울 수 있다. 남은 식은 상삼각 시스템이므로 후진 대입으로 푼다. \(A^TA\)를 만들지 않으므로 계산이 안정적이다. \(A^TA\)를 만들면 조건수(condition number)가 제곱으로 커져서, 열들이 거의 평행할 때 반올림 오차가 크게 불어난다.

작은 예. \(A = \begin{bmatrix} 1 & 0 \\ 1 & 1 \\ 1 & 2 \end{bmatrix}\), \(\mathbf{b} = (1, 2, 4)\)로 직선 \(y = c + dx\)를 점 \((0, 1)\), \((1, 2)\), \((2, 4)\)에 맞춘다. 그람-슈미트로 \(\mathbf{q}_1 = \frac{1}{\sqrt{3}}(1, 1, 1)\), \(\mathbf{v}_2 = (0, 1, 2) - 1 \cdot (1, 1, 1) = (-1, 0, 1)\), \(\mathbf{q}_2 = \frac{1}{\sqrt{2}}(-1, 0, 1)\)이고

\[R = \begin{bmatrix} \sqrt{3} & \sqrt{3} \\ 0 & \sqrt{2} \end{bmatrix}, \qquad Q^T\mathbf{b} = \begin{bmatrix} 7/\sqrt{3} \\ 3/\sqrt{2} \end{bmatrix}\]

이다. 후진 대입으로 \(\sqrt{2}\,d = 3/\sqrt{2}\)에서 \(d = \frac{3}{2}\), \(\sqrt{3}\,c + \sqrt{3}\,d = 7/\sqrt{3}\)에서 \(c = \frac{7}{3} - \frac{3}{2} = \frac{5}{6}\)이다. 정규 방정식으로 풀어도 같은 \(y = \frac{5}{6} + \frac{3}{2}x\)가 나온다.

흔한 실수

  • 직사각 \(Q\)에 대해 \(QQ^T = I\)라고 쓰는 것. \(Q^TQ = I\)만 성립한다.
  • \(R\)을 따로 계산해야 한다고 생각하는 것. \(R\)의 성분은 그람-슈미트 도중 이미 계산한 내적과 길이다. 대각 성분도 \(\lVert\mathbf{v}_k\rVert = \mathbf{q}_k^T\mathbf{a}_k\)로, 같은 공식 \(r_{ik} = \mathbf{q}_i^T\mathbf{a}_k\) (\(i \le k\))에 들어 있다. \(\mathbf{a}_k\)에서 앞선 방향을 뺀 나머지가 \(\mathbf{v}_k\)이므로 \(\mathbf{q}_k^T\mathbf{a}_k = \mathbf{q}_k^T\mathbf{v}_k = \lVert\mathbf{v}_k\rVert\)이다.

촐레스키 분해

▶ 9-3강

행렬의 제곱근

양수 \(a\)는 \(a = (\sqrt{a})^2\)으로 쓸 수 있다. 행렬에서도 비슷한 일을 하고 싶다. 양의 정부호(positive definite) 대칭 행렬 \(A\), 즉 모든 \(\mathbf{x} \neq \mathbf{0}\)에 대해 \(\mathbf{x}^TA\mathbf{x} > 0\)인 대칭 행렬은

\[A = LL^T\]

로 쓸 수 있다. \(L\)은 대각 성분이 양수인 하삼각 행렬이고 유일하다. 이것이 촐레스키 분해(Cholesky decomposition)이다. \(L\)은 \(A\)의 일종의 “제곱근”이다.

LDU에서 촐레스키로

보이는 선형대수학 11의 LDU 분해에서 출발하면 존재 이유가 보인다. 대칭 행렬은 \(A = LDL^T\)로 분해되고, 양의 정부호 행렬의 피벗은 모두 양수다. 그러면 \(D = D^{1/2}D^{1/2}\)로 나눌 수 있고

\[A = LD^{1/2}D^{1/2}L^T = (LD^{1/2})(LD^{1/2})^T\]

이다. \(LD^{1/2}\)를 새로 \(L\)이라 부르면 촐레스키 분해다.

QR과도 연결된다. \(A = QR\)이면 \(A^TA = R^TR\)이었다. \(R^T\)은 대각이 양수인 하삼각 행렬이므로, \(A^TA\)의 촐레스키 인수는 \(A\)의 QR에서 나온 \(R^T\)이다. 앞 절의 예에서 \(A^TA = \begin{bmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{bmatrix}\)이고, 위의 \(R\)로 \(R^TR\)을 계산하면 정말 이 행렬이 나온다.

직접 구하기: 한 성분씩

\(A = LL^T\)를 성분별로 맞추면 위에서부터 차례로 풀린다.

\[A = \begin{bmatrix} 4 & 2 & 2 \\ 2 & 5 & 3 \\ 2 & 3 & 6 \end{bmatrix} = \begin{bmatrix} \ell_{11} & 0 & 0 \\ \ell_{21} & \ell_{22} & 0 \\ \ell_{31} & \ell_{32} & \ell_{33} \end{bmatrix} \begin{bmatrix} \ell_{11} & \ell_{21} & \ell_{31} \\ 0 & \ell_{22} & \ell_{32} \\ 0 & 0 & \ell_{33} \end{bmatrix}\]
  • 1열: \(\ell_{11}^2 = 4\)에서 \(\ell_{11} = 2\). \(\ell_{21}\ell_{11} = 2\)에서 \(\ell_{21} = 1\). \(\ell_{31}\ell_{11} = 2\)에서 \(\ell_{31} = 1\).
  • 2열: \(\ell_{21}^2 + \ell_{22}^2 = 5\)에서 \(\ell_{22} = \sqrt{5 - 1} = 2\). \(\ell_{31}\ell_{21} + \ell_{32}\ell_{22} = 3\)에서 \(\ell_{32} = (3 - 1)/2 = 1\).
  • 3열: \(\ell_{31}^2 + \ell_{32}^2 + \ell_{33}^2 = 6\)에서 \(\ell_{33} = \sqrt{6 - 1 - 1} = 2\).
\[L = \begin{bmatrix} 2 & 0 & 0 \\ 1 & 2 & 0 \\ 1 & 1 & 2 \end{bmatrix}\]

일반식은 \(\ell_{jj} = \sqrt{a_{jj} - \sum_{k<j}\ell_{jk}^2}\), \(\ell_{ij} = \bigl(a_{ij} - \sum_{k<j}\ell_{ik}\ell_{jk}\bigr)/\ell_{jj}\) (\(i > j\))이다. 루트 안이 음수나 0이 되면 \(A\)는 양의 정부호가 아니다. 그래서 촐레스키 분해는 양의 정부호 판정법으로도 쓰인다. 실제로 numpy.linalg.cholesky에 양의 정부호가 아닌 행렬을 넣으면 오류가 난다.

어디에 쓰나

  • 연립방정식. 대칭 양의 정부호 시스템 \(A\mathbf{x} = \mathbf{b}\)를 \(L\mathbf{c} = \mathbf{b}\), \(L^T\mathbf{x} = \mathbf{c}\)로 푼다. 대칭성 덕분에 절반만 계산하므로 LU보다 약 두 배 빠르고(\(\approx \frac{1}{3}n^3\)), 행 교환도 필요 없다. 최소자승의 정규 방정식, 칼만 필터의 공분산 갱신 등이 이런 시스템이다.
  • 상관된 가우시안 샘플 만들기. \(\mathbf{z}\)가 서로 독립인 표준정규분포 벡터(\(\operatorname{Cov}\mathbf{z} = I\))이면 \(\mathbf{x} = L\mathbf{z}\)의 공분산은

    \[\operatorname{Cov}(L\mathbf{z}) = L\,\operatorname{Cov}(\mathbf{z})\,L^T = LL^T = \Sigma\]

    이다. 원하는 공분산 \(\Sigma\)를 촐레스키 분해하기만 하면 된다.

White noise samples z and correlated samples x = L z 왼쪽은 표준정규분포 샘플 400개, 오른쪽은 같은 샘플에 \(L = \begin{bmatrix} 2 & 0 \\ 1 & \sqrt{2} \end{bmatrix}\)를 곱한 결과다. 주황 원(반지름 1, 2)은 타원으로 바뀌고, 샘플의 공분산은 \(\Sigma = LL^T = \begin{bmatrix} 4 & 2 \\ 2 & 3 \end{bmatrix}\)에 가까워진다.

\(\Sigma = \begin{bmatrix} 4 & 2 \\ 2 & 3 \end{bmatrix}\)이면 \(\ell_{11} = 2\), \(\ell_{21} = 1\), \(\ell_{22} = \sqrt{3 - 1} = \sqrt{2}\)이다. 그림의 400개 샘플로 계산한 표본 공분산은 \(\begin{bmatrix} 4.07 & 2.06 \\ 2.06 & 3.06 \end{bmatrix}\)로 \(\Sigma\)에 가깝다. 원이 기울어진 타원이 되는 것은 \(L\)이 두 좌표를 섞기 때문이다. \(x_2 = z_1 + \sqrt{2}z_2\)가 \(x_1 = 2z_1\)과 같은 \(z_1\)을 공유하므로 둘이 양의 상관을 갖는다.

흔한 실수

  • 대칭이 아니거나 양의 정부호가 아닌 행렬에 촐레스키를 쓰는 것. 대칭이지만 고윳값에 음수가 있는 \(\begin{bmatrix} 1 & 2 \\ 2 & 1 \end{bmatrix}\)은 \(\ell_{22} = \sqrt{1 - 4}\)에서 막힌다.
  • \(L\)의 고윳값이 \(A\)의 고윳값의 제곱근이라고 생각하는 것. 촐레스키의 \(L\)은 삼각 행렬일 뿐 고유벡터와는 무관하다. 위 예에서 \(L\)의 대각은 \(2, 2, 2\)이지만 \(A\)의 고윳값은 약 \(2.32, 2.79, 9.89\)이다. 고윳값의 제곱근을 갖는 “제곱근”은 고윳값 분해로 만든 대칭 행렬 \(A^{1/2} = Q\Lambda^{1/2}Q^T\)이다.

정리

  형태 조건 쓰임
그람-슈미트 \(\mathbf{v}_k = \mathbf{a}_k - \sum_{i<k}(\mathbf{q}_i^T\mathbf{a}_k)\mathbf{q}_i\) 열이 선형 독립 같은 공간의 정규직교 기저
QR \(A = QR\) 열이 선형 독립 최소자승 \(R\hat{\mathbf{x}} = Q^T\mathbf{b}\), 정사영 \(QQ^T\)
촐레스키 \(A = LL^T\) 대칭, 양의 정부호 빠른 연립방정식 풀이, 양의 정부호 판정, 상관된 샘플 생성

세 분해의 관계도 기억해 두자. QR의 \(R\)은 그람-슈미트의 계수이고, \(A^TA\)의 촐레스키 인수는 \(R^T\)이며, 촐레스키는 대칭 양의 정부호 행렬의 \(LDL^T\)에서 \(D\)를 반씩 나눈 것이다.