Toda matriz es una rotación, un estiramiento y una rotación
La descomposición en valores propios necesita una matriz cuadrada y aun así puede fallar. La descomposición en valores singulares sirve para toda matriz, rectangular o no: A=UΣVT con U y V ortogonales y Σ diagonal con entradas no negativas σ1≥σ2≥⋯≥0, los valores singulares. Geométricamente A primero gira con VT, luego estira cada eje i por σi y después gira con U. Una circunferencia unidad se convierte en una elipse cuyos semiejes son los valores singulares.
Las columnas de V son los vectores propios de ATA y las de U los de AAT, con valores propios σi2. Así, la SVD es el teorema espectral aplicado a ATA, pero calculada sin formar nunca ese producto, que elevaría al cuadrado el número de condición y perdería la mitad de las cifras. Leer los hechos es fácil: el rango es el número de valores singulares no nulos, ∥A∥2=σ1 es el mayor estiramiento, la norma de Frobenius al cuadrado es la suma de los cuadrados de los valores singulares, ∣detA∣=∏σi para una matriz cuadrada, y el número de condición σ1/σmin mide cuánto puede amplificar A los errores. Para una matriz de datos m×n con m≥n, la U completa es m×m, Σ es m×n y V es n×n.
Un ejemplo de 2 por 2Tomemos A=(3405). Entonces ATA=(25202025) tiene valores propios 45 y 5, así que los valores singulares son σ1=45≈6,708 y σ2=5≈2,236. Comprobaciones: σ12+σ22=50=9+16+25=∥A∥F2 y σ1σ2=15=∣detA∣. El número de condición es σ1/σ2=3. Si σ2 fuera 0,001, sería de unos 6700 y resolver Ax=b perdería casi cuatro cifras.
SVD: toda matriz es UΣVT con U, V ortogonales y valores singulares no negativos ordenados.
Hechos: el rango es el número de σi no nulos, ∥A∥F2=∑σi2, ∣detA∣=∏σi.
Número de condición: σ1/σmin; un valor grande implica resoluciones inestables e inversas poco fiables.
De los rendimientos a las componentes en una llamadaSi X es una matriz T×N de rendimientos centrados, su covarianza es XTX/(T−1), así que los vectores singulares derechos de X son las direcciones principales y σi2/(T−1) las varianzas a lo largo de ellas. Tomar la SVD de X directamente da el ACP con más precisión que descomponer la matriz de covarianza, y funciona incluso cuando N>T.
Lab: qué se califica
El mayor valor singular20 pts
La identidad de Frobenius10 pts
El producto de los valores singulares10 pts
Dimensiones de una SVD completa15 pts
Valores singulares y valores propios15 pts
Un número de condición15 pts
Por qué no descomponer AᵀA15 pts
0/ 7 respondidos
1Respuesta numérica20 ptsSin responder
Halle el mayor valor singular de A=(3405), sabiendo que ATA=(25202025). Dé tres decimales.
sigma1=aceptado: ± 0.01
2Respuesta numérica10 ptsSin responder
Para la misma A, la suma de cuadrados de sus entradas es σ12+σ22. ¿Cuánto vale ∥A∥F2?
Frobeniussquared=aceptado: ± 0.01
3Respuesta numérica10 ptsSin responder
Para la misma A, el producto σ1σ2 es ∣detA∣. ¿Cuánto vale?
product=aceptado: ± 0.01
4Completar los huecos15 ptsSin responder
Una matriz de datos A tiene 5 filas y 3 columnas. Complete las dimensiones de los factores de su SVD completa A=UΣVT.
U:×,Σ:×,V:×
5Elección15 ptsSin responder
¿Cómo se relacionan los valores singulares de A con los valores propios?
6Respuesta numérica15 ptsSin responder
Una matriz tiene valores singulares 6, 3 y 0,5. ¿Cuál es su número de condición?
kappa=aceptado: ± 0.01
7Explicar con palabras15 ptsSin responder
En una o dos frases, diga por qué calcular la SVD de A es numéricamente mejor que descomponer ATA.
Modo matemáticasEntrada por teclado o LaTeXEjercicio 1 de 7 · Ctrl ⏎ para comprobar