σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyHojas de rutaRutas
Ctrl K
AO
+1,2 k estudiantes
Iniciar sesiónUnirse ↗
Hojas de rutaRutas
AO
+1,2 k estudiantes
Iniciar sesión
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Ruta de Matrix Decompositions›Módulo 2 · SVD y rango bajo›Tema 2.1·~1 hIntermedio

Descomposición en valores singulares

Posición en la rutaMódulo 2 de 5 · Tema 1 de 2
2.1 Descomposición en valores singulares
—Puntuación del lab— / 100XP total—Racha—

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=UΣVTA=U\Sigma V^{T}A=UΣVT con UUU y VVV ortogonales y Σ\SigmaΣ diagonal con entradas no negativas σ1≥σ2≥⋯≥0\sigma_1\ge\sigma_2\ge\cdots\ge0σ1​≥σ2​≥⋯≥0, los valores singulares. Geométricamente AAA primero gira con VTV^{T}VT, luego estira cada eje iii por σi\sigma_iσi​ y después gira con UUU. Una circunferencia unidad se convierte en una elipse cuyos semiejes son los valores singulares.

A=UΣVT,σi=λi(ATA),∥A∥F2=∑iσi2,κ(A)=σ1σmin⁡A=U\Sigma V^{T},\qquad \sigma_i=\sqrt{\lambda_i(A^{T}A)},\qquad \lVert A\rVert_F^{2}=\sum_i\sigma_i^{2},\qquad \kappa(A)=\frac{\sigma_1}{\sigma_{\min}}A=UΣVT,σi​=λi​(ATA)​,∥A∥F2​=i∑​σi2​,κ(A)=σmin​σ1​​(1)

Las columnas de VVV son los vectores propios de ATAA^{T}AATA y las de UUU los de AATAA^{T}AAT, con valores propios σi2\sigma_i^2σi2​. Así, la SVD es el teorema espectral aplicado a ATAA^{T}AATA, 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\lVert A\rVert_2=\sigma_1∥A∥2​=σ1​ es el mayor estiramiento, la norma de Frobenius al cuadrado es la suma de los cuadrados de los valores singulares, ∣det⁡A∣=∏σi|\det A|=\prod\sigma_i∣detA∣=∏σi​ para una matriz cuadrada, y el número de condición σ1/σmin⁡\sigma_1/\sigma_{\min}σ1​/σmin​ mide cuánto puede amplificar AAA los errores. Para una matriz de datos m×nm\times nm×n con m≥nm\ge nm≥n, la UUU completa es m×mm\times mm×m, Σ\SigmaΣ es m×nm\times nm×n y VVV es n×nn\times nn×n.

Un ejemplo de 2 por 2Tomemos A=(3045)A=\begin{pmatrix}3&0\\4&5\end{pmatrix}A=(34​05​). Entonces ATA=(25202025)A^{T}A=\begin{pmatrix}25&20\\20&25\end{pmatrix}ATA=(2520​2025​) tiene valores propios 45 y 5, así que los valores singulares son σ1=45≈6,708\sigma_1=\sqrt{45}\approx6{,}708σ1​=45​≈6,708 y σ2=5≈2,236\sigma_2=\sqrt5\approx2{,}236σ2​=5​≈2,236. Comprobaciones: σ12+σ22=50=9+16+25=∥A∥F2\sigma_1^2+\sigma_2^2=50=9+16+25=\lVert A\rVert_F^2σ12​+σ22​=50=9+16+25=∥A∥F2​ y σ1σ2=15=∣det⁡A∣\sigma_1\sigma_2=15=|\det A|σ1​σ2​=15=∣detA∣. El número de condición es σ1/σ2=3\sigma_1/\sigma_2=3σ1​/σ2​=3. Si σ2\sigma_2σ2​ fuera 0,0010{,}0010,001, sería de unos 6700 y resolver Ax=bA\mathbf x=\mathbf bAx=b perdería casi cuatro cifras.
  • SVD: toda matriz es UΣVTU\Sigma V^{T}UΣVT con UUU, VVV ortogonales y valores singulares no negativos ordenados.
  • Hechos: el rango es el número de σi\sigma_iσi​ no nulos, ∥A∥F2=∑σi2\lVert A\rVert_F^2=\sum\sigma_i^2∥A∥F2​=∑σi2​, ∣det⁡A∣=∏σi|\det A|=\prod\sigma_i∣detA∣=∏σi​.
  • Número de condición: σ1/σmin⁡\sigma_1/\sigma_{\min}σ1​/σmin​; un valor grande implica resoluciones inestables e inversas poco fiables.
De los rendimientos a las componentes en una llamadaSi XXX es una matriz T×NT\times NT×N de rendimientos centrados, su covarianza es XTX/(T−1)X^{T}X/(T-1)XTX/(T−1), así que los vectores singulares derechos de XXX son las direcciones principales y σi2/(T−1)\sigma_i^2/(T-1)σi2​/(T−1) las varianzas a lo largo de ellas. Tomar la SVD de XXX directamente da el ACP con más precisión que descomponer la matriz de covarianza, y funciona incluso cuando N>TN>TN>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
Ejercicios
1Respuesta numérica20 ptsSin responder

Halle el mayor valor singular de A=(3045)A=\begin{pmatrix}3&0\\4&5\end{pmatrix}A=(34​05​), sabiendo que ATA=(25202025)A^{T}A=\begin{pmatrix}25&20\\20&25\end{pmatrix}ATA=(2520​2025​). Dé tres decimales.

sigma1=sigma_1 =sigma1​=aceptado: ± 0.01
2Respuesta numérica10 ptsSin responder

Para la misma AAA, la suma de cuadrados de sus entradas es σ12+σ22\sigma_1^2+\sigma_2^2σ12​+σ22​. ¿Cuánto vale ∥A∥F2\lVert A\rVert_F^{2}∥A∥F2​?

Frobeniussquared=Frobenius squared =Frobeniussquared=aceptado: ± 0.01
3Respuesta numérica10 ptsSin responder

Para la misma AAA, el producto σ1σ2\sigma_1\sigma_2σ1​σ2​ es ∣det⁡A∣|\det A|∣detA∣. ¿Cuánto vale?

product=product =product=aceptado: ± 0.01
4Completar los huecos15 ptsSin responder

Una matriz de datos AAA tiene 5 filas y 3 columnas. Complete las dimensiones de los factores de su SVD completa A=UΣVTA=U\Sigma V^{T}A=UΣVT.

U: ×,Σ: ×,V: ×\displaystyle U:\ \htmlData{blank=a}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}}\times\htmlData{blank=a}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}},\qquad \Sigma:\ \htmlData{blank=a}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}}\times\htmlData{blank=b}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}},\qquad V:\ \htmlData{blank=b}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}}\times\htmlData{blank=b}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}}U: ×,Σ: ×,V: ×
5Elección15 ptsSin responder

¿Cómo se relacionan los valores singulares de AAA 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=kappa =kappa=aceptado: ± 0.01
7Explicar con palabras15 ptsSin responder

En una o dos frases, diga por qué calcular la SVD de AAA es numéricamente mejor que descomponer ATAA^{T}AATA.

Modo matemáticasEntrada por teclado o LaTeXEjercicio 1 de 7 · Ctrl ⏎ para comprobar

Inicia sesión para ejecutar tu código.

Todas las clases se pueden leer gratis. Crea una cuenta o inicia sesión para ejecutar código, lanzar las pruebas y enviar este lab.

  • IDE en el navegador con terminal bash — sin instalar nada
  • Corrección instantánea, XP y tu lugar en la ruta
Crear una cuentaIniciar sesión
O
Continuar con GitHub