Doctorado
  1. Comprendiendo el Álgebra  1.1. Teoría de grupos  1.1.1. Propiedades básicas de los grupos  1.1.2. Subgrupos  1.1.3. Cosets y el teorema de Lagrange  1.1.4. Subgrupos normales  1.1.5. Grupo cociente  1.1.6. Homomorfismos de grupos  1.1.7. Teorema de Sylow  1.1.8. Introducción a los grupos libres  1.1.9. ¿Qué son las actividades grupales?  1.1.10. Grupos simples y resolubles  1.2. Teoría de anillos  1.2.1. Anillos e ideales  1.2.2. Introducción a los homomorfismos de anillos  1.2.3. Anillos polinomiales  1.2.4. Dominios Ideales Principales  1.2.5. Dominios de factorización única  1.2.6. Anillos noetherianos  1.2.7. Anillos de Artiniano  1.3. Teoría de campos  1.3.1. Extensiones de campos  1.3.2. División de áreas  1.3.3. Teoría de Galois  1.3.4. Cierre algebraico en teoría de campos  1.3.5. Campos finitos  1.3.6. Extensión trascendental  1.4. Teoría de módulos  1.4.1. Módulos sobre anillos  1.4.2. Módulos libres  1.4.3. Morfismo de módulos  1.4.4. Módulos simples y semisimples  1.4.5. Módulos proyectivos  1.4.6. Módulos inyectivos  1.5. Álgebra lineal  1.5.1. Espacio vectorial  1.5.2. Transformaciones lineales  1.5.3. Comprendiendo Valores Propios y Vectores Propios  1.5.4. Forma canónica  1.5.5. Espacio de producto interior  1.5.6. Teorema Espectral  1.5.7. Descomposición en valores singulares
  2. Entendiendo el Análisis Matemático  2.1. Análisis real  2.1.1. Números reales y completitud  2.1.2. Introducción a las secuencias y series  2.1.3. Continuidad en el análisis real  2.1.4. Diferenciación en el análisis real  2.1.5. Integración de Riemann  2.1.6. Introducción a los espacios métricos  2.1.7. Medida de Lebesgue  2.2. Análisis complejo  2.2.1. Números complejos  2.2.2. Funciones analíticas  2.2.3. Integración de contornos  2.2.4. Teorema de Cauchy  2.2.5. Teorema del residuo  2.2.6. Mapeo conforme  2.3. Análisis funcional  2.3.1. Comprender ubicaciones estándar  2.3.2. Introducción a los espacios de Banach  2.3.3. Espacios de Hilbert  2.3.4. Operadores lineales  2.3.5. Teoría espectral  2.3.6. Operadores compactos  2.4. Teoría de la medida  2.4.1. Álgebra sigma  2.4.2. Medidas e integrales en la teoría de la medida  2.4.3. Integración de Lebesgue  2.4.4. Teorema de convergencia  2.4.5. Teorema de Fubini  2.5. Análisis Armónico  2.5.1. Serie de Fourier  2.5.2. Transformada de Fourier  2.5.3. Teoría de la distribución  2.5.4. Wavelets
  3. Topología  3.1. Topología general  3.1.1. Conjuntos abiertos y cerrados  3.1.2. Continuidad  3.1.3. Introducción a la compacidad  3.1.4. Conectividad en topología general  3.1.5. Topología métrica  3.2. Topología algebraica  3.2.1. Grupo fundamental  3.2.2. Teoría de la homotopía  3.2.3. Teoría de la homología  3.2.4. Cohomología  3.2.5. Secuencia exacta  3.3. Topología diferencial  3.3.1. Variedades suaves  3.3.2. Espacio tangente  3.3.3. Campos vectoriales  3.3.4. Comprensión de las Formas Diferenciales
  4. Geometría  4.1. Geometría diferencial  4.1.1. Curvas y superficies en geometría diferencial  4.1.2. Geometría Riemanniana  4.1.3. Comprendiendo las geodésicas en la geometría diferencial  4.1.4. Curvatura  4.2. Geometría algebraica  4.2.1. Variedades afines y proyectivas  4.2.2. Planes  4.2.3. Separadores e intersecciones  4.2.4. Cohomología en geometría algebraica  4.3. Geometría Computacional  4.3.1. Introducción a las cubiertas convexas en geometría computacional  4.3.2. Triangulación  4.3.3. Diagrama de Voronoi  4.3.4. Algoritmos Geométricos
  5. Teoría de números  5.1. Teoría de números elemental  5.1.1. Divisibilidad en la teoría de números elemental  5.1.2. Congruencia en teoría de números elemental  5.1.3. Aritmética modular  5.2. Teoría analítica de números  5.2.1. Teorema de los números primos  5.2.2. Series de Dirichlet  5.2.3. Zeta y funciones L  5.3. Teoría de números algebraicos  5.3.1. Campos numéricos  5.3.2. Introducción a ideales en teoría de números algebraicos  5.3.3. Grupos de clases en teoría de números algebraicos  5.3.4. Representación de Galois
  6. Compañerismo  6.1. Combinatoria computacional  6.1.1. Función generadora  6.1.2. Relación de recurrencia  6.1.3. Ppermutaion y combinaciones  6.2. Teoría de grafos  6.2.1. Isomorfismo de grafos  6.2.2. Planicidad en teoría de grafos  6.2.3. Coloración de grafos  6.3. Combinatoria extrema  6.3.1. Teoría de Ramsey  6.3.2. Métodos probabilísticos en combinatoria extrema  6.4. Combinatoria algebraica  6.4.1. Métodos de matrices en combinatoria algebraica  6.4.2. Teoría de la representación
  7. Argumentos y fundamentos  7.1. Teoría de conjuntos  7.1.1. Axiomas de Zermelo-Fraenkel  7.1.2. Ordinales y cardinales  7.2. Introducción a la teoría de modelos  7.2.1. Estructuras y teorías en la teoría de modelos  7.2.2. Teorema de compacidad  7.3. Teoría de la demostración  7.3.1. Sistemas formales  7.3.2. Consistencia y completitud
  8. Probabilidad y Estadística  8.1. Teoría de la probabilidad  8.1.1. Variables aleatorias  8.1.2. Expectativa y variación  8.1.3. Teorema central del límite  8.2. Procesos estocásticos  8.2.1. Cadenas de Markov  8.2.2. Movimiento Browniano  8.3. Inferencia estadística  8.3.1. Pruebas de hipótesis  8.3.2. Análisis de regresión
  9. Matemáticas aplicadas  9.1. Análisis numérico en matemáticas aplicadas  9.1.1. Métodos iterativos  9.1.2. Interpolación  9.1.3. Análisis de errores  9.2. Ecuaciones diferenciales parciales  9.2.1. Ecuación elíptica  9.2.2. Ecuación parabólica  9.2.3. Ecuaciones hiperbólicas  9.3. Sistemas dinámicos  9.3.1. Teoría del caos  9.3.2. Análisis de estabilidad en sistemas dinámicos

Doctorado → Comprendiendo el Álgebra → Álgebra lineal ↓


Descomposición en valores singulares


La descomposición en valores singulares, a menudo abreviada como SVD, es un concepto fundamental en álgebra lineal que juega un papel clave en varias aplicaciones, incluyendo ciencia de datos, procesamiento de señales y estadísticas. Es un tipo de descomposición de matriz que generaliza muchas factorizaciones de matrices como la descomposición en valores propios. En términos simples, SVD descompone una matriz en tres matrices separadas, ayudándonos a entender su estructura subyacente.

Comprensión de matrices

Antes de profundizar en la Descomposición en Valores Singulares, es importante tener una comprensión sólida de qué es una matriz. Una matriz es un arreglo rectangular de números, símbolos o expresiones dispuestas en filas y columnas. Cada elemento de una matriz se representa típicamente con un par de índices ( (i, j) ) que indica su posición en las filas y columnas.

A = (begin{bmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \ 7 & 8 & 9 end{bmatrix})

En esta matriz 3x3, (A), el elemento en la primera fila y segunda columna se representa como (A_{12} = 2).

¿Qué es la descomposición en valores singulares?

La descomposición en valores singulares descompone una matriz mxn A en tres matrices:

A = U Sigma V^T

Donde:

  • (U) es una matriz ortogonal mxm.
  • (Sigma) es una matriz diagonal mxn.
  • (V^T) es una matriz ortogonal nxn (transpuesta de (V)).

Consideremos cada componente por separado:

Matrices ortogonales

Una matriz ortogonal es aquella en la que las filas y columnas son vectores unitarios ortogonales, lo que significa que están en ángulos rectos (ortogonales) entre sí, y cada vector tiene una magnitud de uno (el vector unitario). Esencialmente, U^TU = I y VV^T = I, donde (I) es la matriz identidad.

[ U = begin{bmatrix} u_{11} & u_{12} & cdots & u_{1m} \ u_{21} & u_{22} & cdots & u_{2m} \ vdots & vdots & ddots & vdots \ u_{m1} & u_{m2} & cdots & u_{mm} end{bmatrix} ]

Matriz diagonal (Sigma)

La matriz (Sigma) es una matriz diagonal con números no negativos en la diagonal y ceros en otras partes. Estos números se conocen como los valores singulares de la matriz original (A) y son representados por (sigma_1, sigma_2, ldots, sigma_n).

[ Sigma = begin{bmatrix} sigma_1 & 0 & cdots & 0 \ 0 & sigma_2 & cdots & 0 \ vdots & vdots & ddots & vdots \ 0 & 0 & cdots & sigma_n end{bmatrix} ]

Ejemplo de descomposición en valores singulares

Vamos a ilustrar la descomposición en valores singulares con un ejemplo numérico. Considere una matriz 2x2:

A = (begin{bmatrix} 4 & 0 \ 3 & -5 end{bmatrix})

Usando la descomposición en valores singulares, podemos descomponer esta matriz en:

U = (begin{bmatrix} u_{11} & u_{12} \ u_{21} & u_{22} end{bmatrix})
(Sigma = begin{bmatrix} sigma_1 & 0 \ 0 & sigma_2 end{bmatrix})
V^T = (begin{bmatrix} v_{11} & v_{12} \ v_{21} & v_{22} end{bmatrix})

Aquí, (sigma_1) y (sigma_2) son los valores singulares de (A).

Aplicaciones de la descomposición en valores singulares

La descomposición en valores singulares tiene una amplia gama de aplicaciones en varios campos. Algunas de las principales aplicaciones son las siguientes:

1. Reducción de dimensión

En ciencia de datos y aprendizaje automático, SVD se utiliza comúnmente para la reducción de dimensión. Al mantener solo los valores singulares principales en (Sigma), podemos aproximar efectivamente la matriz original mientras reducimos su dimensionalidad. Esto es particularmente útil cuando se manejan grandes conjuntos de datos.

2. Análisis de componentes principales (PCA)

SVD juega un papel clave en la implementación del Análisis de Componentes Principales, un método utilizado para transformar variables en un conjunto de datos en un conjunto de variables no correlacionadas llamadas componentes principales. PCA aprovecha SVD para identificar las direcciones (componentes principales) en las que los datos varían más.

3. Procesamiento de señales

En procesamiento de señales, SVD ayuda en la reducción de ruido y compresión de señales. Al reducir el rango de la matriz que representa la señal, podemos eliminar el ruido mientras mantenemos las características esenciales de la señal.

Visualización de SVD con ejemplos

Para comprender mejor el concepto de SVD, veamos algunos ejemplos visuales usando matrices.

Considere una matriz mxn (A). La idea de SVD es como transformar puntos de datos en un espacio multidimensional, lo que nos ayuda a entender el efecto de diferentes ejes.

Vector originalu1, σ1u2, σ2

En la ilustración anterior, el vector original, representado en azul, sufre una transformación mediante SVD, resultando en dos vectores transformados, representados en rojo y verde. Estos vectores están asociados con valores singulares específicos, indicando su magnitud relativa en el espacio transformado.

Interpretación matemática: calcular el SVD

Encontrar el SVD de una matriz involucra varios pasos matemáticos, principalmente basados en calcular los valores y vectores propios y asegurar la ortogonalidad.

Paso 1: Formar A^TA y calcular sus valores propios. Estos valores propios pueden ser representados como (lambda_1, lambda_2, ldots, lambda_n).

Paso 2: Calcular los vectores propios de A^TA. Estos vectores propios forman las columnas de la matriz (V).

Paso 3: Calcular los valores singulares encontrando la raíz cuadrada de cada valor propio de A^TA. Ordenarlos en orden descendente para llenar las entradas diagonales de (Sigma).

Paso 4: Usando la ecuación (sigma u = Av), calcular los vectores ortogonales para formar la matriz (U).

Estos pasos proporcionan el trasfondo matemático para calcular el SVD y sus componentes. En la práctica, la mayoría de los softwares y lenguajes de programación ofrecen funciones integradas para realizar eficientemente la descomposición en valores singulares, que manejan estos cálculos automáticamente.

Propiedades de la descomposición en valores singulares

Al explorar SVD, es importante entender sus propiedades subyacentes, que la hacen una herramienta tan poderosa para el análisis de matrices:

  • Unicidad: Los valores singulares son únicos y siempre no negativos. Sin embargo, las matrices (U) y (V) no son necesariamente únicas.
  • Rango y valores singulares no nulos: El rango de una matriz (A) es igual al número de valores singulares no nulos.
  • Norma y aproximación de bajo rango: SVD proporciona una aproximación de bajo rango óptima en términos de la norma de Frobenius de las matrices.

Conclusión

La descomposición en valores singulares sirve como una herramienta esencial en el paisaje del álgebra lineal. Su capacidad para descomponer una matriz en componentes significativos reduce la complejidad del análisis y proporciona información sobre las propiedades geométricas y algebraicas de una matriz. Con aplicaciones que abarcan ciencia de datos, visión por computadora, estadísticas y más, entender SVD es un activo invaluable para matemáticos, científicos e ingenieros.

Aunque las complejidades matemáticas detrás de SVD pueden parecer desalentadoras al principio, una comprensión clara de sus conceptos y aplicaciones simplifica enormemente su uso, convirtiéndola en una herramienta matemática versátil y poderosa.


Doctorado → 1.5.7


U
username
0%
completado en Doctorado

← Anterior (1.5.6)
Teorema Espectral
Siguiente (2) →
Entendiendo el Análisis Matemático

Comentarios 



Descomposición en valores singulares

https://www.buddymath.com/phd/1.5.7?bmal=es