Álgebra lineal · Descomposición en valores singulares

Descomposición en valores singulares

Toda matriz real de 2 × 2 se escribe A = UΣVᵀ. Vᵀ gira o refleja, Σ estira según los ejes por los valores singulares σ₁ ≥ σ₂ ≥ 0, y U gira o refleja de nuevo. El círculo unitario se transforma en una elipse cuyos ejes proceden de dos direcciones perpendiculares.

Descomposición en valores singulares en esta visualización

Una aplicación lineal del plano transforma el círculo unitario en una elipse, que se reduce a un segmento o un punto si AA es singular. Al recorrer vv el círculo, la longitud ∣Av∣|Av| alcanza su máximo σ1\sigma_1 en la dirección v1v_1 y su mínimo σ2\sigma_2 en la perpendicular v2v_2. Son los valores singulares. Se cumple Av1=σ1u1Av_1 = \sigma_1 u_1 y Av2=σ2u2Av_2 = \sigma_2 u_2, con vectores unitarios u1⊥u2u_1 \perp u_2 sobre los ejes de la elipse. Al reunir las columnas se obtiene A=UΣVTA = U\Sigma V^{\mathsf T}. En rojo se indican vv y su perpendicular; en amarillo, sus imágenes por AA.

Por qué el ángulo recto solo se conserva ahí

El cuadrado de la longitud es ∣Av∣2=vT(ATA)v|Av|^2 = v^{\mathsf T}(A^{\mathsf T}A)v. Como ATAA^{\mathsf T}A es simétrica, tiene vectores propios perpendiculares v1,v2v_1, v_2, de valores propios σ12,σ22\sigma_1^2, \sigma_2^2. Sus imágenes también son perpendiculares porque Av1⋅Av2=v1TATAv2=σ22 v1⋅v2=0Av_1 \cdot Av_2 = v_1^{\mathsf T}A^{\mathsf T}Av_2 = \sigma_2^2\, v_1 \cdot v_2 = 0. Si σ1>σ2>0\sigma_1 > \sigma_2 > 0, salvo los signos es el único par ortogonal cuyas imágenes son ortogonales. Con A=(3045)A = \begin{pmatrix} 3 & 0 \\ 4 & 5 \end{pmatrix}, los vectores (1,0)(1, 0) y (0,1)(0, 1) se transforman en (3,4)(3, 4) y (0,5)(0, 5), separados solo 36.87°. Al girar vv el ángulo va de 36.87° a 143.13°. Si σ1=σ2\sigma_1 = \sigma_2, la transformación es un giro o reflexión por un factor positivo y conserva todos los ángulos rectos. Si σ2=0\sigma_2 = 0, una imagen es el vector cero y el ángulo no está definido.

Girar, estirar, girar

De derecha a izquierda, VTV^{\mathsf T} lleva v1,v2v_1, v_2 a los ejes, Σ\Sigma estira según los ejes por σ1,σ2\sigma_1, \sigma_2 y UU gira el resultado hasta u1,u2u_1, u_2. Aquí UU también invierte un eje cuando det⁡A<0\det A < 0. Los fotogramas intermedios ilustran un recorrido posible. Solo los pasos son los factores. Las áreas se multiplican por σ1σ2=∣det⁡A∣\sigma_1\sigma_2 = |\det A|. A diferencia de la diagonalización, esta descomposición existe para toda matriz: la cizalla (1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} carece de base propia, pero tiene valores singulares φ≈1.618\varphi \approx 1.618 y 1/φ≈0.6181/\varphi \approx 0.618. Para una matriz simétrica con valores propios positivos, ambas factorizaciones coinciden.

Qué indican los valores singulares

Si un valor singular es cero, el plano se comprime en una recta; si ambos son cero, en un punto. El rango es el número de valores singulares no nulos. Si σ2>0\sigma_2 > 0, el cociente σ1/σ2\sigma_1/\sigma_2 mide el alargamiento de la elipse y la posible amplificación de los errores relativos al resolver con AA. En una matriz de datos centrados, esas direcciones dan los ejes del análisis de componentes principales.

En qué fijarse

  • Los dos vectores de cada par vi,uiv_i, u_i pueden cambiar de signo a la vez. Si σ1=σ2\sigma_1 = \sigma_2, tampoco son únicas sus direcciones.
  • Toda matriz real de m × n tiene una descomposición con tantos valores singulares como el menor de m y n. Aquí se ilustra el caso 2 × 2.

Controles

  • Arrastra la punta de v por el círculo o gira el mando. La rueda de pasos permite observar los tres factores uno a uno.

Conceptos relacionados