Álgebra linear · Decomposição em valores singulares

Decomposição em valores singulares

Qualquer matriz real 2 × 2 admite A = UΣVᵀ: uma rotação ou reflexão Vᵀ, um alongamento Σ segundo os eixos pelos valores singulares σ₁ ≥ σ₂ ≥ 0 e outra rotação ou reflexão U. A imagem da circunferência unitária é uma elipse cujos eixos provêm de duas direções perpendiculares.

Decomposição em valores singulares nesta visualização

Uma transformação linear do plano transforma a circunferência unitária numa elipse, reduzida a um segmento ou a um ponto se AA for singular. Ao percorrer vv a circunferência, o comprimento ∣Av∣|Av| atinge o máximo σ1\sigma_1 na direção v1v_1 e o mínimo σ2\sigma_2 na direção perpendicular v2v_2. São os valores singulares. Temos Av1=σ1u1Av_1 = \sigma_1 u_1 e Av2=σ2u2Av_2 = \sigma_2 u_2, com vetores unitários u1⊥u2u_1 \perp u_2 sobre os eixos da elipse. Reunindo as colunas obtém-se A=UΣVTA = U\Sigma V^{\mathsf T}. As setas vermelhas mostram vv e a perpendicular, as amarelas as suas imagens por AA.

Porque é que o ângulo reto só se mantém nessas direções

O quadrado do comprimento é ∣Av∣2=vT(ATA)v|Av|^2 = v^{\mathsf T}(A^{\mathsf T}A)v. Como ATAA^{\mathsf T}A é simétrica, admite vetores próprios perpendiculares v1,v2v_1, v_2 com valores próprios σ12,σ22\sigma_1^2, \sigma_2^2. As suas imagens são perpendiculares pois 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. Se σ1>σ2>0\sigma_1 > \sigma_2 > 0, este é, a menos do sinal, o único par ortonormado cujas imagens se mantêm perpendiculares. Por exemplo, A=(3045)A = \begin{pmatrix} 3 & 0 \\ 4 & 5 \end{pmatrix} leva (1,0)(1, 0) e (0,1)(0, 1) a (3,4)(3, 4) e (0,5)(0, 5), separados apenas por 36.87°. Ao rodar vv, o ângulo varia de 36.87° a 143.13°. Se σ1=σ2\sigma_1 = \sigma_2 (uma rotação ou reflexão multiplicada por um número positivo), todos os ângulos retos se mantêm. Se σ2=0\sigma_2 = 0, uma imagem é nula e não há ângulo definido.

Rodar, alongar, rodar

Lendo da direita para a esquerda, VTV^{\mathsf T} alinha v1,v2v_1, v_2 com os eixos, Σ\Sigma alonga pelos fatores σ1,σ2\sigma_1, \sigma_2 e UU orienta o resultado segundo u1,u2u_1, u_2. Aqui UU também inverte um eixo quando det⁡A<0\det A < 0. Os fotogramas intermédios ilustram um percurso possível. Só os passos são os fatores. As áreas são multiplicadas por σ1σ2=∣det⁡A∣\sigma_1\sigma_2 = |\det A|. Ao contrário da diagonalização, esta decomposição existe para qualquer matriz: o cisalhamento (1101)\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} não tem base própria, mas tem valores singulares φ≈1.618\varphi \approx 1.618 e 1/φ≈0.6181/\varphi \approx 0.618. Numa matriz simétrica com valores próprios positivos, as duas fatorizações coincidem.

O que indicam os valores singulares

Com um valor singular nulo, o plano fica reduzido a uma reta; com dois, a um ponto. A característica é o número de valores singulares não nulos. Para σ2>0\sigma_2 > 0, o quociente σ1/σ2\sigma_1/\sigma_2 mede o alongamento da elipse e a possível amplificação dos erros relativos ao resolver um sistema com AA. Numa matriz de dados centrados, estas direções dão os eixos da análise de componentes principais.

O que observar

  • Os dois vetores de cada par vi,uiv_i, u_i podem mudar de sinal em simultâneo. Quando σ1=σ2\sigma_1 = \sigma_2, nem as direções são únicas.
  • Qualquer matriz real m × n tem uma decomposição com tantos valores singulares quanto o menor de m e n. Aqui apresenta-se o caso 2 × 2.

Controlos

  • Arraste a ponta de v ao longo da circunferência ou rode o seletor. A roda dos passos permite ver os três fatores um a um.

Relacionados