Descomposición en Valores Singulares
La Descomposición en Valores Singulares (SVD, por sus siglas en inglés) es una técnica fundamental de factorización de matrices que descompone cualquier matriz A de m × n en el producto A = U Σ V^T, donde U y V son matrices ortogonales y Σ es una matriz diagonal de valores singulares. Desarrollada por Gene Golub y otros en las décadas de 1960-1970, la SVD es el método más robusto para analizar la estructura matricial y resolver sistemas lineales.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Golub, G. H., & Kahan, W. (1970). Calculating the singular values and pseudo-inverse of a matrix. Journal of the SIAM Series B: Numerical Analysis, 2(2), 205–224. DOI: 10.1137/0702016 ↗
- Golub, G. H., & Van Loan, C. F. (1983). Matrix computations (2nd ed.). Johns Hopkins University Press. ISBN: 0801854148
- Trefethen, L. N., & Bau, D. (1997). Numerical Linear Algebra. SIAM. DOI: 10.1137/1.9780898719574 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/es/numerical-methods/singular-value-decomposition
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →