Factorizaciones matriciales

Las factorizaciones matriciales expresan una matriz como un producto de factores más simples —triangulares, ortogonales o diagonales— a partir de los cuales se pueden obtener soluciones, ajustes por mínimos cuadrados e información espectral de manera estable.

Definition

Una factorización matricial es una representación de una matriz como un producto de dos o más matrices con una estructura especial, elegida de modo que los problemas fundamentales —resolver sistemas, ajustar datos, calcular el rango o las normas— se vuelvan sencillos y numéricamente estables.

Scope

Este tema abarca la factorización QR (mediante reflexiones de Householder y rotaciones de Givens o Gram-Schmidt), la factorización de Cholesky para matrices simétricas definidas positivas, y la descomposición en valores singulares, junto con su uso en problemas de mínimos cuadrados, determinación de rango y aproximación de bajo rango.

Core questions

• ¿Cómo resuelve la factorización QR los problemas de mínimos cuadrados sin formar las ecuaciones normales mal condicionadas?
• ¿Cuándo es aplicable la factorización de Cholesky y por qué es más económica y estable que la LU general para matrices simétricas definidas positivas?
• ¿Qué información sobre el rango, la norma y la aproximación de bajo rango revela la descomposición en valores singulares?
• ¿Qué esquema de ortogonalización —Householder, Givens o Gram-Schmidt— preserva mejor la precisión?

Key theories

Factorización QR y ortogonalización

Cualquier matriz puede escribirse como A = QR, donde Q tiene columnas ortonormales y R es triangular superior; calculada con reflexiones de Householder, es estable hacia atrás y proporciona la ruta estándar para las soluciones de mínimos cuadrados lineales.

Descomposición en valores singulares

Toda matriz se factoriza como A = U S V-transpuesta, donde U, V son ortogonales y S es diagonal con valores singulares no negativos; la SVD revela el rango, la 2-norma y el número de condición, los cuatro subespacios fundamentales y la aproximación óptima de bajo rango mediante el teorema de Eckart-Young.

Factorización de Cholesky

Una matriz simétrica definida positiva se factoriza como A = L L-transpuesta, donde L es triangular inferior; la factorización no requiere pivoteo para la estabilidad y cuesta aproximadamente la mitad que la LU general.

Mechanisms

La QR de Householder introduce ceros debajo de la diagonal una columna a la vez usando reflexiones ortogonales, acumulando Q implícitamente; las rotaciones de Givens anulan entradas individuales y son adecuadas para contextos dispersos o de actualización. Cholesky explota la simetría y la definición positiva para calcular L directamente. La SVD se calcula en dos fases —bidiagonalización mediante transformaciones ortogonales seguida de una diagonalización iterativa de la forma bidiagonal— manteniendo todas las cantidades intermedias bien condicionadas.

Clinical relevance

Las factorizaciones matriciales son los motores detrás del ajuste de datos por mínimos cuadrados, el análisis de componentes principales y la reducción de dimensionalidad, la regularización de problemas inversos mal planteados, los sistemas de recomendación y la reducción del orden del modelo, donde la SVD, en particular, proporciona el resumen de bajo rango matemáticamente óptimo de datos de alta dimensionalidad.

History

El uso numérico sistemático de las factorizaciones ortogonales creció en las décadas de 1950 y 1960 con las reflexiones de Householder y el algoritmo de Golub-Kahan para la SVD, que transformó la descomposición en valores singulares de una herramienta teórica en una herramienta rutinariamente computable y la hizo central para los mínimos cuadrados y el análisis de datos.

Key figures

• Alston S. Householder
• Gene H. Golub
• William Kahan

Seminal works

• trefethen1997
• golub2013

Frequently asked questions

¿Por qué usar QR en lugar de las ecuaciones normales para los mínimos cuadrados?

Formar las ecuaciones normales eleva al cuadrado el número de condición de la matriz, lo que puede destruir la precisión. Una factorización QR trabaja con la matriz original a través de transformaciones ortogonales y es estable hacia atrás, por lo que proporciona soluciones de mínimos cuadrados más fiables.

¿Qué hace que la SVD sea tan ampliamente utilizada?

La SVD revela simultáneamente el rango, la norma, el número de condición y la aproximación óptima de bajo rango de una matriz, todo a través de factores ortogonales que se comportan numéricamente bien, razón por la cual sustenta la compresión de datos, la eliminación de ruido y la reducción de dimensionalidad.