تجزیه ماتریس در آمار

تجزیه ماتریس، یک ماتریس را به عوامل ساختاریافته ساده‌تر تجزیه می‌کند و در آمار، سازوکار پایدار و کارآمدی را برای رگرسیون، مدل‌سازی کوواریانس و کاهش ابعاد فراهم می‌آورد.

Definition

تجزیه ماتریس در آمار، تجزیه ماتریس‌های طرح، کوواریانس و ماتریس‌های مرتبط به مؤلفه‌های ساختاریافته، مانند عوامل مثلثی، متعامد یا قطری است که محاسبات آماری را از نظر عددی پایدار و کارآمد می‌سازد.

Scope

این موضوع شامل تجزیه چولسکی برای ماتریس‌های کوواریانس و دقت، تجزیه QR برای حداقل مربعات، تجزیه مقدار منفرد و کاربردهای آماری آن در تحلیل مؤلفه‌های اصلی و مسائل با رتبه ناقص، و تجزیه مقادیر ویژه ماتریس‌های کوواریانس متقارن است. تمرکز بر این است که چگونه هر تجزیه به یک محاسبه آماری کمک می‌کند.

Core questions

• چگونه تجزیه چولسکی از محاسبات کوواریانس و دقت پشتیبانی می‌کند؟
• چرا تجزیه QR مسیر پایداری برای تخمین‌های حداقل مربعات است؟
• چگونه تجزیه مقدار منفرد زیربنای تحلیل مؤلفه‌های اصلی است و با نقص رتبه مقابله می‌کند؟
• چگونه تجزیه مقادیر ویژه یک ماتریس کوواریانس ساختار آن را آشکار می‌کند؟

Key concepts

• تجزیه چولسکی
• تجزیه QR
• تجزیه مقدار منفرد
• تجزیه مقادیر ویژه
• مثبت معین بودن
• نقص رتبه

Key theories

تجزیه‌های مثلثی و متعامد

تجزیه چولسکی یک ماتریس کوواریانس مثبت معین و تجزیه QR یک ماتریس طرح، راه‌حل‌های پایدار و کارآمدی را برای سیستم‌های خطی و مسائل حداقل مربعات که در قلب تخمین آماری قرار دارند، ارائه می‌دهند.

تجزیه‌های طیفی و مقدار منفرد

تجزیه مقادیر ویژه یک ماتریس کوواریانس و تجزیه مقدار منفرد یک ماتریس داده، جهت‌های اصلی و رتبه‌ها را آشکار می‌سازند و تحلیل مؤلفه‌های اصلی و برخورد با مسائل هم‌خطی یا با رتبه ناقص را پایه ریزی می‌کنند.

Clinical relevance

تجزیه‌ها، نمونه‌برداری کوواریانس، حداقل مربعات تعمیم‌یافته، تحلیل مؤلفه‌های اصلی و رگرسیون ریج را هم عملی و هم پایدار می‌سازند؛ برای مثال، عامل چولسکی برای شبیه‌سازی متغیرهای نرمال همبسته و ارزیابی کارآمد چگالی‌های نرمال چندمتغیره استفاده می‌شود.

History

تجزیه‌های کلاسیک توسعه‌یافته در جبر خطی عددی، به ویژه تجزیه‌های QR و مقدار منفرد، توسط آمارشناسان در اواخر قرن بیستم به عنوان پایه پایدار برای رگرسیون، تحلیل چندمتغیره و کاهش ابعاد پذیرفته شدند.

Key figures

• Gene Golub
• Charles Van Loan
• André-Louis Cholesky
• Carl Eckart

Seminal works

• golub2013
• monahan2011

Frequently asked questions

چرا تجزیه چولسکی در آمار بسیار رایج است؟

ماتریس‌های کوواریانس و دقت، متقارن و مثبت معین هستند، که دقیقاً همان ساختاری است که تجزیه چولسکی از آن بهره‌برداری می‌کند. این تجزیه راهی کارآمد برای حل سیستم‌ها، ارزیابی چگالی‌های نرمال چندمتغیره و شبیه‌سازی متغیرهای همبسته فراهم می‌آورد.

تجزیه مقدار منفرد برای تحلیل مؤلفه‌های اصلی چه کاری انجام می‌دهد؟

اعمال تجزیه مقدار منفرد بر یک ماتریس داده مرکزی‌شده، مستقیماً مؤلفه‌های اصلی و واریانس توضیح داده شده توسط هر یک را به روشی عددی پایدار ارائه می‌دهد که به خوبی با داده‌های دارای نقص رتبه یا هم‌خطی نیز کنار می‌آید.