Faktorisasi Matriks

Faktorisasi matriks menyatakan suatu matriks sebagai hasil kali dari faktor-faktor yang lebih sederhana — segitiga, ortogonal, atau diagonal — dari mana solusi, penyesuaian kuadrat terkecil, dan informasi spektral dapat dibaca secara stabil.

Definition

Faktorisasi matriks adalah representasi dari suatu matriks sebagai hasil kali dari dua atau lebih matriks dengan struktur khusus, yang dipilih agar masalah fundamental — menyelesaikan sistem, menyesuaikan data, menghitung peringkat atau norma — menjadi mudah dan stabil secara numerik.

Scope

Topik ini mencakup faktorisasi QR (melalui refleksi Householder dan rotasi Givens atau Gram-Schmidt), faktorisasi Cholesky untuk matriks simetris definit positif, dan dekomposisi nilai singular, bersama dengan penggunaannya dalam masalah kuadrat terkecil, penentuan peringkat, dan aproksimasi peringkat rendah.

Core questions

• Bagaimana faktorisasi QR menyelesaikan masalah kuadrat terkecil tanpa membentuk persamaan normal yang tidak terkondisi dengan baik?
• Kapan faktorisasi Cholesky dapat diterapkan, dan mengapa faktorisasi ini lebih murah dan lebih stabil daripada LU umum untuk matriks simetris definit positif?
• Informasi apa tentang peringkat, norma, dan aproksimasi peringkat rendah yang diungkapkan oleh dekomposisi nilai singular?
• Skema ortogonalisasi mana — Householder, Givens, atau Gram-Schmidt — yang paling baik menjaga akurasi?

Key theories

Faktorisasi QR dan ortogonalisasi

Setiap matriks dapat ditulis sebagai A = QR dengan Q memiliki kolom ortonormal dan R segitiga atas; dihitung dengan refleksi Householder, ini stabil ke belakang dan menyediakan jalur standar untuk solusi kuadrat terkecil linier.

Dekomposisi nilai singular

Setiap matriks berfaktor sebagai A = U S V-transpose dengan U, V ortogonal dan S diagonal dengan nilai singular non-negatif; SVD mengungkapkan peringkat, 2-norma dan bilangan kondisi, empat subruang fundamental, dan aproksimasi peringkat rendah optimal melalui teorema Eckart-Young.

Faktorisasi Cholesky

Matriks simetris definit positif berfaktor sebagai A = L L-transpose dengan L segitiga bawah; faktorisasi ini tidak memerlukan pivoting untuk stabilitas dan biayanya sekitar setengah dari LU umum.

Mechanisms

QR Householder memperkenalkan nol di bawah diagonal satu kolom pada satu waktu menggunakan refleksi ortogonal, mengumpulkan Q secara implisit; rotasi Givens menolkan entri individual dan cocok untuk konteks jarang atau pembaruan. Cholesky memanfaatkan simetri dan definit positif untuk menghitung L secara langsung. SVD dihitung dalam dua fase — bidiagonalisasi dengan transformasi ortogonal diikuti oleh diagonalisasi iteratif dari bentuk bidiagonal — menjaga semua kuantitas perantara tetap terkondisi dengan baik.

Clinical relevance

Faktorisasi matriks adalah mesin di balik penyesuaian data kuadrat terkecil, analisis komponen utama dan reduksi dimensi, regularisasi masalah invers yang tidak tepat, sistem rekomendasi, dan reduksi orde model, di mana SVD secara khusus memberikan ringkasan peringkat rendah yang optimal secara matematis dari data berdimensi tinggi.

History

Penggunaan numerik sistematis faktorisasi ortogonal berkembang pada tahun 1950-an dan 1960-an dengan refleksi Householder dan algoritma Golub-Kahan untuk SVD, yang mengubah dekomposisi nilai singular dari alat teoretis menjadi alat yang dapat dihitung secara rutin dan menjadikannya pusat analisis kuadrat terkecil dan data.

Key figures

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

Seminal works

• trefethen1997
• golub2013

Frequently asked questions

Mengapa menggunakan QR daripada persamaan normal untuk kuadrat terkecil?

Membentuk persamaan normal mengkuadratkan bilangan kondisi matriks, yang dapat merusak akurasi. Faktorisasi QR bekerja dengan matriks asli melalui transformasi ortogonal dan stabil ke belakang, sehingga memberikan solusi kuadrat terkecil yang lebih andal.

Apa yang membuat SVD begitu banyak digunakan?

SVD secara bersamaan mengungkapkan peringkat, norma, bilangan kondisi, dan aproksimasi peringkat rendah optimal dari suatu matriks, semuanya melalui faktor ortogonal yang berperilaku baik secara numerik, itulah sebabnya SVD mendasari kompresi data, denoising, dan reduksi dimensi.