Decomposições de Matrizes em Estatística
As decomposições de matrizes fatoram uma matriz em fatores estruturados mais simples e, em estatística, fornecem a maquinaria estável e eficiente por trás da regressão, modelagem de covariância e redução de dimensionalidade.
Definition
Decomposições de matrizes em estatística são fatorações de matrizes de design, covariância e matrizes relacionadas em componentes estruturados, como fatores triangulares, ortogonais ou diagonais, que tornam os cálculos estatísticos numericamente estáveis e eficientes.
Scope
Este tópico abrange a fatoração de Cholesky para matrizes de covariância e precisão, a decomposição QR para mínimos quadrados, a decomposição de valor singular e seus usos estatísticos na análise de componentes principais e problemas de posto deficiente, e a decomposição própria de matrizes de covariância simétricas. O foco é em como cada fatoração serve a um cálculo estatístico.
Core questions
- Como a fatoração de Cholesky suporta os cálculos de covariância e precisão?
- Por que a decomposição QR é o caminho estável para estimativas de mínimos quadrados?
- Como a decomposição de valor singular sustenta a análise de componentes principais e lida com a deficiência de posto?
- Como a decomposição própria de uma matriz de covariância revela sua estrutura?
Key concepts
- Fatoração de Cholesky
- Decomposição QR
- Decomposição de valor singular
- Decomposição própria
- Definição positiva
- Deficiência de posto
Key theories
- Fatorações triangulares e ortogonais
- A fatoração de Cholesky de uma matriz de covariância definida positiva e a decomposição QR de uma matriz de design fornecem soluções estáveis e eficientes para os sistemas lineares e problemas de mínimos quadrados no cerne da estimação estatística.
- Decomposições espectrais e de valor singular
- A decomposição própria de uma matriz de covariância e a decomposição de valor singular de uma matriz de dados expõem direções principais e postos, fundamentando a análise de componentes principais e o tratamento de problemas colineares ou de posto deficiente.
Clinical relevance
As decomposições tornam a amostragem de covariância, mínimos quadrados generalizados, análise de componentes principais e regressão de crista (ridge regression) viáveis e estáveis; o fator de Cholesky, por exemplo, é usado para simular variáveis normais correlacionadas e para avaliar verossimilhanças normais multivariadas de forma eficiente.
History
As fatorações clássicas desenvolvidas na álgebra linear numérica, as decomposições QR e de valor singular em particular, foram adotadas por estatísticos ao longo do final do século XX como a base estável para regressão, análise multivariada e redução de dimensionalidade.
Key figures
- Gene Golub
- Charles Van Loan
- André-Louis Cholesky
- Carl Eckart
Related topics
Seminal works
- golub2013
- monahan2011
Frequently asked questions
- Por que a fatoração de Cholesky é tão comum em estatística?
- As matrizes de covariância e precisão são simétricas e definidas positivas, o que é exatamente a estrutura que a fatoração de Cholesky explora. Ela oferece uma maneira eficiente de resolver sistemas, avaliar densidades normais multivariadas e simular variáveis correlacionadas.
- O que a decomposição de valor singular faz pela análise de componentes principais?
- A aplicação da decomposição de valor singular a uma matriz de dados centrada produz diretamente os componentes principais e a variância que cada um explica, de uma forma numericamente estável que também lida graciosamente com dados de posto deficiente ou colineares.