En álgebra lineal, la descomposición en valores singulares (o DVS) de una matriz real o compleja es una factorización de la misma con muchas aplicaciones en estadística y otras disciplinas.
es decir, el rango de la matriz coincide con la cantidad de Valores Singulares no nulos.
Demostración
. Teniendo en cuenta este resultado
Como el conjunto de los vectores es ortonormal (por lo tanto linealmente independiente), se ve que hacer el producto es ni más ni menos que una combinación lineal de las columnas de la matriz; por lo que el espacio generado por estos productos y las columnas de la matriz es el mismo. Por lo tanto, teniendo en cuenta lo demostrado en el punto anterior, es una base ortonormal del
Es claro que si los vectores están asociados a autovalores nulos, teniendo en cuenta lo visto en el punto 1 y también sabiendo que (demostración en el último punto de esta lista de propiedades) se ve que es una base ortonormal del
Mirando la dimensión del subespacio hallado en el punto 2 de esta demostración, es claro que
Descomposición en Valores Singulares de una matriz
Una DVS de es una factorización del tipo con , ortogonales y una matriz formada con los Valores Singulares de en su diagonal principal ordenados de mayor a menor.
Recordemos que el conjunto es ortogonal, con . Si llamamos , vemos que:
es un conjunto ortonormal. Entonces, si podemos completar con hasta formar una base ortonormal de
Reescribiendo este último sistema de ecuaciones de manera matricial con las matrices ortogonal y
Claramente y, finalmente, como es una matriz ortogonal. Esta es la ecuación de una DVS de .
Viendo esta descomposición, es claro que la matriz puede escribirse como combinación lineal de matrices de rango 1 tal que:
Teorema
Toda matriz admite una DVS.
Descomposición en Valores Singulares Reducida (DVS Reducida)
Este tipo de descomposición resulta de quedarse sólo con los autovectores unitarios asociados a los Valores Singulares no nulos. Las matrices entonces son:
Las matrices a continuación denotadas con la letra , son de proyección sobre el subespacio indicado. Las matrices denotadas con la letra son las identidades del orden denotado.
Las matrices simétricas y tienen los mismos autovalores no nulos y, por lo tanto, los Valores Singulares no nulos de la matriz pueden calcularse usando cualquiera de estas 2. Además, todos los vectores del conjunto son autovectores de y también, como ya se mencionó, . Esto es fácil de ver, teniendo en cuenta que:
Este resultado es útil para facilitar el cálculo de Valores Singulares. Por ejemplo, dada , entonces tiene un polinomio característico de grado 8 y tiene un polinomio característico de grado 2. Como los autovalores no nulos de ambas matrices coinciden, el cálculo de Valores Singulares de se hace más sencillo.
Aplicaciones
Pseudoinversa
Para una matriz no cuadrada descompuesta en valores singulares , su pseudoinversa es
donde es la pseudoinversa de , que siendo una matriz diagonal se computa reemplazando todos los valores no ceros de la diagonal por sus recíprocos, y luego trasponiendo.
La pseudoinversa obtenida mediante la DVS permite hallar x que minimiza la norma ||Ax-b|| . La solución esː
Se aplica para aproximar la solución del sistema de ecuaciones indeterminado Ax = b.
Solución de ecuaciones lineales homogéneas
Un conjunto de ecuaciones lineales homogéneas se puede escribir Ax = 0 para una matriz A y un vector x. Una situación típica consiste hallar x no cero, conociendo A. Las soluciones son todos los vectores singulares cuyo valor singular es cero, y toda combinación lineal entre ellos. Si A no tiene ningún valor singular cero, entonces no hay solución aparte de x = 0.
Minimización de cuadrados mínimos totales
El problema de minimización por cuadrados mínimos totales consiste en hallar x que minimiza la norma ||Ax|| bajo la condición ||x|| = 1
para
La solución es el vector singular correspondiente al mínimo valor singular no cero.
Ejemplos de cálculo de DVS
Ejemplo 1
Si , entonces cuyos autovalores son asociados a los autovectores . Ya que la matriz es simétrica, estos vectores son ortogonales (ver diagonalización de matrices Hermíticas).
Entonces, los Valores Singulares de son . Observamos que, efectivamente, la cantidad de Valores Singulares no nulos coincide con el rango de la matriz.
Ahora buscamos los vectores con , que deberán cumplir
Y la matriz compuesta por los Valores Singulares ordenados:
Por lo tanto la DVS de es:
.
Y la DVS Reducida es
Observación: No siempre ocurre que como en este caso.
Ejemplo 2
Sea . Entonces, para hacer más sencillo el proceso, calculamos que tiene un polinomio característico de grado 2. Los autovalores son asociados a los autovectores de norma unitaria . Nuestro único valor singular no nulo es
Observaciones:
Es claro que coincide con la cantidad de Valores Singulares no nulos de la matriz y además
descomposición, valores, singulares, álgebra, lineal, descomposición, valores, singulares, matriz, real, compleja, factorización, misma, muchas, aplicaciones, estadística, otras, disciplinas, Índice, definiciones, previas, definición, teorema, demostración, de. En algebra lineal la descomposicion en valores singulares o DVS de una matriz real o compleja es una factorizacion de la misma con muchas aplicaciones en estadistica y otras disciplinas Indice 1 Definiciones previas 1 1 Definicion 1 1 1 Teorema 1 1 2 Demostracion 2 Descomposicion en Valores Singulares de una matriz 2 1 Demostracion 2 1 1 Teorema 3 Descomposicion en Valores Singulares Reducida DVS Reducida 4 Propiedades 5 Aplicaciones 5 1 Pseudoinversa 5 2 Solucion de norma minima 5 3 Solucion de ecuaciones lineales homogeneas 5 4 Minimizacion de cuadrados minimos totales 6 Ejemplos de calculo de DVS 6 1 Ejemplo 1 6 2 Ejemplo 2 7 Vease tambienDefiniciones previas EditarDada una matriz real A R m n displaystyle A in mathbb R m times n los autovalores de la matriz cuadrada simetrica y semidefinida positiva A T A R n n displaystyle A T A in mathbb R n times n son siempre reales y mayores o iguales a cero Teniendo en cuenta el producto interno canonico vemos que A T A T A T A T T A T A displaystyle left A T A right T A T left A T right T A T A O sea que es simetrica lt x A T A x gt x T A T A x A x T A x A x 2 0 displaystyle lt x A T Ax gt x T A T Ax Ax T Ax Ax 2 geq 0 es decir A T A displaystyle A T A es semidefinida positiva es decir todos sus autovalores son mayores o iguales a cero Si l i displaystyle lambda i es el i esimo autovalor asociado al i esimo autovector entonces l i R displaystyle lambda i in mathbb R Esto es una propiedad de las matrices simetricas Ver demostracion Definicion Editar Sean l 1 l 2 l n 0 displaystyle lambda 1 geq lambda 2 geq cdots geq lambda n geq 0 los autovalores de la matriz A T A displaystyle A T A ordenados de mayor a menor Entonces s i l i displaystyle sigma i sqrt lambda i es el i esimo Valor Singular de la matriz A displaystyle A Teorema Editar Sea A R m n displaystyle A in mathbb R m times n y l 1 l r gt l r 1 l n 0 displaystyle lambda 1 geq cdots geq lambda r gt lambda r 1 cdots lambda n 0 los autovalores de A T A displaystyle A T A Es decir los primeros r displaystyle r autovalores no nulos ordenados de manera decreciente y los n r displaystyle n r autovalores nulos Sea v 1 v n displaystyle big v 1 cdots v n big una base ortonormal de R n displaystyle mathbb R n formada por autovectores de A T A displaystyle A T A Entonces A v 1 A v r displaystyle Big Av 1 cdots Av r Big es un conjunto ortogonal y A v i l i s i displaystyle Av i sqrt lambda i sigma i A v 1 s 1 A v r s r displaystyle Bigg frac Av 1 sigma 1 cdots frac Av r sigma r Bigg es una base ortonormal del subespacio fundamental C o l A displaystyle Col A v r 1 v n displaystyle Big v r 1 cdots v n Big es una base ortonormal del subespacio fundamental N u l A displaystyle Nul A r a n g o A r displaystyle rango A r es decir el rango de la matriz A displaystyle A coincide con la cantidad de Valores Singulares no nulos Demostracion Editar lt A v i A v j gt v i T A T A v j l j v i T v j l j si i j 0 si i j displaystyle lt Av i Av j gt v i T A T Av j lambda j cdot v i T v j left begin array c lambda j quad mbox si i j 0 quad mbox si i neq j end array right Teniendo en cuenta este resultado A v i lt A v i A v i gt l i s i displaystyle Av i sqrt lt Av i Av i gt sqrt lambda i sigma i Como el conjunto de los vectores v i 1 i r displaystyle v i 1 leq i leq r es ortonormal por lo tanto linealmente independiente se ve que hacer el producto A v i displaystyle Av i es ni mas ni menos que una combinacion lineal de las columnas de la matriz por lo que el espacio generado por estos productos y las columnas de la matriz es el mismo Por lo tanto teniendo en cuenta lo demostrado en el punto anterior A v 1 s 1 A v r s r displaystyle Bigg frac Av 1 sigma 1 cdots frac Av r sigma r Bigg es una base ortonormal del C o l A displaystyle Col A Es claro que si los vectores v i r 1 i n displaystyle v i r 1 leq i leq n estan asociados a autovalores nulos teniendo en cuenta lo visto en el punto 1 y tambien sabiendo que N u l A N u l A T A displaystyle Nul A Nul A T A demostracion en el ultimo punto de esta lista de propiedades se ve que v r 1 v n displaystyle Big v r 1 cdots v n Big es una base ortonormal del N u l A displaystyle Nul A Mirando la dimension del subespacio hallado en el punto 2 de esta demostracion es claro que r a n g o A r displaystyle rango A r Descomposicion en Valores Singulares de una matriz EditarUna DVS de A displaystyle A es una factorizacion del tipo A U S V T displaystyle A U Sigma V T con U R m m displaystyle U in mathbb R m times m V R n n displaystyle V in mathbb R n times n ortogonales y S R m n displaystyle Sigma in mathbb R m times n una matriz formada con los Valores Singulares de A displaystyle A en su diagonal principal ordenados de mayor a menor Demostracion Editar Sean l 1 l r gt l r 1 l n 0 displaystyle lambda 1 geq cdots geq lambda r gt lambda r 1 cdots lambda n 0 los autovalores de A T A R n n displaystyle A T A in mathbb R n times n ordenados de esta manera Sea v 1 v n displaystyle big v 1 cdots v n big una base ortonormal de R n displaystyle mathbb R n formada por autovectores de A T A displaystyle A T A cada uno asociados en orden a un autovalor Recordemos que el conjunto A v 1 A v n displaystyle Big Av 1 cdots Av n Big es ortogonal con A v r 1 A v m 0 R m displaystyle Av r 1 cdots Av m 0 mathbb R m Si llamamos u 1 A v 1 s 1 u r A v r s r displaystyle u 1 frac Av 1 sigma 1 cdots u r frac Av r sigma r vemos que u 1 u r displaystyle big u 1 cdots u r big es un conjunto ortonormal Entonces si r lt m displaystyle r lt m podemos completar con u r 1 u m displaystyle big u r 1 cdots u m big hasta formar una base ortonormal de R m displaystyle mathbb R m A v 1 s 1 u 1 A v r s r u r A v r 1 0 R m A v n 0 R m displaystyle left begin array c Av 1 sigma 1 u 1 vdots Av r sigma r u r Av r 1 0 mathbb R m vdots Av n 0 mathbb R m end array right Reescribiendo este ultimo sistema de ecuaciones de manera matricial con las matrices V v 1 v n R n n displaystyle V v 1 quad cdots quad v n in mathbb R n times n ortogonal yU S u 1 u m U ℜ m m o r t o g o n a l s 1 0 0 0 0 0 s 2 0 0 0 0 0 s r 0 0 0 0 0 0 0 0 0 0 0 0 S ℜ m n s 1 u 1 s r u r 0 0 displaystyle U Sigma underbrace u 1 quad quad cdots quad quad u m U in Re m times m ortogonal underbrace left begin array ccccccc sigma 1 amp 0 amp cdots amp 0 amp 0 amp cdots amp 0 0 amp sigma 2 amp cdots amp 0 amp 0 amp cdots amp 0 vdots amp vdots amp ddots amp vdots amp vdots amp ddots amp vdots 0 amp 0 amp cdots amp sigma r amp 0 amp cdots amp 0 0 amp 0 amp cdots amp 0 amp 0 amp cdots amp 0 vdots amp vdots amp ddots amp vdots amp vdots amp ddots amp vdots 0 amp 0 amp cdots amp 0 amp 0 amp cdots amp 0 end array right Sigma in Re m times n sigma 1 u 1 quad cdots quad sigma r u r quad 0 quad cdots quad 0 Claramente A V U S displaystyle AV U Sigma y finalmente como V displaystyle V es una matriz ortogonal A U S V T displaystyle A U Sigma V T Esta es la ecuacion de una DVS de A displaystyle A Viendo esta descomposicion es claro que la matriz A displaystyle A puede escribirse como combinacion lineal de matrices de rango 1 tal que A i 1 r s i u i v i T displaystyle A sum i 1 r sigma i u i v i T Teorema Editar Toda matriz A R m n displaystyle A in mathbb R m times n admite una DVS Descomposicion en Valores Singulares Reducida DVS Reducida EditarEste tipo de descomposicion resulta de quedarse solo con los r displaystyle r autovectores unitarios asociados a los r displaystyle r Valores Singulares no nulos Las matrices U V y S displaystyle U V y Sigma entonces son U r u 1 u r T displaystyle U r u 1 quad cdots quad u r T V r v 1 v r T displaystyle V r v 1 quad cdots quad v r T S r d i a g s 1 s r T displaystyle Sigma r diag sigma 1 quad cdots quad sigma r T A U r S r V r T displaystyle A U r Sigma r V r T Observacion S r displaystyle Sigma r es una matriz diagonal de dimension r r displaystyle r times r Propiedades EditarLas matrices a continuacion denotadas con la letra P displaystyle P son de proyeccion sobre el subespacio indicado Las matrices denotadas con la letra I displaystyle I son las identidades del orden denotado P C o l A U r U r T displaystyle P Col A U r U r T P N u l A T I m U r U r T U m r U m r T displaystyle P Nul left A T right I m U r U r T U m r U m r T P F i l A V r V r T displaystyle P Fil A V r V r T P N u l A I n V r V r T V n r V n r T displaystyle P Nul A I n V r V r T V n r V n r T U r T U r U m r T U m r I m displaystyle U r T U r U m r T U m r I m V r T V r V n r T V n r I n displaystyle V r T V r V n r T V n r I n u 1 u r displaystyle big u 1 cdots u r big es una base ortonormal de C o l A displaystyle Col A u r 1 u m displaystyle big u r 1 cdots u m big es una base ortonormal de N u l A T displaystyle Nul left A T right v 1 v r displaystyle big v 1 cdots v r big es una base ortonormal de F i l A displaystyle Fil A v r 1 v n displaystyle big v r 1 cdots v n big es una base ortonormal de N u l A displaystyle Nul A A U S V T A T U S V T T V S T U T displaystyle A U Sigma V T Longrightarrow A T left U Sigma V T right T V Sigma T U T A T A V S T U T U S V T A T A V S T S V T A T A V r d i a g l 1 l r T V r T displaystyle A T A V Sigma T U T U Sigma V T Longleftrightarrow A T A V Sigma T Sigma V T Longleftrightarrow A T A V r diag lambda 1 quad cdots quad lambda r T V r T Una diagonalizacion ortogonal de A T A displaystyle A T A Las matrices simetricas A T A R n n displaystyle A T A in mathbb R n times n y A A T R m m displaystyle AA T in mathbb R m times m tienen los mismos autovalores no nulos y por lo tanto los Valores Singulares no nulos de la matriz A displaystyle A pueden calcularse usando cualquiera de estas 2 Ademas todos los vectores del conjunto u 1 u r displaystyle big u 1 cdots u r big son autovectores de A A T R m m displaystyle AA T in mathbb R m times m y tambien como ya se menciono N u l A T u r 1 u m displaystyle Nul left A T right big u r 1 cdots u m big Esto es facil de ver teniendo en cuenta que 1 i r A v i s i u i A A T A v i l i v i s i A A T u i l i A v i s i 2 A v i s i u i s i A A T u i A A T u i s i 2 u i l i u i displaystyle forall quad 1 leq i leq r quad Av i sigma i u i Longleftrightarrow A underbrace A T Av i lambda i cdot v i sigma i cdot AA T u i Longleftrightarrow lambda i cdot Av i sigma i 2 cdot underbrace Av i sigma i u i sigma i cdot AA T u i Longleftrightarrow AA T u i sigma i 2 cdot u i lambda i cdot u i Este resultado es util para facilitar el calculo de Valores Singulares Por ejemplo dada A R 2 8 displaystyle A in mathbb R 2 times 8 entonces A T A R 8 8 displaystyle A T A in mathbb R 8 times 8 tiene un polinomio caracteristico de grado 8 y A A T R 2 2 displaystyle AA T in mathbb R 2 times 2 tiene un polinomio caracteristico de grado 2 Como los autovalores no nulos de ambas matrices coinciden el calculo de Valores Singulares de A displaystyle A se hace mas sencillo Aplicaciones EditarPseudoinversa Editar Para una matriz no cuadrada A displaystyle A descompuesta en valores singulares A U S V T displaystyle A U Sigma V T su pseudoinversa esA V S U T displaystyle A V Sigma U T donde S displaystyle Sigma es la pseudoinversa de S displaystyle Sigma que siendo una matriz diagonal se computa reemplazando todos los valores no ceros de la diagonal por sus reciprocos y luego trasponiendo La pseudoinversa es un camino para resolver cuadrados minimos lineales Solucion de norma minima Editar La pseudoinversa obtenida mediante la DVS permite hallar x que minimiza la norma Ax b La solucion esːx m i n A b V S U T b displaystyle x min A b V Sigma U T b Se aplica para aproximar la solucion del sistema de ecuaciones indeterminado Ax b Solucion de ecuaciones lineales homogeneas Editar Un conjunto de ecuaciones lineales homogeneas se puede escribir Ax 0 para una matriz A y un vector x Una situacion tipica consiste hallar x no cero conociendo A Las soluciones son todos los vectores singulares cuyo valor singular es cero y toda combinacion lineal entre ellos Si A no tiene ningun valor singular cero entonces no hay solucion aparte de x 0 Minimizacion de cuadrados minimos totales Editar El problema de minimizacion por cuadrados minimos totales consiste en hallar x que minimiza la norma Ax bajo la condicion x 1min x A x displaystyle min x parallel Ax parallel para x 1 displaystyle parallel x parallel 1 La solucion es el vector singular correspondiente al minimo valor singular no cero Ejemplos de calculo de DVS EditarEjemplo 1 Editar Si A 0 0 0 9 3 0 displaystyle A left begin array cc 0 amp 0 0 amp 9 3 amp 0 end array right entonces A T A 9 0 0 81 displaystyle A T A left begin array cc 9 amp 0 0 amp 81 end array right cuyos autovalores son l 1 81 l 2 9 displaystyle lambda 1 81 quad wedge quad lambda 2 9 asociados a los autovectores v 1 0 1 T v 2 1 0 T displaystyle v 1 0 quad 1 T quad wedge quad v 2 1 quad 0 T Ya que la matriz es simetrica estos vectores son ortogonales ver diagonalizacion de matrices Hermiticas Entonces los Valores Singulares de A displaystyle A son s 1 81 9 s 2 9 3 displaystyle sigma 1 sqrt 81 9 quad wedge quad sigma 2 sqrt 9 3 Observamos que efectivamente la cantidad de Valores Singulares no nulos coincide con el rango de la matriz Ahora buscamos los vectores u 1 u 2 u 3 displaystyle big u 1 u 2 u 3 big con u i R 3 displaystyle u i in mathbb R 3 que deberan cumplir A v 1 s 1 u 1 A v 2 s 2 u 2 A v 3 0 R 3 displaystyle left begin array c Av 1 sigma 1 u 1 Av 2 sigma 2 u 2 Av 3 0 mathbb R 3 end array right Esto es u 1 A v 1 s 1 1 9 0 9 0 T 0 1 0 T displaystyle u 1 frac Av 1 sigma 1 frac 1 9 0 quad 9 quad 0 T 0 quad 1 quad 0 T y u 2 A v 2 s 2 1 3 0 0 3 T 0 0 1 T displaystyle u 2 frac Av 2 sigma 2 frac 1 3 0 quad 0 quad 3 T 0 quad 0 quad 1 T Entonces completamos una base ortonormal de R 3 displaystyle mathbb R 3 con 0 1 0 T 0 0 1 T 1 0 0 T displaystyle Big 0 quad 1 quad 0 T 0 quad 0 quad 1 T 1 quad 0 quad 0 T Big Nuestras matrices ortogonales son U 0 0 1 1 0 0 0 1 0 V 0 1 1 0 displaystyle U left begin array ccc 0 amp 0 amp 1 1 amp 0 amp 0 0 amp 1 amp 0 end array right quad V left begin array cc 0 amp 1 1 amp 0 end array right Y la matriz compuesta por los Valores Singulares ordenados S 9 0 0 3 0 0 displaystyle Sigma left begin array cc 9 amp 0 0 amp 3 0 amp 0 end array right Por lo tanto la DVS de A displaystyle A es A 0 0 1 1 0 0 0 1 0 9 0 0 3 0 0 0 1 1 0 9 0 1 0 0 1 3 0 0 1 1 0 0 0 0 9 3 0 displaystyle A left begin array ccc 0 amp 0 amp 1 1 amp 0 amp 0 0 amp 1 amp 0 end array right left begin array cc 9 amp 0 0 amp 3 0 amp 0 end array right left begin array cc 0 amp 1 1 amp 0 end array right 9 cdot left begin array c 0 1 0 end array right cdot 0 quad 1 3 cdot left begin array c 0 0 1 end array right cdot 1 quad 0 left begin array cc 0 amp 0 0 amp 9 3 amp 0 end array right Y la DVS Reducida esA 0 0 1 0 0 1 9 0 0 3 0 1 1 0 displaystyle A left begin array cc 0 amp 0 1 amp 0 0 amp 1 end array right left begin array cc 9 amp 0 0 amp 3 end array right left begin array cc 0 amp 1 1 amp 0 end array right Observacion No siempre ocurre que V V T displaystyle V V T como en este caso Ejemplo 2 Editar Sea B 0 0 1 0 0 1 displaystyle B left begin array ccc 0 amp 0 amp 1 0 amp 0 amp 1 end array right Entonces para hacer mas sencillo el proceso calculamos B B T 1 1 1 1 displaystyle BB T left begin array cc 1 amp 1 1 amp 1 end array right que tiene un polinomio caracteristico de grado 2 Los autovalores son l 1 2 l 2 0 displaystyle lambda 1 2 quad wedge quad lambda 2 0 asociados a los autovectores de norma unitaria u 1 1 2 1 1 T u 2 1 2 1 1 T displaystyle u 1 frac 1 sqrt 2 cdot 1 quad 1 T quad wedge quad u 2 frac 1 sqrt 2 cdot 1 quad 1 T Nuestro unico valor singular no nulo es s 1 2 displaystyle sigma 1 sqrt 2 Observaciones Es claro que r a n g o B 1 displaystyle rango B 1 coincide con la cantidad de Valores Singulares no nulos de la matriz y ademas C o l B 1 2 1 1 T displaystyle Col B Bigg frac 1 sqrt 2 cdot 1 quad 1 T Bigg Sabemos que B T B R 3 3 displaystyle B T B in mathbb R 3 times 3 tiene un polinomio caracteristico de grado 3 Entonces sus raices son l 1 2 l 2 l 3 0 displaystyle lambda 1 2 lambda 2 lambda 3 0 Veamoslo B T B 0 0 0 0 0 0 0 0 2 p l d e t B T B l I 3 l 3 2 l 2 displaystyle B T B left begin array ccc 0 amp 0 amp 0 0 amp 0 amp 0 0 amp 0 amp 2 end array right Longrightarrow p left lambda right det left B T B lambda cdot I 3 right lambda 3 2 lambda 2 Ahora sabemos que B v i s i u i B T B v i s i 2 v i s i B T u i displaystyle Bv i sigma i u i Longleftrightarrow B T Bv i sigma i 2 v i sigma i cdot B T u i es decir B T u i s i v i v i B T u i s i displaystyle B T u i sigma i v i Longleftrightarrow v i frac B T u i sigma i Entonces resulta del unico Valor singular no nulo v 1 1 2 0 0 2 T 0 0 1 T displaystyle v 1 frac 1 2 cdot 0 quad 0 quad 2 T 0 quad 0 quad 1 T Ahora completamos una base ortonormal de R 3 displaystyle mathbb R 3 con 0 0 1 T 1 0 0 T 0 1 0 T displaystyle Big 0 quad 0 quad 1 T 1 quad 0 quad 0 T 0 quad 1 quad 0 T Big En este ejemplo nuestras matrices ortogonales son U 1 2 1 1 1 1 V 0 1 0 0 0 1 1 0 0 displaystyle U frac 1 sqrt 2 cdot left begin array cc 1 amp 1 1 amp 1 end array right quad V left begin array ccc 0 amp 1 amp 0 0 amp 0 amp 1 1 amp 0 amp 0 end array right S 2 0 0 0 0 0 displaystyle Sigma left begin array ccc sqrt 2 amp 0 amp 0 0 amp 0 amp 0 end array right Y la DVS resulta entonces B 1 2 1 1 1 1 2 0 0 0 0 0 0 0 1 1 0 0 0 1 0 1 1 0 0 1 0 0 1 0 0 1 displaystyle B frac 1 sqrt 2 cdot left begin array cc 1 amp 1 1 amp 1 end array right left begin array ccc sqrt 2 amp 0 amp 0 0 amp 0 amp 0 end array right left begin array ccc 0 amp 0 amp 1 1 amp 0 amp 0 0 amp 1 amp 0 end array right left begin array c 1 1 end array right left begin array ccc 0 amp 0 amp 1 end array right left begin array ccc 0 amp 0 amp 1 0 amp 0 amp 1 end array right Nota la DVS reducida se muestra en la segunda igualdad de la ecuacion anterior Vease tambien EditarMatriz normal Matriz ortogonal Matriz simetrica Diagonalizacion de una matriz Subespacios fundamentales de una matriz Pseudoinversa de Moore Penrose Datos Q420904Obtenido de https es wikipedia org w index php title Descomposicion en valores singulares amp oldid 135558214, wikipedia, wiki, leyendo, leer, libro, biblioteca,