Decomposição em valores singulares
A Decomposição em Valores Singulares (SVD) é uma técnica fundamental na álgebra linear para fatorar matrizes reais ou complexas. Ela tem aplicações cruciais em áreas como processamento de sinais e estatística, permitindo a análise e manipulação de dados de forma eficiente.
Pontos-chave
- A SVD fatora uma matriz M em três componentes: M = U Σ V*, onde U e V* são matrizes unitárias e Σ é uma matriz diagonal com valores singulares não-negativos.
- Os valores singulares são os elementos diagonais de Σ, geralmente listados em ordem decrescente, e são únicos para uma dada matriz M.
- Intuitivamente, a SVD pode ser vista como uma sequência de transformações geométricas: rotação, escala e outra rotação.
- A SVD possui diversas aplicações práticas, como o cálculo da pseudoinversa, a solução de sistemas lineares homogêneos e a aproximação de matrizes por outras de baixo posto.
- A SVD é mais geral que a decomposição em autovalores, pois pode ser aplicada a qualquer matriz, não apenas a classes específicas de matrizes quadradas.
O teorema da Decomposição em Valores Singulares estabelece que qualquer matriz M (m×n, com entradas reais ou complexas) pode ser fatorada na forma M = U Σ V*. Aqui, U é uma matriz unitária m×m, Σ é uma matriz diagonal m×n com valores reais não-negativos (os valores singulares) em sua diagonal, e V* é a transposta conjugada de uma matriz unitária n×n V. Os valores singulares são convencionalmente listados em ordem decrescente, tornando Σ única para M, embora U e V possam não ser.
A SVD oferece diversas maneiras de entender geometricamente e algebricamente a transformação de uma matriz, revelando sua estrutura subjacente.
Rotação, Escala, Rotação
Para uma matriz quadrada real M com determinante positivo, a SVD (M = U Σ V*) pode ser interpretada como uma sequência de três transformações geométricas: uma rotação (V*), uma escala (Σ) e outra rotação (U). As matrizes U e V* atuam como rotações, enquanto Σ atua como uma matriz de escala, modificando o tamanho dos eixos. Um exemplo prático é a descrição de uma matriz de cisalhamento como essa sequência de transformações.
Valores Singulares como Semi-eixos
Em duas dimensões, os valores singulares podem ser visualizados como os semi-eixos de uma elipse. Generalizando para um espaço euclidiano n-dimensional, os valores singulares de qualquer matriz quadrada n×n representam os semi-eixos de um elipsoide n-dimensional. Essa interpretação fornece uma compreensão geométrica clara da magnitude das transformações aplicadas pela matriz.
U e V como Bases Ortonormais
Como U e V* são matrizes unitárias, suas colunas formam conjuntos de vetores ortonormais. Isso significa que as colunas de U e V (e suas transpostas conjugadas) podem ser consideradas bases ortonormais. Essa propriedade é fundamental para muitas aplicações da SVD, pois permite a representação de vetores em diferentes bases ortogonais.
Um exemplo concreto da decomposição em valores singulares de uma matriz M ilustra a fatoração M = U Σ V*. É importante notar que Σ contém apenas zeros fora da diagonal, e as matrizes U e V* são unitárias (ou ortogonais, se reais), o que significa que a multiplicação por suas transpostas conjugadas resulta em matrizes identidade. É crucial entender que a decomposição em valores singulares nem sempre é única; diferentes escolhas de V (e consequentemente V*) podem gerar decomposições válidas.
Um número real não-negativo σ é um valor singular de M se existirem vetores unitários u (em K^m) e v (em K^n) tais que Mv = σu e M*u = σv. Esses vetores u e v são chamados, respectivamente, vetor singular à esquerda e vetor singular à direita para σ. Na SVD, os elementos diagonais de Σ são os valores singulares de M, e as colunas de U e V são os vetores singulares à esquerda e à direita correspondentes. Um valor singular é degenerado se houver múltiplos vetores singulares linearmente independentes associados a ele. Valores singulares não-degenerados têm vetores singulares únicos (a menos de um fator de fase). Se todos os valores singulares não-nulos são não-degenerados, a SVD é única, exceto por um fator de fase aplicado simultaneamente às colunas correspondentes de U e V.
A SVD é uma ferramenta poderosa com uma vasta gama de aplicações em diversas áreas, desde a otimização de matrizes até a análise de dados complexos.
Pseudo-inversa de Matrizes
A SVD é fundamental para calcular a pseudoinversa de uma matriz (M+), que é crucial para resolver problemas de mínimos quadrados lineares. Se M = U Σ V* é a SVD de M, então M+ = V Σ+ U*, onde Σ+ é obtida invertendo os elementos diagonais não-nulos de Σ e transpondo a matriz resultante. Isso permite encontrar soluções aproximadas para sistemas lineares que não têm uma solução exata.
Solução de Sistemas Lineares Homogêneos
Para um sistema de equações lineares homogêneas Ax = 0, a SVD pode determinar soluções não-nulas para x. Um x não-nulo pertence ao núcleo de A e é um vetor singular à direita correspondente a um valor singular zero de A. Se A não tem valores singulares nulos, a única solução é x=0. Se houver valores singulares nulos, qualquer combinação linear dos vetores singulares à direita correspondentes é uma solução válida. Similarmente, vetores nulos à esquerda (x*A = 0) são identificados pelos vetores singulares à esquerda correspondentes a valores singulares nulos.
Minimização de Mínimos Quadrados Totais
Em problemas de mínimos quadrados totais, o objetivo é encontrar o vetor x que minimiza a norma ℓ² de Ax, sob a restrição de que a norma de x seja 1 (||x||=1). A solução para este problema é o vetor singular à direita de A que corresponde ao menor valor singular. Essa aplicação é importante em situações onde tanto os dados de entrada quanto os de saída contêm erros.
Imagem, Núcleo e Posto de uma Matriz
A SVD explicitamente revela a imagem (espaço coluna) e o núcleo (espaço nulo) de uma matriz M. Os vetores singulares à direita associados a valores singulares nulos geram o núcleo de M. Os vetores singulares à esquerda correspondentes a valores singulares não-nulos geram a imagem de M. O posto de M é igual ao número de valores singulares não-nulos. Em álgebra linear numérica, os valores singulares também são usados para determinar o posto efetivo de uma matriz, ajudando a lidar com erros de arredondamento que podem gerar valores singulares pequenos, mas não-nulos.
Aproximação por Matriz de Baixo Posto
Uma aplicação crucial da SVD é a aproximação de uma matriz M por outra matriz M̃ de posto r, minimizando a norma de Frobenius da diferença ||M - M̃||. A solução é obtida pela SVD de M, onde M̃ = U Σ̃ V*. A matriz Σ̃ é idêntica a Σ, exceto que apenas os r maiores valores singulares são mantidos, e os demais são substituídos por zero. Este resultado é conhecido como o teorema de Eckart-Young e tem vasta aplicação em compressão de dados e redução de dimensionalidade.
Modelos Separados (Separable Models)
A SVD permite decompor uma matriz em uma soma ponderada e ordenada de matrizes separáveis. Uma matriz separável A pode ser escrita como um produto externo de dois vetores (A = u ⊗ v). A SVD decompõe M como Σ σ_i U_i V_i*, onde U_i e V_i são as i-ésimas colunas de U e V, e σ_i são os valores singulares ordenados. Cada A_i é separável. Essa propriedade é útil, por exemplo, na decomposição de filtros de processamento de imagens em filtros verticais e horizontais separados. O número de valores singulares não-nulos é exatamente o posto da matriz.
A SVD tem uma rica história, originando-se de estudos em geometria diferencial. Eugenio Beltrami e Camille Jordan, em 1873 e 1874, respectivamente, descobriram independentemente que os valores singulares de formas bilineares (representadas por matrizes) formam um conjunto completo de invariantes sob transformações ortogonais. James Joseph Sylvester também chegou à SVD para matrizes quadradas reais em 1889, chamando os valores singulares de 'multiplicadores canônicos'. Autonne, em 1915, redescobriu a SVD através da decomposição polar. A primeira prova para matrizes retangulares e complexas foi realizada por Carl Eckart e Gale Young em 1936, que a viram como uma generalização da transformação de eixo principal para matrizes hermitianas.
A SVD é uma técnica mais geral que a decomposição em autovalores (espectral), pois pode ser aplicada a qualquer matriz m×n, enquanto a decomposição em autovalores é restrita a certas classes de matrizes quadradas. Embora ambas as decomposições envolvam diagonalização, suas estruturas e condições de aplicabilidade diferem significativamente. Para uma SVD de M = U Σ V*, as relações M M* = U Σ² U* e M* M = V Σ² V* mostram que os quadrados dos valores singulares são os autovalores de M M* e M* M, respectivamente. No caso de uma matriz normal (e, portanto, quadrada), a decomposição espectral M = U D U* (onde U é unitária e D é diagonal) pode ser uma SVD se M for também positiva semi-definida. No entanto, para outras matrizes, a decomposição espectral M = U D U⁻¹ (onde U não é necessariamente unitária e D não é necessariamente positiva semi-definida) difere da SVD M = U Σ V* (onde Σ é diagonal positiva semi-definida e U e V são unitárias e não necessariamente relacionadas).
