En muchos casos de interés, los valores singulares de una matriz [matemática] A [/ matemática], que son las raíces cuadradas de los valores propios distintos de cero de [matemática] A ^ {*} A [/ matemática] o [matemática ] AA ^ {*} [/ math], el que sea más pequeño (en el caso de matrices de fila y columna de tamaño desigual). No es raro que la matriz tenga muchas veces más filas que columnas, y que el cálculo de la SVD sea numéricamente inestable con la precisión típica de coma flotante, a menos que se haga con mucho cuidado. Eso es lo que justifica el nombre singular .
Consulte el artículo de Wikipedia sobre SVD para obtener más información. En ciencias sociales, los datos a menudo se someten a análisis de componentes principales y eso a su vez produce matrices que necesitan SVD.
Con respecto a la inestabilidad numérica, consulte el artículo de Wikipedia sobre matrices de Hilbert, un ejemplo extremo de este fenómeno en el cálculo matricial, pero relevante porque cuando una matriz A tiene filas casi idénticas como en muchos conjuntos de datos, la matriz [matemática] A ^ {*} A [ / math] tenderá a ser difícil de invertir o encontrar los valores propios con precisión. Eso a su vez hace que los valores singulares estén sujetos a graves errores de redondeo a menos que se calculen cuidadosamente.
- ¿Por qué los vectores propios no pueden ser paralelos?
- ¿Las bases de datos relacionales tienen una noción de invertibilidad como las matrices, si no se perdería información invertible durante el álgebra o la manipulación?
- ¿Cuál es un buen libro para aprender la descomposición de Cholesky a nivel de pregrado?
- Cómo explicar la relación de completitud en la mecánica cuántica
- ¿Cuál es la divergencia de un campo vectorial?