En la SVD de A, ¿por qué el vector singular izquierdo es la base del espacio de la columna?

Para explicar un poco lo que dijo Gram Zeppi, está haciendo un mal uso de los términos “espacio de columna” y “espacio de fila” en su pregunta. El espacio de la columna es el espacio de las columnas y el espacio de la fila es el espacio de las filas. Los vectores singulares de la izquierda son una base para el espacio vectorial que contiene el espacio de la columna, pero no es necesariamente el mismo. Del mismo modo, los vectores singulares correctos son una base para el espacio vectorial que contiene, pero no necesariamente igual, al espacio de fila. Por ejemplo, Gram usó la matriz cero [math] 2 \ times 1 [/ math]. Tanto su espacio de columna como su espacio de fila son el espacio cero, ya que estos son los únicos espacios lineales que pueden abarcar los vectores cero.

Si desea recordar cómo asociar izquierda / derecha a columnas / filas, escriba las matrices de esta manera:
[matemáticas]
U = \ begin {bmatrix}
u_1 & \ cdots & u_M
\ end {bmatrix},
V = \ begin {bmatrix}
v_1 ^ T \\ \ vdots \\ v_N ^ T
\ end {bmatrix},
[/matemáticas]
donde [math] u_i, v_i [/ ​​math] son ​​vectores de columna. Luego, la multiplicación izquierda de la matriz por un vector debe ser multiplicación por un vector fila. Usa la transposición del primer vector singular izquierdo y obtendrás
[matemáticas]
u_1 ^ TM = u_1 ^ TU \ Sigma V = \ sigma_1 v_1 ^ T.
[/matemáticas]
Como el resultado es un múltiplo del vector singular derecho [math] v_1 ^ T [/ math] y debe ser una fila, los vectores singulares derechos deben ser la base del espacio que contiene el espacio de la fila. Igualmente
[matemáticas]
Mv_1 = U \ Sigma V v_1 = \ sigma_1 u_1
[/matemáticas]
es una columna, por lo que los vectores singulares izquierdos deben ser una base del espacio que contiene el espacio de la columna.

Realmente no entiendo tu pregunta: deja que [math] A [/ math] sea una matriz nula, digamos 1 × 2, ¿cómo pueden sus vectores singulares formar bases de espacios vectoriales nulos? La afirmación es claramente errónea.

Ejemplos de descomposición singular de
[math] \ begin {pmatrix} 0 & 0 \ end {pmatrix} [/ math] matriz:

[matemáticas] \ begin {pmatrix} 0 & 0 \ end {pmatrix} = \ begin {pmatrix} 1 \ end {pmatrix} \ cdot \ begin {pmatrix} 0 & 0 \ end {pmatrix} \ cdot \ begin {pmatrix} \ pm 1 & 0 \\ 0 & \ pm 1 \ end {pmatrix} ^ {T} [/ math]

[matemáticas] \ begin {pmatrix} 0 & 0 \ end {pmatrix} = \ begin {pmatrix} \ pm 1 \ end {pmatrix} \ cdot \ begin {pmatrix} 0 & 0 \ end {pmatrix} \ cdot \ begin { pmatrix} \ frac {1} {\ sqrt {2}} & \ frac {1} {\ sqrt {2}} \\
– \ frac {1} {\ sqrt {2}} & \ frac {1} {\ sqrt {2}} \ end {pmatrix} ^ {T} [/ math]

[matemáticas] \ begin {pmatrix} 0 & 0 \ end {pmatrix} = \ begin {pmatrix} 1 \ end {pmatrix} \ cdot \ begin {pmatrix} 0 & 0 \ end {pmatrix} \ cdot \ begin {pmatrix} \ sin \ frac {\ pi} {217} & – \ cos \ frac {\ pi} {217} \\
\ cos \ frac {\ pi} {217} & \ sin \ frac {\ pi} {217} \ end {pmatrix} ^ {T} [/ math]

Si tiene una SVD de [matemáticas] A [/ matemáticas] (no es en general única) tiene:

[matemáticas] AA ^ {T} = U \ Sigma V ^ {T} (U \ Sigma V ^ {T}) ^ {T} [/ matemáticas] [matemáticas] = U \ Sigma (V ^ {T} V) \ Sigma ^ {T} U ^ {T} = U (\ Sigma \ Sigma ^ {T}) U ^ {T}
[/matemáticas]

Similar:

[matemáticas] A ^ {T} A = V (\ Sigma ^ {T} \ Sigma) V ^ {T} [/ matemáticas]

Por lo tanto, [math] u_ {i} [/ math] son ​​vectores propios de [math] AA ^ {T} [/ math] y [math] v_ {j} [/ math] son ​​vectores propios de [math] A ^ {T} A [/ matemáticas].

[matemáticas] A [/ matemáticas], [matemáticas] A ^ {T} [/ matemáticas], [matemáticas] A ^ {T} A [/ matemáticas] y [matemáticas] AA ^ {T} [/ matemáticas] tienen el mismo rango. Eso significa que las columnas de [matemáticas] A [/ matemáticas] abarcan la imagen de [matemáticas] AA ^ {T} [/ matemáticas] y las filas de [matemáticas] A [/ matemáticas] (columnas de [matemáticas] A ^ {T } [/ math]) abarca la imagen de [math] A ^ {T} A [/ math].

(es decir, [matemáticas] AA ^ {T} x = A (A ^ {T} x) = Ay \ in \ mathrm {Im} A [/ math], [math] A ^ {T} Az = A ^ {T } (Az) = A ^ {T} w \ in \ mathrm {Im} A ^ {T} [/ math])

Por lo tanto, las columnas de [math] A [/ math] se encuentran en el espacio abarcado por [math] u_ {i} [/ math] ‘s, y las columnas de [math] A ^ {T} [/ math] = filas de [math ] A [/ math] se encuentran en el espacio abarcado por [math] v_ {j} [/ math] ‘s.

Pero en realidad puedes olvidarlo ya que si tienes [matemáticas] A = U \ Sigma V ^ T [/ matemáticas]. Significa que la imagen de [matemáticas] A [/ matemáticas] se encuentra en la imagen de [matemáticas] U [/ matemáticas]. Y las imágenes de [matemática] A [/ matemática] y [matemática] U [/ matemática] se extienden por sus columnas.

Considere entonces [matemáticas] A ^ {T} [/ matemáticas] y obtendrá algo similar:
[matemáticas] A ^ {T} = V \ Sigma U ^ T [/ matemáticas]. Significa que [math] \ mathrm {Im} A ^ {T} \ subset \ mathrm {Im} V [/ math], que significa que las columnas de [math] A ^ {T} [/ math] (filas de [math ] A [/ math]) se encuentran en el lapso de [math] v_ {i} [/ math] ‘s.

De cualquier manera, es obvio ya que [math] u_ {i} [/ math] forma una base ortonormal del espacio objetivo para [math] A [/ math] y [math] v_ {i} [/ math] forma un ortonormal base para el espacio objetivo para [matemáticas] A ^ {T} [/ matemáticas], donde se encuentran sus imágenes.