Calculadora de Decomposição em Valores Singulares (SVD)

Bem-vindo à Calculadora de Decomposição em Valores Singulares (SVD), uma poderosa ferramenta de álgebra linear que decompõe qualquer matriz em seus componentes fundamentais. A SVD fatora uma matriz A = UΣVᵀ e fornece soluções passo a passo, visualizações interativas, análise de posto, número de condição, qualidade de aproximação de baixo posto e cálculo de pseudoinversa. Esteja você estudando álgebra linear, trabalhando com aprendizado de máquina ou analisando dados, esta calculadora fornece decomposição de matriz de nível profissional.

O que é a Decomposição em Valores Singulares?

A Decomposição em Valores Singulares (SVD) é a fatoração de qualquer matriz A m×n em três matrizes:

Onde:

• A é a matriz original m×n
• U é uma matriz ortogonal m×m (vetores singulares à esquerda, autovetores de AAᵀ)
• Σ (Sigma) é uma matriz diagonal m×n com valores singulares não negativos σ₁ ≥ σ₂ ≥ ... ≥ 0
• Vᵀ é uma matriz ortogonal n×n (vetores singulares à direita, autovetores de AᵀA)

Ao contrário da decomposição em autovalores, a SVD sempre existe para qualquer matriz, incluindo matrizes retangulares e singulares. Essa universalidade a torna uma das fatorações mais importantes na matemática aplicada.

Como a SVD é calculada

1. Formar AᵀA: Calcule a matriz simétrica n×n AᵀA
2. Encontrar autovalores: Resolva det(AᵀA − λI) = 0 para obter os autovalores λ₁ ≥ λ₂ ≥ ... ≥ 0
3. Valores singulares: σᵢ = √λᵢ (raízes quadradas dos autovalores)
4. Vetores singulares à direita (V): Encontre os autovetores de AᵀA, ortonormalize para obter as colunas de V
5. Vetores singulares à esquerda (U): Calcule uᵢ = Avᵢ/σᵢ para cada valor singular diferente de zero, estenda para uma base ortonormal completa

Principais Propriedades

Posto da Matriz

O posto da matriz A é igual ao número de valores singulares diferentes de zero. Esta é a maneira numericamente mais estável de determinar o posto, muito mais confiável do que a redução por linhas, que pode ser afetada por erros de ponto flutuante.

Número de Condição

O número de condição mede quão sensível um sistema linear Ax = b é a perturbações. Um κ grande indica uma matriz mal condicionada; κ = 1 é o caso ideal (matrizes ortogonais).

Normas de Matriz via SVD

• Norma espectral (norma-2): \(\|A\|_2 = \sigma_1\) — o maior valor singular
• Norma de Frobenius: \(\|A\|_F = \sqrt{\sigma_1^2 + \sigma_2^2 + \cdots}\)
• Norma nuclear: \(\|A\|_* = \sigma_1 + \sigma_2 + \cdots\) — soma de todos os valores singulares

Aplicações da SVD

Aproximação de Baixo Posto (Teorema de Eckart–Young)

O teorema de Eckart–Young–Mirsky afirma que a melhor aproximação de posto k de A (na norma de Frobenius ou espectral) é obtida mantendo apenas os k maiores valores singulares:

O erro de aproximação é: \(\|A - A_k\|_F = \sqrt{\sigma_{k+1}^2 + \cdots + \sigma_r^2}\)

SVD vs Decomposição em Autovalores

Perguntas Frequentes

O que é a Decomposição em Valores Singulares (SVD)?

A Decomposição em Valores Singulares (SVD) é uma fatoração de matriz que decompõe qualquer matriz real A m×n em três matrizes: A = UΣVᵀ, onde U é uma matriz ortogonal m×m de vetores singulares à esquerda, Σ é uma matriz diagonal m×n de valores singulares, e Vᵀ é uma matriz ortogonal n×n de vetores singulares à direita. A SVD sempre existe para qualquer matriz.

Para que servem os valores singulares?

Os valores singulares revelam propriedades fundamentais de uma matriz: o posto (número de valores singulares diferentes de zero), o número de condição (razão entre o maior e o menor) e as normas da matriz. Eles são amplamente utilizados em compressão de dados (mantendo apenas os maiores valores singulares), análise de componentes principais (PCA), redução de ruído, sistemas de recomendação e resolução de problemas de mínimos quadrados.

Qual a diferença entre SVD e decomposição em autovalores?

A decomposição em autovalores só funciona para matrizes quadradas e exige que a matriz seja diagonalizável. A SVD funciona para qualquer matriz m×n (incluindo retangulares) e sempre existe. Para uma matriz simétrica definida semipositiva, a SVD e a autodecomposição coincidem. A SVD usa duas bases ortogonais diferentes (U e V), enquanto a autodecomposição usa apenas uma.

Como a SVD se relaciona com o PCA?

O PCA (Análise de Componentes Principais) é calculado diretamente usando SVD. Quando você centraliza a matriz de dados X e calcula sua SVD como X = UΣVᵀ, as colunas de V são os componentes principais (direções de variância máxima), os valores singulares em Σ codificam os desvios padrão ao longo de cada componente, e UΣ fornece os dados projetados no novo sistema de coordenadas. Para N observações centralizadas (N > 1), Var(PCᵢ) = σᵢ²/(N−1), SD(PCᵢ) = σᵢ/√(N−1).

O que é uma aproximação de baixo posto?

Uma aproximação de posto k da matriz A mantém apenas os k maiores valores singulares e seus vetores correspondentes: A_k = U_k Σ_k V_k^T. Pelo teorema de Eckart-Young, esta é a melhor aproximação de posto k tanto nas normas de Frobenius quanto espectral. Este é o fundamento matemático por trás da compressão de imagens, análise semântica latente e redução de dimensionalidade.

O que é o número de condição de uma matriz?

O número de condição κ(A) = σ_max / σ_min é a razão entre o maior e o menor valor singular. Ele mede o quão sensível a solução de um sistema linear Ax = b é a perturbações. Um número de condição grande significa que a matriz é mal condicionada e pequenos erros na entrada podem causar grandes erros na solução. Um número de condição de 1 (matriz ortogonal) é o ideal.

Recursos Adicionais

• Singular Value Decomposition - Wikipédia (Inglês)
• Low-Rank Approximation - Wikipédia (Inglês)
• Moore-Penrose Pseudoinverse - Wikipédia (Inglês)