QR分解はどのような場合に使用されますか？

QR分解は、最小二乗問題の解決、QR アルゴリズムによる固有値の計算、LU分解よりも安定した線形システムの解決、および信号処理、機械学習、コンピュータグラフィックスなどのアプリケーションで広く使用されています。

QR分解とLU分解の違いは何ですか？

LU分解は A を下三角行列と上三角行列に分解する手法で、高速ですが数値的な安定性は低くなります。QR分解はベクトルのノルムを保持する直交因子 Q を生成するため、最小二乗法や固有値問題において数値的により安定しています。

QR分解電卓

グラム・シュミットの直交化法を使用して、任意の行列Aを直交行列Qと上三角行列Rに分解します。2×2から5×5の行列に対応し、アニメーションによるステップバイステップの直交化、直交性の検証（QᵀQ = I）、およびインタラクティブな可視化をサポートしています。

QR分解電卓

Embed QR分解電卓 Widget

QR分解電卓

QR分解電卓は、任意の行列 A を直交行列 Q と上三角行列 R の積に分解し、A = QR とします。2×2 から 5×5 までの行列（行数 ≧ 列数である非正方行列を含む）を入力すると、ステップバイステップの解答、インタラクティブなアニメーション、直交性の検証（QᵀQ = I）、および詳細な教育的解説とともに、完全なグラム・シュミットの直交化プロセスを確認できます。

QR分解とは？

QR分解（QR factorization とも呼ばれる）は、行列 A を次のように書き換えます：

$$A = QR$$

ここで、Q は直交行列（その列は QᵀQ = I を満たす正規直交ベクトル）、R は上三角行列です。m ≧ n かつフル列ランクを持つ m×n 行列の場合、経済的（Reduced）QR分解により、Q は m×n、R は n×n となります。

直交行列 Q

列は正規直交です：長さが 1 で、互いに垂直です。QᵀQ = I。

▲

上三角行列 R

対角線より下の要素はすべてゼロです。対角成分はグラム・シュミット法で得られたノルムです。

⊥

グラム・シュミット法

投影を差し引くことで列を反復的に直交化し、その後に正規化します。

数値的安定性

Q はベクトルのノルムを保持するため、Ax = b を解く際に QR は LU分解よりも安定しています。

グラム・シュミット法の解説

A の列ベクトル a₁, a₂, …, aₙ が与えられたとき、古典的なグラム・シュミットアルゴリズムは正規直交ベクトル e₁, e₂, …, eₙ を生成します：

ステップ 1. u₁ = a₁ とし、正規化します：e₁ = u₁ / ‖u₁‖。

ステップ 2. 後続の各列 aⱼ について、それ以前のすべての eₖ への投影を差し引きます：

$$\mathbf{u}_j = \mathbf{a}_j - \sum_{k=1}^{j-1} (\mathbf{a}_j \cdot \mathbf{e}_k) \, \mathbf{e}_k$$

次に、正規化します：eⱼ = uⱼ / ‖uⱼ‖。

ステップ 3. 行列 Q は e₁, …, eₙ を列に持ちます。R は rᵢⱼ = eᵢ · aⱼ を要素とする上三角行列です。

この電卓の使い方

ステップ 1. 行列の次元（行数 × 列数）を設定します。QR分解を行うには、行数 ≧ 列数である必要があります。

ステップ 2. グリッドに値を入力するか、クイック例をクリックしてプリセットを読み込みます。移動には Tab キーや矢印キーを使用します。

ステップ 3. 「A = QR 分解」をクリックします。電卓がグラム・シュミット法を実行し、Q と R を表示します。

ステップ 4. グラム・シュミットのアニメーションを見て、各列がどのように直交化されるかを確認します：元のベクトル → 投影の減算 → 非正規化の結果 → 正規化された正規直交ベクトル。

ステップ 5. 結果を検証します：QR = A および QᵀQ = I（単位行列）であることを確認します。ステップナビゲーターを使用して、完全な導出過程を追うことができます。

QR分解の応用

応用例	QR分解の使われ方
最小二乗法 (Ax ≈ b)	正規方程式 AᵀAx = Aᵀb よりも安定した、後退代入による Rx = Qᵀb の解法
固有値計算の QR アルゴリズム	Aₖ = QₖRₖ と分解し、Aₖ₊₁ = RₖQₖ と設定することを繰り返す — シュア形式に収束
線形システム (Ax = b)	A = QR と分解し、Rx = Qᵀb を解く。悪条件のシステムに対して LU分解よりも数値的に安定
信号処理	適応ビームフォーミングや MIMO チャネル推定におけるリアルタイム処理のための QR 更新
機械学習	ニューラルネットワークのトレーニングにおける QR ベースの直交化、特徴量エンジニアリングにおけるグラム・シュミット法

QR と他の行列分解の比較

分解手法	形式	最適な用途
QR (本ツール)	A = QR	最小二乗法、固有値アルゴリズム、数値的に安定した解法
LU	A = LU	正方行列システムの高速な解法、行列式の計算
Cholesky	A = LLᵀ	対称正定値行列システム（最速）
SVD	A = UΣVᵀ	ランク分析、擬似逆行列、PCA、画像圧縮
固有値分解	A = PDP⁻¹	行列の累乗、微分方程式、スペクトル解析

よくある質問

QR分解とは何ですか？

QR分解は、行列 A を直交行列 Q（列が正規直交）と上三角行列 R の積に分解する手法です。線形独立な列を持つすべての実行列は、R の対角成分を正に指定することで、一意の QR 分解が得られます。

グラム・シュミット法とは何ですか？

グラム・シュミット法は、線形独立なベクトルの集合を受け取り、同じ部分空間を張る正規直交集合を生成するアルゴリズムです。以前に計算されたすべての正規直交ベクトルへの投影を反復的に差し引き、残差を正規化することで機能します。

QR分解は正方行列以外でも機能しますか？

はい。m ≧ n である m×n 行列の場合、経済的（薄い）QR分解により、正規直交列を持つ m×n 行列 Q と、n×n の上三角行列 R が得られます。これは、特に最小二乗問題において実務で最も一般的に使用される形式です。

LU分解の代わりに QR分解を使用すべきなのはいつですか？

速度よりも数値的な安定性が重要な場合に使用します。例えば、悪条件の行列、最小二乗問題、または固有値計算などです。LU分解の方が高速（正方行列システムで約 2 倍）ですが、丸め誤差が増幅される可能性があります。QR分解は Q が直交行列であるため、ベクトルのノルムを保持します。

QR分解と SVD の違いは何ですか？

どちらも直交する因子を生成しますが、SVD は A を 3 つの行列（UΣVᵀ）に分解して特異値とランクを明らかにします。一方、QR分解は 2 つの行列（QR）に分解し、計算がより高速です。SVD はランク不足の問題や擬似逆行列の計算に適しており、QR はフルランクのシステムの解法や固有値アルゴリズムに適しています。

このコンテンツ、ページ、またはツールを引用する場合は、次のようにしてください：

"QR分解電卓"（https://MiniWebtool.com/ja/qr分解計算機/） MiniWebtool からの引用、https://MiniWebtool.com/

miniwebtool チーム作成。最終更新: 2026-04-12

また、AI 数学ソルバー GPT を使って、自然言語による質問と回答で数学の問題を解決することもできます。