![cover image](https://wikiwandv2-19431.kxcdn.com/_next/image?url=https://upload.wikimedia.org/wikipedia/commons/thumb/e/e9/Singular_value_decomposition.gif/640px-Singular_value_decomposition.gif&w=640&q=50)
Decomposição em valores singulares
De Wikipedia, a enciclopédia encyclopedia
Em álgebra linear, a decomposição em valores singulares ou singular value decomposition (SVD) é a fatoração de uma matriz real ou complexa, com diversas aplicações importantes em processamento de sinais e estatística.
![Thumb image](http://upload.wikimedia.org/wikipedia/commons/thumb/e/e9/Singular_value_decomposition.gif/320px-Singular_value_decomposition.gif)
Formalmente, a decomposição em valores singulares de uma matriz m×n real ou complexa M é uma fatoração ou fatorização na forma:
onde U é uma matriz unitária m×m real ou complexa, Σ é uma matriz retangular diagonal m×n com números reais não-negativos na diagonal, e V* (a conjugada transposta de V) é uma matriz unitária n×n real ou complexa. As entradas diagonais Σi,i de Σ são os chamados valores singulares de M. As m colunas de U e as n colunas de V são os chamados vetores singulares à esquerda e vetores singulares à direita de M, respetivamente.
A decomposição em valores singulares e a decomposição em autovalores são intimamente relacionadas. Mais especificamente:
- Os vetores singulares à esquerda de M são autovetores de
- Os vetores singulares à direita de M são autovetores de
- Os valores singulares não-nulos de M (ao longo da diagonal de Σ) são as raízes quadradas dos autovalores não-nulos de
ou
- Os vetores singulares à esquerda de M são autovetores de
Dentre as aplicações que envolvem a SVD estão o cálculo da pseudoinversa, o ajuste (fitting) de dados por mínimos quadrados, aproximação de matrizes, e a determinação do posto, imagem e núcleo de uma matriz.