Bibliografía de la Clase:
Cuando resolvemos el sistema el efecto que produce sobre el vector puede explicarse usando la descomposición SVD . La siguiente figura explica gráficamente lo que sucede:
Teorema
y
Demostración
Las dos demostraciones se basan en que tanto la norma como la de Frobenius son invariantes ante la multiplicación de matrices unitarias.
Lo anterior se resume en la siguiente imagen:
La descomposición de valores propios la expresamos matricialmente como:
Por otro lado, la descomposición de valores singulares (SVD) se expresa como:
Las principales diferencias entre ambas descomposiciones son:
Nota
Los vectores de una matriz simétrica son ortogonales.
La compresión de imágenes es una importante aplicación en álgebra lineal debido a la necesidad de minimizar la cantidad de información almacenada y transmitida. SVD es una técnica que permite minimizar el espacio requerido para almacenar una imagen conservando la calidad de ella.
Si tenemos una imagen de pixeles la podemos representar matricialmente con su respectiva SVD:
Equivalentemente podemos expresar la imagen representada en como:
Debido a que los términos de mayor impacto son los primeros términos de la expresión anterior.
Por lo tanto, es posible aproximar la imagen usando sólo los primeros términos de la serie.
Inicialmente la memoria requerida para almacenar una imagen era . Usando la SVD sólo se requiere de , es decir, el crecimiento es lineal.
Para asegurar que la memoria usada no supere la original debe cumplirse:
Un ejemplo de esta compresión se muestra en el siguiente código en Matlab: