Singulärwert-Zerlegung

Ähnliche Dokumente
2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

6 Eigenwerte und Eigenvektoren

5 Lineare Algebra (Teil 3): Skalarprodukt

4 Lineare Abbildungen Basisdarstellungen

9. Übung zur Linearen Algebra II -

7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?

1. Klausur zu Vektor- und Matrizenrechnung I und II WS 2009/10 und SS 2010 am Dienstag, dem 27. Juli 2010

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Kapitel 6. Lösung linearer Gleichungssysteme II (nicht-reguläre Systeme)

1 Singulärwertzerlegung und Pseudoinverse

Numerische Mathematik für Ingenieure und Physiker

Eigenwerte und Eigenvektoren von Matrizen

Reduced-Rank Least Squares Modelle

Lineare Algebra 2 (SS 13) Blatt 13: Musterlösung

Lineare Algebra II. Inhalt und Begriffe. Lineare Algebra II p. 1

6 Hauptachsentransformation

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Matrixprodukt und Basiswechsel bei Abbildungen

D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 011 Tom Ilmanen. Musterlösung 12. a ij = v i,av j (A ist symmetrisch) = Av i,v j

Lineare Algebra II 8. Übungsblatt

Mathematik 1 für Wirtschaftsinformatik

Euklidische und unitäre Vektorräume

6 Symmetrische Matrizen und quadratische Formen

Rückblick auf die letzte Vorlesung

Jürgen Hausen Lineare Algebra I

Musterlösung zur Klausur Lineare Algebra II für Lehramt

Überbestimmte Gleichungssysteme

Anwendung v. symmetrischen Matrizen: Hauptachsentransformation

Mat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen

Tensoren in der Datenanalyse

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Lehr- und Übungsbuch Mathematik für Informatiker

Höhere Mathematik für Ingenieure Band II

3.6 Eigenwerte und Eigenvektoren

Projektive Geometrie

1.9 Eigenwerte und Eigenvektoren

Einleitung 19. Teil I Einführung 23. Kapitel 1 Motivation 25

6 Symmetrische und hermitesche Matrizen

Rechenaufwand der LR- und LDL T - Zerlegung

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016,

Normalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,

L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...

5 Die Allgemeine Lineare Gruppe

Musterlösungen zur Linearen Algebra II Übungsklausur

L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...

MC-Serie 11: Eigenwerte

Eigenschaften kompakter Operatoren

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Einführung 17. Teil I Zu den Grundlagen der linearen Algebra 21. Kapitel 1 Schnelleinstieg in die lineare Algebra 23

Musterlösungen zur Linearen Algebra II Weihnachtszettel

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).

Eigenwerte und Diagonalisierung

Theoretische Fragen zu ausgewählten Themen in Lineare Algebra

Prüfung Lineare Algebra 2

Michael Artin. Algebra. Aus dem Englischen übersetzt von Annette A'Campo. Birkhäuser Verlag Basel Boston Berlin

Ausgewählte Lösungen zu den Übungsblättern 4-5

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

A Matrix-Algebra. A.1 Definition und elementare Operationen

1 Matrizenrechnung zweiter Teil

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.

Lineare Algebra und analytische Geometrie II

(a) Bestimmen Sie die Matrixdarstellung dieser Abbildung bzgl. einer möglichst einfachen Basis von P n - (b) Bestimmen Sie die zu F duale Abbildung F.

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen

Lineare Algebra: Determinanten und Eigenwerte

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Methode der kleinsten Quadrate

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Chr.Nelius : Lineare Algebra II (SS 2005) 1. Wir wollen hier eine Beschreibung des Gauß-Algorithmus mit Hilfe der sog. Elementarmatrizen vornehmen.

Stichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016

40 Lokale Extrema und Taylor-Formel

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung

Vektorräume und Lineare Abbildungen

Mathematik für Ingenieure 1

Rückblick auf die letzte Vorlesung. Bemerkung

4 Lineare Abbildungen und Matrizen

Lineare Algebra und Numerische Mathematik für D-BAUG

r i w i (siehe (3.7)). r i v, w i = 0.

Mathematische Erfrischungen III - Vektoren und Matrizen

6 Symmetrische Matrizen und quadratische Formen

Einführung in die höhere Mathematik 2

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.

Vektorräume und Rang einer Matrix

Lineare Algebra II 12. Übungsblatt

Der Rangsatz für lineare Abbildungen

Lineare Algebra, Teil 2 Abbildungen

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Homogene Systeme in höheren Dimensionen

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

Transkript:

Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Singulärwert-Zerlegung 1-1

Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Die singulären Werte s 1 s 2 s k > s k+1 = = 0 sind die Wurzeln der Eigenwerte von A A und k ist der Rang von A. Singulärwert-Zerlegung 1-2

Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Die singulären Werte s 1 s 2 s k > s k+1 = = 0 sind die Wurzeln der Eigenwerte von A A und k ist der Rang von A. Die Spalten u j von U und v j von V bilden orthonormale Basen aus Eigenvektoren von AA bzw. A A, und es gilt Av j = s j u j Singulärwert-Zerlegung 1-3

Mit Hilfe der Singulärwertzerlegung lässt sich die lineare Abbildung x y = Ax in der Form y = k i=1 s i (v i x)u i darstellen. Daraus folgt insbesondere, dass Kern A = span{v k+1,..., v n }, Bild A = span{u 1,..., u k }. Singulärwert-Zerlegung 1-4

Mit Hilfe der Singulärwertzerlegung lässt sich die lineare Abbildung x y = Ax in der Form y = k i=1 s i (v i x)u i darstellen. Daraus folgt insbesondere, dass Kern A = span{v k+1,..., v n }, Bild A = span{u 1,..., u k }. Schließlich ist A 2 = s 1 und A 2 F = j,k a j,k 2 = s 2 1 + + s2 k. Singulärwert-Zerlegung 1-5

Beweis: (i) Konstruktion: Singulärwert-Zerlegung 2-1

Beweis: (i) Konstruktion: A A hermitesch und positiv semidefinit = V A AV = diag(s1, 2..., sk 2, 0,..., 0) Singulärwert-Zerlegung 2-2

Beweis: (i) Konstruktion: A A hermitesch und positiv semidefinit = V A AV = diag(s 2 1,..., s 2 k, 0,..., 0) = S t S, V V = E (Eigenwerte s 2 j absteigend sortiert) Singulärwert-Zerlegung 2-3

Beweis: (i) Konstruktion: A A hermitesch und positiv semidefinit = V A AV = diag(s 2 1,..., s 2 k, 0,..., 0) = S t S, V V = E (Eigenwerte sj 2 absteigend sortiert) Spalten von AV orthogonal mit Norm s i = AV = ( s 1 u 1 s k u k 0 0 ) = US mit einer unitären Matrix U; die Spalten u k+1,..., u m ergänzen u 1,..., u k zu einer orthonormalen Basis Singulärwert-Zerlegung 2-4

Beweis: (i) Konstruktion: A A hermitesch und positiv semidefinit = V A AV = diag(s 2 1,..., s 2 k, 0,..., 0) = S t S, V V = E (Eigenwerte sj 2 absteigend sortiert) Spalten von AV orthogonal mit Norm s i = AV = ( s 1 u 1 s k u k 0 0 ) = US mit einer unitären Matrix U; die Spalten u k+1,..., u m ergänzen u 1,..., u k zu einer orthonormalen Basis Darstellung A = USV Singulärwert-Zerlegung 2-5

(ii) Rang: Singulärwert-Zerlegung 2-6

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = Rang A = Rang S = k Singulärwert-Zerlegung 2-7

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = (iii) Av j = s j u j : Rang A = Rang S = k Singulärwert-Zerlegung 2-8

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = (iii) Av j = s j u j : folgt aus mit e j dem j-ten Einheitsvektor Rang A = Rang S = k A = USV, V v j = e j, Se j = s j e j Singulärwert-Zerlegung 2-9

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = (iii) Av j = s j u j : folgt aus mit e j dem j-ten Einheitsvektor (iv) y = i s i(v i x)u i: Rang A = Rang S = k A = USV, V v j = e j, Se j = s j e j Singulärwert-Zerlegung 2-10

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = (iii) Av j = s j u j : folgt aus mit e j dem j-ten Einheitsvektor (iv) y = i s i(vi x)u i: folgt aus (iii) und x = i Rang A = Rang S = k A = USV, V v j = e j, Se j = s j e j (v i x)v i (Darstellung bzgl. einer orthonormalen Basis) Singulärwert-Zerlegung 2-11

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = (iii) Av j = s j u j : folgt aus mit e j dem j-ten Einheitsvektor (iv) y = i s i(vi x)u i: folgt aus (iii) und x = i Rang A = Rang S = k A = USV, V v j = e j, Se j = s j e j (v i x)v i (Darstellung bzgl. einer orthonormalen Basis) (v) A 2 = s 1, A 2 F = s2 1 + + s2 k : Singulärwert-Zerlegung 2-12

(ii) Rang: Invarianz des Ranges unter unitären Transformationen = (iii) Av j = s j u j : folgt aus mit e j dem j-ten Einheitsvektor (iv) y = i s i(vi x)u i: folgt aus (iii) und x = i Rang A = Rang S = k A = USV, V v j = e j, Se j = s j e j (v i x)v i (Darstellung bzgl. einer orthonormalen Basis) (v) A 2 = s 1, A 2 F = s2 1 + + s2 k : folgt aus der Invarianz euklidischer Normen unter unitären Transformationen Singulärwert-Zerlegung 2-13

Beispiel: Berechnung der Singulärwert-Zerlegung von 6 5 8 A = 6 5 8 6 5 8 6 5 8 Singulärwert-Zerlegung 3-1

Beispiel: Berechnung der Singulärwert-Zerlegung von 6 5 8 A = 6 5 8 6 5 8 6 5 8 (i) Bestimmung von V : 144 0 192 A t A = 0 100 0 192 0 256 Singulärwert-Zerlegung 3-2

Beispiel: Berechnung der Singulärwert-Zerlegung von 6 5 8 A = 6 5 8 6 5 8 6 5 8 (i) Bestimmung von V : 144 0 192 A t A = 0 100 0 192 0 256 Eigenwert 100 mit Eigenvektor (0, 1, 0) t Singulärwert-Zerlegung 3-3

Beispiel: Berechnung der Singulärwert-Zerlegung von 6 5 8 A = 6 5 8 6 5 8 6 5 8 (i) Bestimmung von V : 144 0 192 A t A = 0 100 0 192 0 256 Eigenwert 100 mit Eigenvektor (0, 1, 0) t Spalte 3 = (4/3) Spalte 1 Eigenwert 0 mit Eigenvektor (4, 0, 3) t /5 Spur A = 500 Eigenwert 500 100 0 = 400 mit orthogonalem Eigenvektor Singulärwert-Zerlegung 3-4

absteigende Sortierung der singulären Werte (Wurzeln der Eigenwerte von A t A 20 0 0 3/5 0 4/5 V = 0 1 0, S = 0 10 0 0 0 0 4/5 0 3/5 0 0 0 Singulärwert-Zerlegung 3-5

absteigende Sortierung der singulären Werte (Wurzeln der Eigenwerte von A t A 20 0 0 3/5 0 4/5 V = 0 1 0, S = 0 10 0 0 0 0 4/5 0 3/5 0 0 0 (ii) Bestimmung von U: Singulärwert-Zerlegung 3-6

absteigende Sortierung der singulären Werte (Wurzeln der Eigenwerte von A t A 20 0 0 3/5 0 4/5 V = 0 1 0, S = 0 10 0 0 0 0 4/5 0 3/5 0 0 0 (ii) Bestimmung von U: 10 5 0 AV = 10 5 0 10 5 0 10 5 0 Normierung (Division durch s 1, s 2 ) Spalte 1 und 2 von U: 1/2 1/2 u 1 = 1/2 1/2, u 2 = 1/2 1/2 1/2 1/2 Singulärwert-Zerlegung 3-7

Ergänzung zu einer orthogonalen Basis 1 1 1 1 U = 1 1 1 1 1 2 1 1 1 1 1 1 1 1 Singulärwert-Zerlegung 3-8

Ergänzung zu einer orthogonalen Basis 1 1 1 1 U = 1 1 1 1 1 2 1 1 1 1 1 1 1 1 (iii) Probe: A = USV t Singulärwert-Zerlegung 3-9

Ergänzung zu einer orthogonalen Basis 1 1 1 1 U = 1 1 1 1 1 2 1 1 1 1 1 1 1 1 (iii) Probe: A = USV t A = = 1 2 6 5 8 6 5 8 6 5 8 6 5 8 = USV t 1 1 1 1 20 0 0 1 1 1 1 0 10 0 1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 5 3 0 4 0 5 0 4 0 3 Singulärwert-Zerlegung 3-10