Calculadora de descomposición de Cholesky - Factorización de matrices definidas positivas

La descomposición de Cholesky es una de las factorizaciones matriciales más importantes del álgebra lineal numérica. Dada una matriz simétrica definida positiva A, la descomposición produce una matriz triangular inferior única L con diagonales estrictamente positivas tal que A = L·Lᵀ. El algoritmo, atribuido al oficial de artillería francés André-Louis Cholesky (1875–1918), se publicó póstumamente en 1924 y desde entonces se ha convertido en una piedra angular de la computación científica. El algoritmo Cholesky-Banachiewicz usado en esta calculadora avanza columna por columna. Para cada elemento diagonal, resta la suma de los cuadrados de todos los elementos anteriores de la misma fila al elemento diagonal correspondiente de A y luego toma la raíz cuadrada. Para los elementos fuera de la diagonal por debajo de ella, resta un producto punto de los elementos calculados previamente y divide por la diagonal actual. El coste computacional es de aproximadamente n³/6 multiplicaciones para una matriz n×n, por lo que es alrededor del doble de eficiente que la descomposición LU general para entradas simétricas definidas positivas. El requisito más importante es que la matriz sea tanto simétrica como definida positiva. Simetría significa que A[i][j] = A[j][i] para todos los pares (i, j). Definida positiva significa que xᵀAx > 0 para todo vector real no nulo x, lo cual equivale a exigir que todos los autovalores sean estrictamente positivos. En el algoritmo de Cholesky, el fallo de la positividad definida aparece como un intento de tomar la raíz cuadrada de un número no positivo, que es precisamente la comprobación que realiza esta calculadora. En estadística, las matrices de covarianza son siempre simétricas y semidefinidas positivas. Cuando ninguna de dos variables es una combinación lineal perfecta de la otra, son estrictamente definidas positivas, por lo que la descomposición de Cholesky se aplica directamente. La descomposición se usa para generar muestras aleatorias normales multivariantes: si z es un vector de variables normales estándar independientes, entonces L·z tiene la matriz de covarianza A. Esta técnica sustenta la simulación de Monte Carlo de activos financieros correlacionados, conjuntos de modelos climáticos y análisis de fiabilidad estructural. En aprendizaje automático, la regresión de procesos gaussianos y las redes neuronales bayesianas dependen en gran medida de la descomposición de Cholesky para invertir o calcular el log-determinante de matrices kernel de forma eficiente. El log-determinante de A es el doble de la suma de los logaritmos de los elementos diagonales de L, lo que evita la inestabilidad numérica de calcular el determinante directamente. Las implementaciones del filtro de Kalman usan el llamado filtro de Kalman de raíz cuadrada, que propaga el factor de Cholesky de la matriz de covarianza en lugar de la covarianza misma, mejorando drásticamente la estabilidad numérica en problemas de estimación prolongados. Esta calculadora admite matrices 2×2, 3×3 y 4×4, los tamaños más comunes en ejercicios de clase, problemas pequeños de análisis numérico y prototipado de algoritmos numéricos. Para matrices más grandes, se aplica el mismo algoritmo y puede implementarse de forma eficiente con operaciones BLAS de nivel 3 en hardware moderno. Tanto si estás comprobando tareas, verificando una descomposición hecha a mano o explorando las propiedades de las matrices definidas positivas, esta herramienta proporciona factores de Cholesky inmediatos y precisos.