Calculateur de décomposition de Cholesky - Factorisation des matrices définies positives

La décomposition de Cholesky est l’une des factorisations matricielles les plus importantes de l’algèbre linéaire numérique. Étant donnée une matrice symétrique définie positive A, la décomposition produit une matrice triangulaire inférieure unique L à diagonale strictement positive telle que A = L·Lᵀ. L’algorithme, attribué à l’officier d’artillerie français André-Louis Cholesky (1875–1918), a été publié à titre posthume en 1924 et est depuis devenu une pierre angulaire du calcul scientifique. L’algorithme de Cholesky-Banachiewicz utilisé dans ce calculateur progresse colonne par colonne. Pour chaque élément diagonal, il soustrait la somme des carrés de tous les éléments précédents de la même ligne à l’élément diagonal correspondant de A, puis en prend la racine carrée. Pour les éléments hors diagonale situés sous celle-ci, il soustrait un produit scalaire des éléments déjà calculés et divise par la diagonale courante. Le coût de calcul est d’environ n³/6 multiplications pour une matrice n×n, ce qui le rend environ deux fois plus efficace que la décomposition LU générale pour des entrées symétriques définies positives. La condition la plus importante est que la matrice soit à la fois symétrique et définie positive. La symétrie signifie que A[i][j] = A[j][i] pour toutes les paires (i, j). La positivité définie signifie que xᵀAx > 0 pour tout vecteur réel non nul x, ce qui équivaut à exiger que toutes les valeurs propres soient strictement positives. Dans l’algorithme de Cholesky, l’échec de la positivité définie se manifeste par une tentative de prendre la racine carrée d’un nombre non positif, et c’est précisément ce que ce calculateur vérifie. En statistique, les matrices de covariance sont toujours symétriques et semi-définies positives. Lorsqu’aucune paire de variables n’est parfaitement colinéaire, elles sont strictement définies positives, ce qui permet d’appliquer directement la décomposition de Cholesky. La décomposition sert à générer des échantillons aléatoires gaussiens multivariés : si z est un vecteur de variables normales standard indépendantes, alors L·z a pour matrice de covariance A. Cette technique sous-tend les simulations Monte Carlo d’actifs financiers corrélés, les ensembles de modèles climatiques et les analyses de fiabilité structurelle. En apprentissage automatique, la régression par processus gaussiens et les réseaux neuronaux bayésiens reposent fortement sur la décomposition de Cholesky pour inverser ou calculer le déterminant logarithmique des matrices noyau de manière efficace. Le déterminant logarithmique de A est égal à deux fois la somme des logarithmes des éléments diagonaux de L, ce qui évite l’instabilité numérique du calcul direct du déterminant. Les implémentations du filtre de Kalman utilisent le « filtre de Kalman à racine carrée », qui propage le facteur de Cholesky de la matrice de covariance plutôt que la covariance elle-même, améliorant considérablement la stabilité numérique dans les problèmes d’estimation de longue durée. Ce calculateur prend en charge les matrices 2×2, 3×3 et 4×4 — les tailles les plus courantes dans les exercices de classe, les petits problèmes d’analyse numérique et le prototypage d’algorithmes numériques. Pour des matrices plus grandes, le même algorithme s’applique et peut être implémenté efficacement à l’aide d’opérations BLAS de niveau 3 sur du matériel moderne. Que vous vérifiiez un devoir, contrôliez une décomposition faite à la main ou exploriez les propriétés des matrices définies positives, cet outil fournit instantanément des facteurs de Cholesky précis.