Calculadora de decomposição de Cholesky - Fatoração de matrizes definidas positivas

A decomposição de Cholesky é uma das fatorações de matrizes mais importantes da álgebra linear numérica. Dada uma matriz simétrica definida positiva A, a decomposição produz uma matriz triangular inferior única L com elementos diagonais estritamente positivos, de modo que A = L·Lᵀ. O algoritmo, atribuído ao oficial de artilharia francês André-Louis Cholesky (1875–1918), foi publicado postumamente em 1924 e desde então se tornou um pilar da computação científica. O algoritmo de Cholesky-Banachiewicz usado nesta calculadora avança coluna por coluna. Para cada elemento diagonal, ele subtrai a soma dos quadrados de todos os elementos anteriores da mesma linha do elemento diagonal correspondente de A e então tira a raiz quadrada. Para os elementos fora da diagonal abaixo dela, ele subtrai um produto escalar dos elementos calculados anteriormente e divide pelo diagonal atual. O custo computacional é de aproximadamente n³/6 multiplicações para uma matriz n×n, tornando-o cerca de duas vezes mais eficiente que a decomposição LU geral para entradas simétricas definidas positivas. O requisito mais importante é que a matriz seja ao mesmo tempo simétrica e definida positiva. Simetria significa A[i][j] = A[j][i] para todos os pares (i, j). Definida positiva significa que xᵀAx > 0 para todo vetor real não nulo x, o que equivale a exigir que todos os autovalores sejam estritamente positivos. No algoritmo de Cholesky, a falha da definitude positiva aparece como uma tentativa de tirar a raiz quadrada de um número não positivo, e é exatamente isso que esta calculadora verifica. Em estatística, matrizes de covariância são sempre simétricas e semidefinidas positivas. Quando nenhuma variável é uma combinação linear perfeita de outra, elas são estritamente definidas positivas, o que permite aplicar diretamente a decomposição de Cholesky. A decomposição é usada para gerar amostras aleatórias normais multivariadas: se z é um vetor de variáveis normais padrão independentes, então L·z tem a matriz de covariância A. Essa técnica sustenta a simulação de Monte Carlo de ativos financeiros correlacionados, conjuntos de modelos climáticos e análises de confiabilidade estrutural. Em aprendizado de máquina, a regressão por processo gaussiano e as redes neurais bayesianas dependem fortemente da decomposição de Cholesky para inverter ou calcular o logaritmo do determinante de matrizes kernel com eficiência. O logaritmo do determinante de A é igual ao dobro da soma dos logaritmos dos elementos diagonais de L, evitando a instabilidade numérica de calcular o determinante diretamente. Implementações do filtro de Kalman usam o chamado filtro de Kalman de raiz quadrada, que propaga o fator de Cholesky da matriz de covariância em vez da covariância em si, melhorando drasticamente a estabilidade numérica em problemas de estimação de longa duração. Esta calculadora suporta matrizes 2×2, 3×3 e 4×4 — os tamanhos mais comuns em exercícios de sala de aula, pequenos problemas de análise numérica e prototipagem de algoritmos numéricos. Para matrizes maiores, o mesmo algoritmo se aplica e pode ser implementado com eficiência usando operações BLAS de nível 3 em hardware moderno. Seja para conferir tarefas, verificar uma decomposição feita à mão ou explorar as propriedades de matrizes definidas positivas, esta ferramenta fornece fatores de Cholesky imediatos e precisos.