📐 La descomposición en valores singulares (SVD) es una de las herramientas más importantes del álgebra lineal aplicada. El artículo histórico de 1993 reconstruye cómo surgió y evolucionó esta idea mucho antes de convertirse en una técnica habitual de la computación científica.
La SVD expresa cualquier matriz como el producto de tres piezas: dos matrices ortogonales y una matriz diagonal con los valores singulares. Esta forma separa direcciones, escalas y transformaciones, incluso cuando la matriz no es cuadrada o tiene dependencias entre sus filas y columnas.
La historia conecta contribuciones de matemáticos como Beltrami, Jordan, Sylvester, Schmidt y von Neumann. También muestra cómo los problemas de aproximación, ecuaciones lineales y análisis numérico impulsaron algoritmos cada vez más estables para calcularla.
Hoy la SVD aparece en compresión de imágenes, reducción de dimensionalidad, sistemas de recomendación, resolución de mínimos cuadrados y aprendizaje automático. Su importancia no depende solo de una fórmula elegante: también está en que permite aproximar una matriz conservando sus patrones dominantes.
💡 Explicación en pocas palabras#
Imagina una matriz como una transformación que deforma el espacio. La SVD encuentra los ejes especiales que primero se giran, cuánto se estiran y cómo se giran de nuevo. Así convierte una operación compleja en tres pasos simples y revela qué información es más importante.
Más información en el link 👇
