Cholesky Decomposition: Concept and Applications | चोलस्की डीकंपोज़िशन: सिद्धांत और अनुप्रयोग


चोलस्की डीकंपोज़िशन: सिद्धांत और अनुप्रयोग (Cholesky Decomposition: Concept and Applications)

रैखिक बीजगणित (Linear Algebra) में मैट्रिक्स डीकंपोज़िशन तकनीकें किसी जटिल मैट्रिक्स को सरल रूपों में विभाजित करने के लिए उपयोग की जाती हैं ताकि उसके साथ गणना करना आसान हो। Cholesky Decomposition ऐसी ही एक विशेष तकनीक है जिसका प्रयोग विशेष प्रकार के मैट्रिक्स — Symmetric Positive Definite Matrices — के लिए किया जाता है।

1️⃣ चोलस्की डीकंपोज़िशन क्या है?

यदि कोई मैट्रिक्स A Symmetric (A = Aᵀ) और Positive Definite है, तो Cholesky Decomposition के अनुसार उसे इस प्रकार लिखा जा सकता है:

A = L × Lᵀ

जहाँ L एक Lower Triangular Matrix है (ऊपरी तत्व शून्य) और Lᵀ उसका Transpose है।

उदाहरण:

A = | 4  12 -16 |
    | 12 37 -43 |
    | -16 -43 98 |

Cholesky Factorization:
L = | 2  0   0 |
    | 6  1   0 |
    | -8 5   3 |

2️⃣ Positive Definite Matrix क्या होती है?

किसी Symmetric Matrix A को Positive Definite कहा जाता है यदि किसी भी Non-zero Vector x के लिए:

xᵀ A x > 0

अर्थात A के सभी Eigenvalues धनात्मक (Positive) हों।

3️⃣ चोलस्की फैक्टराइजेशन की प्रक्रिया (Algorithm)

यदि A = [aᵢⱼ] एक n×n मैट्रिक्स है, तो Cholesky Decomposition इस प्रकार निकाली जाती है:

  • प्रत्येक Diagonal तत्व के लिए: Lᵢᵢ = √(aᵢᵢ − Σₖ Lᵢₖ²)
  • Off-diagonal के लिए: Lⱼᵢ = (1 / Lᵢᵢ)(aⱼᵢ − Σₖ LⱼₖLᵢₖ)

Step-by-step उदाहरण:

A = | 25 15 -5 |
    | 15 18  0 |
    | -5  0 11 |

1️⃣ L₁₁ = √25 = 5
2️⃣ L₂₁ = 15/5 = 3
3️⃣ L₃₁ = -5/5 = -1
4️⃣ L₂₂ = √(18 - 3²) = √9 = 3
5️⃣ L₃₂ = (0 - (-1×3))/3 = 1
6️⃣ L₃₃ = √(11 - ((-1)² + 1²)) = √9 = 3

L = | 5 0 0 |
    | 3 3 0 |
    | -1 1 3 |

4️⃣ चोलस्की बनाम LU डीकंपोज़िशन

विशेषताCholeskyLU Decomposition
Matrix प्रकारSymmetric Positive DefiniteAny square matrix
FactorizationA = L × LᵀA = L × U
गणना गतितेज़ (half operations)धीमी
Numerical Stabilityज्यादाकम

5️⃣ चोलस्की डीकंपोज़िशन के अनुप्रयोग

  • Linear Equation Solving: Ax = b को कुशलतापूर्वक हल करने के लिए।
  • Optimization: Gradient Descent और Quadratic Programming में।
  • Statistics: Covariance Matrix के Decomposition में।
  • Machine Learning: Gaussian Process Regression और Kalman Filter में।

6️⃣ फायदे

  • गणना तेज़ होती है क्योंकि आधे Multiplications की आवश्यकता होती है।
  • Numerical Stability अधिक होती है।
  • Large सिस्टम्स में Memory Efficient होती है।

7️⃣ सीमाएँ

  • केवल Positive Definite Matrices पर लागू होती है।
  • यदि किसी मैट्रिक्स में Negative Eigenvalue हो तो Factorization असंभव है।

🔟 निष्कर्ष

Cholesky Decomposition Linear Algebra की एक शक्तिशाली तकनीक है जो गणनात्मक रूप से कुशल और स्थिर समाधान प्रदान करती है। यह LU Decomposition का विशेष केस है और आधुनिक Computational Systems में व्यापक रूप से प्रयोग होती है।

Related Post