Dans le vaste paysage de la physique mathématique et des sciences des données, la matrice A^TCA constitue un pont universel. Que vous calculiez le déplacement d'un gratte-ciel sous charge éolienne (raideur) ou que vous cherchiez l'ajustement optimal pour des données statistiques bruitées (moindres carrés), la structure reste identique. Lorsque l'inverse « parfait » de A n'existe pas parce que le système est singulier ou surdéterminé, le pseudoinverse A⁺ apparaît comme notre guide pour retrouver l'équilibre.
1. La géométrie du pseudoinverse
Le pseudoinverse $A^+$ est une matrice $n$ par $m$ qui agit comme un inverse parfait là où c'est possible. Il relie les quatre espaces fondamentaux en s'assurant que les vecteurs $u_1, \dots, u_r$ dans l'espace colonne de $A$ se transforment directement en $v_1, \dots, v_r$ dans l'espace ligne.
Règles de correspondance
- Pour $i \leq r$ : $A^+ u_i = \frac{1}{\sigma_i} v_i$ (Inverse du facteur de mise à l'échelle des valeurs singulières)
- Pour $i > r$ : $A^+ u_i = 0$ (L'espace nul gauche est annulé)
2. La construction de A^TCA
Les systèmes physiques atteignent l'équilibre à travers un cycle en trois étapes :
- Cinématique ($Ax=e$) : Les déplacements externes $x$ engendrent une déformation interne $e$.
- Loi constitutive ($y=Ce$) : Les propriétés matérielles (comme la loi de Hooke) convertissent la déformation en contrainte interne $y$.
- Équilibre ($A^Ty=f$) : Les contraintes internes équilibrent les forces externes $f$.
En combinant ces éléments, on obtient l'équation maîtresse : $A^TCAx=f$. Si $A^TA$ est inversible, nous retrouvons la solution standard des moindres carrés pondérés.
3. Projections et identités
Contrairement à un inverse standard, $AA^+$ et $A^+A$ ne donnent pas nécessairement la matrice identité complète. À la place, ils agissent comme matrices de projection:
- $AA^+$ est la matrice de projection sur l' espace colonne de $A$.
- $A^+ A$ est la matrice de projection sur l' espace ligne de $A$.
🎯 Définition par décomposition aux valeurs singulières (SVD)
La définition mathématique formelle utilise la décomposition aux valeurs singulières :
$A^+ = V \Sigma^+ U^T = \begin{bmatrix} v_1 \cdots v_r \cdots v_n \end{bmatrix} \begin{bmatrix} \sigma_1^{-1} & & \\ & \ddots & \\ & & \sigma_r^{-1} \\ & & & 0 \end{bmatrix} \begin{bmatrix} u_1 \cdots u_r \cdots u_m \end{bmatrix}^T$
Exemple travaillé : Trouver A⁺ pour une matrice de rang 1
Problème
Considérons $A = \begin{bmatrix} 2 & 2 \\ 1 & 1 \end{bmatrix}$. Trouvez $A^+$.
Analyse
Le rang $r=1$. L'espace ligne est engendré par $v_1 = \frac{1}{\sqrt{2}}(1, 1)$. L'espace colonne est engendré par $u_1 = \frac{1}{\sqrt{5}}(2, 1)$. La valeur singulière $\sigma_1 = \sqrt{2^2+2^2+1^2+1^2} = \sqrt{10}$.
Calcul
$A^+ = v_1 \sigma_1^{-1} u_1^T = \frac{1}{\sqrt{2}}\begin{bmatrix} 1 \\ 1 \end{bmatrix} \frac{1}{\sqrt{10}} \frac{1}{\sqrt{5}}\begin{bmatrix} 2 & 1 \end{bmatrix} = \frac{1}{10} \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix}$.