Nell'ampio panorama della fisica matematica e della scienza dei dati, la matrice A^TCA si presenta come un ponte universale. Che tu stia calcolando lo spostamento di un grattacielo sotto carico del vento (rigidità) o cercando il miglior adattamento per dati statistici rumorosi (Minimi Quadrati), la struttura rimane invariata. Quando l'inversa "perfetta" di A non esiste perché il sistema è singolare o sovradeterminato, la Pseudoinversa A⁺ emerge come nostra guida verso l'equilibrio.
1. La Geometria della Pseudoinversa
La pseudoinversa $A^+$ è una matrice $n$ per $m$ che agisce come inversa perfetta quando possibile. Collega i Quattro Spazi Fondamentali assicurandosi che i vettori $u_1, \dots, u_r$ nello spazio colonna di $A$ si mappino direttamente nei vettori $v_1, \dots, v_r$ nello spazio riga.
Regole di Mappatura
- Per $i \leq r$: $A^+ u_i = \frac{1}{\sigma_i} v_i$ (Inverso della scala del valore singolare)
- Per $i > r$: $A^+ u_i = 0$ (Lo spazio nullo sinistro viene annullato)
2. Costruzione della Matrice A^TCA
I sistemi fisici raggiungono l'equilibrio attraverso un ciclo a tre fasi:
- Cinematica ($Ax=e$): Gli spostamenti esterni $x$ creano la deformazione interna $e$.
- Legge Costitutiva ($y=Ce$): Le proprietà materiali (come la Legge di Hooke) trasformano la deformazione nell'effetto interno $y$.
- Equilibrio ($A^Ty=f$): Gli sforzi interni bilanciano le forze esterne $f$.
Combinando queste relazioni otteniamo l'equazione fondamentale: $A^TCAx=f$. Se $A^TA$ è invertibile, recuperiamo la soluzione standard dei minimi quadrati pesati.
3. Proiezioni e Identità
A differenza di una inversa standard, $AA^+$ e $A^+A$ non producono necessariamente la matrice identità completa. Invece, agiscono come Matrici di Proiezione:
- $AA^+$ è la matrice di proiezione sullo spazio colonna di $A$.
- $A^+ A$ è la matrice di proiezione sullo spazio riga di $A$.
🎯 Definizione tramite SVD
La definizione matematica formale utilizza la Decomposizione ai Valori Singolari:
$A^+ = V \Sigma^+ U^T = \begin{bmatrix} v_1 \cdots v_r \cdots v_n \end{bmatrix} \begin{bmatrix} \sigma_1^{-1} & & \\ & \ddots & \\ & & \sigma_r^{-1} \\ & & & 0 \end{bmatrix} \begin{bmatrix} u_1 \cdots u_r \cdots u_m \end{bmatrix}^T$
Esempio Risolto: Trovare A⁺ per una Matrice di Rango 1
Problema
Considera $A = \begin{bmatrix} 2 & 2 \\ 1 & 1 \end{bmatrix}$. Trova $A^+$.
Analisi
Il rango $r=1$. Lo spazio riga è generato da $v_1 = \frac{1}{\sqrt{2}}(1, 1)$. Lo spazio colonna è generato da $u_1 = \frac{1}{\sqrt{5}}(2, 1)$. Il valore singolare $\sigma_1 = \sqrt{2^2+2^2+1^2+1^2} = \sqrt{10}$.
Calcolo
$A^+ = v_1 \sigma_1^{-1} u_1^T = \frac{1}{\sqrt{2}}\begin{bmatrix} 1 \\ 1 \end{bmatrix} \frac{1}{\sqrt{10}} \frac{1}{\sqrt{5}}\begin{bmatrix} 2 & 1 \end{bmatrix} = \frac{1}{10} \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix}$.