No vasto panorama da física matemática e da ciência de dados, a matriz A^TCA funciona como uma ponte universal. Seja você calculando o deslocamento de um arranha-céu sob carga de vento (rigidez) ou encontrando o melhor ajuste para dados estatísticos ruidosos (Mínimos Quadrados), a estrutura permanece a mesma. Quando o "inverso" perfeito de A não existe por causa de o sistema ser singular ou superdeterminado, a pseudo-inversa A⁺ surge como nossa guia de volta ao equilíbrio.
1. A Geometria da Pseudo-Inversa
A pseudo-inversa $A^+$ é uma matriz $n$ por $m$ que atua como um inverso perfeito quando possível. Ela conecta os Quatro Espaços Fundamentais garantindo que os vetores $u_1, \dots, u_r$ no espaço coluna de $A$ sejam mapeados diretamente de volta para $v_1, \dots, v_r$ no espaço linha.
Regras de Mapeamento
- Para $i \leq r$: $A^+ u_i = \frac{1}{\sigma_i} v_i$ (Inversão da escala do valor singular)
- Para $i > r$: $A^+ u_i = 0$ (O espaço nulo à esquerda é anulado)
2. A Construção da Matriz A^TCA
Sistemas físicos alcançam o equilíbrio por meio de um ciclo de três etapas:
- Cinemática ($Ax=e$): Deslocamentos externos $x$ criam deformação interna $e$.
- Lei Constitutiva ($y=Ce$): Propriedades materiais (como a Lei de Hooke) convertem deformação em tensão interna $y$.
- Equilíbrio ($A^Ty=f$): As tensões internas equilibram as forças externas $f$.
Combinando essas etapas obtém-se a equação mestra: $A^TCAx=f$. Se $A^TA$ for invertível, recuperamos a solução padrão dos mínimos quadrados ponderados.
3. Projeções e Identidades
Diferentemente de um inverso padrão, $AA^+$ e $A^+A$ não produzem necessariamente a matriz identidade completa. Em vez disso, atuam como Matrizes de Projeção:
- $AA^+$ é a matriz de projeção sobre o espaço coluna de $A$.
- $A^+ A$ é a matriz de projeção sobre o espaço linha de $A$.
🎯 Definição pela Decomposição em Valores Singulares (SVD)
A definição matemática formal utiliza a Decomposição em Valores Singulares:
$A^+ = V \Sigma^+ U^T = \begin{bmatrix} v_1 \cdots v_r \cdots v_n \end{bmatrix} \begin{bmatrix} \sigma_1^{-1} & & \\ & \ddots & \\ & & \sigma_r^{-1} \\ & & & 0 \end{bmatrix} \begin{bmatrix} u_1 \cdots u_r \cdots u_m \end{bmatrix}^T$
Exemplo Resolvido: Encontrando A⁺ para uma Matriz de Posto 1
Problema
Considere $A = \begin{bmatrix} 2 & 2 \\ 1 & 1 \end{bmatrix}$. Encontre $A^+$.
Análise
O posto $r=1$. O espaço linha é gerado por $v_1 = \frac{1}{\sqrt{2}}(1, 1)$. O espaço coluna é gerado por $u_1 = \frac{1}{\sqrt{5}}(2, 1)$. O valor singular $\sigma_1 = \sqrt{2^2+2^2+1^2+1^2} = \sqrt{10}$.
Cálculo
$A^+ = v_1 \sigma_1^{-1} u_1^T = \frac{1}{\sqrt{2}}\begin{bmatrix} 1 \\ 1 \end{bmatrix} \frac{1}{\sqrt{10}} \frac{1}{\sqrt{5}}\begin{bmatrix} 2 & 1 \end{bmatrix} = \frac{1}{10} \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix}$.