La matriz única A^+ que satisface las cuatro condiciones de Penrose respecto a una matriz dada A y que proporciona una inversa generalizada que da soluciones de mínimos cuadrados de norma mínima cuando A no es invertible.

Principio

Caracterizar una inversa generalizada por las identidades algebraicas A A^+ A = A, A^+ A A^+ = A^+, (A A^+)^* = A A^+, y (A^+ A)^* = A^+ A, que aseguran compatibilidad con proyecciones ortogonales y selección de norma mínima.

Demostración

Para una matriz real A con rango completo de columnas, la pseudoinversa es (A^T A)^{-1} A^T y produce la solución x de norma euclidiana mínima del problema de mínimos cuadrados que minimiza ||Ax - b||_2.

Aplicación incorrecta

Usar la pseudoinversa como sustituto de la inversión regularizada en problemas mal condicionados sin atender la inestabilidad numérica o interpretar la solución como evidencia causal.

Consecuencia

Proporciona un operador lineal canónico que proyecta datos sobre el espacio columna de A y da soluciones de norma mínima reproducibles y descomposiciones ortogonales usadas en reconstrucción de señales y estimación lineal.

Inversión

Cuando A es cuadrada y no singular, la pseudoinversa coincide con la inversa ordinaria; esta inversión muestra que la pseudoinversa generaliza la inversión exacta a casos con defecto de rango.

Límite

Formulada para matrices finitas sobre R o C; existen extensiones a operadores acotados en espacios de Hilbert pero requieren marcos funcional-analíticos y quedan fuera de esta descripción de dimensión finita.

Tensión semántica

A menudo se confunde con una inversa matricial ingenua o con inversas regularizadas; la pseudoinversa es un instrumento algebraico de mínimos cuadrados distinto de los métodos que imponen penalizaciones para estabilidad.

Síntesis

La pseudoinversa de Moore–Penrose es la matriz única que satisface las identidades de Penrose y produce soluciones de mínimos cuadrados de norma mínima y proyecciones ortogonales, extendiendo la noción de inversa a matrices singulares o rectangulares.