Matrice ortogonale: spiegazione con esempi e codice

Una matrice ortogonale è una matrice quadrata le cui colonne e righe formano basi ortonormali, cioè sono ortogonali tra loro e hanno lunghezza unitaria. Questa proprietà apparentemente semplice sblocca capacità utili: preservano distanze, angoli e prodotti scalari quando applicate come trasformazioni lineari. 

In questo articolo definiremo innanzitutto cos’è una matrice ortogonale e ne esamineremo le proprietà chiave e alcuni esempi. Esploreremo poi applicazioni pratiche, metteremo a confronto matrici ortogonali e ortonormali e mostreremo come identificare una matrice ortogonale nella pratica. Capendo queste matrici speciali, acquisirai intuizioni su diverse tecniche computazionali usate in data science, machine learning e calcolo numerico.

Che cos’è una matrice ortogonale?

Una matrice ortogonale è una matrice quadrata Q il cui trasposto è uguale all’inversa:

Definizione di matrice ortogonale. Immagine dell’autore.

Quando moltiplichiamo una matrice ortogonale per il suo trasposto, otteniamo la matrice identità:

Definizione di matrice ortogonale. Immagine dell’autore.

Da un punto di vista geometrico, una matrice ortogonale rappresenta una trasformazione lineare che preserva la lunghezza dei vettori e gli angoli tra di essi. Tali trasformazioni includono rotazioni, riflessioni o combinazioni di queste operazioni in uno spazio n-dimensionale. Ciò significa che quando moltiplichiamo un vettore per una matrice ortogonale, cambia solo la sua orientazione — non la sua magnitudine.

Un altro modo per comprendere le matrici ortogonali è attraverso la loro struttura. In una matrice ortogonale, tutte le colonne formano un insieme ortonormale di vettori — ogni colonna ha lunghezza unitaria (norma = 1) e ogni coppia di colonne diverse è ortogonale tra loro (il loro prodotto scalare è zero). La stessa proprietà vale per le righe della matrice.

Per esempio, affinché una matrice 2×2 sia ortogonale, le sue colonne devono essere vettori unitari e perpendicolari tra loro. Questo crea una trasformazione geometrica rigida che preserva la struttura dello spazio su cui opera, rendendo le matrici ortogonali strumenti fondamentali in applicazioni che richiedono integrità geometrica.

Proprietà delle matrici ortogonali

A partire dalla definizione di base, esploriamo ora le proprietà matematiche e computazionali che rendono le matrici ortogonali preziose nelle applicazioni numeriche.

Classificazione tramite determinante 

Il determinante di una matrice ortogonale è sempre +1 o -1, il che classifica queste matrici in due categorie geometriche:

• Quando det(Q) = +1, la matrice rappresenta una rotazione pura
• Quando det(Q) = -1, la matrice rappresenta una riflessione (o una rotazione combinata con una riflessione)

Questo vincolo sul determinante garantisce che le trasformazioni ortogonali preservino il volume, riorientando lo spazio invece di stirarlo o comprimerlo.

Proprietà di preservazione 

Le matrici ortogonali mantengono le relazioni geometriche durante la trasformazione. 

Per qualsiasi matrice ortogonale Q e vettori u e v:

• Le norme dei vettori sono preservate: ||Qu|| = ||u||
• I prodotti scalari sono mantenuti: (Qu) · (Qv) = u · v
• Gli angoli tra i vettori restano invariati

Questa preservazione si estende oltre i singoli vettori — intere configurazioni geometriche mantengono la loro struttura relativa sotto trasformazioni ortogonali.

Proprietà algebriche 

Gli autovalori delle matrici ortogonali hanno tutti valore assoluto pari a 1. Per matrici ortogonali reali, questi autovalori sono 1, -1, oppure compaiono in coppie coniugate complesse sulla circonferenza unitaria. Questo vincolo assicura che la trasformazione non amplifichi né riduca la “energia” complessiva del sistema.

Inoltre, il prodotto di due matrici ortogonali è sempre ortogonale, creando una proprietà di chiusura che rende queste matrici ben comportate per trasformazioni complesse e algoritmi iterativi.

Stabilità numerica 

Dal punto di vista computazionale, le matrici ortogonali possiedono proprietà numeriche eccezionali. Hanno un numero di condizionamento pari a 1, il che le rende estremamente stabili per gli algoritmi numerici. Significa che piccoli errori in ingresso non vengono amplificati durante il calcolo, portando a risultati affidabili e accurati anche in calcoli complessi. Questa stabilità è il motivo per cui le matrici ortogonali sono preferite in molti metodi numerici e perché algoritmi come la decomposizione QR fanno ampio uso di trasformazioni ortogonali.

Ora che abbiamo compreso la definizione e le proprietà che rendono speciali le matrici ortogonali, vediamo alcuni esempi per capirle meglio.

Esempi di matrici ortogonali

Capire le matrici ortogonali diventa più chiaro esplorando alcune matrici d’esempio.

La matrice identità

La matrice ortogonale più semplice è la matrice identità, che lascia invariati tutti i vettori:

Matrice identità. Immagine dell’autore.

Per quanto banale, la matrice identità soddisfa il nostro requisito fondamentale: I^T × I = I, che la rende ortogonale per definizione.

Matrici di rotazione 2D

Uno degli esempi più intuitivi è una matrice di rotazione 2D che ruota i vettori di un angolo θ:

Matrice 2D. Immagine dell’autore.

Per esempio, una rotazione di 45 gradi (π/4 radianti) ci dà:

Matrice ruotata di 45 gradi. Immagine dell’autore.

Questa matrice ruota qualsiasi vettore di 45 gradi in senso antiorario preservandone la lunghezza — un perfetto esempio di trasformazione ortogonale che conserva le proprietà geometriche.

Matrici di riflessione

Le matrici di riflessione ribaltano i vettori rispetto a un asse o a un piano specifico. Una semplice riflessione rispetto all’asse x è:

Esempio di matrice di riflessione. Immagine dell’autore.

Questa matrice mantiene invariata la coordinata x mentre nega la coordinata y, riflettendo di fatto i vettori rispetto all’asse orizzontale.

Trasformazioni 3D

Estendendo alle tre dimensioni, possiamo creare matrici di rotazione per lo spazio 3D. Una rotazione attorno all’asse z di un angolo θ è fatta così:

Esecuzione di trasformazioni 3D. Immagine dell’autore.

Nota come questo preservi la coordinata z mentre ruota le componenti x e y, mostrando come le matrici ortogonali possano trasformare selettivamente dimensioni specifiche.

Ciascuno di questi esempi dimostra il principio fondamentale delle matrici ortogonali: trasformano i vettori preservandone le proprietà geometriche essenziali — le lunghezze rimangono invariate e gli angoli tra i vettori sono mantenuti.

Applicazioni pratiche delle matrici ortogonali

Le matrici ortogonali trovano ampio impiego in vari domini grazie alle loro proprietà geometriche e numeriche. 

Alcune di queste includono:

• Analisi delle componenti principali: la PCA utilizza matrici ortogonali per trasformare i dati in un nuovo sistema di coordinate in cui la massima varianza giace lungo la prima coordinata. La matrice di trasformazione è composta da autovettori ortogonali che preservano la struttura geometrica dei dati riducendone al contempo la dimensionalità.
• Decomposizione QR: ogni matrice può essere decomposta come A = QR, dove Q è ortogonale e R è triangolare superiore. Questa decomposizione è fondamentale per risolvere sistemi lineari, problemi ai minimi quadrati e calcoli di autovalori.
• Computer grafica e trasformazioni 3D Le matrici ortogonali sono essenziali per le rotazioni 3D in computer grafica, robotica e visione artificiale. Garantiscono che gli oggetti mantengano forma e dimensioni durante le rotazioni, evitando distorsioni.
• Elaborazione dei segnali: la Discrete Cosine Transform (DCT) e la Discrete Fourier Transform usano matrici ortogonali per trasformare i segnali tra dominio del tempo e della frequenza. La compressione JPEG si basa fortemente sulla DCT, che utilizza trasformazioni ortogonali.
• Calcolo quantistico: le porte quantistiche sono rappresentate da matrici unitarie, che sono la generalizzazione complessa delle matrici ortogonali. Queste trasformazioni preservano le ampiezze di probabilità nei sistemi quantistici.

Matrici ortogonali vs. ortonormali

I termini matrice ortogonale e matrice ortonormale a volte si confondono, ma nel contesto delle matrici si usa solo matrice ortogonale, che già implica ortonormalità. La confusione nasce di solito quando si mescola la terminologia degli insiemi di vettori con quella delle matrici.

Per metterle a confronto:

• Un insieme ortogonale di vettori è composto da vettori mutuamente perpendicolari, ma non necessariamente di lunghezza unitaria.
• Un insieme ortonormale è composto da vettori sia mutuamente perpendicolari sia di lunghezza unitaria (cioè normalizzati).

Sorge quindi la domanda: perché la chiamiamo “ortogonale” e non “ortonormale”?

Sebbene le colonne di una matrice ortogonale siano tecnicamente ortonormali, il termine matrice ortogonale è il nome standard e storicamente affermato nell’algebra lineare. L’etichetta “matrice ortonormale” è ridondante e raramente, se non mai, usata nella matematica formale.

Quando diciamo che una matrice è ortogonale, intendiamo sempre che le sue colonne (e righe) sono ortonormali — mutuamente perpendicolari e di lunghezza unitaria. Non c’è bisogno di un termine separato come “matrice ortonormale” in questo contesto.

Ora che abbiamo chiarito la confusione sui nomi, vediamo come identificare una matrice ortogonale.

Come identificare una matrice ortogonale

Un metodo comune per verificare se una matrice è ortogonale è controllare se la matrice moltiplicata per il suo trasposto è uguale alla matrice identità: Q^T Q = I.

Questo approccio verifica direttamente la definizione fondamentale delle matrici ortogonali ed è computazionalmente efficiente per matrici di qualsiasi dimensione. Quando Q^T Q produce la matrice identità, conferma che tutte le colonne sono ortonormali (di lunghezza unitaria e mutuamente ortogonali).

Possiamo scrivere una semplice funzione in Python per farlo:

import numpy as np

def is_orthogonal(Q, tolerance=1e-10):
   """Check if Q^T * Q equals identity matrix"""
   # Matrix must be square
   if Q.shape[0] != Q.shape[1]:
       return False
  
   # Compute Q^T * Q
   QT_Q = np.dot(Q.T, Q)
   identity = np.eye(Q.shape[0])
  
   # Check if result is close to identity matrix
   return np.allclose(QT_Q, identity, atol=tolerance)

Possiamo testare la funzione sopra con alcuni esempi:

# Test a 2D rotation matrix
theta = np.pi/3  # 60 degrees
rotation_matrix = np.array([[np.cos(theta), -np.sin(theta)],
                          [np.sin(theta),  np.cos(theta)]])

print("Rotation matrix:")
print(rotation_matrix)
print("Is orthogonal:", is_orthogonal(rotation_matrix))

# Verify by computing Q^T * Q
QT_Q = np.dot(rotation_matrix.T, rotation_matrix)
print("Q^T * Q =")
print(QT_Q)

Come previsto, vediamo l’output che verifica la matrice ortogonale qui sotto:

Output per matrice ortogonale. Immagine dell’autore.

Inoltre, possiamo anche verificare la funzione usando una matrice non ortogonale qui sotto:

# Test with a non-orthogonal matrix
non_orthogonal = np.array([[1, 2], [3, 4]])
print("\nNon-orthogonal matrix:")
print(non_orthogonal)
print("Is orthogonal:", is_orthogonal(non_orthogonal))

L’output conferma quanto segue:

Output per matrice non ortogonale. Immagine dell’autore.

Il parametro di tolleranza tiene conto della precisione dell’aritmetica in virgola mobile. In pratica, matrici che sono ortogonali dal punto di vista computazionale (entro la precisione numerica) sono accettabili per la maggior parte delle applicazioni, anche se non sono perfettamente ortogonali dal punto di vista matematico a causa di errori di arrotondamento.

Conclusione

Questo articolo ha esplorato le matrici ortogonali, particolari matrici quadrate in cui il trasposto è uguale all’inversa, e le loro notevoli proprietà che le rendono essenziali in data science e calcolo numerico. Abbiamo visto come queste matrici preservino distanze e angoli durante le trasformazioni, ne abbiamo esaminato le applicazioni in PCA, decomposizione QR, computer grafica ed elaborazione dei segnali, e abbiamo scoperto metodi pratici per identificarle tramite implementazioni in Python.

Per approfondire l’algebra lineare e le sue applicazioni in data science, valuta l’iscrizione al nostro corso Linear Algebra for Data Science, dove esplorerai concetti di matrice più avanzati e le loro implementazioni in scenari reali.