Элемент обратной матрицы получается в результате. Нахождение обратной матрицы

Эта тема является одной из самых ненавистных среди студентов. Хуже, наверное, только определители.

Фишка в том, что само понятие обратного элемента (и я сейчас не только о матрицах) отсылает нас к операции умножения. Даже в школьной программе умножение считается сложной операцией, а уж умножение матриц — вообще отдельная тема, которой у меня посвящён целый параграф и видеоурок.

Сегодня мы не будем вдаваться в подробности матричных вычислений. Просто вспомним: как обозначаются матрицы, как они умножаются и что из этого следует.

Повторение: умножение матриц

Прежде всего договоримся об обозначениях. Матрицей $A$ размера $\left[ m\times n \right]$ называется просто таблица из чисел, в которой ровно $m$ строк и $n$ столбцов:

\=\underbrace{\left[ \begin{matrix} {{a}_{11}} & {{a}_{12}} & ... & {{a}_{1n}} \\ {{a}_{21}} & {{a}_{22}} & ... & {{a}_{2n}} \\ ... & ... & ... & ... \\ {{a}_{m1}} & {{a}_{m2}} & ... & {{a}_{mn}} \\\end{matrix} \right]}_{n}\]

Чтобы случайно не перепутать строки и столбцы местами (поверьте, на экзамене можно и единицу с двойкой перепутать — что уж говорить про какие-то там строки), просто взгляните на картинку:

Определение индексов для клеток матрицы

Что происходит? Если разместить стандартную систему координат $OXY$ в левом верхнем углу и направить оси так, чтобы они охватывали всю матрицу, то каждой клетке этой матрицы можно однозначно сопоставить координаты $\left(x;y \right)$ — это и будет номер строки и номер столбца.

Почему система координат размещена именно в левом верхнем углу? Да потому что именно оттуда мы начинаем читать любые тексты. Это очень просто запомнить.

А почему ось $x$ направлена именно вниз, а не вправо? Опять всё просто: возьмите стандартную систему координат (ось $x$ идёт вправо, ось $y$ — вверх) и поверните её так, чтобы она охватывала матрицу. Это поворот на 90 градусов по часовой стрелке — его результат мы и видим на картинке.

В общем, как определять индексы у элементов матрицы, мы разобрались. Теперь давайте разберёмся с умножением.

Определение. Матрицы $A=\left[ m\times n \right]$ и $B=\left[ n\times k \right]$, когда количество столбцов в первой совпадает с количеством строк во второй, называются согласованными.

Именно в таком порядке. Можно сумничать и сказать, мол, матрицы $A$ и $B$ образуют упорядоченную пару $\left(A;B \right)$: если они согласованы в таком порядке, то совершенно необязательно, что $B$ и $A$, т.е. пара $\left(B;A \right)$ — тоже согласована.

Умножать можно только согласованные матрицы.

Определение. Произведение согласованных матриц $A=\left[ m\times n \right]$ и $B=\left[ n\times k \right]$ — это новая матрица $C=\left[ m\times k \right]$, элементы которой ${{c}_{ij}}$ считаются по формуле:

\[{{c}_{ij}}=\sum\limits_{k=1}^{n}{{{a}_{ik}}}\cdot {{b}_{kj}}\]

Другими словами: чтобы получить элемент ${{c}_{ij}}$ матрицы $C=A\cdot B$, нужно взять $i$-строку первой матрицы, $j$-й столбец второй матрицы, а затем попарно перемножить элементы из этой строки и столбца. Результаты сложить.

Да, вот такое суровое определение. Из него сразу следует несколько фактов:

Умножение матриц, вообще говоря, некоммутативно: $A\cdot B\ne B\cdot A$;
Однако умножение ассоциативно: $\left(A\cdot B \right)\cdot C=A\cdot \left(B\cdot C \right)$;
И даже дистрибутивно: $\left(A+B \right)\cdot C=A\cdot C+B\cdot C$;
И ещё раз дистрибутивно: $A\cdot \left(B+C \right)=A\cdot B+A\cdot C$.

Дистрибутивность умножения пришлось отдельно описывать для левого и правого множителя-суммы как раз из-за некоммутативности операции умножения.

Если всё же получается так, что $A\cdot B=B\cdot A$, такие матрицы называются перестановочными.

Среди всех матриц, которые там на что-то умножаются, есть особые — те, которые при умножении на любую матрицу $A$ снова дают $A$:

Определение. Матрица $E$ называется единичной, если $A\cdot E=A$ или $E\cdot A=A$. В случае с квадратной матрицей $A$ можем записать:

Единичная матрица — частый гость при решении матричных уравнений. И вообще частый гость в мире матриц.:)

А ещё из-за этой $E$ кое-кто придумал всю ту дичь, которая будет написана дальше.

Что такое обратная матрица

Поскольку умножение матриц — весьма трудоёмкая операция (приходится перемножать кучу строчек и столбцов), то понятие обратной матрицы тоже оказывается не самым тривиальным. И требующим некоторых пояснений.

Ключевое определение

Что ж, пора познать истину.

Определение. Матрица $B$ называется обратной к матрице $A$ , если

Обратная матрица обозначается через ${{A}^{-1}}$ (не путать со степенью!), поэтому определение можно переписать так:

Казалось бы, всё предельно просто и ясно. Но при анализе такого определения сразу возникает несколько вопросов:

Всегда ли существует обратная матрица? И если не всегда, то как определить: когда она существует, а когда — нет?
А кто сказал, что такая матрица ровно одна? Вдруг для некоторой исходной матрицы $A$ найдётся целая толпа обратных?
Как выглядят все эти «обратные»? И как, собственно, их считать?

Насчёт алгоритмов вычисления — об этом мы поговорим чуть позже. Но на остальные вопросы ответим прямо сейчас. Оформим их в виде отдельных утверждений-лемм.

Основные свойства

Начнём с того, как в принципе должна выглядеть матрица $A$, чтобы для неё существовала ${{A}^{-1}}$. Сейчас мы убедимся в том, что обе эти матрицы должны быть квадратными, причём одного размера: $\left[ n\times n \right]$.

Лемма 1 . Дана матрица $A$ и обратная ей ${{A}^{-1}}$. Тогда обе эти матрицы — квадратные, причём одинакового порядка $n$.

Доказательство. Всё просто. Пусть матрица $A=\left[ m\times n \right]$, ${{A}^{-1}}=\left[ a\times b \right]$. Поскольку произведение $A\cdot {{A}^{-1}}=E$ по определению существует, матрицы $A$ и ${{A}^{-1}}$ согласованы в указанном порядке:

\[\begin{align} & \left[ m\times n \right]\cdot \left[ a\times b \right]=\left[ m\times b \right] \\ & n=a \end{align}\]

Это прямое следствие из алгоритма перемножения матриц: коэффициенты $n$ и $a$ являются «транзитными» и должны быть равны.

Вместе с тем определено и обратное умножение: ${{A}^{-1}}\cdot A=E$, поэтому матрицы ${{A}^{-1}}$ и $A$ тоже согласованы в указанном порядке:

\[\begin{align} & \left[ a\times b \right]\cdot \left[ m\times n \right]=\left[ a\times n \right] \\ & b=m \end{align}\]

Таким образом, без ограничения общности можем считать, что $A=\left[ m\times n \right]$, ${{A}^{-1}}=\left[ n\times m \right]$. Однако согласно определению $A\cdot {{A}^{-1}}={{A}^{-1}}\cdot A$, поэтому размеры матриц строго совпадают:

\[\begin{align} & \left[ m\times n \right]=\left[ n\times m \right] \\ & m=n \end{align}\]

Вот и получается, что все три матрицы — $A$, ${{A}^{-1}}$ и $E$ — являются квадратными размером $\left[ n\times n \right]$. Лемма доказана.

Что ж, уже неплохо. Мы видим, что обратимыми бывают лишь квадратные матрицы. Теперь давайте убедимся, что обратная матрица всегда одна.

Лемма 2 . Дана матрица $A$ и обратная ей ${{A}^{-1}}$. Тогда эта обратная матрица — единственная.

Доказательство. Пойдём от противного: пусть у матрицы $A$ есть хотя бы два экземпляра обратных —$B$ и $C$. Тогда, согласно определению, верны следующие равенства:

\[\begin{align} & A\cdot B=B\cdot A=E; \\ & A\cdot C=C\cdot A=E. \\ \end{align}\]

Из леммы 1 мы заключаем, что все четыре матрицы — $A$, $B$, $C$ и $E$ — являются квадратными одинакового порядка: $\left[ n\times n \right]$. Следовательно, определено произведение:

Поскольку умножение матриц ассоциативно (но не коммутативно!), мы можем записать:

\[\begin{align} & B\cdot A\cdot C=\left(B\cdot A \right)\cdot C=E\cdot C=C; \\ & B\cdot A\cdot C=B\cdot \left(A\cdot C \right)=B\cdot E=B; \\ & B\cdot A\cdot C=C=B\Rightarrow B=C. \\ \end{align}\]

Получили единственно возможный вариант: два экземпляра обратной матрицы равны. Лемма доказана.

Приведённые рассуждения почти дословно повторяют доказательство единственность обратного элемента для всех действительных чисел $b\ne 0$. Единственное существенное дополнение — учёт размерности матриц.

Впрочем, мы до сих пор ничего не знаем о том, всякая ли квадратная матрица является обратимой. Тут нам на помощь приходит определитель — это ключевая характеристика для всех квадратных матриц.

Лемма 3 . Дана матрица $A$. Если обратная к ней матрица ${{A}^{-1}}$ существует, то определитель исходной матрицы отличен от нуля:

\[\left| A \right|\ne 0\]

Доказательство. Мы уже знаем, что $A$ и ${{A}^{-1}}$ — квадратные матрицы размера $\left[ n\times n \right]$. Следовательно, для каждой из них можно вычислить определитель: $\left| A \right|$ и $\left| {{A}^{-1}} \right|$. Однако определитель произведения равен произведению определителей:

\[\left| A\cdot B \right|=\left| A \right|\cdot \left| B \right|\Rightarrow \left| A\cdot {{A}^{-1}} \right|=\left| A \right|\cdot \left| {{A}^{-1}} \right|\]

Но согласно определению $A\cdot {{A}^{-1}}=E$, а определитель $E$ всегда равен 1, поэтому

\[\begin{align} & A\cdot {{A}^{-1}}=E; \\ & \left| A\cdot {{A}^{-1}} \right|=\left| E \right|; \\ & \left| A \right|\cdot \left| {{A}^{-1}} \right|=1. \\ \end{align}\]

Произведение двух чисел равно единице только в том случае, когда каждое из этих чисел отлично от нуля:

\[\left| A \right|\ne 0;\quad \left| {{A}^{-1}} \right|\ne 0.\]

Вот и получается, что $\left| A \right|\ne 0$. Лемма доказана.

На самом деле это требование вполне логично. Сейчас мы разберём алгоритм нахождения обратной матрицы — и станет совершенно ясно, почему при нулевом определителе никакой обратной матрицы в принципе не может существовать.

Но для начала сформулируем «вспомогательное» определение:

Определение. Вырожденная матрица — это квадратная матрица размера $\left[ n\times n \right]$, чей определитель равен нулю.

Таким образом, мы можем утверждать, что всякая обратимая матрица является невырожденной.

Как найти обратную матрицу

Сейчас мы рассмотрим универсальный алгоритм нахождения обратных матриц. Вообще, существует два общепринятых алгоритма, и второй мы тоже сегодня рассмотрим.

Тот, который будет рассмотрен сейчас, очень эффективен для матриц размера $\left[ 2\times 2 \right]$ и — частично — размера $\left[ 3\times 3 \right]$. А вот начиная с размера $\left[ 4\times 4 \right]$ его лучше не применять. Почему — сейчас сами всё поймёте.

Алгебраические дополнения

Готовьтесь. Сейчас будет боль. Нет, не переживайте: к вам не идёт красивая медсестра в юбке, чулках с кружевами и не сделает укол в ягодицу. Всё куда прозаичнее: к вам идут алгебраические дополнения и Её Величество «Союзная Матрица».

Начнём с главного. Пусть имеется квадратная матрица размера $A=\left[ n\times n \right]$, элементы которой именуются ${{a}_{ij}}$. Тогда для каждого такого элемента можно определить алгебраическое дополнение:

Определение. Алгебраическое дополнение ${{A}_{ij}}$ к элементу ${{a}_{ij}}$, стоящего в $i$-й строке и $j$-м столбце матрицы $A=\left[ n\times n \right]$ — это конструкция вида

\[{{A}_{ij}}={{\left(-1 \right)}^{i+j}}\cdot M_{ij}^{*}\]

Где $M_{ij}^{*}$ — определитель матрицы, полученной из исходной $A$ вычёркиванием той самой $i$-й строки и $j$-го столбца.

Ещё раз. Алгебраическое дополнение к элементу матрицы с координатами $\left(i;j \right)$ обозначается как ${{A}_{ij}}$ и считается по схеме:

Сначала вычёркиваем из исходной матрицы $i$-строчку и $j$-й столбец. Получим новую квадратную матрицу, и её определитель мы обозначаем как $M_{ij}^{*}$.
Затем умножаем этот определитель на ${{\left(-1 \right)}^{i+j}}$ — поначалу это выражение может показаться мозговыносящим, но по сути мы просто выясняем знак перед $M_{ij}^{*}$.
Считаем — получаем конкретное число. Т.е. алгебраическое дополнение — это именно число, а не какая-то новая матрица и т.д.

Саму матрицу $M_{ij}^{*}$ называют дополнительным минором к элементу ${{a}_{ij}}$. И в этом смысле приведённое выше определение алгебраического дополнения является частным случаем более сложного определения — того, что мы рассматривали в уроке про определитель.

Важное замечание. Вообще-то во «взрослой» математике алгебраические дополнения определяются так:

Берём в квадратной матрице $k$ строчек и $k$ столбцов. На их пересечении получится матрица размера $\left[ k\times k \right]$ — её определитель называется минором порядка $k$ и обозначается ${{M}_{k}}$.

Затем вычёркиваем эти «избранные» $k$ строчек и $k$ столбцов. Снова получится квадратная матрица — её определитель называется дополнительным минором и обозначается $M_{k}^{*}$.

Умножаем $M_{k}^{*}$ на ${{\left(-1 \right)}^{t}}$, где $t$ — это (вот сейчас внимание!) сумма номеров всех выбранных строчек и столбцов. Это и будет алгебраическое дополнение.

Взгляните на третий шаг: там вообще-то сумма $2k$ слагаемых! Другое дело, что для $k=1$ мы получим лишь 2 слагаемых — это и будут те самые $i+j$ — «координаты» элемента ${{a}_{ij}}$, для которого мы ищем алгебраическое дополнение.

Таким образом сегодня мы используем слегка упрощённое определение. Но как мы увидим в дальнейшем, его окажется более чем достаточно. Куда важнее следующая штука:

Определение. Союзная матрица $S$ к квадратной матрице $A=\left[ n\times n \right]$ — это новая матрица размера $\left[ n\times n \right]$, которая получается из $A$ заменой ${{a}_{ij}}$ алгебраическими дополнениями ${{A}_{ij}}$:

\\Rightarrow S=\left[ \begin{matrix} {{A}_{11}} & {{A}_{12}} & ... & {{A}_{1n}} \\ {{A}_{21}} & {{A}_{22}} & ... & {{A}_{2n}} \\ ... & ... & ... & ... \\ {{A}_{n1}} & {{A}_{n2}} & ... & {{A}_{nn}} \\\end{matrix} \right]\]

Первая мысль, возникающая в момент осознания этого определения — «это сколько же придётся всего считать!» Расслабьтесь: считать придётся, но не так уж и много.:)

Что ж, всё это очень мило, но зачем это нужно? А вот зачем.

Основная теорема

Вернёмся немного назад. Помните, в Лемме 3 утверждалось, что обратимая матрица $A$ всегда не вырождена (т.е. её определитель отличен от нуля: $\left| A \right|\ne 0$).

Так вот, верно и обратное: если матрица $A$ не вырождена, то она всегда обратима. И даже существует схема поиска ${{A}^{-1}}$. Зацените:

Теорема об обратной матрице. Пусть дана квадратная матрица $A=\left[ n\times n \right]$, причём её определитель отличен от нуля: $\left| A \right|\ne 0$. Тогда обратная матрица ${{A}^{-1}}$ существует и считается по формуле:

\[{{A}^{-1}}=\frac{1}{\left| A \right|}\cdot {{S}^{T}}\]

А теперь — всё то же самое, но разборчивым почерком. Чтобы найти обратную матрицу, нужно:

Посчитать определитель $\left| A \right|$ и убедиться, что он отличен от нуля.
Составить союзную матрицу $S$, т.е. посчитать 100500 алгебраических дополнений ${{A}_{ij}}$ и расставить их на месте ${{a}_{ij}}$.
Транспонировать эту матрицу $S$, а затем умножить её на некое число $q={1}/{\left| A \right|}\;$.

И всё! Обратная матрица ${{A}^{-1}}$ найдена. Давайте посмотрим на примеры:

\[\left[ \begin{matrix} 3 & 1 \\ 5 & 2 \\\end{matrix} \right]\]

Решение. Проверим обратимость. Посчитаем определитель:

\[\left| A \right|=\left| \begin{matrix} 3 & 1 \\ 5 & 2 \\\end{matrix} \right|=3\cdot 2-1\cdot 5=6-5=1\]

Определитель отличен от нуля. Значит, матрица обратима. Составим союзную матрицу:

Посчитаем алгебраические дополнения:

\[\begin{align} & {{A}_{11}}={{\left(-1 \right)}^{1+1}}\cdot \left| 2 \right|=2; \\ & {{A}_{12}}={{\left(-1 \right)}^{1+2}}\cdot \left| 5 \right|=-5; \\ & {{A}_{21}}={{\left(-1 \right)}^{2+1}}\cdot \left| 1 \right|=-1; \\ & {{A}_{22}}={{\left(-1 \right)}^{2+2}}\cdot \left| 3 \right|=3. \\ \end{align}\]

Обратите внимание: определители |2|, |5|, |1| и |3| — это именно определители матриц размера $\left[ 1\times 1 \right]$, а не модули. Т.е. если в определителях стояли отрицательные числа, убирать «минус» не надо.

Итого наша союзная матрица выглядит так:

\[{{A}^{-1}}=\frac{1}{\left| A \right|}\cdot {{S}^{T}}=\frac{1}{1}\cdot {{\left[ \begin{array}{*{35}{r}} 2 & -5 \\ -1 & 3 \\\end{array} \right]}^{T}}=\left[ \begin{array}{*{35}{r}} 2 & -1 \\ -5 & 3 \\\end{array} \right]\]

Ну вот и всё. Задача решена.

Ответ. $\left[ \begin{array}{*{35}{r}} 2 & -1 \\ -5 & 3 \\\end{array} \right]$

Задача. Найдите обратную матрицу:

\[\left[ \begin{array}{*{35}{r}} 1 & -1 & 2 \\ 0 & 2 & -1 \\ 1 & 0 & 1 \\\end{array} \right]\]

Решение. Опять считаем определитель:

\[\begin{align} & \left| \begin{array}{*{35}{r}} 1 & -1 & 2 \\ 0 & 2 & -1 \\ 1 & 0 & 1 \\\end{array} \right|=\begin{matrix} \left(1\cdot 2\cdot 1+\left(-1 \right)\cdot \left(-1 \right)\cdot 1+2\cdot 0\cdot 0 \right)- \\ -\left(2\cdot 2\cdot 1+\left(-1 \right)\cdot 0\cdot 1+1\cdot \left(-1 \right)\cdot 0 \right) \\\end{matrix}= \\ & =\left(2+1+0 \right)-\left(4+0+0 \right)=-1\ne 0. \\ \end{align}\]

Определитель отличен от нуля — матрица обратима. А вот сейчас будет самая жесть: надо посчитать аж 9 (девять, мать их!) алгебраических дополнений. И каждое из них будет содержать определитель $\left[ 2\times 2 \right]$. Полетели:

\[\begin{matrix} {{A}_{11}}={{\left(-1 \right)}^{1+1}}\cdot \left| \begin{matrix} 2 & -1 \\ 0 & 1 \\\end{matrix} \right|=2; \\ {{A}_{12}}={{\left(-1 \right)}^{1+2}}\cdot \left| \begin{matrix} 0 & -1 \\ 1 & 1 \\\end{matrix} \right|=-1; \\ {{A}_{13}}={{\left(-1 \right)}^{1+3}}\cdot \left| \begin{matrix} 0 & 2 \\ 1 & 0 \\\end{matrix} \right|=-2; \\ ... \\ {{A}_{33}}={{\left(-1 \right)}^{3+3}}\cdot \left| \begin{matrix} 1 & -1 \\ 0 & 2 \\\end{matrix} \right|=2; \\ \end{matrix}\]

Короче, союзная матрица будет выглядеть так:

Следовательно, обратная матрица будет такой:

\[{{A}^{-1}}=\frac{1}{-1}\cdot \left[ \begin{matrix} 2 & -1 & -2 \\ 1 & -1 & -1 \\ -3 & 1 & 2 \\\end{matrix} \right]=\left[ \begin{array}{*{35}{r}}-2 & -1 & 3 \\ 1 & 1 & -1 \\ 2 & 1 & -2 \\\end{array} \right]\]

Ну и всё. Вот и ответ.

Ответ. $\left[ \begin{array}{*{35}{r}} -2 & -1 & 3 \\ 1 & 1 & -1 \\ 2 & 1 & -2 \\\end{array} \right]$

Как видите, в конце каждого примера мы выполняли проверку. В связи с этим важное замечание:

Не ленитесь выполнять проверку. Умножьте исходную матрицу на найденную обратную — должна получиться $E$.

Выполнить эту проверку намного проще и быстрее, чем искать ошибку в дальнейших вычислениях, когда, например, вы решаете матричное уравнение.

Альтернативный способ

Как я и говорил, теорема об обратной матрице прекрасно работает для размеров $\left[ 2\times 2 \right]$ и $\left[ 3\times 3 \right]$ (в последнем случае — уже не так уж и «прекрасно»), а вот для матриц больших размеров начинается прям печаль.

Но не переживайте: есть альтернативный алгоритм, с помощью которого можно невозмутимо найти обратную хоть для матрицы $\left[ 10\times 10 \right]$. Но, как это часто бывает, для рассмотрения этого алгоритма нам потребуется небольшая теоретическая вводная.

Элементарные преобразования

Среди всевозможных преобразований матрицы есть несколько особых — их называют элементарными. Таких преобразований ровно три:

Умножение. Можно взять $i$-ю строку (столбец) и умножить её на любое число $k\ne 0$;
Сложение. Прибавить к $i$-й строке (столбцу) любую другую $j$-ю строку (столбец), умноженную на любое число $k\ne 0$ (можно, конечно, и $k=0$, но какой в этом смысл? Ничего не изменится же).
Перестановка. Взять $i$-ю и $j$-ю строки (столбцы) и поменять местами.

Почему эти преобразования называются элементарными (для больших матриц они выглядят не такими уж элементарными) и почему их только три — эти вопросы выходят за рамки сегодняшнего урока. Поэтому не будем вдаваться в подробности.

Важно другое: все эти извращения нам предстоит выполнять над присоединённой матрицей. Да, да: вы не ослышались. Сейчас будет ещё одно определение — последнее в сегодняшнем уроке.

Присоединённая матрица

Наверняка в школе вы решали системы уравнений методом сложения. Ну, там, вычесть из одной строки другую, умножить какую-то строку на число — вот это вот всё.

Так вот: сейчас будет всё то же, но уже «по-взрослому». Готовы?

Определение. Пусть дана матрица $A=\left[ n\times n \right]$ и единичная матрица $E$ такого же размера $n$. Тогда присоединённая матрица $\left[ A\left| E \right. \right]$ — это новая матрица размера $\left[ n\times 2n \right]$, которая выглядит так:

\[\left[ A\left| E \right. \right]=\left[ \begin{array}{rrrr|rrrr}{{a}_{11}} & {{a}_{12}} & ... & {{a}_{1n}} & 1 & 0 & ... & 0 \\{{a}_{21}} & {{a}_{22}} & ... & {{a}_{2n}} & 0 & 1 & ... & 0 \\... & ... & ... & ... & ... & ... & ... & ... \\{{a}_{n1}} & {{a}_{n2}} & ... & {{a}_{nn}} & 0 & 0 & ... & 1 \\\end{array} \right]\]

Короче говоря, берём матрицу $A$, справа приписываем к ней единичную матрицу $E$ нужного размера, разделяем их вертикальной чертой для красоты — вот вам и присоединённая.:)

В чём прикол? А вот в чём:

Теорема. Пусть матрица $A$ обратима. Рассмотрим присоединённую матрицу $\left[ A\left| E \right. \right]$. Если с помощью элементарных преобразований строк привести её к виду $\left[ E\left| B \right. \right]$, т.е. путём умножения, вычитания и перестановки строк получить из $A$ матрицу $E$ справа, то полученная слева матрица $B$ — это обратная к $A$:

\[\left[ A\left| E \right. \right]\to \left[ E\left| B \right. \right]\Rightarrow B={{A}^{-1}}\]

Вот так всё просто! Короче говоря, алгоритм нахождения обратной матрицы выглядит так:

Записать присоединённую матрицу $\left[ A\left| E \right. \right]$;
Выполнять элементарные преобразования строк до тех пор, пока права вместо $A$ не появится $E$;
Разумеется, слева тоже что-то появится — некая матрица $B$. Это и будет обратная;
PROFIT!:)

Конечно, сказать намного проще, чем сделать. Поэтому давайте рассмотрим парочку примеров: для размеров $\left[ 3\times 3 \right]$ и $\left[ 4\times 4 \right]$.

Задача. Найдите обратную матрицу:

\[\left[ \begin{array}{*{35}{r}} 1 & 5 & 1 \\ 3 & 2 & 1 \\ 6 & -2 & 1 \\\end{array} \right]\]

Решение. Составляем присоединённую матрицу:

\[\left[ \begin{array}{rrr|rrr} 1 & 5 & 1 & 1 & 0 & 0 \\ 3 & 2 & 1 & 0 & 1 & 0 \\ 6 & -2 & 1 & 0 & 0 & 1 \\\end{array} \right]\]

Поскольку последний столбец исходной матрицы заполнен единицами, вычтем первую строку из остальных:

\[\begin{align} & \left[ \begin{array}{rrr|rrr} 1 & 5 & 1 & 1 & 0 & 0 \\ 3 & 2 & 1 & 0 & 1 & 0 \\ 6 & -2 & 1 & 0 & 0 & 1 \\\end{array} \right]\begin{matrix} \downarrow \\ -1 \\ -1 \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrr|rrr} 1 & 5 & 1 & 1 & 0 & 0 \\ 2 & -3 & 0 & -1 & 1 & 0 \\ 5 & -7 & 0 & -1 & 0 & 1 \\\end{array} \right] \\ \end{align}\]

Больше единиц нет, кроме первой строки. Но её мы не трогаем, иначе в третьем столбце начнут «размножаться» только что убранные единицы.

Зато можем вычесть вторую строку дважды из последней — получим единицу в левом нижнем углу:

\[\begin{align} & \left[ \begin{array}{rrr|rrr} 1 & 5 & 1 & 1 & 0 & 0 \\ 2 & -3 & 0 & -1 & 1 & 0 \\ 5 & -7 & 0 & -1 & 0 & 1 \\\end{array} \right]\begin{matrix} \ \\ \downarrow \\ -2 \\\end{matrix}\to \\ & \left[ \begin{array}{rrr|rrr} 1 & 5 & 1 & 1 & 0 & 0 \\ 2 & -3 & 0 & -1 & 1 & 0 \\ 1 & -1 & 0 & 1 & -2 & 1 \\\end{array} \right] \\ \end{align}\]

Теперь можно вычесть последнюю строку из первой и дважды из второй — таким образом мы «занулим» первый столбец:

\[\begin{align} & \left[ \begin{array}{rrr|rrr} 1 & 5 & 1 & 1 & 0 & 0 \\ 2 & -3 & 0 & -1 & 1 & 0 \\ 1 & -1 & 0 & 1 & -2 & 1 \\\end{array} \right]\begin{matrix} -1 \\ -2 \\ \uparrow \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrr|rrr} 0 & 6 & 1 & 0 & 2 & -1 \\ 0 & -1 & 0 & -3 & 5 & -2 \\ 1 & -1 & 0 & 1 & -2 & 1 \\\end{array} \right] \\ \end{align}\]

Умножим вторую строку на −1, а затем вычтем её 6 раз из первой и прибавим 1 раз к последней:

\[\begin{align} & \left[ \begin{array}{rrr|rrr} 0 & 6 & 1 & 0 & 2 & -1 \\ 0 & -1 & 0 & -3 & 5 & -2 \\ 1 & -1 & 0 & 1 & -2 & 1 \\\end{array} \right]\begin{matrix} \ \\ \left| \cdot \left(-1 \right) \right. \\ \ \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrr|rrr} 0 & 6 & 1 & 0 & 2 & -1 \\ 0 & 1 & 0 & 3 & -5 & 2 \\ 1 & -1 & 0 & 1 & -2 & 1 \\\end{array} \right]\begin{matrix} -6 \\ \updownarrow \\ +1 \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrr|rrr} 0 & 0 & 1 & -18 & 32 & -13 \\ 0 & 1 & 0 & 3 & -5 & 2 \\ 1 & 0 & 0 & 4 & -7 & 3 \\\end{array} \right] \\ \end{align}\]

Осталось лишь поменять местами строки 1 и 3:

\[\left[ \begin{array}{rrr|rrr} 1 & 0 & 0 & 4 & -7 & 3 \\ 0 & 1 & 0 & 3 & -5 & 2 \\ 0 & 0 & 1 & -18 & 32 & -13 \\\end{array} \right]\]

Готово! Справа — искомая обратная матрица.

Ответ. $\left[ \begin{array}{*{35}{r}}4 & -7 & 3 \\ 3 & -5 & 2 \\ -18 & 32 & -13 \\\end{array} \right]$

Задача. Найдите обратную матрицу:

\[\left[ \begin{matrix} 1 & 4 & 2 & 3 \\ 1 & -2 & 1 & -2 \\ 1 & -1 & 1 & 1 \\ 0 & -10 & -2 & -5 \\\end{matrix} \right]\]

Решение. Снова составляем присоединённую:

\[\left[ \begin{array}{rrrr|rrrr} 1 & 4 & 2 & 3 & 1 & 0 & 0 & 0 \\ 1 & -2 & 1 & -2 & 0 & 1 & 0 & 0 \\ 1 & -1 & 1 & 1 & 0 & 0 & 1 & 0 \\ 0 & -10 & -2 & -5 & 0 & 0 & 0 & 1 \\\end{array} \right]\]

Немного позалимаем, попечалимся от того, сколько сейчас придётся считать... и начнём считать. Для начала «обнулим» первый столбец, вычитая строку 1 из строк 2 и 3:

\[\begin{align} & \left[ \begin{array}{rrrr|rrrr} 1 & 4 & 2 & 3 & 1 & 0 & 0 & 0 \\ 1 & -2 & 1 & -2 & 0 & 1 & 0 & 0 \\ 1 & -1 & 1 & 1 & 0 & 0 & 1 & 0 \\ 0 & -10 & -2 & -5 & 0 & 0 & 0 & 1 \\\end{array} \right]\begin{matrix} \downarrow \\ -1 \\ -1 \\ \ \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrrr|rrrr} 1 & 4 & 2 & 3 & 1 & 0 & 0 & 0 \\ 0 & -6 & -1 & -5 & -1 & 1 & 0 & 0 \\ 0 & -5 & -1 & -2 & -1 & 0 & 1 & 0 \\ 0 & -10 & -2 & -5 & 0 & 0 & 0 & 1 \\\end{array} \right] \\ \end{align}\]

Наблюдаем слишком много «минусов» в строках 2—4. Умножим все три строки на −1, а затем «выжжем» третий столбец, вычитая строку 3 из остальных:

\[\begin{align} & \left[ \begin{array}{rrrr|rrrr} 1 & 4 & 2 & 3 & 1 & 0 & 0 & 0 \\ 0 & -6 & -1 & -5 & -1 & 1 & 0 & 0 \\ 0 & -5 & -1 & -2 & -1 & 0 & 1 & 0 \\ 0 & -10 & -2 & -5 & 0 & 0 & 0 & 1 \\\end{array} \right]\begin{matrix} \ \\ \left| \cdot \left(-1 \right) \right. \\ \left| \cdot \left(-1 \right) \right. \\ \left| \cdot \left(-1 \right) \right. \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrrr|rrrr} 1 & 4 & 2 & 3 & 1 & 0 & 0 & 0 \\ 0 & 6 & 1 & 5 & 1 & -1 & 0 & 0 \\ 0 & 5 & 1 & 2 & 1 & 0 & -1 & 0 \\ 0 & 10 & 2 & 5 & 0 & 0 & 0 & -1 \\\end{array} \right]\begin{matrix} -2 \\ -1 \\ \updownarrow \\ -2 \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrrr|rrrr} 1 & -6 & 0 & -1 & -1 & 0 & 2 & 0 \\ 0 & 1 & 0 & 3 & 0 & -1 & 1 & 0 \\ 0 & 5 & 1 & 2 & 1 & 0 & -1 & 0 \\ 0 & 0 & 0 & 1 & -2 & 0 & 2 & -1 \\\end{array} \right] \\ \end{align}\]

Теперь самое время «поджарить» последний столбец исходной матрицы: вычитаем строку 4 из остальных:

\[\begin{align} & \left[ \begin{array}{rrrr|rrrr} 1 & -6 & 0 & -1 & -1 & 0 & 2 & 0 \\ 0 & 1 & 0 & 3 & 0 & -1 & 1 & 0 \\ 0 & 5 & 1 & 2 & 1 & 0 & -1 & 0 \\ 0 & 0 & 0 & 1 & -2 & 0 & 2 & -1 \\\end{array} \right]\begin{matrix} +1 \\ -3 \\ -2 \\ \uparrow \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrrr|rrrr} 1 & -6 & 0 & 0 & -3 & 0 & 4 & -1 \\ 0 & 1 & 0 & 0 & 6 & -1 & -5 & 3 \\ 0 & 5 & 1 & 0 & 5 & 0 & -5 & 2 \\ 0 & 0 & 0 & 1 & -2 & 0 & 2 & -1 \\\end{array} \right] \\ \end{align}\]

Финальный бросок: «выжигаем» второй столбец, вычитая строку 2 из строки 1 и 3:

\[\begin{align} & \left[ \begin{array}{rrrr|rrrr} 1 & -6 & 0 & 0 & -3 & 0 & 4 & -1 \\ 0 & 1 & 0 & 0 & 6 & -1 & -5 & 3 \\ 0 & 5 & 1 & 0 & 5 & 0 & -5 & 2 \\ 0 & 0 & 0 & 1 & -2 & 0 & 2 & -1 \\\end{array} \right]\begin{matrix} 6 \\ \updownarrow \\ -5 \\ \ \\\end{matrix}\to \\ & \to \left[ \begin{array}{rrrr|rrrr} 1 & 0 & 0 & 0 & 33 & -6 & -26 & -17 \\ 0 & 1 & 0 & 0 & 6 & -1 & -5 & 3 \\ 0 & 0 & 1 & 0 & -25 & 5 & 20 & -13 \\ 0 & 0 & 0 & 1 & -2 & 0 & 2 & -1 \\\end{array} \right] \\ \end{align}\]

И снова слева единичная матрица, значит справа — обратная.:)

Ответ. $\left[ \begin{matrix} 33 & -6 & -26 & 17 \\ 6 & -1 & -5 & 3 \\ -25 & 5 & 20 & -13 \\ -2 & 0 & 2 & -1 \\\end{matrix} \right]$

Пусть имеется квадратная матрица n-го порядка

Матрица А -1 называется обратной матрицей по отношению к матрице А, если А*А -1 = Е, где Е — единичная матрица n-го порядка.

Единичная матрица — такая квадратная матрица, у которой все элементы по главной диагонали, проходящей от левого верхнего угла к правому нижнему углу, — единицы, а остальные — нули, например:

Обратная матрица может существовать только для квадратных матриц т.е. для тех матриц, у которых число строк и столбцов совпадают.

Теорема условия существования обратной матрицы

Для того чтобы матрица имела обратную матрицу необходимо и достаточно, чтобы она была невырожденной.

Матрица А = (А1, А2,...А n) называется невырожденной , если векторы-столбцы являются линейно независимыми. Число линейно независимых векторов-столбцов матрицы называется рангом матрицы . Поэтому можно сказать, что для того, чтобы существовала обратная матрица, необходимо и достаточно, чтобы ранг матрицы равнялся ее размерности, т.е. r = n.

Алгоритм нахождения обратной матрицы

Записать в таблицу для решения систем уравнений методом Гаусса матрицу А и справа (на место правых частей уравнений) приписать к ней матрицу Е.
Используя преобразования Жордана, привести матрицу А к матрице, состоящей из единичных столбцов; при этом необходимо одновременно преобразовать матрицу Е.
Если необходимо, то переставить строки (уравнения) последней таблицы так, чтобы под матрицей А исходной таблицы получилась единичная матрица Е.
Записать обратную матрицу А -1 , которая находится в последней таблице под матрицей Е исходной таблицы.

Пример 1

Для матрицы А найти обратную матрицу А -1

Решение: Записываем матрицу А и справа приписываем единичную матрицу Е. Используя преобразования Жордана, приводим матрицу А к единичной матрице Е. Вычисления приведены в таблице 31.1.

Проверим правильность вычислений умножением исходной матрицы А и обратной матрицы А -1 .

В результате умножения матриц получилась единичная матрица. Следовательно, вычисления произведены правильно.

Ответ:

Решение матричных уравнений

Матричные уравнения могут иметь вид:

АХ = В, ХА = В, АХВ = С,

где А,В,С — задаваемые матрицы, Х- искомая матрица.

Матричные уравнения решаются с помощью умножения уравнения на обратные матрицы.

Например, чтобы найти матрицу из уравнения , необходимо умножить это уравнение на слева.

Следовательно, чтобы найти решение уравнения , нужно найти обратную матрицу и умножить ее на матрицу , стоящие в правой части уравнения.

Аналогично решаются другие уравнения.

Пример 2

Решить уравнение АХ = В, если

Решение : Так как обратная матрица равняется (см. пример 1)

Матричный метод в экономическом анализе

Наряду с другими в находят применение также матричные методы . Эти методы базируются на линейной и векторно-матричной алгебре. Такие методы применяются для целей анализа сложных и многомерных экономических явлений. Чаще всего эти методы используются при необходимости сравнительной оценки функционирования организаций и их структурных подразделений.

В процессе применения матричных методов анализа можно выделить несколько этапов.

На первом этапе осуществляется формирование системы экономических показателей и на ее основе составляется матрица исходных данных , которая представляет собой таблицу, в которой по ее отдельным строкам показываются номера систем (i = 1,2,....,n) , а по вертикальным графам — номера показателей (j = 1,2,....,m) .

На втором этапе по каждой вертикальной графе выявляется наибольшее из имеющихся значений показателей, которое и принимается за единицу.

После этого все суммы, отраженные в данной графе делят на наибольшее значение и формируется матрица стандартизированных коэффициентов .

На третьем этапе все составные части матрицы возводят в квадрат. Если они имеют различную значимость, то каждому показателю матрицы присваивается определенный весовой коэффициент k . Величина последнего определяется экспертным путем.

На последнем, четвертом этапе найденные величины рейтинговых оценок R j группируются в порядке их увеличения или уменьшения.

Изложенные матричные методы следует использовать, например, при сравнительном анализе различных инвестиционных проектов, а также при оценке других экономических показателей деятельности организаций.

Матрица $A^{-1}$ называется обратной по отношению к квадратной матрице $A$, если выполнено условие $A^{-1}\cdot A=A\cdot A^{-1}=E$, где $E$ – единичная матрица, порядок которой равен порядку матрицы $A$.

Невырожденная матрица – матрица, определитель которой не равен нулю. Соответственно, вырожденная матрица – та, у которой равен нулю определитель.

Обратная матрица $A^{-1}$ существует тогда и только тогда, когда матрица $A$ – невырожденная. Если обратная матрица $A^{-1}$ существует, то она единственная.

Есть несколько способов нахождения обратной матрицы, и мы рассмотрим два из них. На этой странице будет рассмотрен метод присоединённой матрицы, который полагается стандартным в большинстве курсов высшей математики. Второй способ нахождения обратной матрицы (метод элементарных преобразований), который предполагает использование метода Гаусса или метода Гаусса-Жордана, рассмотрен во второй части .

Метод присоединённой (союзной) матрицы

Пусть задана матрица $A_{n\times n}$. Для того, чтобы найти обратную матрицу $A^{-1}$, требуется осуществить три шага:

Найти определитель матрицы $A$ и убедиться, что $\Delta A\neq 0$, т.е. что матрица А – невырожденная.
Составить алгебраические дополнения $A_{ij}$ каждого элемента матрицы $A$ и записать матрицу $A_{n\times n}^{*}=\left(A_{ij} \right)$ из найденных алгебраических дополнений.
Записать обратную матрицу с учетом формулы $A^{-1}=\frac{1}{\Delta A}\cdot {A^{*}}^T$.

Матрицу ${A^{*}}^T$ часто именуют присоединённой (взаимной, союзной) к матрице $A$.

Если решение происходит вручную, то первый способ хорош лишь для матриц сравнительно небольших порядков: второго (), третьего (), четвертого (). Чтобы найти обратную матрицу для матрицы высшего порядка, используются иные методы. Например, метод Гаусса, который рассмотрен во второй части .

Пример №1

Найти матрицу, обратную к матрице $A=\left(\begin{array} {cccc} 5 & -4 &1 & 0 \\ 12 &-11 &4 & 0 \\ -5 & 58 &4 & 0 \\ 3 & -1 & -9 & 0 \end{array} \right)$.

Так как все элементы четвёртого столбца равны нулю, то $\Delta A=0$ (т.е. матрица $A$ является вырожденной). Так как $\Delta A=0$, то обратной матрицы к матрице $A$ не существует.

Пример №2

Найти матрицу, обратную к матрице $A=\left(\begin{array} {cc} -5 & 7 \\ 9 & 8 \end{array}\right)$.

Используем метод присоединённой матрицы. Сначала найдем определитель заданной матрицы $A$:

$$ \Delta A=\left| \begin{array} {cc} -5 & 7\\ 9 & 8 \end{array}\right|=-5\cdot 8-7\cdot 9=-103. $$

Так как $\Delta A \neq 0$, то обратная матрица существует, посему продолжим решение. Находим алгебраические дополнения

\begin{aligned} & A_{11}=(-1)^2\cdot 8=8; \; A_{12}=(-1)^3\cdot 9=-9;\\ & A_{21}=(-1)^3\cdot 7=-7; \; A_{22}=(-1)^4\cdot (-5)=-5.\\ \end{aligned}

Составляем матрицу из алгебраических дополнений: $A^{*}=\left(\begin{array} {cc} 8 & -9\\ -7 & -5 \end{array}\right)$.

Транспонируем полученную матрицу: ${A^{*}}^T=\left(\begin{array} {cc} 8 & -7\\ -9 & -5 \end{array}\right)$ (полученная матрица часто именуется присоединённой или союзной матрицей к матрице $A$). Используя формулу $A^{-1}=\frac{1}{\Delta A}\cdot {A^{*}}^T$, имеем:

$$ A^{-1}=\frac{1}{-103}\cdot \left(\begin{array} {cc} 8 & -7\\ -9 & -5 \end{array}\right)=\left(\begin{array} {cc} -8/103 & 7/103\\ 9/103 & 5/103 \end{array}\right) $$

Итак, обратная матрица найдена: $A^{-1}=\left(\begin{array} {cc} -8/103 & 7/103\\ 9/103 & 5/103 \end{array}\right)$. Чтобы проверить истинность результата, достаточно проверить истинность одного из равенств: $A^{-1}\cdot A=E$ или $A\cdot A^{-1}=E$. Проверим выполнение равенства $A^{-1}\cdot A=E$. Дабы поменьше работать с дробями, будем подставлять матрицу $A^{-1}$ не в форме $\left(\begin{array} {cc} -8/103 & 7/103\\ 9/103 & 5/103 \end{array}\right)$, а в виде $-\frac{1}{103}\cdot \left(\begin{array} {cc} 8 & -7\\ -9 & -5 \end{array}\right)$:

Ответ : $A^{-1}=\left(\begin{array} {cc} -8/103 & 7/103\\ 9/103 & 5/103 \end{array}\right)$.

Пример №3

Найти обратную матрицу для матрицы $A=\left(\begin{array} {ccc} 1 & 7 & 3 \\ -4 & 9 & 4 \\ 0 & 3 & 2\end{array} \right)$.

Начнём с вычисления определителя матрицы $A$. Итак, определитель матрицы $A$ таков:

$$ \Delta A=\left| \begin{array} {ccc} 1 & 7 & 3 \\ -4 & 9 & 4 \\ 0 & 3 & 2\end{array} \right| = 18-36+56-12=26. $$

Так как $\Delta A\neq 0$, то обратная матрица существует, посему продолжим решение. Находим алгебраические дополнения каждого элемента заданной матрицы:

Составляем матрицу из алгебраических дополнений и транспонируем её:

$$ A^*=\left(\begin{array} {ccc} 6 & 8 & -12 \\ -5 & 2 & -3 \\ 1 & -16 & 37\end{array} \right); \; {A^*}^T=\left(\begin{array} {ccc} 6 & -5 & 1 \\ 8 & 2 & -16 \\ -12 & -3 & 37\end{array} \right) $$

Используя формулу $A^{-1}=\frac{1}{\Delta A}\cdot {A^{*}}^T$, получим:

$$ A^{-1}=\frac{1}{26}\cdot \left(\begin{array} {ccc} 6 & -5 & 1 \\ 8 & 2 & -16 \\ -12 & -3 & 37\end{array} \right)= \left(\begin{array} {ccc} 3/13 & -5/26 & 1/26 \\ 4/13 & 1/13 & -8/13 \\ -6/13 & -3/26 & 37/26 \end{array} \right) $$

Итак, $A^{-1}=\left(\begin{array} {ccc} 3/13 & -5/26 & 1/26 \\ 4/13 & 1/13 & -8/13 \\ -6/13 & -3/26 & 37/26 \end{array} \right)$. Чтобы проверить истинность результата, достаточно проверить истинность одного из равенств: $A^{-1}\cdot A=E$ или $A\cdot A^{-1}=E$. Проверим выполнение равенства $A\cdot A^{-1}=E$. Дабы поменьше работать с дробями, будем подставлять матрицу $A^{-1}$ не в форме $\left(\begin{array} {ccc} 3/13 & -5/26 & 1/26 \\ 4/13 & 1/13 & -8/13 \\ -6/13 & -3/26 & 37/26 \end{array} \right)$, а в виде $\frac{1}{26}\cdot \left(\begin{array} {ccc} 6 & -5 & 1 \\ 8 & 2 & -16 \\ -12 & -3 & 37\end{array} \right)$:

Проверка пройдена успешно, обратная матрица $A^{-1}$ найдена верно.

Ответ : $A^{-1}=\left(\begin{array} {ccc} 3/13 & -5/26 & 1/26 \\ 4/13 & 1/13 & -8/13 \\ -6/13 & -3/26 & 37/26 \end{array} \right)$.

Пример №4

Найти матрицу, обратную матрице $A=\left(\begin{array} {cccc} 6 & -5 & 8 & 4\\ 9 & 7 & 5 & 2 \\ 7 & 5 & 3 & 7\\ -4 & 8 & -8 & -3 \end{array} \right)$.

Для матрицы четвёртого порядка нахождение обратной матрицы с помощью алгебраических дополнений несколько затруднительно. Однако такие примеры в контрольных работах встречаются.

Чтобы найти обратную матрицу, для начала нужно вычислить определитель матрицы $A$. Лучше всего в данной ситуации это сделать с помощью разложения определителя по строке (столбцу) . Выбираем любую строку или столбец и находим алгебраические дополнения каждого элемента избранной строки или столбца.

Похожие на обратные по многим свойствам.

Энциклопедичный YouTube

1 / 5

✪ Как находить обратную матрицу - bezbotvy

✪ Обратная матрица (2 способа нахождения)

✪ Обратная матрица #1

✪ 2015-01-28. Обратная матрица 3x3

✪ 2015-01-27. Обратная матрица 2х2

Субтитры

Свойства обратной матрицы

det A − 1 = 1 det A {\displaystyle \det A^{-1}={\frac {1}{\det A}}} , где det {\displaystyle \ \det } обозначает определитель .
(A B) − 1 = B − 1 A − 1 {\displaystyle \ (AB)^{-1}=B^{-1}A^{-1}} для двух квадратных обратимых матриц A {\displaystyle A} и B {\displaystyle B} .
(A T) − 1 = (A − 1) T {\displaystyle \ (A^{T})^{-1}=(A^{-1})^{T}} , где (. . .) T {\displaystyle (...)^{T}} обозначает транспонированную матрицу.
(k A) − 1 = k − 1 A − 1 {\displaystyle \ (kA)^{-1}=k^{-1}A^{-1}} для любого коэффициента k ≠ 0 {\displaystyle k\not =0} .
E − 1 = E {\displaystyle \ E^{-1}=E} .
Если необходимо решить систему линейных уравнений , (b - ненулевой вектор) где x {\displaystyle x} - искомый вектор, и если A − 1 {\displaystyle A^{-1}} существует, то x = A − 1 b {\displaystyle x=A^{-1}b} . В противном случае либо размерность пространства решений больше нуля, либо их нет вовсе.

Способы нахождения обратной матрицы

Если матрица обратима, то для нахождения обратной матрицы можно воспользоваться одним из следующих способов:

Точные (прямые) методы

Метод Гаусса-Жордана

Возьмём две матрицы: саму A и единичную E . Приведём матрицу A к единичной матрице методом Гаусса-Жордана применяя преобразования по строкам (можно также применять преобразования и по столбцам, но не в перемешку). После применения каждой операции к первой матрице применим ту же операцию ко второй. Когда приведение первой матрицы к единичному виду будет завершено, вторая матрица окажется равной A −1 .

При использовании метода Гаусса первая матрица будет умножаться слева на одну из элементарных матриц Λ i {\displaystyle \Lambda _{i}} (трансвекцию или диагональную матрицу с единицами на главной диагонали, кроме одной позиции):

Λ 1 ⋅ ⋯ ⋅ Λ n ⋅ A = Λ A = E ⇒ Λ = A − 1 {\displaystyle \Lambda _{1}\cdot \dots \cdot \Lambda _{n}\cdot A=\Lambda A=E\Rightarrow \Lambda =A^{-1}} . Λ m = [ 1 … 0 − a 1 m / a m m 0 … 0 … 0 … 1 − a m − 1 m / a m m 0 … 0 0 … 0 1 / a m m 0 … 0 0 … 0 − a m + 1 m / a m m 1 … 0 … 0 … 0 − a n m / a m m 0 … 1 ] {\displaystyle \Lambda _{m}={\begin{bmatrix}1&\dots &0&-a_{1m}/a_{mm}&0&\dots &0\\&&&\dots &&&\\0&\dots &1&-a_{m-1m}/a_{mm}&0&\dots &0\\0&\dots &0&1/a_{mm}&0&\dots &0\\0&\dots &0&-a_{m+1m}/a_{mm}&1&\dots &0\\&&&\dots &&&\\0&\dots &0&-a_{nm}/a_{mm}&0&\dots &1\end{bmatrix}}} .

Вторая матрица после применения всех операций станет равна Λ {\displaystyle \Lambda } , то есть будет искомой. Сложность алгоритма - O (n 3) {\displaystyle O(n^{3})} .

С помощью матрицы алгебраических дополнений

Матрица, обратная матрице A {\displaystyle A} , представима в виде

A − 1 = adj (A) det (A) {\displaystyle {A}^{-1}={{{\mbox{adj}}(A)} \over {\det(A)}}}

где adj (A) {\displaystyle {\mbox{adj}}(A)} - присоединенная матрица ;

Сложность алгоритма зависит от сложности алгоритма расчета определителя O det и равна O(n²)·O det .

Использование LU/LUP-разложения

Матричное уравнение A X = I n {\displaystyle AX=I_{n}} для обратной матрицы X {\displaystyle X} можно рассматривать как совокупность n {\displaystyle n} систем вида A x = b {\displaystyle Ax=b} . Обозначим i {\displaystyle i} -ый столбец матрицы X {\displaystyle X} через X i {\displaystyle X_{i}} ; тогда A X i = e i {\displaystyle AX_{i}=e_{i}} , i = 1 , … , n {\displaystyle i=1,\ldots ,n} ,поскольку i {\displaystyle i} -м столбцом матрицы I n {\displaystyle I_{n}} является единичный вектор e i {\displaystyle e_{i}} . другими словами, нахождение обратной матрицы сводится к решению n уравнений с одной матрицей и разными правыми частями. После выполнения LUP-разложения (время O(n³)) на решение каждого из n уравнений нужно время O(n²), так что и эта часть работы требует времени O(n³) .

Если матрица A невырождена, то для неё можно рассчитать LUP-разложение P A = L U {\displaystyle PA=LU} . Пусть P A = B {\displaystyle PA=B} , B − 1 = D {\displaystyle B^{-1}=D} . Тогда из свойств обратной матрицы можно записать: D = U − 1 L − 1 {\displaystyle D=U^{-1}L^{-1}} . Если умножить это равенство на U и L то можно получить два равенства вида U D = L − 1 {\displaystyle UD=L^{-1}} и D L = U − 1 {\displaystyle DL=U^{-1}} . Первое из этих равенств представляет собой систему из n² линейных уравнений для n (n + 1) 2 {\displaystyle {\frac {n(n+1)}{2}}} из которых известны правые части (из свойств треугольных матриц). Второе представляет также систему из n² линейных уравнений для n (n − 1) 2 {\displaystyle {\frac {n(n-1)}{2}}} из которых известны правые части (также из свойств треугольных матриц). Вместе они представляют собой систему из n² равенств. С помощью этих равенств можно реккурентно определить все n² элементов матрицы D. Тогда из равенства (PA) −1 = A −1 P −1 = B −1 = D. получаем равенство A − 1 = D P {\displaystyle A^{-1}=DP} .

В случае использования LU-разложения не требуется перестановки столбцов матрицы D но решение может разойтись даже если матрица A невырождена.

Сложность алгоритма - O(n³).

Итерационные методы

Методы Шульца

{ Ψ k = E − A U k , U k + 1 = U k ∑ i = 0 n Ψ k i {\displaystyle {\begin{cases}\Psi _{k}=E-AU_{k},\\U_{k+1}=U_{k}\sum _{i=0}^{n}\Psi _{k}^{i}\end{cases}}}

Оценка погрешности

Выбор начального приближения

Проблема выбора начального приближения в рассматриваемых здесь процессах итерационного обращения матриц не позволяет относиться к ним как к самостоятельным универсальным методам, конкурирующими с прямыми методами обращения, основанными, например, на LU-разложении матриц. Имеются некоторые рекомендации по выбору U 0 {\displaystyle U_{0}} , обеспечивающие выполнение условия ρ (Ψ 0) < 1 {\displaystyle \rho (\Psi _{0})<1} (спектральный радиус матрицы меньше единицы), являющегося необходимым и достаточным для сходимости процесса. Однако при этом, во-первых, требуется знать сверху оценку спектра обращаемой матрицы A либо матрицы A A T {\displaystyle AA^{T}} (а именно, если A - симметричная положительно определённая матрица и ρ (A) ≤ β {\displaystyle \rho (A)\leq \beta } , то можно взять U 0 = α E {\displaystyle U_{0}={\alpha }E} , где ; если же A - произвольная невырожденная матрица и ρ (A A T) ≤ β {\displaystyle \rho (AA^{T})\leq \beta } , то полагают U 0 = α A T {\displaystyle U_{0}={\alpha }A^{T}} , где также α ∈ (0 , 2 β) {\displaystyle \alpha \in \left(0,{\frac {2}{\beta }}\right)} ; можно конечно упростить ситуацию и, воспользовавшись тем, что ρ (A A T) ≤ k A A T k {\displaystyle \rho (AA^{T})\leq {\mathcal {k}}AA^{T}{\mathcal {k}}} , положить U 0 = A T ‖ A A T ‖ {\displaystyle U_{0}={\frac {A^{T}}{\|AA^{T}\|}}} ). Во-вторых, при таком задании начальной матрицы нет гарантии, что ‖ Ψ 0 ‖ {\displaystyle \|\Psi _{0}\|} будет малой (возможно, даже окажется ‖ Ψ 0 ‖ > 1 {\displaystyle \|\Psi _{0}\|>1} ), и высокий порядок скорости сходимости обнаружится далеко не сразу.

Примеры

Матрица 2х2

A − 1 = [ a b c d ] − 1 = 1 det (A) [ d − b − c a ] = 1 a d − b c [ d − b − c a ] . {\displaystyle \mathbf {A} ^{-1}={\begin{bmatrix}a&b\\c&d\\\end{bmatrix}}^{-1}={\frac {1}{\det(\mathbf {A})}}{\begin{bmatrix}\,\,\,d&\!\!-b\\-c&\,a\\\end{bmatrix}}={\frac {1}{ad-bc}}{\begin{bmatrix}\,\,\,d&\!\!-b\\-c&\,a\\\end{bmatrix}}.}

Обращение матрицы 2х2 возможно только при условии, что a d − b c = det A ≠ 0 {\displaystyle ad-bc=\det A\neq 0} .

Рассмотрим проблему определения операции, обратной умножению матриц.

Пусть A - квадратная матрица порядка n . Матрица A^{-1} , удовлетворяющая вместе с заданной матрицей A равенствам:

A^{-1}\cdot A=A\cdot A^{-1}=E,

называется обратной . Матрицу A называют обратимой , если для нее существует обратная, в противном случае - необратимой .

Из определения следует, что если обратная матрица A^{-1} существует, то она квадратная того же порядка, что и A . Однако не для всякой квадратной матрицы существует обратная. Если определитель матрицы A равен нулю (\det{A}=0) , то для нее не существует обратной. В самом деле, применяя теорему об определителе произведения матриц для единичной матрицы E=A^{-1}A получаем противоречие

\det{E}=\det(A^{-1}\cdot A)=\det{A^{-1}}\det{A}=\det{A^{-1}}\cdot0=0

так как определитель единичной матрицы равен 1. Оказывается, что отличие от нуля определителя квадратной матрицы является единственным условием существования обратной матрицы. Напомним, что квадратную матрицу, определитель которой равен нулю, называют вырожденной {особой), в противном случае - невырожденной {неособой).

Теорема 4.1 о существовании и единственности обратной матрицы. Квадратная матрица A=\begin{pmatrix}a_{11}&\cdots&a_{1n}\\ \vdots&\ddots&\vdots\\ a_{n1}&\cdots&a_{nn} \end{pmatrix} , определитель которой отличен от нуля, имеет обратную матрицу и притом только одну:

A^{-1}=\frac{1}{\det{A}}\cdot\! \begin{pmatrix}A_{11}&A_{21}&\cdots&A_{1n}\\ A_{12}&A_{22}&\cdots&A_{n2}\\ \vdots&\vdots&\ddots&\vdots\\ A_{1n}&A_{2n}&\cdots&A_{nn} \end{pmatrix}= \frac{1}{\det{A}}\cdot A^{+},

где A^{+} - матрица, транспонированная для матрицы, составленной из алгебраических дополнений элементов матрицы A .

Матрица A^{+} называется присоединенной матрицей по отношению к матрице A .

В самом деле, матрица \frac{1}{\det{A}}\,A^{+} существует при условии \det{A}\ne0 . Надо показать, что она обратная к A , т.е. удовлетворяет двум условиям:

\begin{aligned}\mathsf{1)}&~A\cdot\!\left(\frac{1}{\det{A}}\cdot A^{+}\right)=E;\\ \mathsf{2)}&~ \!\left(\frac{1}{\det{A}}\cdot A^{+}\right)\!\cdot A=E.\end{aligned}

Докажем первое равенство. Согласно п.4 замечаний 2.3, из свойств определителя следует, что AA^{+}=\det{A}\cdot E . Поэтому

A\cdot\!\left(\frac{1}{\det{A}}\cdot A^{+}\right)= \frac{1}{\det{A}}\cdot AA^{+}= \frac{1}{\det{A}}\cdot \det{A}\cdot E=E,

что и требовалось показать. Аналогично доказывается второе равенство. Следовательно, при условии \det{A}\ne0 матрица A имеет обратную

A^{-1}=\frac{1}{\det{A}}\cdot A^{+}.

Единственность обратной матрицы докажем от противного. Пусть кроме матрицы A^{-1} существует еще одна обратная матрица B\,(B\ne A^{-1}) такая, что AB=E . Умножая обе части этого равенства слева на матрицу A^{-1} , получаем \underbrace{A^{-1}AB}_{E}=A^{-1}E . Отсюда B=A^{-1} , что противоречит предположению B\ne A^{-1} . Следовательно, обратная матрица единственная.

Замечания 4.1

1. Из определения следует, что матрицы A и A^{-1} перестановочны.

2. Матрица, обратная к невырожденной диагональной, является тоже диагональной:

\Bigl[\operatorname{diag}(a_{11},a_{22},\ldots,a_{nn})\Bigr]^{-1}= \operatorname{diag}\!\left(\frac{1}{a_{11}},\,\frac{1}{a_{22}},\,\ldots,\,\frac{1}{a_{nn}}\right)\!.

3. Матрица, обратная к невырожденной нижней (верхней) треугольной, является нижней (верхней) треугольной.

4. Элементарные матрицы имеют обратные, которые также являются элементарными (см. п.1 замечаний 1.11).

Свойства обратной матрицы

Операция обращения матрицы обладает следующими свойствами:

\begin{aligned}\bold{1.}&~~ (A^{-1})^{-1}=A\,;\\ \bold{2.}&~~ (AB)^{-1}=B^{-1}A^{-1}\,;\\ \bold{3.}&~~ (A^T)^{-1}=(A^{-1})^T\,;\\ \bold{4.}&~~ \det{A^{-1}}=\frac{1}{\det{A}}\,;\\ \bold{5.}&~~ E^{-1}=E\,. \end{aligned}

если имеют смысл операции, указанные в равенствах 1-4.

Докажем свойство 2: если произведение AB невырожденных квадратных матриц одного и того же порядка имеет обратную матрицу, то (AB)^{-1}=B^{-1}A^{-1} .

Действительно, определитель произведения матриц AB не равен нулю, так как

\det(A\cdot B)=\det{A}\cdot\det{B} , где \det{A}\ne0,~\det{B}\ne0

Следовательно, обратная матрица (AB)^{-1} существует и единственна. Покажем по определению, что матрица B^{-1}A^{-1} является обратной по отношению к матрице AB . Действительно.