矩阵求逆的方法总结

赵进龙

已于 2024-12-11 13:29:15 修改

阅读量9.9k

点赞数 14

CC 4.0 BY-SA版权

文章标签：矩阵线性代数概率论

于 2024-12-11 10:38:21 首次发布

本文链接：https://blog.csdn.net/weixin_42260296/article/details/144393936

1. 矩阵的逆

定义

$A\to A^{-1} \\ AB=BA=E\Rightarrow A^{-1}=B$
性质

$A^*\\ AA^*=A^*A=|A|E\\\frac{AA^*}{|A|}=E\\A^{-1} = \frac{adjA}{\det A}$

2. 初等变换法：

$\left[\begin{array}{c|c}A&E\end{array}\right]\overset{初等行变换}{\longrightarrow }\left[\begin{array}{c|c}E & A^{-1}\end{array}\right]$

$\left[\begin{array}{}A\\\hline E\end{array}\right]\overset{初等列变换}{\longrightarrow} \left[\begin{array}{}E\\\hline A^{-1}\end{array}\right]$

3. 特征多项式法

$|A-\lambda E| = \det(A-\lambda E)\overset{关于\lambda的n次多项式}{\longrightarrow}a_n\lambda^n+a_{n-1}\lambda^{n-1}+\cdots+a_1\lambda+a_0$

$A$ 可逆则：

$A$ 可逆 $⇒\Rightarrow$ 无0特征值 $λ≠0\lambda\ne0$ $⇒a0≠0\Rightarrow a_0\ne0$ ；
特征多项式是 $A$ 的化零多项式；

$a_nA^n+a_{n-1}A^{n-1}+\cdots+a_1A+a_0E = 0$

因此有

$\frac{a_n}{-a_0}A^n+\frac{a_{n-1}}{-a_0}A^{n-1}+\cdots+\frac{a_1}{-a_0}A=E\Rightarrow \\A(\frac{a_n}{-a_0}A^{n-1}+\frac{a_{n-1}}{-a_0}A^{n-2}+\cdots+\frac{a_1}{-a_0}E)=E\Rightarrow \\A^{-1}=\frac{a_n}{-a_0}A^{n-1}+\frac{a_{n-1}}{-a_0}A^{n-2}+\cdots+\frac{a_1}{-a_0}E$

例：

$\begin{pmatrix}1&-1\\0&2\end{pmatrix}$ ，求 $A^{-1}$ 。

解：

$|A-\lambda E| = (\lambda-1)(\lambda-2) = \lambda^2-3\lambda+2$

$A^{-1} = \frac{1}{-2}A -\frac{3}{-2}E = -\frac{1}{2}\begin{pmatrix}1&-1\\0&2\end{pmatrix}+\frac{3}{2}\begin{pmatrix}1&0\\0&1\end{pmatrix} = \begin{pmatrix}1&\frac{1}{2}\\0&\frac{1}{2}\end{pmatrix}$

4. 最小多项式

$A\to Tordm标准型\to Smith矩阵\\\to d_n(\lambda)\to最小多项式\\a_k\lambda^k+a_{k-1}\lambda^{k-1}+\cdot+a_0=0(k\le n)\\a_kA^k+a_{k-1}A^{k-1}+\cdots+a_0E = 0\\A(\frac{a_k}{-a_0}A^{k-1}+\frac{a_{k-1}}{-a_0}A^{k-2}+\cdots+\frac{a_1}{-a_0}E)=E\\A^{-1} = \frac{a_k}{-a_0}A^{k-1}+\frac{a_{k-1}}{-a_0}A^{k-2}+\cdots+\frac{a_1}{-a_0}E$

例：

若矩阵 $A$ 的 $S mi t h$ 矩阵为 $\begin{pmatrix}1&&&\\&1&&\\&&1&1\\&&&1\end{pmatrix}$ ，求 $A^{-1}$ 。

解：

由题意得

$A-\lambda E\overset{Smith}{\longrightarrow}\begin{pmatrix}1&&&\\&\lambda-1&&\\&&\lambda-1&\\&&&(\lambda-1)^2\end{pmatrix}$

所以 $A$ 的最小多项式为

$d_{n}(\lambda) = \lambda^2-2\lambda+1$

于是有

$A^2-2A+E = 0$

所以

$A^{-1} = \frac{1}{-1}A+\frac{-2}{-1}E = \begin{pmatrix}1&&&\\&1&&\\&&1&-1\\&&&1\end{pmatrix}$

5. $LeVerrier-Faddeev\text{LeVerrier-Faddeev}$ 算法

$B_0=0\quad a_n = 1\\B_1 = AB_0+a_nE\quad a_{n-1} = -tr(AB_1)\\B_2 = AB_1+a_{n-1}E\quad a_{n-2} = -\frac{1}{2}tr(AB_2)\\\cdots\\B_n = AB_{n-1}+a_{1}E\quad a_0 = -\frac{1}{n}tr(AB_{n})\\0=AB_{n}+a_{0}E\\\Rightarrow A^{-1}=-\frac{B_n}{a_0}$

例：

设 $\begin{pmatrix}3&1&5\\3&3&1\\4&6&4\end{pmatrix}$ ，求 $A^{-1}$ 。

解：

利用 $LeVerrier-Faddeev\text{LeVerrier-Faddeev}$ 算法，先确定 $n = 3$

$B_0 = \begin{pmatrix}0&0&0\\0&0&0\\0&0&0\end{pmatrix}\quad a_3=1\\B_1=AB_0+a_3E=\begin{pmatrix}1&0&0\\0&1&0\\0&0&1\end{pmatrix}\quad a_2=-tr(AB_1)=-10\\B_2 = AB_1+a_2E=\begin{pmatrix}-7&1&5\\3&-7&1\\4&6&-6\end{pmatrix}\quad a_1 =-\frac{1}{2}tr(AB_2)=4\\B_3=AB_2+a_1E=\begin{pmatrix}6&26&-14\\-8&-8&12\\6&-14&6\end{pmatrix} \quad a_0=-\frac{1}{3}tr(AB_3)=-40\\AB_3+a_0E=\begin{pmatrix}0&0&0\\0&0&0\\0&0&0\end{pmatrix}\\\Rightarrow A^{-1}=-\frac{B_3}{a_0}=\begin{pmatrix}0.15&0.65&-0.35\\-0.2&-0.2&0.3\\0.15&-0.35&0.15\end{pmatrix}$

6. 分块求逆

分块矩阵求逆公式如下

$\begin{array}{c}\left(\begin{array}{ll}A_{11} & A_{12} \\A_{21} & A_{22}\end{array}\right)^{-1}= \\\left(\begin{array}{cc}\left(A_{11}-A_{12} A_{22}^{-1} A_{21}\right)^{-1} & -\left(A_{11}-A_{12} A_{22}^{-1} A_{21}\right)^{-1} A_{12} A_{22}^{-1} \\-A_{22}^{-1} A_{21}\left(A_{11}-A_{12} A_{22}^{-1} A_{21}\right)^{-1} & A_{22}^{-1}+A_{22}^{-1} A_{21}\left(A_{11}-A_{12} A_{22}^{-1} A_{21}\right)^{-1} A_{12} A_{22}^{-1}\end{array}\right)\end{array}$