Похожие на обратные по многим свойствам.

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.

Видео по теме

Способы нахождения обратной матрицы

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

Точные (прямые) методы

Метод Жордана-Гаусса

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). 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):

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

где adj (A) {\displaystyle {\mbox{adj}}(A)} - присоединенная матрица (матрица, составленная из алгебраических дополнений для соответствующих элементов транспонированной матрицы).

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.

Матрица - математический объект, записываемый в виде прямоугольной таблицы чисел и допускающий алгебраические операции (сложение, вычитание, умножение и др.) между ним и другими подобными объектами. Правила выполнения операций над матрицами сделаны такими,

чтобы было удобно записывать системы линейных уравнений. Обычно матрицу обозначают Заглавной буквой латинского алфавита и выделяют круглыми скобками «(…)» (встречается также

выделение квадратными скобками «[…]», двойными прямыми линиями «||…||») А числа, составляющие матрицу (элементы матрицы), обозначают той же буквой, что и саму матрицу, но маленькой. у каждого элемента матрицы есть 2 нижних индекса (a ij ) - первый «i» обозначает

номер строки, в которой находится элемент, а второй «j» - номер столбца.

Операции над матрицами

Умножение матрицы A на число

B , элементы которой получены путём умножения каждого элемента матрицыA на это число, то есть каждый элемент матрицыB равен

b ij= λ a ij

Сложение матриц A

элемент матрица C равен

c ij= a ij+ b ij

Вычитание матриц A

c ij= a ij- b ij

A + Θ =A

Умножение матриц (обозначение:AB , реже со знаком умножения) - есть операция вычисления матрицыC , элементы которой равны сумме произведений элементов в соответствующей строке первого множителя и столбце второго.

c ij= ∑ a ikb kj

В первом множителе должно быть столько же столбцов, сколько строк во втором . Если матрицаA имеет размерность,B -, то размерность их произведенияAB =C

есть . Умножение матриц не коммутативно. Это видно хотя бы из того, что если матрицы не квадратные, то можно умножать только одну на другую, но не наоборот. Для

квадратных матриц результат умножения зависит от порядка сомножителей.

Возводить в степень можно только квадратные матрицы.

Единичная матрица

Для квадратных матриц существует единичная матрица E такая, что умножение любой

матрицы на неё не влияет на результат, а именно

EA = AE= A

У единичной матрицы единицы стоят только по

диагонали, остальные элементы равны нулю

Для некоторых квадратных матриц можно найти так называемую обратную матрицу .

Обратная матрица A - 1 такова, что если умножить матрицу на неё, то получится единичная матрица

AA − 1 = E

Обратная матрица существует не всегда. Матрицы, для которых обратная существует, называются

невырожденными, а для которых нет - вырожденными. Матрица невырождена, если все ее строки (столбцы) линейно независимы как векторы. Максимальное число линейно независимых строк

(столбцов) называется рангом матрицы. Определителем (детерминантом) матрицы называется нормированный кососимметрический линейный функционал на строках матрицы. Матрица

вырождена тогда и только тогда, когда ее определитель равен нулю.

Свойства матриц

1. A + (B +C ) = (A +B ) +C

2. A + B= B+ A

3. A (BC ) = (AB )C

4. A (B+ C) = AB+ AC

5. (B+ C) A= BA+ CA

9. Симметричная матрица A положительно определена (A > 0), если значения у всех ее главных угловых миноровA k > 0

10. Симметричная матрица A отрицательно определена (A < 0), если матрица (−A )

положительно определена, то есть если для любого k главный минор k -го порядкаA k имеет знак (− 1)k

Системы линейных уравнений

Cистему из m уравнений сn неизвестными

a11 x1 +a12 x2 +…+a1n xn =b1 a21 x1 +a22 x2 +…+a2n xn =b2

am x1 +am x2 +…+am xn =bm

можно представить в матричном виде

и тогда всю систему можно записать так: AX =B

Операции над матрицами

Пусть a ij элементы матрицыA , аb ij - матрицыB .

Умножение матрицы A на число λ (обозначение: λA ) заключается в построении матрицы

B , элементы которой получены путём умножения каждого элемента матрицыA на это число, то есть каждый элемент матрицыB равенb ij = λa ij

Запишем матрицу А

Умножим первый элемент матрицы А на 2

Сложение матриц A + B есть операция нахождения матрицыC , все элементы которой равны по парной сумме всех соответствующих элементов матрицA иB , то есть каждый

элемент матрица C равен

c ij= a ij+ b ij

А+В Запишем матрицы А и В

Выполним сложение первых элементов матриц

Растянем значения, сначала по горизонтали, а затем по вертикали (можно наоборот)

Вычитание матриц A − B определяется аналогично сложению, это операция нахождения матрицыC , элементы которой

c ij= a ij- b ij

Сложение и вычитание допускается только для матриц одинакового размера.

Существует нулевая матрица Θ такая, что её прибавление к другой матрице A не изменяет A, то есть

A + Θ =A

Все элементы нулевой матрицы равны нулю.

Итак, сервисы по решению матриц онлайн:

Сервис работы с матрицами позволяет выполнить элементарные преобразования матриц.
Если у Вас стоит задача выполнить более сложное преобразование, то этим сервисом стоит пользоваться как конструктором.

Пример . Даны матрицы A и B , надо найти C = A -1 * B + B T ,

1. Вам стоит сначала найти обратную матрицу A1 = A -1 , воспользовавшись сервисом по нахождению обратной матрицы ;
2. Далее, после того, как нашли матрицу A1 выполним умножение матриц A2 = A1 * B , воспользовавшись сервисом по умножению матриц ;
3. Выполним транспонирование матрицы A3 = B T (сервис по нахождению транспонированной матрицы);
4. И последнее - найдем сумму матриц С = A2 + A3 (сервис по вычислению суммы матриц) - и получаем ответ с самым подробным решением!;

Произведение матриц

Это он-лайн сервис в два шага :

• Ввести первый сомножитель матрицу A
• Ввести второй сомножитель матрицу или вектор-столбец B

Умножение матрицы на вектор

Умножение матрицы на вектор можно найти, воспользовавшись сервисом Умножение матриц
(Первым сомножителем будет данная матрица, вторым сомножителем будет столбец, состоящий из элементов данного вектора)

Это он-лайн сервис в два шага :

• Введите матрицу A , для которой нужно найти обратную матрицу
• Получите ответ с подробным решением по нахождению обратной матрицы

Определитель матрицы

Это он-лайн сервис в один шаг :

• Введите матрицу A , для которой нужно найти определитель матрицы

Транспонирование матрицы

Здесь Вы сможете отследить алгоритм транспонирования матрицы и научиться самому решать подобные задачи.
Это он-лайн сервис в один шаг :

• Введите матрицу A , которую надо транспонировать

Ранг матрицы

Это он-лайн сервис в один шаг :

• Введите матрицу A , для которой нужно выполнить нахождение ранга

Собственные значения матрицы и собственные вектора матрицы

Это он-лайн сервис в один шаг :

• Введите матрицу A , для которой нужно найти собственные вектора и собственные значения (собственные числа)

Возведение матрицы в степень

Это он-лайн сервис в два шага :

• Введите матрицу A , которую будете возводить в степень
• Ввести целое число q - степень

Инструкция . Для онлайн решения необходимо выбрать вид уравнения и задать размерность соответствующих матриц.

Пример №1 . Задание . Найти решение матричного уравнения
Решение . Обозначим:
Тогда матричное уравнение запишется в виде: A·X·B = C.
Определитель матрицы А равен detA=-1
Так как A невырожденная матрица, то существует обратная матрица A -1 . Умножим слева обе части уравнения на A -1:Умножаем обе части этого равенства слева на A -1 и справа на B -1: A -1 ·A·X·B·B -1 = A -1 ·C·B -1 . Так как A·A -1 = B·B -1 = E и E·X = X·E = X, то X = A -1 ·C·B -1

Обратная матрица A -1:
Найдем обратную матрицу B -1 .
Транспонированная матрица B T:
Обратная матрица B -1:
Матрицу X ищем по формуле: X = A -1 ·C·B -1

Ответ:

Пример №2 . Задание. Решить матричное уравнение
Решение . Обозначим:
Тогда матричное уравнение запишется в виде: A·X = B.
Определитель матрицы А равен detA=0
Так как A вырожденная матрица (определитель равен 0), следовательно уравнение решения не имеет.

Пример №3 . Задание. Найти решение матричного уравнения
Решение . Обозначим:
Тогда матричное уравнение запишется в виде: X·A = B.
Определитель матрицы А равен detA=-60
Так как A невырожденная матрица, то существует обратная матрица A -1 . Умножим справа обе части уравнения на A -1: X·A·A -1 = B·A -1 , откуда находим, что X = B·A -1
Найдем обратную матрицу A -1 .
Транспонированная матрица A T:
Обратная матрица A -1:
Матрицу X ищем по формуле: X = B·A -1


Ответ: >

Обра́тная ма́трица - такая матрица A −1 , при умножении на которую, исходная матрица A даёт в результате единичную матрицу E :

Квадратная матрица обратима тогда и только тогда, когда она невырожденная, то есть её определитель не равен нулю. Для неквадратных матриц и вырожденных матриц обратных матриц не существует. Однако возможно обобщить это понятие и ввести псевдообратные матрицы , похожие на обратные по многим свойствам.

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)

Линейные пространства

Определение линейного пространства

Пусть V - непустое множество (его элементы будем называть векторами и обозначать ...), в котором установлены правила:

1) любым двум элементам соответствует третий элемент называемый суммой элементов (внутренняя операция);

2) каждому и каждому отвечает определенный элемент (внешняя операция).

Множество V называется действительным линейным (векторным) пространством, если выполняются аксиомы:

I.

III. (нулевой элемент, такой, что ).

IV. (элемент, противоположный элементу ), такой, что

V.

VIII. Аналогично определяется комплексное линейное пространство (вместо R рассматривается C ).

Подпространство линейного пространства

Множество называется подпространством линейного пространства V , если:

1)

Система векторов линейного пространства L образует базис в L если эта система векторов упорядочена, линейно независима и любой вектор из L линейно выражается через векторы системы.

Иными словами, линейно независимая упорядоченная система векторов e 1 , ..., e n образует базис в L если любой вектор x из L может быть представлен в виде

x = С 1 ·e 1 +С 2 ·e 2 + ...+С n · e n .

Можно определить базис иначе.

Любая упорядоченная линейно независимая система e 1 , ..., e n векторов n- мерного линейного пространства L n образует базис этого пространства.

Поскольку n , размерность пространства L n - максимальное количество линейно независимых векторов пространства, то система векторов x ,e 1 , ..., e n линейно зависима и, следовательно, вектор x линейно выражается через векторы e 1 , ..., e n :

x = x 1 ·e 1 + x 2 ·e 2 + ...+ x n · e n .

Такое разложение вектора по базису единственно .

Теорема 1. (О числе векторов в линейно независимых и порождающих системах векторов.) Число векторов в любой линейно независимой системе векторов не превосходит числа векторов в любой порождающей системе векторов этого же векторного пространства.

Доказательство. Пусть произвольная линейно независимая система векторов, - произвольная порождающая система. Допустим, что .

Т.к. порождающая система, то она представляет любой вектор пространства, в том числе и вектор . Присоединим его к этой системе. Получаем линейно зависимую и порождающую систему векторов: . Тогда найдется вектор этой системы, который линейно выражается через предыдущие векторы этой системы и его, в силу леммы, можно удалить из системы, причем оставшаяся система векторов будет по-прежнему порождающей.

Перенумеруем оставшуюся систему векторов: . Т.к. эта система порождающая, то она представляет вектор и, присоединяя его к этой системе, опять получаем линейно зависимую и порождающую систему: .

Далее все повторяется. Найдется вектор в этой системе, который линейно выражается через предыдущие, причем это не может быть вектор , т.к. исходная система линейно независимая и вектор не выражается линейно через вектор . Значит, это может быть только один из векторов . Удаляя его из системы , получаем, после перенумерования, систему , которая будет порождающей системой. Продолжая этот процесс, через шагов получим порождающую систему векторов: , где , т.к. по нашему предположению . Значит, эта система, как порождающая, представляет и вектор , что противоречит условию линейной независимости системы .

Теорема 1 доказана.

Теорема 2. (О количестве векторов в базисе.) В любом базисе векторного пространства содержится одно и тоже число векторов.

Доказательство. Пусть и – два произвольных базиса векторного пространства. Любой базис является линейно независимой и порождающей системой векторов.

Т.к. первая система линейно независимая, а вторая – порождающая, то, по теореме 1, .

Аналогично, вторая система линейно независимая, а первая – порождающая, то . Отсюда следует, что , ч.т.д.

Теорема 2 доказана.

Данная теорема позволяет ввести следующее определение.

Определение. Размерностью векторного пространства V над полем K называется число векторов в его базисе.

Обозначение: или .

Координа́ты ве́ктора ― коэффициенты единственно возможной линейной комбинации базисных векторов в выбранной системе координат , равной данному вектору.