逆矩阵:撤销动作的条件与代价

02-矩阵与线性变换 核心 约 15 分钟 #逆矩阵#可逆#满秩 更新 2026-10-02
当前状态:未学
本文基于模型知识整理(生成时未联网核对),关键结论建议对照 Strang §2.5 复核。

一句话定义

$A^{-1}$ 是"撤销 A 的动作":$A^{-1}A=AA^{-1}=I$;方阵可逆 ⟺ 满秩 ⟺ 零空间只有零 ⟺ 行列式非零 ⟺ 只映到零的是零——信息无损是可逆性的本质,而工程上"尽量别算显式逆"是数值实践第一戒律。

为什么重要

逆是"动作可撤销"的代数化:数据加密解密、坐标换算、控制反馈都靠它;而"什么条件下不可撤销"(降秩/信息丢失)同样重要——不可逆提示"你的数据有冗余或映射有压缩",常是建模问题的警报。同时它是最常被滥用(数值上)的运算,认识显式求逆的代价是计算实践的分水岭。

前置知识

kp-007(矩阵乘法)、kp-009(秩与唯一解)。

核心概念

  • 定义:$A^{-1}$ 满足 $A^{-1}A = AA^{-1} = I$;若存在则唯一。
  • 可逆的等价条件(方阵 A):满秩 r=n;$\det A \ne 0$;$\mathcal{N}(A)=\{0\}$;列空间=全空间;$Ax=b$ 对任意 b 有唯一解;A 只有非零特征值(kp-012)。
  • 可逆 ⟺ 双向无损:不压扁任何方向(零空间空)且到达全部输出(列空间满)。
  • 2×2 快速公式:$\begin{bmatrix}a&b\\c&d\end{bmatrix}^{-1} = \frac{1}{ad-bc}\begin{bmatrix}d&-b\\-c&a\end{bmatrix}$。
  • 逆的性质:$(AB)^{-1}=B^{-1}A^{-1}$、$(A^\top)^{-1}=(A^{-1})^\top$。

原理与机制

为什么满秩 ⟺ 可逆:满列秩 ⇒ $Ax=b$ 对任意 b 至多一解;满行秩 ⇒ 总有解——方阵满秩则两者兼得,解映射 $b\mapsto x$ 本身就是线性变换(即 $A^{-1}$)。反之降秩必有零空间非零:非零向量被映成 0,而可逆映射必须把 0 唯一映到 0——矛盾。"信息无损"是贯穿所有等价条件的一条主线索。

为什么实践中不显式求逆:解 $Ax=b$ 应解方程(Gauss 消元/LU,kp-032)而非计算 $A^{-1}b$——显式逆的运算量更大、数值稳定性更差(误差放大,kp-023)、且大多数场景只需要"解"不需要"逆矩阵"本身。inv(A)*b 是 MATLAB/NumPy 老手最常纠正新手的写法。

伪逆预告:长方阵/降秩方阵没有真逆,但有"最接近的撤销"——伪逆 $A^+$(最小范数最小二乘解,kp-020),SVD 给出它的定义与计算。

图示

可逆 ⟺ 满秩 ⟺ det≠0 ⟺ N(A)={0} ⟺ 到达全空间
"信息无损" 一条线贯穿
工程: 求解 Ax=b → 用消元/LU, 别显式 inv(A)
降秩 → 用伪逆 A⁺ (kp-020)

直观类比

可逆=榨汁机既能榨又能复原每滴果汁的位置(无损);不可逆=把苹果打成了苹果酱——信息混在一起再也分不开(零空间非零)。"显式求逆"则像为了倒一杯果汁先把整台机器拆开——能做,但何必呢(解方程即可)。

实例或案例

  • 坐标转换:地图坐标 ↔ 经纬度的仿射矩阵互逆。
  • 密码学(希尔密码):加密矩阵可逆是解密前提——密钥矩阵必须满秩。
  • 正规方程 $(X^\top X)w=X^\top y$:$X^\top X$ 不可逆(列相关)即多重共线性——转 kp-019/020 的处理。

常见误区

  • 误区一:"$(AB)^{-1}=A^{-1}B^{-1}$"。顺序要反:$B^{-1}A^{-1}$(脱衣顺序)。
  • 误区二:"长方阵也有逆"。只有方阵谈逆;长方阵的"逆"是伪逆(不同对象)。
  • 误区三:"数值上 A 可逆就能放心 inv"。接近不可逆(条件数巨大)时显式逆的误差爆炸——稳定性由条件数决定(kp-023)。

与其他知识点的关系

  • kp-008/009:可逆性的秩语言。
  • kp-019/020:无解/多解情形的正规出口(最小二乘/伪逆)。
  • kp-023:数值稳定性的边界。

自测题

  1. 判断 $\begin{bmatrix}1&2\\2&4\end{bmatrix}$ 是否可逆。

答:不可逆——第二行=2×第一行(降秩),det=0,列共线。

  1. 为什么 $A$ 可逆时 $Ax=b$ 解唯一且总存在?

答:$x=A^{-1}b$ 显式给出唯一解;存在性即"对每个 b 都能撤销"——由满秩保证。

  1. 工程上为什么不写 inv(A) @ b?

答:更慢(多算整个逆)且数值更不稳(误差放大);应 solve(A, b)(LU 分解),除非真的需要逆矩阵这个对象本身。

延伸阅读

  • Strang《Introduction to Linear Algebra》§2.5。
  • Higham《Accuracy and Stability of Numerical Algorithms》第 14 章("别求逆"的数值论证)。
  • Trefethen & Bau《Numerical Linear Algebra》Lecture 7。