{
  "id": "inverse-matrix",
  "title": "逆矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "逆矩阵可逆转可逆方阵的作用，与原矩阵按任一顺序相乘均得到单位矩阵。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "逆阵"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/inverse-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/inverse-matrix/",
      "json": "https://aiwiki.page/en/inverse-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "逆矩阵是指在矩阵乘法下能够逆转另一个矩阵作用的矩阵。在线性代数中，方阵 \\(A\\) 的逆矩阵记作 \\(A^{-1}\\)，满足\n\n\\[AA^{-1}=A^{-1}A=I,\\]\n\n其中 \\(I\\) 是与 \\(A\\) 同阶的单位矩阵。存在逆矩阵的矩阵称为可逆矩阵或非奇异矩阵；不存在逆矩阵的矩阵称为奇异矩阵。求逆是逆转矩阵所表示的变换，而不是对矩阵的每个元素分别取倒数。(math.mit.edu)"
    },
    {
      "heading": "定义与存在性",
      "text": "通常的理论讨论元素取自某个域（数学）的 \\(n\\times n\\) 矩阵，尤其是元素为实数或复数的矩阵。逆矩阵一旦存在，就是唯一的。事实上，若 \\(B\\) 和 \\(C\\) 都是 \\(A\\) 的逆矩阵，由结合律可得\n\n\\[B=B(AC)=(BA)C=C.\\]\n\n对于域上的方阵，只需存在单侧逆矩阵就足够了：\\(AB=I\\) 蕴含 \\(BA=I\\)。有限维和方阵这两个假设对这一结论至关重要。(arxiv.org)\n\n矩阵的可逆性可由以下几个等价条件刻画：\n\n- 行列式满足 \\(\\det(A)\\ne0\\)。\n- \\(A\\) 的秩为 \\(n\\)。\n- 各列向量线性无关，并构成坐标空间的一组基。\n- 零空间中只有零向量。\n- 对每个 \\(b\\)，线性方程组 \\(Ax=b\\) 都有且仅有一个解。\n- 在允许交换行的情况下，消元过程得到 \\(n\\) 个非零主元。(math.mit.edu)\n\n从几何角度看，\\(A\\) 表示有限维向量空间上的一个线性映射。可逆意味着该映射是一个同构：每个输出都恰好对应一个输入。奇异映射会将某个非零向量映射到零向量，从而丢失信息，因此无法完全逆转。(math.ucla.edu)"
    },
    {
      "heading": "公式与示例",
      "text": "对于 \\(2\\times2\\) 矩阵\n\n\\[A=\\begin{pmatrix}a&b\\\\c&d\\end{pmatrix},\\]\n\n其逆矩阵存在当且仅当 \\(ad-bc\\ne0\\)，此时\n\n\\[A^{-1}=\\frac{1}{ad-bc} \\begin{pmatrix}d&-b\\\\-c&a\\end{pmatrix}.\\]\n\n例如，\n\n\\[A=\\begin{pmatrix}2&1\\\\5&3\\end{pmatrix}, \\qquad A^{-1}=\\begin{pmatrix}3&-1\\\\-5&2\\end{pmatrix}.\\]\n\n直接计算可得，两者按任一顺序相乘都得到 \\(I\\)。相比之下，以 \\((1,2)\\) 和 \\((2,4)\\) 为两行的矩阵是奇异矩阵，因为其行列式为零。(math.mit.edu)\n\n对于任意可逆方阵，精确公式\n\n\\[A^{-1}=\\frac{\\operatorname{adj}(A)}{\\det(A)}\\]\n\n用到了伴随矩阵，即由代数余子式组成的矩阵的转置。这个恒等式将矩阵求逆与行列式联系起来，并给出了逆矩阵各元素的显式代数表达式。不过，计算大量余子式的开销使其不适合作为大型矩阵求逆的通用方法。(math.ucla.edu)"
    },
    {
      "heading": "代数性质",
      "text": "对于同阶的可逆矩阵 \\(A\\) 和 \\(B\\)，\n\n\\[(A^{-1})^{-1}=A,\\qquad (AB)^{-1}=B^{-1}A^{-1}.\\]\n\n这里顺序的颠倒十分重要：要逆转两个依次进行的变换，必须先撤销最后进行的变换。由于矩阵乘法不满足交换律，一般不能将右侧改写为 \\(A^{-1}B^{-1}\\)。(math.mit.edu)\n\n求逆与矩阵转置及行列式还有以下关系：\n\n\\[(A^T)^{-1}=(A^{-1})^T, \\qquad \\det(A^{-1})=\\frac{1}{\\det(A)}.\\]\n\n因此，实正交矩阵的逆矩阵具有特别简单的形式：\\(A^{-1}=A^T\\)。(math.mit.edu)\n\n若 \\(Av=\\lambda v\\) 且 \\(v\\ne0\\)，则可逆性保证 \\(\\lambda\\ne0\\)，两边左乘 \\(A^{-1}\\) 可得\n\n\\[A^{-1}v=\\lambda^{-1}v.\\]\n\n因此，逆矩阵的特征值是 \\(A\\) 的相应特征值的倒数，而对应的特征向量保持不变。(linear.pugetsound.edu)"
    },
    {
      "heading": "计算与数值精度",
      "text": "一种标准的精确求逆方法是高斯–若尔当消元法，它是高斯消元法的一种变体。通过初等行变换，将增广矩阵变为\n\n\\[[A\\mid I]\\longrightarrow[I\\mid A^{-1}].\\]\n\n将 \\(A\\) 化为单位矩阵的同一组行变换，也会在右侧的分块中逐步形成其逆矩阵。若无法在每一列中得到主元，则表明矩阵是奇异的。等价地，\\(A^{-1}\\) 的各列是方程组 \\(Ax_j=e_j\\) 的解，其中 \\(e_j\\) 为标准基向量。(math.mit.edu)\n\n在数值线性代数中，可以先进行带主元选取的LU分解，再求解三角方程组，以此计算逆矩阵。求解 \\(Ax=b\\) 时，通常不必显式计算 \\(A^{-1}\\)；数值计算库一般通过矩阵分解来求解方程组。如果只需要逆矩阵作用于特定右端向量的结果，这样就可以避免计算整个逆矩阵。(netlib.org)\n\n数学上的可逆性并不保证浮点运算能得到准确结果。对扰动的敏感程度可用条件数衡量：\n\n\\[\\kappa_2(A)=\\frac{\\sigma_{\\max}(A)}{\\sigma_{\\min}(A)},\\]\n\n其中 \\(\\sigma\\) 表示奇异值。这个比值很大时，说明矩阵是病态的：微小扰动或舍入误差就可能导致显著的计算误差。求逆程序可能对病态矩阵返回计算结果，而不报告失败。(numpy.org)"
    },
    {
      "heading": "非方阵与广义逆",
      "text": "非方阵不可能具有通常意义上的双侧逆矩阵。不过，列满秩的 \\(m\\times n\\) 矩阵具有左逆矩阵，行满秩的矩阵则具有右逆矩阵。这些单侧逆矩阵不一定唯一。(ocw.mit.edu)\n\n摩尔–彭罗斯伪逆记作 \\(A^+\\)，将矩阵求逆推广到非方阵和奇异矩阵。它可以通过奇异值分解构造：对非零奇异值取倒数，并将零奇异值仍保留为零。对于可逆方阵，\\(A^+=A^{-1}\\)；否则，\\(A^+b\\) 是所有使 \\(\\|Ax-b\\|_2\\) 最小的解中欧几里得范数最小的那个。因此，即使精确解不存在或不唯一，也能得到一种广义解。(numpy.org)"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "identity-matrix",
    "field-mathematics",
    "real-number",
    "complex-number",
    "determinant",
    "matrix-rank",
    "linear-independence",
    "basis-linear-algebra",
    "null-space",
    "system-of-linear-equations",
    "vector-space",
    "linear-map",
    "isomorphism",
    "adjugate-matrix",
    "matrix-transpose",
    "orthogonal-matrix",
    "eigenvalues-and-eigenvectors",
    "gaussian-elimination",
    "numerical-linear-algebra",
    "lu-decomposition",
    "floating-point-arithmetic",
    "condition-number",
    "moore-penrose-inverse",
    "singular-value-decomposition"
  ],
  "sources": [
    {
      "title": "math.mit.edu/~gs/linearalgebra/ila5/linearalgebra5_2-5.pdf",
      "url": "https://math.mit.edu/~gs/linearalgebra/ila5/linearalgebra5_2-5.pdf"
    },
    {
      "title": "arxiv.org/abs/1709.03382",
      "url": "https://arxiv.org/abs/1709.03382"
    },
    {
      "title": "math.ucla.edu/~mikehill/Teaching/Math5651/Lecture09.pdf",
      "url": "https://www.math.ucla.edu/~mikehill/Teaching/Math5651/Lecture09.pdf"
    },
    {
      "title": "math.mit.edu/~mckernan/Teaching/12-13/Autumn/18.02/l_3.pdf",
      "url": "https://math.mit.edu/~mckernan/Teaching/12-13/Autumn/18.02/l_3.pdf"
    },
    {
      "title": "math.mit.edu/~jorloff/suppnotes/suppnotes03/la4.pdf",
      "url": "https://math.mit.edu/~jorloff/suppnotes/suppnotes03/la4.pdf"
    },
    {
      "title": "math.mit.edu/~roed/courses/211/lectures/Nov-1.pdf",
      "url": "https://math.mit.edu/~roed/courses/211/lectures/Nov-1.pdf"
    },
    {
      "title": "linear.pugetsound.edu/jsmath/latest/fcla-jsmath-latestli48.html",
      "url": "https://linear.pugetsound.edu/jsmath/latest/fcla-jsmath-latestli48.html"
    },
    {
      "title": "netlib.org/lapack/lawnspdf/lawn117.pdf",
      "url": "https://www.netlib.org/lapack/lawnspdf/lawn117.pdf"
    },
    {
      "title": "numpy.org/doc/2.0/reference/generated/numpy.linalg.inv.html",
      "url": "https://numpy.org/doc/2.0/reference/generated/numpy.linalg.inv.html"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/pages/positive-definite-ma…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/pages/positive-definite-matrices-and-applications/left-and-right-inverses-pseudoinverse/"
    },
    {
      "title": "numpy.org/doc/stable/reference/generated/numpy.linalg.pinv.html",
      "url": "https://numpy.org/doc/stable/reference/generated/numpy.linalg.pinv.html?highlight=numpy+all"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}