Обернена матриця часто з’являється там, де потрібно швидко розв’язати систему рівнянь. Але що робити, якщо розмір матриці зростає, і перераховувати все заново кожного разу незручно? Саме тут виручає послідовне окантування: ми додаємо до матриці рядок і стовпець, а обернену матрицю оновлюємо за чіткою формулою. Звучить практично, правда?
Обернена Матриця Через Окантування: Як Задаємо Блоки
Почнемо з простої ідеї. Нехай маємо квадратну матрицю порядку \( n \):
\[
A_n = \begin{pmatrix}
a_{11} & a_{12} & a_{13} & \dots & a_{1n} \\
a_{21} & a_{22} & a_{23} & \dots & a_{2n} \\
a_{31} & a_{32} & a_{33} & \dots & a_{3n} \\
\vdots & \vdots & \vdots & \ddots & \vdots \\
a_{n1} & a_{n2} & a_{n3} & \dots & a_{nn}
\end{pmatrix}.
\]
Ми будемо дивитися на неї як на результат окантування матриці порядку \( n-1 \). Тобто матрицю \( A_n \) запишемо у блочному вигляді:
\[
A_n=
\begin{pmatrix}
A_{n-1} & u_n\\
v_n & a_{nn}
\end{pmatrix},
\]
де:
- \( A_{n-1} \) — матриця \( (n-1)\times(n-1) \).
- \( u_n \) — стовпець \( (n-1)\times 1 \).
- \( v_n \) — рядок \( 1\times(n-1) \).
- \( a_{nn} \) — скаляр (правий нижній елемент).
Зручно також явно вказати, що саме таке \( u_n \) і \( v_n \):
\[
u_n=
\begin{pmatrix}
a_{1n}\\
a_{2n}\\
a_{3n}\\
\vdots\\
a_{n-1,n}
\end{pmatrix},
\qquad
v_n=
\begin{pmatrix}
a_{n1} & a_{n2} & a_{n3} & \dots & a_{n,n-1}
\end{pmatrix}.
\]
Тепер ключове запитання: якщо ми вже знаємо \( A_{n-1}^{-1} \), чи можемо швидко отримати \( A_n^{-1} \)? Так, і саме це робить послідовне окантування зручним у чисельних обчисленнях.
Послідовне Окантування й Обернена Матриця: Який Вигляд Шукаємо
Далі діємо симетрично. Якщо \( A_n \) записали як окантовану, то й обернену матрицю шукатимемо в такому самому блочному вигляді:
\[
A_n^{-1}=
\begin{pmatrix}
P_{n-1} & r_n\\
q_n & \beta_n
\end{pmatrix},
\]
де:
- \( P_{n-1} \) — матриця \( (n-1)\times(n-1) \).
- \( r_n \) — стовпець \( (n-1)\times 1 \).
- \( q_n \) — рядок \( 1\times(n-1) \).
- \( \beta_n \) — число.
Оскільки це обернена матриця, маємо стандартну умову:
\[
A_n\cdot A_n^{-1}=E_n,
\]
де \( E_n \) — одинична матриця порядку \( n \). Перемножимо блоки:
\[
\begin{pmatrix}
A_{n-1} & u_n\\
v_n & a_{nn}
\end{pmatrix}
\cdot
\begin{pmatrix}
P_{n-1} & r_n\\
q_n & \beta_n
\end{pmatrix}
=
\begin{pmatrix}
A_{n-1} \cdot P_{n-1} + u_n \cdot q_n & A_{n-1} \cdot r_n + u_n \cdot \beta_n\\
v_n \cdot P_{n-1} + a_{nn} \cdot q_n & v_n \cdot r_n + a_{nn} \cdot \beta_n
\end{pmatrix}
=
\begin{pmatrix}
E_{n-1} & 0\\
0 & 1
\end{pmatrix}.
\]
Отже, отримуємо систему блочних рівностей:
\[
\begin{cases}
A_{n-1} \cdot P_{n-1} + u_n \cdot q_n = E_{n-1},\\
A_{n-1} \cdot r_n + u_n \cdot \beta_n = 0,\\
v_n \cdot P_{n-1} + a_{nn} \cdot q_n = 0,\\
v_n \cdot r_n + a_{nn} \cdot \beta_n = 1.
\end{cases}
\]
Важливий момент для застосування методу
Тут ми спираємося на дві умови:
- Матриця \( A_{n-1} \) має бути оборотною, тобто \( A_{n-1}^{-1} \) повинна існувати.
- У процесі з’явиться число \( \alpha_n \), і нам буде потрібно, щоб \( \alpha_n \neq 0 \).
Якщо хоча б одна з цих умов не виконується, формули нижче не можна застосовувати напряму. У такій ситуації, як правило, змінюють порядок окантування (наприклад, переставляють рядки/стовпці) або переходять до іншого методу обернення.
Ключовий Скаляр і Формули Оновлення: Як Обчислюється Обернена Матриця
Почнемо з другого рівняння:
\[
A_{n-1} \cdot r_n + u_n \cdot \beta_n=0.
\]
Домножимо зліва на \( A_{n-1}^{-1} \) (пам’ятаємо, що він має існувати):
\[
r_n = -A_{n-1}^{-1} \cdot u_n \cdot \beta_n.
\]
Тепер підставимо це у четверте рівняння:
\[
v_n \cdot r_n + a_{nn} \cdot \beta_n=1.
\]
Отримаємо:
\[
v_n \cdot \left(-A_{n-1}^{-1} \cdot u_n \cdot \beta_n\right) + a_{nn} \cdot \beta_n = 1,
\]
винесемо \( \beta_n \):
\[
\left(a_{nn} – v_n \cdot A_{n-1}^{-1} \cdot u_n\right) \cdot \beta_n = 1.
\]
Введемо дуже важливе позначення:
\[
\alpha_n = a_{nn} – v_n \cdot A_{n-1}^{-1} \cdot u_n.
\]
Тут \( \alpha_n \) можна сприймати як «скориговане» значення \( a_{nn} \), яке враховує вплив доданого рядка і стовпця через \( A_{n-1}^{-1} \).
Тоді:
\[
\beta_n = \frac{1}{\alpha_n}.
\]
І тут друга ключова умова стає очевидною: потрібно \( \alpha_n\neq 0 \), інакше \( \beta_n \) не визначене, а отже формула для \( A_n^{-1} \) не працює.
Тепер повертаємося до \( r_n \):
\[
r_n = -A_{n-1}^{-1} \cdot u_n \cdot \beta_n = -\frac{A_{n-1}^{-1} \cdot u_n}{\alpha_n}.
\]
Перед тим як рухатися далі, зауважимо про розмірності (це допомагає не помилятися):
- \( A_{n-1}^{-1} \cdot u_n \) має розмір \( (n-1)\times 1 \).
- \( v_n \cdot A_{n-1}^{-1} \) має розмір \( 1\times(n-1) \).
- \( v_n \cdot A_{n-1}^{-1} \cdot u_n \) — це число.
Далі працюємо з третім рівнянням:
\[
v_n \cdot P_{n-1} + a_{nn} \cdot q_n=0.
\]
З першого рівняння виразимо \( P_{n-1} \):
\[
A_{n-1} \cdot P_{n-1} = E_{n-1} – u_n \cdot q_n
\quad\Rightarrow\quad
P_{n-1} = A_{n-1}^{-1} – A_{n-1}^{-1} \cdot u_n \cdot q_n.
\]
Підставимо це в \( v_n \cdot P_{n-1} + a_{nn} \cdot q_n=0 \):
\[
v_n \cdot \left(A_{n-1}^{-1} – A_{n-1}^{-1} \cdot u_n \cdot q_n\right) + a_{nn} \cdot q_n = 0,
\]
розкриємо дужки:
\[
v_n \cdot A_{n-1}^{-1} – v_n \cdot A_{n-1}^{-1} \cdot u_n \cdot q_n + a_{nn} \cdot q_n=0.
\]
Згрупуємо члени з \( q_n \):
\[
v_n \cdot A_{n-1}^{-1} + \left(a_{nn} – v_n \cdot A_{n-1}^{-1} \cdot u_n\right) \cdot q_n = 0.
\]
Але в дужках стоїть саме \( \alpha_n \). Отже:
\[
v_n \cdot A_{n-1}^{-1} + \alpha_n \cdot q_n=0
\quad\Rightarrow\quad
q_n = -\frac{v_n \cdot A_{n-1}^{-1}}{\alpha_n}.
\]
І нарешті повернемося до формули для \( P_{n-1} \):
\[
P_{n-1} = A_{n-1}^{-1} – A_{n-1}^{-1} \cdot u_n \cdot q_n.
\]
Підставляємо \( q_n \):
\[
P_{n-1}
=
A_{n-1}^{-1} – A_{n-1}^{-1} \cdot u_n \cdot \left(-\frac{v_n \cdot A_{n-1}^{-1}}{\alpha_n}\right)
=
A_{n-1}^{-1} + \frac{A_{n-1}^{-1} \cdot u_n \cdot v_n \cdot A_{n-1}^{-1}}{\alpha_n}.
\]
Тепер можна зібрати все в одну формулу. Отримуємо оновлення оберненої матриці після окантування:
\[
A_n^{-1}=
\begin{pmatrix}
A_{n-1}^{-1} + \dfrac{A_{n-1}^{-1} \cdot u_n \cdot v_n \cdot A_{n-1}^{-1}}{\alpha_n}
&
-\dfrac{A_{n-1}^{-1} \cdot u_n}{\alpha_n}
\\[10pt]
-\dfrac{v_n \cdot A_{n-1}^{-1}}{\alpha_n}
&
\dfrac{1}{\alpha_n}
\end{pmatrix},
\qquad
\alpha_n = a_{nn} – v_n \cdot A_{n-1}^{-1} \cdot u_n.
\]
І ще один корисний зв’язок: це той самий механізм, що й блочне обернення матриці, лише в спеціальному випадку, коли один із блоків має розмір \( 1\times 1 \). Тому багато ідей із теми «обертання блочних матриць» тут читаються майже напряму.
Ось і суть методу: замість повного обернення матриці порядку \( n \) ми робимо кілька множень і ділення на \( \alpha_n \). Зручно? Ще й як.
Обернена Матриця на Практиці: Перевіряємо Метод на Задачах
Тепер перейдемо до практичної частини. Тут важливо не лише отримати відповідь, а й побачити, як саме послідовне окантування будує обернену матрицю крок за кроком. І ще один плюс: ви дуже швидко помітите момент, коли оберненої матриці просто не існує.
Приклад 1. Які кроки потрібно виконати, щоб знайти обернену матрицю методом окантування?
- Починаємо з найменшого кроку. Для \( A_1 = \begin{pmatrix}a_{11}\end{pmatrix} \) обчислюємо \( A_1^{-1}=\begin{pmatrix}a_{11}^{-1}\end{pmatrix} \).
- Далі будуємо послідовність матриць \( A_2, A_3, \dots, A_n \), кожна з яких отримується окантуванням попередньої. На кожному \( k \)-тому кроці записуємо
\[
A_k=
\begin{pmatrix}
A_{k-1} & u_k\\
v_k & a_{kk}
\end{pmatrix}.
\]
- Якщо \( A_{k-1}^{-1} \) вже відома, обчислюємо ключовий скаляр \( \alpha_k = a_{kk} – v_k \cdot A_{k-1}^{-1} \cdot u_k \).
- Перевіряємо умову застосовності: потрібно, щоб \( \alpha_k\neq 0 \). Якщо \( \alpha_k=0 \), формула окантування на цьому кроці напряму не дає обернення.
- Обчислюємо \( \beta_k=\frac{1}{\alpha_k} \), а потім вектори
\[
r_k = -A_{k-1}^{-1} \cdot u_k \cdot \beta_k, \qquad
q_k = -v_k \cdot A_{k-1}^{-1} \cdot \beta_k.
\]
- Оновлюємо головний блок \( P_{k-1} = A_{k-1}^{-1} + A_{k-1}^{-1} \cdot u_k \cdot v_k \cdot A_{k-1}^{-1} \cdot \beta_k \) і збираємо результат
\[
A_k^{-1}=
\begin{pmatrix}
P_{k-1} & r_k\\
q_k & \beta_k
\end{pmatrix}.
\]
Приклад 2. Знайти обернену матрицю
\[
A=
\begin{pmatrix}
2 & -1 & 4 \\
4 & -2 & 8 \\
6 & -3 & 12
\end{pmatrix}.
\]
Починаємо з першого кроку:
\[
A_1=\begin{pmatrix}2\end{pmatrix},
\qquad
A_1^{-1}=\begin{pmatrix}0.5\end{pmatrix}.
\]
Переходимо до
\[
A_2=
\begin{pmatrix}
2 & -1\\
4 & -2
\end{pmatrix}
=
\begin{pmatrix}
A_1 & u_2\\
v_2 & a_{22}
\end{pmatrix},
\qquad
u_2=\begin{pmatrix}-1\end{pmatrix},
\quad
v_2=\begin{pmatrix}4\end{pmatrix},
\quad
a_{22}=-2.
\]
Тепер рахуємо \( \alpha_2 = a_{22} – v_2 \cdot A_1^{-1} \cdot u_2 \). Маємо
\[
v_2 \cdot A_1^{-1} \cdot u_2=
\begin{pmatrix}4\end{pmatrix} \cdot
\begin{pmatrix}0.5\end{pmatrix} \cdot
\begin{pmatrix}-1\end{pmatrix}
=-2,
\]
тому \( \alpha_2=-2-(-2)=0 \).
Оскільки \( \alpha_2=0 \), число \( \beta_2 \) не визначається, а значить \( A_2^{-1} \) за формулою окантування не існує. Це не випадковість: у вихідній матриці другий рядок є подвоєнням першого, а третій — потроєнням. Тобто рядки лінійно залежні, і оберненої матриці для \( A \) не існує. Якщо ж у схожій задачі залежність не така очевидна, тоді зазвичай пробують інший порядок окантування, наприклад, переставляють рядки або стовпці.
Приклад 3. Знайти обернену матрицю
\[
A=
\begin{pmatrix}
1 & 2 & 3 & 4 \\
2 & 1 & 2 & 3 \\
3 & 2 & -1 & 2 \\
4 & 3 & 2 & 1
\end{pmatrix}.
\]
Починаємо з першого кроку:
\[
A_1=\begin{pmatrix}1\end{pmatrix},
\qquad
A_1^{-1}=\begin{pmatrix}1\end{pmatrix}.
\]
Далі будуємо
\[
A_2=
\begin{pmatrix}
1 & 2\\
2 & 1
\end{pmatrix}
=
\begin{pmatrix}
A_1 & u_2\\
v_2 & a_{22}
\end{pmatrix},
\qquad
u_2=\begin{pmatrix}2\end{pmatrix},
\quad
v_2=\begin{pmatrix}2\end{pmatrix},
\quad
a_{22}=1.
\]
Обчислюємо
\[
\alpha_2 = a_{22} – v_2 \cdot A_1^{-1} \cdot u_2
=
1-
\begin{pmatrix}2\end{pmatrix} \cdot
\begin{pmatrix}1\end{pmatrix} \cdot
\begin{pmatrix}2\end{pmatrix}
= -3,
\qquad
\beta_2=-0.333.
\]
Тепер
\[
\begin{gathered}
r_2 = -A_1^{-1}\cdot u_2\cdot \beta_2
= -\begin{pmatrix}1\end{pmatrix}\cdot\begin{pmatrix}2\end{pmatrix}\cdot(-0.333)
= \begin{pmatrix}0.667\end{pmatrix},
\\[4pt]
q_2 = -v_2\cdot A_1^{-1}\cdot \beta_2
= \begin{pmatrix}0.667\end{pmatrix}.
\end{gathered}
\]
Оновлюємо головний блок \( P_1 = A_1^{-1} + A_1^{-1} \cdot u_2 \cdot v_2 \cdot A_1^{-1} \cdot \beta_2 \). Маємо
\[
A_1^{-1} \cdot u_2 \cdot v_2 \cdot A_1^{-1} \cdot \beta_2
=
\begin{pmatrix}1\end{pmatrix} \cdot
\begin{pmatrix}2\end{pmatrix} \cdot
\begin{pmatrix}2\end{pmatrix} \cdot
\begin{pmatrix}1\end{pmatrix} \cdot
(-0.333)
=
\begin{pmatrix}-1.333\end{pmatrix},
\]
тому \( P_1 = \begin{pmatrix}1\end{pmatrix} + \begin{pmatrix}-1.333\end{pmatrix}=\begin{pmatrix}-0.333\end{pmatrix} \). Отже,
\[
A_2^{-1}=
\begin{pmatrix}
-0.333 & 0.667\\
0.667 & -0.333
\end{pmatrix}.
\]
Переходимо до
\[
A_3=
\begin{pmatrix}
1 & 2 & 3\\
2 & 1 & 2\\
3 & 2 & -1
\end{pmatrix}
=
\begin{pmatrix}
A_2 & u_3\\
v_3 & a_{33}
\end{pmatrix},
\qquad
u_3=\begin{pmatrix}3 \\ 2\end{pmatrix},\quad
v_3=\begin{pmatrix}3 & 2\end{pmatrix},\quad
a_{33}=-1.
\]
Спершу обчислюємо вектори, які нам потрібні для формули, а саме \( A_2^{-1} \cdot u_3 \) та \( v_3 \cdot A_2^{-1} \):
\[
\begin{gathered}
A_2^{-1} \cdot u_3=
\begin{pmatrix}
-0.333 & 0.667\\
0.667 & -0.333
\end{pmatrix} \cdot
\begin{pmatrix}
3\\
2
\end{pmatrix}
=
\begin{pmatrix}
0.333\\
1.333
\end{pmatrix},
\\[4pt]
v_3 \cdot A_2^{-1}=
\begin{pmatrix}
3 & 2
\end{pmatrix} \cdot
\begin{pmatrix}
-0.333 & 0.667\\
0.667 & -0.333
\end{pmatrix}
=
\begin{pmatrix}
0.333 & 1.333
\end{pmatrix}.
\end{gathered}
\]
Тепер
\[
\alpha_3 = a_{33} – v_3 \cdot A_2^{-1} \cdot u_3
=
-1-\begin{pmatrix}3 & 2\end{pmatrix} \cdot \begin{pmatrix}0.333 \\ 1.333\end{pmatrix}
=-4.667,
\qquad
\beta_3=-0.214.
\]
Далі
\[
\begin{gathered}
r_3 = -(A_2^{-1}\cdot u_3)\cdot \beta_3
= -\begin{pmatrix}0.333\\1.333\end{pmatrix}\cdot(-0.214)
= \begin{pmatrix}0.071\\0.286\end{pmatrix},
\\[4pt]
q_3 = -(v_3\cdot A_2^{-1})\cdot \beta_3
= -\begin{pmatrix}0.333 & 1.333\end{pmatrix}\cdot(-0.214)
= \begin{pmatrix}0.071 & 0.286\end{pmatrix}.
\end{gathered}
\]
Тепер оновлюємо головний блок \( P_2 = A_2^{-1} + (A_2^{-1} \cdot u_3) \cdot (v_3 \cdot A_2^{-1}) \cdot \beta_3 \). Спочатку формуємо зовнішній добуток:
\[
(A_2^{-1} \cdot u_3) \cdot (v_3 \cdot A_2^{-1})
=
\begin{pmatrix}0.333 \ 1.333\end{pmatrix} \cdot
\begin{pmatrix}0.333 & 1.333\end{pmatrix}
=
\begin{pmatrix}
0.111 & 0.444\\
0.444 & 1.778
\end{pmatrix},
\]
множимо на \( \beta_3 = -0.214 \):
\[
\begin{pmatrix}
0.111 & 0.444\\
0.444 & 1.778
\end{pmatrix} \cdot
(-0.214)
=
\begin{pmatrix}
-0.024 & -0.095\\
-0.095 & -0.381
\end{pmatrix},
\]
і додаємо до \( A_2^{-1} \):
\[
P_2=
\begin{pmatrix}
-0.333 & 0.667\\
0.667 & -0.333
\end{pmatrix}
+
\begin{pmatrix}
-0.024 & -0.095\\
-0.095 & -0.381
\end{pmatrix}
=
\begin{pmatrix}
-0.357 & 0.571\\
0.571 & -0.714
\end{pmatrix}.
\]
Отже
\[
A_3^{-1}=
\begin{pmatrix}
-0.357 & 0.571 & 0.071 \\
0.571 & -0.714 & 0.286 \\
0.071 & 0.286 & -0.214
\end{pmatrix}.
\]
Тепер останній крок: будуємо повну матрицю \( A_4 = A \) як окантовану:
\[
A_4=
\begin{pmatrix}
A_3 & u_4\\
v_4 & a_{44}
\end{pmatrix},
\qquad
u_4=\begin{pmatrix}4 \\ 3 \\ 2\end{pmatrix},\quad
v_4=\begin{pmatrix}4 & 3 & 2\end{pmatrix},\quad
a_{44}=1.
\]
Знову спершу обчислюємо вектори \( A_3^{-1} \cdot u_4 \) та \( v_4 \cdot A_3^{-1} \):
\[
\begin{gathered}
A_3^{-1} \cdot u_4=
\begin{pmatrix}
-0.357 & 0.571 & 0.071 \\
0.571 & -0.714 & 0.286 \\
0.071 & 0.286 & -0.214
\end{pmatrix} \cdot
\begin{pmatrix}
4\\
3\\
2
\end{pmatrix}
=
\begin{pmatrix}
0.429\\
0.714\\
0.714
\end{pmatrix},
\\[6pt]
v_4 \cdot A_3^{-1}=
\begin{pmatrix}
4 & 3 & 2
\end{pmatrix} \cdot
\begin{pmatrix}
-0.357 & 0.571 & 0.071 \\
0.571 & -0.714 & 0.286 \\
0.071 & 0.286 & -0.214
\end{pmatrix}
=
\begin{pmatrix}
0.429 & 0.714 & 0.714
\end{pmatrix}.
\end{gathered}
\]
Тепер
\[
\alpha_4 = a_{44} – v_4 \cdot A_3^{-1} \cdot u_4
=
1-\begin{pmatrix}4 & 3 & 2\end{pmatrix} \cdot \begin{pmatrix}0.429 \\ 0.714 \\ 0.714\end{pmatrix}
=
1-(1.716+2.142+1.428)
=-4.286,
\qquad
\beta_4=-0.233.
\]
Звідси
\[
\begin{gathered}
r_4 = -(A_3^{-1}\cdot u_4)\cdot \beta_4
= -\begin{pmatrix}0.429\\0.714\\0.714\end{pmatrix}\cdot(-0.233)
= \begin{pmatrix}0.1\\0.167\\0.167\end{pmatrix},
\\[4pt]
q_4 = -(v_4\cdot A_3^{-1})\cdot \beta_4
= -\begin{pmatrix}0.429 & 0.714 & 0.714\end{pmatrix}\cdot(-0.233)
= \begin{pmatrix}0.1 & 0.167 & 0.167\end{pmatrix}.
\end{gathered}
\]
Тепер оновлюємо головний блок \( P_3 = A_3^{-1} + (A_3^{-1} \cdot u_4) \cdot (v_4 \cdot A_3^{-1}) \cdot \beta_4 \). Спочатку формуємо зовнішній добуток:
\[
(A_3^{-1} \cdot u_4) \cdot (v_4 \cdot A_3^{-1})
=
\begin{pmatrix}0.429 \ 0.714 \ 0.714\end{pmatrix} \cdot
\begin{pmatrix}0.429 & 0.714 & 0.714\end{pmatrix}
=
\begin{pmatrix}
0.184 & 0.306 & 0.306\\
0.306 & 0.51 & 0.51\\
0.306 & 0.51 & 0.51
\end{pmatrix},
\]
множимо на \( \beta_4=-0.233 \):
\[
\begin{pmatrix}
0.184 & 0.306 & 0.306\\
0.306 & 0.51 & 0.51\\
0.306 & 0.51 & 0.51
\end{pmatrix} \cdot
(-0.233)
=
\begin{pmatrix}
-0.043 & -0.071 & -0.071\\
-0.071 & -0.119 & -0.119\\
-0.071 & -0.119 & -0.119
\end{pmatrix},
\]
і додаємо до \( A_3^{-1} \):
\[
P_3=
\begin{pmatrix}
-0.357 & 0.571 & 0.071 \\
0.571 & -0.714 & 0.286 \\
0.071 & 0.286 & -0.214
\end{pmatrix}
+
\begin{pmatrix}
-0.043 & -0.071 & -0.071\\
-0.071 & -0.119 & -0.119\\
-0.071 & -0.119 & -0.119
\end{pmatrix}
=
\begin{pmatrix}
-0.4 & 0.5 & 0 \\
0.5 & -0.833 & 0.167 \\
0 & 0.167 & -0.333
\end{pmatrix}.
\]
Отже, фінальний результат:
\[
A^{-1}=
\begin{pmatrix}
-0.4 & 0.5 & 0 & 0.1 \\
0.5 & -0.833 & 0.167 & 0.167 \\
0 & 0.167 & -0.333 & 0.167 \\
0.1 & 0.167 & 0.167 & -0.233
\end{pmatrix}.
\]
Куди Рухатися Далі: Теми, що Додають Нові Інструменти
Ви вже побачили, як метод окантування робить розрахунки більш керованими, особливо коли матриця стає великою. Тож логічно запитати: що вивчити наступним, щоб упевненіше орієнтуватися в різних задачах? Ось три теми, які природно продовжують цей матеріал.
- Обернена матриця через алгебраїчні доповнення: Логіка мінорів і визначників — Розглянемо класичний підхід через мінори та доповнення, щоб бачити, як крок за кроком формується відповідь.
- Обернена матриця використовуючи коефіцієнти характеристичного многочлена: Інший шлях до обертання без стандартних схем — Пояснимо, як виходити на обернення через зв’язок із характеристичним многочленом і що з цього виходить на практиці.
- Псевдообернена матриця: Як працювати з прямокутними та виродженими випадками — Розкажемо, як діяти, коли звичайне обертання не визначене, і як знаходити псевдообернену в типових прикладах.
Обернена Матриця у Коді: Спробуйте Зібрати Свій Мінікалькулятор
Тепер уявіть, що блок-схема нижче — це не просто картинка, а чіткий план для невеликого програмного проєкту. Чому б не взяти її як підказку й не написати на улюбленій мові програмування компактну програму, яка обчислює обернену матрицю методом окантування? Це хороший спосіб перевірити, як формули перетворюються на реальні обчислення, і водночас отримати інструмент, який можна запускати на власних матрицях і швидко звіряти результати.
