Обратная Матрица часто ассоциируется с вычислением определителя, миноров или с преобразованиями строк. Но всегда ли это самый удобный путь? На самом деле, если для матрицы уже известны коэффициенты её характеристического многочлена, можно получить формулу для \( A^{-1} \) довольно прямым способом.
В этой статье сосредоточимся на главном: как, опираясь на теорему Гамильтона–Кэли и коэффициенты характеристического многочлена, прийти к явному выражению для \( A^{-1} \). И ещё один важный вопрос: почему коэффициент при свободном члене здесь настолько существенен? Давайте разберёмся шаг за шагом.
Обратная Матрица Через Характеристический Многочлен: Основной Переход
Пусть задана невырожденная матрица
\[ A \in \mathbb{R}^{n\times n}, \qquad \det(A)\neq 0. \]
Её характеристический многочлен записывают так:
\[ \det(\lambda \cdot E — A)=\lambda^{n}+p_{1} \cdot \lambda^{n-1}+\cdots+p_{n-1} \cdot \lambda+p_{n}, \]
где \( E \) — единичная матрица порядка \( n \), а \( p_{1},p_{2},\ldots,p_{n} \) — коэффициенты.
Дальше подключаем теорему Гамильтона–Кэли: матрица \( A \) является корнем своего характеристического многочлена. Значит, при подстановке \( \lambda=A \) получаем нулевую матрицу:
\[ A^{n}+p_{1} \cdot A^{n-1}+\cdots+p_{n-1} \cdot A+p_{n} \cdot E=0. \]
Теперь переходим к ключевому шагу. Мы хотим получить формулу для \( A^{-1} \), поэтому домножим это матричное равенство слева на \( A^{-1} \). Тогда степени \( A \) уменьшатся на единицу, и одновременно в записи появится слагаемое с \( A^{-1} \):
\[ A^{-1} \cdot \Bigl(A^{n}+p_{1} \cdot A^{n-1}+\cdots+p_{n-1} \cdot A+p_{n} \cdot E\Bigr)=A^{-1}\cdot 0. \]
Поскольку \( A^{-1} \cdot A=E \), имеем:
\[ A^{n-1}+p_{1} \cdot A^{n-2}+\cdots+p_{n-1} \cdot E+p_{n} \cdot A^{-1}=0. \]
Обратная Матрица как Полином от Матрицы: Формула и Условие
Из предыдущего равенства уже можно выделить \( A^{-1} \). Перенесём всё, кроме слагаемого с \( A^{-1} \), в правую часть:
\[ p_{n} \cdot A^{-1}=-(A^{n-1}+p_{1} \cdot A^{n-2}+\cdots+p_{n-1} \cdot E). \]
Поскольку матрица невырожденная, то \( \det(A)\neq 0 \), а значит и \( p_n\neq 0 \). Это видно, если подставить \( \lambda=0 \) в характеристический многочлен:
\[ p_n=\det(0\cdot E-A)=\det(-A)=(-1)^n \cdot \det(A). \]
Следовательно, деление на \( p_n \) здесь полностью обосновано, и мы получаем явную формулу:
\[ A^{-1}=-\frac{1}{p_{n}} \cdot \Bigl(A^{n-1}+p_{1} \cdot A^{n-2}+\cdots+p_{n-1} \cdot E\Bigr). \]
Теперь зафиксируем важную учебную идею. Обратная матрица выражается как полином от \( A \) степени не выше \( n-1 \). То есть \( A^{-1} \) — это линейная комбинация единичной матрицы и степеней \( A \):
\[ A^{-1}=c_{0} \cdot E+c_{1} \cdot A+c_{2} \cdot A^{2}+\cdots+c_{n-1} \cdot A^{n-1}, \]
где коэффициенты \( c_k \) определяются через \( p_1,\dots,p_n \). Удобно, правда? Мы работаем с тем, что уже есть: со степенями \( A \) и числами \( p_k \).
Что нужно на практике
Чтобы реально воспользоваться формулой, действуем по короткому алгоритму:
- Найти коэффициенты \( p_{1},\ldots,p_{n} \).
- Вычислить степени \( A, A^{2}, \ldots, A^{n-1} \).
- Подставить всё в формулу для \( A^{-1} \) и получить результат.
Именно на первом шаге разумнее всего использовать метод Леверье, потому что он специально ориентирован на эффективное получение коэффициентов характеристического многочлена. Теоретические детали этого метода можно рассмотреть в отдельном материале, а здесь важно запомнить главное: когда цель — быстро и последовательно получить \( p_1,\dots,p_n \), метод Леверье обычно оказывается самым рациональным выбором.
Обратная Матрица на Практике: От Схемы Действий к Вычислениям
Теперь, когда формула уже получена, самое время посмотреть, как она работает в реальных задачах. В этих примерах важно не только прийти к ответу, но и почувствовать последовательность шагов: что берём из характеристического многочлена, что вычисляем для матрицы, а что сразу подставляем в готовое выражение. Готовы проверить метод на практике?
Пример 1. Какие шаги нужно выполнить, чтобы найти обратную матрицу размера \( 3\times 3 \), если известны коэффициенты её характеристического многочлена?
Сначала выписываем коэффициенты характеристического многочлена и определяем формулу для случая \( n=3 \). Затем вычисляем нужные степени до порядка \( n-1 \), то есть находим \( A^{2} \), после чего подставляем эти данные в формулу для \( A^{-1} \). В конце полезно сделать короткую проверку умножением \( A\cdot A^{-1} \), чтобы убедиться, что результат — единичная матрица.
Пример 2. Найти обратную матрицу, если известно, что характеристический многочлен имеет вид \( \det(\lambda \cdot E-A)=\lambda^{4}-24 \cdot \lambda^{3}+244 \cdot \lambda^{2}-1818 \cdot \lambda+7881 \)
\[ A= \begin{pmatrix} 5 & -6 & 7 & 1\\ 7 & 10 & -9 & 8\\ 3 & 3 & 5 & 1\\ -10 & 2 & 3 & 4 \end{pmatrix}. \]
Сравниваем этот многочлен со стандартной записью
\[ \det(\lambda \cdot E-A) = \lambda^4 + p_1 \cdot \lambda^3 + p_2 \cdot \lambda^2 + p_3 \cdot \lambda + p_4, \]
и сразу получаем коэффициенты:
\[ p_1=-24,\qquad p_2=244,\qquad p_3=-1818,\qquad p_4=7881. \]
Поскольку \( n=4 \), применяем формулу
\[ A^{-1}=-\frac{1}{p_4} \cdot \bigl(A^3 + p_1 \cdot A^2 + p_2 \cdot A + p_3 \cdot E \bigr) =-\frac{1}{7881} \cdot \bigl(A^3 — 24 \cdot A^2 + 244 \cdot A — 1818 \cdot E \bigr). \]
Здесь сразу видно, почему нам нужны именно \( A^{2} \) и \( A^{3} \): они входят в матричную комбинацию для \( n=4 \). После вычислений получаем:
\[ \begin{aligned} A^{2} &= A\cdot A= \begin{pmatrix} -6 & -67 & 127 & -32\\ -2 & 47 & -62 & 110\\ 41 & 29 & 22 & 36\\ -67 & 97 & -61 & 25 \end{pmatrix},\\[6pt] A^{3} &= A^{2}\cdot A= \begin{pmatrix} 202 & -317 & 1100 & -543\\ -967 & 516 & -417 & 752\\ 114 & 182 & 244 & 439\\ -89 & 1239 & -1572 & 748 \end{pmatrix}. \end{aligned} \]
Подставляем в выражение из формулы и получаем:
\[ A^3 — 24 \cdot A^2 + 244 \cdot A — 1818 \cdot E = \begin{pmatrix} -252 & -173 & -240 & 469\\ 789 & 10 & -1125 & 64\\ -138 & 218 & -882 & -181\\ -921 & -601 & 624 & -694 \end{pmatrix}. \]
Итак,
\[ A^{-1}=-\frac{1}{7881} \cdot \begin{pmatrix} -252 & -173 & -240 & 469\\ 789 & 10 & -1125 & 64\\ -138 & 218 & -882 & -181\\ -921 & -601 & 624 & -694 \end{pmatrix} \approx \begin{pmatrix} 0.032&0.022&0.030&-0.060 \\ -0.100&-0.001&0.143&-0.008 \\ 0.018&-0.028&0.112&0.023 \\ 0.117&0.076&-0.079&0.088 \end{pmatrix}. \]
Пример 3. Найти обратную матрицу
\[ A= \begin{pmatrix} 1 & 2 & 3 & 4 \\ 2 & 1 & 2 & 3 \\ 3 & 2 & -1 & 2 \\ 4 & 3 & 2 & 1 \end{pmatrix}. \]
Здесь сделаем полный цикл: сначала найдём степени матрицы, затем вычислим следы и по ним получим коэффициенты характеристического многочлена методом Леверье, а уже дальше используем стандартную формулу для \( A^{-1} \). В такой задаче метод Леверье наиболее уместен, потому что он позволяет получить \( p_{1},\dots,p_{n} \) через следы \( \operatorname{tr}(A^{k}) \), а эти следы мы всё равно находим, когда работаем со степенями матрицы.
Начнём со степеней:
\[ \begin{aligned} A^{2} &= A\cdot A = \begin{pmatrix} 30 & 22 & 12 & 20 \\ 22 & 18 & 12 & 18 \\ 12 & 12 & 18 & 18 \\ 20 & 18 & 18 & 30 \end{pmatrix},\\[6pt] A^{3} &= A^{2}\cdot A = \begin{pmatrix} 190 & 166 & 162 & 230 \\ 166 & 140 & 126 & 184 \\ 162 & 126 & 78 & 138 \\ 230 & 184 & 138 & 200 \end{pmatrix},\\[6pt] A^{4} &= A^{3}\cdot A = \begin{pmatrix} 1928 & 1560 & 1200 & 1812 \\ 1560 & 1276 & 1020 & 1520 \\ 1200 & 1020 & 936 & 1320 \\ 1812 & 1520 & 1320 & 1948 \end{pmatrix}. \end{aligned} \]
Далее вычислим следы:
\[ \begin{aligned} \operatorname{tr}(A) &= 1+1-1+1 = 2,\\ \operatorname{tr}(A^{2}) &= 30+18+18+30 = 96,\\ \operatorname{tr}(A^{3}) &= 190+140+78+200 = 608,\\ \operatorname{tr}(A^{4}) &= 1928+1276+936+1948 = 6088. \end{aligned} \]
Теперь по формулам метода Леверье найдём коэффициенты \( p_k \):
\[ \begin{aligned} p_{1} &= -\operatorname{tr}(A) = -2,\\[2pt] p_{2} &= -\frac{1}{2} \cdot \Bigl(\operatorname{tr}(A^{2}) + p_{1}\operatorname{tr}(A)\Bigr) = -\frac{1}{2} \cdot \bigl(96 — 2\cdot 2\bigr) = -46,\\[2pt] p_{3} &= -\frac{1}{3} \cdot \Bigl(\operatorname{tr}(A^{3}) + p_{1} \cdot \operatorname{tr}(A^{2}) + p_{2} \cdot \operatorname{tr}(A)\Bigr) = -\frac{1}{3} \cdot \bigl(608 — 2\cdot 96 — 46\cdot 2\bigr) = -108,\\[2pt] p_{4} &= -\frac{1}{4} \cdot \Bigl(\operatorname{tr}(A^{4}) + p_{1} \cdot \operatorname{tr}(A^{3}) + p_{2} \cdot \operatorname{tr}(A^{2}) + p_{3} \cdot \operatorname{tr}(A)\Bigr) = -\frac{1}{4} \cdot \bigl(6088 — 2\cdot 608 — 46\cdot 96 — 108\cdot 2\bigr) = -60. \end{aligned} \]
Следовательно, характеристический многочлен имеет вид
\[ \det(\lambda \cdot E-A)=\lambda^4 — 2 \cdot \lambda^3 — 46 \cdot \lambda^2 — 108 \cdot \lambda — 60. \]
Поскольку \( n=4 \), формула для обратной матрицы будет такой:
\[ A^{-1}=-\frac{1}{p_4} \cdot \bigl(A^3 + p_1 \cdot A^2 + p_2 \cdot A + p_3 \cdot E \bigr) =-\frac{1}{-60} \cdot \bigl(A^3 — 2 \cdot A^2 — 46 \cdot A — 108 \cdot E \bigr) =\frac{1}{60} \cdot \bigl(A^3 — 2 \cdot A^2 — 46 \cdot A — 108 \cdot E \bigr). \]
Остаётся вычислить выражение в скобках:
\[ A^3 — 2 \cdot A^2 — 46 \cdot A — 108 \cdot E= \begin{pmatrix} -24 & 30 & 0 & 6\\ 30 & -50 & 10 & 10\\ 0 & 10 & -20 & 10\\ 6 & 10 & 10 & -14 \end{pmatrix}. \]
Тогда получаем:
\[ A^{-1}=\frac{1}{60}\cdot \begin{pmatrix} -24 & 30 & 0 & 6\\ 30 & -50 & 10 & 10\\ 0 & 10 & -20 & 10\\ 6 & 10 & 10 & -14 \end{pmatrix} \approx \begin{pmatrix} -0.400 & 0.500 & 0.000 & 0.100\\ 0.500 & -0.833 & 0.167 & 0.167\\ 0.000 & 0.167 & -0.333 & 0.167\\ 0.100 & 0.167 & 0.167 & -0.233 \end{pmatrix}. \]
Дальше по Курсу: Темы, Которые Расширят Инструменты
Если вы уже уверенно работаете с обратной матрицей через характеристический многочлен, возникает логичный вопрос: что изучать дальше? Ниже — темы, которые естественно продолжают этот материал и добавляют новые способы решения знакомых задач.
- Обратная матрица методом окаймления: Как добавление строк и столбцов ведёт к результату — Покажем идею метода окаймления и объясним, как через последовательное расширение получают обратную матрицу.
- Обратная матрица методом разбиения на клетки: Когда матрица превращается в удобные блоки — Рассмотрим блочный подход и поясним, как обращать матрицу через работу с её частями.
- Псевдообратная матрица: Обращение прямоугольных и вырожденных матриц — Объясним, зачем нужна псевдообратная матрица и как она помогает, когда обычной обратной не существует.
Обратная Матрица в Коде: Попробуйте Собрать Свой Миникалькулятор
Теперь представьте, что блок-схема ниже — это не просто иллюстрация, а готовый план для вашего небольшого программного проекта. Почему бы не использовать её как подсказку и не написать на любимом языке программирования небольшую программу, которая вычисляет обратную матрицу через коэффициенты характеристического многочлена? Такой подход отлично тренирует внимательность к деталям и одновременно показывает, как теория превращается в практический инструмент, которым можно пользоваться снова и снова. А ещё это отличная возможность получить результат не только «на бумаге», но и в виде работающего кода, который можно протестировать на собственных примерах.
