【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(7):逆矩阵

本文主要是介绍【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(7):逆矩阵,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 前言
  • 往期文章
  • 2.3 逆矩阵
    • 定义
    • 写法
    • 定理1
      • 内容
      • 证明
    • 定理2
      • 内容
      • 证明
      • 推论​
      • 运算规律
  • 结语

前言

Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
 
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
 
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!

往期文章

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(1):二阶与三阶行列式、全排列及其逆序数

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(2):n阶行列式、对换

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(3):行列式的性质

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(4):行列式按行(列)展开

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(5):克拉默法则

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(6):矩阵的运算

2.3 逆矩阵

定义

对于n阶矩阵 A A A,如果有一个n阶矩阵 B B B,使得
A B = B A = E AB=BA=E AB=BA=E

说明矩阵A是可逆的,并把矩阵B称为A的逆矩阵,简称逆阵

记住

如果矩阵A是可逆的,那么A的逆矩阵一定是唯一的。

证:

假设 B、C均是A的逆矩阵,有

B = B E = B ( A C ) = ( B A ) C = E C = C B=BE=B(AC)=(BA)C=EC=C B=BE=B(AC)=(BA)C=EC=C

得出 B=C

所以

A的逆矩阵是唯一的。

写法

A A A的逆矩阵记作 A − 1 A^{-1} A1

A B = B A = E , 则 B = A − 1 AB=BA=E,则B=A^{-1} AB=BA=EB=A1

定理1

内容

若矩阵A可逆,那么 ∣ A ∣ ≠ 0 |A|\neq 0 A=0

证明

因为 矩阵A可逆

那么一定有 A − 1 A^{-1} A1,使得

A A − 1 = E AA^{-1}=E AA1=E

推出

∣ A A − 1 ∣ = ∣ E ∣ = = > ∣ A ∣ ∣ A − 1 ∣ = ∣ E ∣ = 1 = = > ∣ A ∣ ≠ 0 |AA^{-1}|=|E| \\==> |A||A^{-1}|=|E|=1\\ ==> |A|\neq 0 AA1=E==>AA1=E=1==>A=0

定理2

内容

∣ A ∣ ≠ 0 |A|\neq 0 A=0,则矩阵 A A A可逆,且 A − 1 = 1 ∣ A ∣ A ∗ A^{-1}=\frac{1}{|A|}A^* A1=A1A,其中 A ∗ A^* A A A A的伴随矩阵

证明

已知 A A ∗ = ∣ A ∣ E AA^*=|A|E AA=AE (|A|是一个常数)

因为 ∣ A ∣ ≠ 0 |A|\neq 0 A=0

所以 1 ∣ A ∣ A A ∗ = A 1 ∣ A ∣ A ∗ = A ( 1 ∣ A ∣ A ∗ ) = E \frac{1}{|A|}AA^*=A\frac{1}{|A|}A^*=A(\frac{1}{|A|}A^*)=E A1AA=AA1A=A(A1A)=E

又因为 A ∗ A = A A ∗ A^*A=AA^* AA=AA

所以 1 ∣ A ∣ A A ∗ = 1 ∣ A ∣ A ∗ A = ( 1 ∣ A ∣ A ∗ ) A = E \frac{1}{|A|}AA^*=\frac{1}{|A|}A^*A=(\frac{1}{|A|}A^*)A=E A1AA=A1AA=(A1A)A=E

{ A ( 1 ∣ A ∣ A ∗ ) = E ( 1 ∣ A ∣ A ∗ ) A = E \begin{cases} A(\frac{1}{|A|}A^*)=E \\ (\frac{1}{|A|}A^*)A=E \end{cases} {A(A1A)=E(A1A)A=E

得知 矩阵A存在逆矩阵,

A − 1 = 1 ∣ A ∣ A ∗ A^{-1}=\frac{1}{|A|}A^* A1=A1A

证明完成!

推论​

A B = E ( 或 B A = E AB=E(或BA=E AB=EBA=E,则 B = A − 1 B=A^{-1} B=A1

证明:

因为 A B = E AB=E AB=E

所以 ∣ A ∣ ∣ B ∣ = ∣ E ∣ = 1 |A||B|=|E|=1 AB=E=1

∣ A ∣ ≠ 0 |A|\neq0 A=0 A − 1 A^{-1} A1存在

B = E B = ( A − 1 A ) B = A − 1 ( A B ) = A − 1 E = A − 1 B=EB=(A^{-1}A)B=A^{-1}(AB)=A^{-1}E=A^{-1} B=EB=(A1A)B=A1(AB)=A1E=A1

证明完成!

运算规律

方阵的逆矩阵满足运算规律

(1) A A A可逆,则 A − 1 A^{-1} A1也可逆,且 ( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A1)1=A

证明:

因为 A A A可逆

所以

A A − 1 = A − 1 A = E AA^{-1}=A^{-1}A=E AA1=A1A=E

这里令 B = A B=A B=A,得到

B A − 1 = A − 1 B = E BA^{-1}=A^{-1}B=E BA1=A1B=E

推出

A − 1 可 逆 A^{-1}可逆 A1

( A − 1 ) − 1 = B = A (A^{-1})^{-1}=B=A (A1)1=B=A

证明完成!

(2) A A A可逆,数 λ ≠ 0 \lambda \neq 0 λ=0,则 λ A \lambda A λA可逆,且 ( λ A ) − 1 = 1 λ A − 1 (\lambda A)^{-1}=\frac{1}{\lambda}A^{-1} (λA)1=λ1A1

证明:

因为 A A A可逆

所以

A B = B A = E AB=BA=E AB=BA=E

对于 λ A \lambda A λA来说

一定存在 1 λ B \frac{1}{\lambda} B λ1B使得

( λ A ) ( 1 λ B ) = ( 1 λ B ) ( λ A ) = E (\lambda A)(\frac{1}{\lambda}B)=(\frac{1}{\lambda}B)(\lambda A)=E (λA)(λ1B)=(λ1B)(λA)=E
所以

λ A \lambda A λA 也可逆

同时

( λ A ) − 1 = 1 λ B = 1 λ A − 1 (\lambda A)^{-1}=\frac{1}{\lambda}B=\frac{1}{\lambda}A^{-1} (λA)1=λ1B=λ1A1

(3) A 、 B A、B AB为同阶矩阵且均可逆,则 A B AB AB均可逆,且 ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)1=B1A1

证明:

因为 A 、 B A、B AB为同阶矩阵且均可逆

所以

  • A C = C A = E ( C = A − 1 ) AC=CA=E (C=A^{-1}) AC=CA=E(C=A1)
  • B D = D B = E ( D = B − 1 ) BD=DB=E (D=B^{-1}) BD=DB=E(D=B1)

因为

  • ( A B ) ( D C ) = A ( B D ) C = A E C = A C = E (AB)(DC)=A(BD)C=AEC=AC=E (AB)(DC)=A(BD)C=AEC=AC=E
  • ( D C ) ( A B ) = D ( C A ) B = D E B = D B = E (DC)(AB)=D(CA)B=DEB=DB=E (DC)(AB)=D(CA)B=DEB=DB=E

所以

A B AB AB可逆,且 ( A B ) − 1 = D C = B − 1 A − 1 (AB)^{-1}=DC=B^{-1}A^{-1} (AB)1=DC=B1A1

证明完成!

(4) A A A可逆,则 A T A^{T} AT也可逆,且 ( A T ) − 1 = ( A − 1 ) T (A^{T})^{-1}=(A^{-1})^{T} (AT)1=(A1)T

证明:

因为 A A A可逆

A A − 1 = A − 1 A = E AA^{-1}=A^{-1}A=E AA1=A1A=E

进行转置,得

( A A − 1 ) T = ( A − 1 A ) T = E T (AA^{-1})^T=(A^{-1}A)^T=E^T (AA1)T=(A1A)T=ET

( A B ) T = B T A T (AB)^T=B^TA^T (AB)T=BTAT

( A − 1 ) T A T = A T ( A − 1 ) T = E T = E (A^{-1})^TA^T=A^T(A^{-1})^T=E^T=E (A1)TAT=AT(A1)T=ET=E

所以

A T A^T AT可逆

( A T ) − 1 = ( A − 1 ) T (A^T)^{-1}=(A^{-1})^T (AT)1=(A1)T

证明完成!

结语

文章仅作为学习笔记,记录从0到1的一个过程

希望对您有所帮助,如有错误欢迎小伙伴指正~

我是 海轰ଘ(੭ˊᵕˋ)੭

如果您觉得写得可以的话,请点个赞吧

谢谢支持 ❤️

在这里插入图片描述

这篇关于【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(7):逆矩阵的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/401505

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

uva 10025 The ? 1 ? 2 ? ... ? n = k problem(数学)

题意是    ?  1  ?  2  ?  ...  ?  n = k 式子中给k,? 处可以填 + 也可以填 - ,问最小满足条件的n。 e.g k = 12  - 1 + 2 + 3 + 4 + 5 + 6 - 7 = 12 with n = 7。 先给证明,令 S(n) = 1 + 2 + 3 + 4 + 5 + .... + n 暴搜n,搜出当 S(n) >=