求三阶矩阵的逆矩阵

下载PDF文件下载PDF文件

正在为一个棘手的代数问题而苦恼?求逆矩阵是解线性方程的关键。此外,逆运算通常还能为困难问题提供一种便捷的简化方法。例如,一个题要除以一个分数,那么换种思维,改成乘以该分数的倒数就会更简单。而这就是一种基本的逆运算!同样,由于矩阵没有除法运算,所以你得乘以逆矩阵。为此,这篇文章整理了一份逐步指南,教你通过行列式和线性行简化来手动计算3x3逆矩阵。然后,甚至还会教你如何用高级图形计算器来求逆矩阵。

方法 1
方法 1 的 3:

创建伴随矩阵来求逆矩阵

下载PDF文件
  1. How.com.vn 中文: Step 1 检查矩阵的行列式。...
    检查矩阵的行列式作为第一步,你需要计算矩阵的行列式。如果行列式为0,那就可以到此结束了,因为该矩阵没有逆运算。矩阵M的行列式的符号表达式为det(M)。[1]
    • For a 3x3 matrix, find the determinant by first
  2. How.com.vn 中文: Step 2 转置原矩阵。
    转置是指围绕主对角线翻转矩阵,或者说,将元素(i,j)和元素(j,i)互换。在转置矩阵项时,你应该看到主对角线(从左上方到右下方)不会发生变化。[2]
    • 另一种思考转置的方法是把第一行改写成第一列,把中间行变成中间列,把第三行变成第三列。注意上图中的彩色元素,看看数字在哪里变换了位置。
  3. How.com.vn 中文: Step 3 求出每个2x2小矩阵的行列式。
    新转置的3x3矩阵的每一项都与一个相应的2x2“次要”矩阵相关。要想求出每一项正确的次要矩阵,首先要找出你要开始的项的行和列。这应该包括矩阵的五项。剩下的四项就组成了小矩阵。[3]
    • 在上例中,如果你想求出第二行第一列的项的次要矩阵,那就要找出第二行第一列的五项。剩下的四项就是相应的小矩阵。
    • 如图所示,通过对角线的交叉相乘和简化,求出每个小矩阵的行列式。
    • 关于小矩阵及其用途的更多信息,可以阅读其他相关文章。
  4. How.com.vn 中文: Step 4 创建余因子矩阵。
    将上一步的结果代入一个新的余因子矩阵中,将每个小矩阵的行列式与原矩阵中的相应位置对齐。这样,你从原矩阵的项(1,1)中计算出的行列式将被放在(1,1)位置。然后,你必须按照所示的“棋盘”样式,将这个新矩阵的交替项的符号颠倒过来。[4]
    • 在分配符号时,第一行的第一个元素将保留其原始符号。第二个元素是相反的符号。第三个元素将保留其原始符号。继续以这种方式处理矩阵的其余部分。请注意,棋盘中的(+)或(-)符号并不代表最后一项就应该是正数或负数。它们只是表示保持(+)或颠倒(-)任何数字原来的符号而已。
    • 这一步的最终结果被称为原矩阵的伴随矩阵。它有时也被称为邻接矩阵。伴随矩阵可以记作Adj(M)。
  5. How.com.vn 中文: Step 5 将伴随矩阵的每一项除以行列式。
    回想一下你在第一步中算出的行列式M(以便检查逆运算是否可行)。现在你要用这个值来除以矩阵的每一项。将每次计算的结果放到原项的位置上。结果就是原矩阵的逆矩阵。[5]
    • 对于图中所示的矩阵,行列式为1。因此,除以伴随矩阵的每一项,就能得到伴随矩阵本身。但你可能不会总是这么幸运。
    • 一些资料没有把这一步当做除法,而是用M的每一项乘以1/det(M)。在数学上,这些计算都是一样的。
    广告
方法 2
方法 2 的 3:

使用线性行简化来求逆矩阵

下载PDF文件
  1. How.com.vn 中文: Step 1 将单位矩阵与原矩阵连接起来。
    写出原矩阵M,在它的右边画一条垂线,然后在它的右边写出单位矩阵。现在,你应该就会得到一个看起来包含三行六列的矩阵。[6]
    • 回顾一下,单位矩阵是一种特殊矩阵,从左上角到右下角的主对角线的每个位置都是1,而其他所有位置都是0。
  2. How.com.vn 中文: Step 2 执行线性行简化。
    你的目标是在这个新的增广矩阵左侧创建一个单位矩阵。在左边执行简化步骤时,你必须在右边持续执行同样的操作,因为右边开始是你的单位矩阵。
    • 请记住,行简化是以纯量乘法和行简化的组合形式进行的,目的是为了隔离矩阵的各个项。
  3. How.com.vn 中文: Step 3 一直继续下去,直到最终形成单位矩阵。
    继续重复线性行简化操作,直到你的纯量乘法的左侧显示了单位矩阵(对角线为1,其他项为0)。当你达到这一点时,垂直分割线的右侧将是原矩阵的逆矩阵。[7]
  4. How.com.vn 中文: Step 4 写出逆矩阵。
    将现在出现在垂直分割线右侧的元素复制成逆矩阵。
    广告
方法 3
方法 3 的 3:

使用计算器来求逆矩阵

下载PDF文件
  1. How.com.vn 中文: Step 1 选择一款具有矩阵功能的计算器。
    简单的4功能计算器无法帮助你直接求逆矩阵。然而,由于计算的重复性,德州仪器的TI-83或TI-86等高级图形计算器可以帮你大大减少运算。[8]
  2. How.com.vn 中文: Step 2 将矩阵输入计算器。
    首先,如果计算器上有Matrix键的话,按它就能进入计算器的Matrix功能。在德州仪器的计算器上,你可能需要按第二个Matrix键。
  3. How.com.vn 中文: Step 3 选择“编辑”子菜单。
    要找到该子菜单,你可能需要用箭头按钮或在计算器键盘的顶部选择适当的功能键,具体取决于计算器的布局。[9]
  4. How.com.vn 中文: Step 4 为你的矩阵选择一个名称。
    大多数计算器都可以处理3到10个矩阵,用字母A到J来标示。通常情况下,你只用选择[A]即可使用。选择后按输入键。[10]
  5. How.com.vn 中文: Step 5 输入矩阵的尺寸。
    本文主要讨论3x3矩阵。但是,计算器可以处理更大尺寸的矩阵。输入行数,然后按输入键,再输入列数,再按输入键。[11]
  6. How.com.vn 中文: Step 6 输入矩阵的每个元素。
    计算器屏幕将显示一个矩阵。如果你之前在使用矩阵功能,那么之前的矩阵会出现在屏幕上。光标将突出显示矩阵的第一个元素。输入你想求解的矩阵的数值,然后按Enter。光标会自动移动到矩阵的下一个元素,并覆盖之前的任何数字。[12]
    • 如果要输入负数,请使用计算器的负数按钮(-)而不是减号键。否则,矩阵功能将无法正确读取数字。
    • 如有必要,你可以使用计算器的箭头键在矩阵中移动。
  7. How.com.vn 中文: Step 7 退出矩阵功能。
    在输入了矩阵的所有数值后,按退出键(如果需要,按第2个退出键)。这样就会退出矩阵功能,回到计算器的主屏幕。[13]
  8. How.com.vn 中文: Step 8 使用逆向键来求逆矩阵。
    首先,重新打开矩阵功能,使用名称按钮来选择你用来定义矩阵的矩阵标签(可能是[A])。然后,按下计算器的逆向键。这一步可能需要使用第2个按钮,具体取决于你的计算器。这时候屏幕会显示。按输入键,屏幕上应该就出现逆矩阵。[14]
    • 不要使用计算器上的^键来尝试将A^-1作为单独的键盘输入。计算器将无法理解这种操作。
    • 如果你在按逆向键时收到错误信息,那就表示你的原矩阵很可能没有逆矩阵。你可能得通过计算行列式来求出答案。
  9. How.com.vn 中文: Step 9 将你的逆矩阵转换为精确的答案。
    计算器给你的第一个计算结果会是小数的。这在大多数情况下都被认为是不“精确”的。如有必要,你应将小数答案转换成分数形式。(如果你非常幸运,得到的所有结果都是整数,但这种情况很少见)。[15]
    • 您的计算器可能有一个自动将小数转换为分数的功能。例如,使用TI-86,进入数学功能,然后选择Misc,再选择Frac,然后输入。小数将自动显示为分数。你的计算器可能有自动将小数转换成分数的功能。例如,在TI-86上进入数学功能,然后选择Misc,再选择Frac,然后按Enter。这时候,小数就会被自动转换为分数。
  10. How.com.vn 中文: Step 10 大多数图形计算器也有方括号键(在TI-84上是第2+x和第2+-),可以用来输入矩阵而不用矩阵功能。...
    大多数图形计算器也有方括号键(在TI-84上是第2+x和第2+-),可以用来输入矩阵而不用矩阵功能。注意:在使用Enter/等号键后,计算器才会对矩阵进行格式化(即所有的内容都显示成一行,看起来不太美观)。
    广告

小提示

  • 你可以按照这些步骤来求一个不仅包含数字,而且还包含变量、未知数甚至代数表达式的矩阵的逆矩阵。
  • 把所有的步骤写下来,因为要在头脑中求出3x3矩阵的逆矩阵是非常困难的。
  • 有一些计算机程序可以为你求出逆矩阵[16],最多甚至可以求30x30的矩阵大小。
  • 无论选择哪种方法,都可以通过用M乘以M-1来检查结果是否正确。你应该能够验证M*M-1 = M-1*M = I 。其中I是单位矩阵,由主对角线上的1和其他地方的0组成。如果不是,那就说明你在某一步弄错了。
广告

警告

  • 并非所有的3x3矩阵都有逆矩阵。如果矩阵的行列式等于0,那它就没有逆矩阵。(请注意,在公式中我们要除以det(M)。除以零是行不通的)。
广告

相关How.com.vns

关于本How.com.vn

How.com.vn 中文: Mario Banuelos, PhD
共同创作者是 :
数学助理教授
这篇文章的共同创作者是 Mario Banuelos, PhD. Mario Banuelos是美国加州州立大学弗雷斯诺分校的数学助理教授。他拥有逾8年教学经验,擅长数学生物学、最优化、基因组进化的统计模型以及数据科学。Mario获得了加州州立大学弗雷斯诺分校的数学文科学士学位,以及加州大学默塞德分校的应用数学博士学位。他曾教过高中和大学水平的数学。 这篇文章已经被读过619,814次。
本页面已经被访问过619,814次。

这篇文章对你有帮助吗?

⚠️ Disclaimer:

Content from Wiki How 中文 language website. Text is available under the Creative Commons Attribution-Share Alike License; additional terms may apply.
Wiki How does not encourage the violation of any laws, and cannot be responsible for any violations of such laws, should you link to this domain, or use, reproduce, or republish the information contained herein.

Notices:
  • - A few of these subjects are frequently censored by educational, governmental, corporate, parental and other filtering schemes.
  • - Some articles may contain names, images, artworks or descriptions of events that some cultures restrict access to
  • - Please note: Wiki How does not give you opinion about the law, or advice about medical. If you need specific advice (for example, medical, legal, financial or risk management), please seek a professional who is licensed or knowledgeable in that area.
  • - Readers should not judge the importance of topics based on their coverage on Wiki How, nor think a topic is important just because it is the subject of a Wiki article.

广告