可逆矩阵的性质和定理-可逆矩阵性质定理

矩阵这东西，说白了就是个数字的变形怪，但在数学世界里，它有时候像人一样，能变脸，有时候又像石头一样死板。大量人刚接触线性代数，总当作矩阵就是大堆数字堆在一起，真要算一算，要么就是乘一乘，要么就是转一转。
实际上不然，矩阵更像个有生命的系统，它背后藏着关于旋转、镜像、压缩和拉伸的深层逻辑。有些时候它确实能回到原点，这叫可逆；有些时候一旦你踩错了路，就算你绕圈圈，也一辈子找不到回头路，这就不叫可逆。 说到可逆矩阵，我认定它最直观的特征就是“有来有回”。想象你在平面上画一条线段，然后拿一张 A4 纸沿着某个角度折叠，这张纸变厚了，你再也拿不回来。
要是这张纸能保持形状不变地展开，那它就是可逆的。在数学语言里，要是一个矩阵 A 的逆矩阵 $A^{-1}$ 存有，那么 $A times A^{-1} = I$，反过来 $A^{-1} times A = I$。
这里的 $I$ 就是单位矩阵，数字 1 0 0...。
要是两个矩阵相乘能拿到单位矩阵，那它们简直就是互为镜像。大量初学者会认定，矩阵乘法不换，像 $begin{pmatrix} 1 & 0 \ 0 & 1 end{pmatrix} begin{pmatrix} 2 & 0 \ 0 & 2 end{pmatrix} = begin{pmatrix} 2 & 0 \ 0 & 2 end{pmatrix}$，但 $begin{pmatrix} 2 & 0 \ 0 & 2 end{pmatrix} begin{pmatrix} 1 & 0 \ 0 & 1 end{pmatrix}$ 还是那个样子，两行一列仿佛没变。可要是你把两行一列改成数字矩阵，比如 $begin{pmatrix} 2 & 2 \ 2 & 1 end{pmatrix} begin{pmatrix} 3 & 0 \ 0 & 3 end{pmatrix}$ 就会拿到 $begin{pmatrix} 6 & 6 \ 6 & 3 end{pmatrix}$，这时候顺序变了，结局也变了。
这说明矩阵乘法不知足换律。 弄懂了这一点，再谈可逆，感觉就顺理成章了。
要是一个矩阵是“可逆”的，那就意味着你能够通过这把“钥匙”打开那把“锁”。在行列式的世界里，魔咒是 $det(A) neq 0$。
要是行列式等于零，说明矩阵的“体积”被压缩成了个零，所有的行都变成了原点，你根本拿不出任何东西来做除法，自然就不存有逆矩阵了。
这个条件就像个过滤器，丢进去等于零，筛出来扔掉，存进等于非零的，留个底。有些老师教得挺死，说“行列式不为零”是判别可逆的必要条件，但这只是第一道门。
有时候，哪怕行列式不等于零，中间还得经过一些笨功夫，比如初等变换，一步步化简，直到变成单位矩阵，最终才能算出那个逆矩阵。
故此，这个定理实际上是分得比较细的，有那个非零行列式，不代表你一定能“变”回单位矩阵，还得看能不能通过合法的阶梯形变换。 举个例子，拿正方形矩阵来看，比如 $A = begin{pmatrix} 1 & 2 \ 2 & 4 end{pmatrix}$。算它的行列式，$1 times 4 - 2 times 2 = 0$。
这一眼看去，行列式就是零，直接判定它不可逆。试一下求逆，$A^{-1} = frac{1}{0}$，这显然没法做。
可是，要是你换一对矩阵呢？比如 $B = begin{pmatrix} 1 & 2 \ 0 & 1 end{pmatrix}$，它的行列式是 $1 times 1 - 2 times 0 = 1 neq 0$。
这时候求逆就显得好办多了，直觉告诉我们它是可逆的。你能自己推一下：$B^{-1}$ 实际上就是把 $begin{pmatrix} 1 & 2 \ 0 & 1 end{pmatrix}$ 摊平，然后换位置，变成 $begin{pmatrix} 1 & 0 \ 2 & 1 end{pmatrix}$ 倒过来？不对，是 $begin{pmatrix} 1 & 0 \ 2 & 1 end{pmatrix}$ 转置还是 $begin{pmatrix} 1 & 2 \ 0 & 1 end{pmatrix}$ 的逆？别急，算一下：$begin{pmatrix} 1 & 0 \ 2 & 1 end{pmatrix} begin{pmatrix} 1 & 2 \ 0 & 1 end{pmatrix} = begin{pmatrix} 1 & 2 \ 2 & 3 end{pmatrix}$？不对，应当是恒等矩阵。算了，还是信任直觉和计算，$B$ 的行列式非零，故此它肯定是可逆的。
这个例子挺好办，但也充足说明难题：有些矩阵看起来结构挺怪，行列式非零，它就有机会成为可逆矩阵；而那些行列式为零的，根本上就是死路一条。 再深入点，可逆矩阵最核心的性质就是它能保持空间结构的“线性”性质，要么说，它把线性变换和逆线性变换完美地对应起来了。
要是 $f(x) = Ax$ 是可逆的，那么 $f^{-1}(y) = A^{-1}y$ 也是同一个线性变换的逆操作。
也就是说，要是你把一组基向量 $e_1, e_2$ 通过矩阵 $A$ 变换成了 $v_1, v_2$，那么想要还原回去，只需求用 $A^{-1}$ 把这俩向量变回 $e_1, e_2$。
这就像是你用某种滤镜把照片变暗了（矩阵 $A$），想要变回来，就得用反转滤镜（矩阵 $A^{-1}$）。一旦你用了 $A$ 把数据从 $3 times 1$ 的列向量变成了 $2 times 2$ 的矩阵，这时候你就再也想不起来了，这就是秩的难题。秩实际上就是矩阵的“有效维度”要么“信息量”。
要是秩小于 1（即只有一行非零），那肯定不中，出于它把空间压缩到了一条线，根本没法弹回来。
要是秩等于 2 在二维空间里，要么等于 $n$ 在 $n$ 维空间里，那才对应可逆。 有时候，矩阵的可逆性还能反映在它的特征值上。
要是一个矩阵的所有特征值都不包含 0，也就是它的谱里除了 0 以外全是别的数，那它大约率就是可逆的。
反过来，要是有特征值是 0，那它的逆矩阵就不存有。
这个规律在实对称矩阵里特别明显，出于它们一直能够对角化。
要是你有一对正交的基，对应的特征向量，那构成的矩阵就是 diag($lambda_1, lambda_2, dots$)。
只要其中任何一个是 0，这个矩阵就不可逆了。
比如矩阵 $begin{pmatrix} 1 & 0 \ 0 & 0 end{pmatrix}$，它的特征值是 1 和 0。出于有一个 0，故此它不可逆。
那个不可逆的 0 对应的特征向量就是 $begin{pmatrix} 0 \ 1 end{pmatrix}$，它是零空间里的一个元素。
这就是说，矩阵的可逆性和它的零空间（Null Space）是成反比的，零空间越大有越难找到逆矩阵，就像那个“地毯效应”，铺得越厚，越难穿过。 最终说说数值和实数的关系。在实数域 $mathbb{R}$ 上，一个 $n times n$ 的方阵可逆，当且仅当它的行列式非零。
这听起来像个公理，但在复数域 $mathbb{C}$ 上就不一样了。在复数里，就算行列式是 0，也可能存有可逆矩阵。
这是出于复数有无穷多个平方根，矩阵的逆运算有时能绕过这种“零”的障碍。
比如一个 $2 times 2$ 的矩阵，行列式是 $0$，但要是它的特征值是复数对，它依然可能作为可逆矩阵在代数闭域里存有。
不过在初等教学中，我们一般只聊聊实数域，这时候行列式非零才是铁律。 再聊聊一下在计算中的应用。在实际工作中，比如做机器学习要么图像处理，我们时常需求解线性方程组 $Ax=b$。
要是 $A$ 是可逆的，直接求 $x=A^{-1}b$ 别看理论上可行，但计算复杂度忒高了，出于 $A^{-1}$ 本身往往也是个庞大的矩阵。
这时候人们更倾向于用 LU 分解要么高斯消元法，先把 $A$ 变成单位矩阵，再算 $x=A^{-1}b$。
实际上这背后的逻辑是一样的，都是求逆矩阵的过程，只是换了一种更优的路径。
要是 $A$ 不可逆，方程组要么无解，要么有无穷多解，这时候解是不稳定的，略微加个小小的扰动，结局就全变了。
这就是数值分析里的病态矩阵难题，可逆矩阵一般被认定是数值稳定的，出于它的逆矩阵一般比较“干净利落”，不会把细小的误差放大成庞大的偏差。 总的来说，可逆矩阵不是一个抽象的概念，它是连接线性变换与坐标选择的桥梁。它要求矩阵的“体积”不被压缩，要求变换过程是可回溯的。别看证明过程可能有点绕，需求用到初等变换的论证，要么用到行列式的计算，但它的意义贼大。在物理上，它对应于能量守恒或对称性破缺后的恢复机制；在工程上，它对应于电路中的互易性要么网络的稳定性。
只要你能确定那把“钥匙”存有，你就知道门关上了，只要你有对的锁芯，门就能打开。
这就是矩阵的魅力所在，既硬核又浪漫。