Macierz nieosobliwa to macierz kwadratowa, której wyznacznik jest różny od zera. Oznacza to, że posiada dokładnie jedną macierz odwrotną, ma pełny rząd, a jej wiersze i kolumny są liniowo niezależne. Najprostszy sposób sprawdzenia nieosobliwości polega więc na obliczeniu:

[
\det(A).
]

Jeżeli:

[
\det(A)\neq 0,
]

macierz jest nieosobliwa. Równoważnie można sprawdzić jej rząd, wykonać eliminację Gaussa albo zbadać rozwiązania równania (Ax=0). Dla macierzy (n\times n) pełny zestaw (n) pivotów oznacza, że macierz jest odwracalna i nieosobliwa.

Co to jest macierz nieosobliwa?

Macierz (A) nazywa się nieosobliwą, gdy jest kwadratowa i spełnia warunek:

[
\det(A)\neq 0.
]

Przykładem jest macierz:

[
A=
\begin{bmatrix}
1&2\
3&4
\end{bmatrix}.
]

Jej wyznacznik wynosi:

[
\det(A)=1\cdot4-2\cdot3=4-6=-2.
]

Ponieważ:

[
-2\neq0,
]

macierz (A) jest nieosobliwa.

Pojęcie to jest równoważne odwracalności. O macierzy nieosobliwej można więc również powiedzieć, że jest:

• odwracalna,
• regularna,
• niezdegenerowana,
• macierzą pełnego rzędu.

W polskich materiałach matematycznych najczęściej spotyka się określenia „macierz nieosobliwa” i „macierz odwracalna”. W literaturze anglojęzycznej używa się nazw „nonsingular matrix” oraz „invertible matrix”.

Dla macierzy kwadratowej (A) stopnia (n) istnieje wtedy dokładnie jedna macierz (A^{-1}), która spełnia:

[
AA^{-1}=A^{-1}A=I_n,
]

gdzie (I_n) oznacza macierz jednostkową stopnia (n). Definicja odwracalności i warunek niezerowego wyznacznika są równoważne dla macierzy nad liczbami rzeczywistymi lub zespolonymi.

Czy macierz nieosobliwa musi być kwadratowa?

Tak. W standardowym ujęciu algebry liniowej pojęcie macierzy nieosobliwej odnosi się do macierzy kwadratowych, czyli mających tyle samo wierszy co kolumn.

Wynika to z dwóch powodów:

• wyznacznik definiuje się dla macierzy kwadratowych,
• klasyczna macierz odwrotna jest dwustronną odwrotnością macierzy kwadratowej.

Macierz prostokątna może mieć pełny rząd wierszowy albo kolumnowy, ale nie ma klasycznej dwustronnej odwrotności. Nie określa się jej więc zazwyczaj jako nieosobliwej.

Przykładowo macierz:

[
B=
\begin{bmatrix}
1&0&2\
0&1&3
\end{bmatrix}
]

ma wymiar (2\times3). Jej dwa wiersze są liniowo niezależne, dlatego ma pełny rząd wierszowy:

[
\operatorname{rank}(B)=2.
]

Nie jest jednak macierzą nieosobliwą w ścisłym znaczeniu, ponieważ nie jest kwadratowa i nie ma wyznacznika.

W odniesieniu do macierzy prostokątnych lepiej mówić o pełnym lub niepełnym rzędzie. Macierz kwadratowa jest natomiast nieosobliwa dokładnie wtedy, gdy jej rząd jest równy liczbie wierszy i kolumn.

Jak sprawdzić, czy macierz jest nieosobliwa?

Nieosobliwość można potwierdzić na kilka równoważnych sposobów. Wybór metody zależy od rozmiaru macierzy i rodzaju zadania.

Obliczenie wyznacznika

Najbardziej bezpośredni test ma postać:

[
\det(A)\neq0.
]

Jeżeli wyznacznik jest różny od zera, macierz jest nieosobliwa. Gdy wyznacznik wynosi zero, macierz jest osobliwa.

Metoda ta jest szczególnie wygodna w przypadku macierzy (2\times2) i (3\times3). Dla większych macierzy często łatwiejsza okazuje się eliminacja Gaussa.

Sprawdzenie rzędu

Dla macierzy (A) stopnia (n):

[
A\text{ jest nieosobliwa}
\quad\Longleftrightarrow\quad
\operatorname{rank}(A)=n.
]

Oznacza to, że macierz ma maksymalną możliwą liczbę liniowo niezależnych wierszy i kolumn.

Przykładowo macierz (4\times4) jest nieosobliwa, jeśli jej rząd wynosi 4. Gdy rząd wynosi 3 lub mniej, macierz jest osobliwa.

Eliminacja Gaussa

Macierz można sprowadzić do postaci schodkowej za pomocą operacji elementarnych na wierszach. Jeżeli powstaną pivoty w każdym wierszu i każdej kolumnie, macierz ma pełny rząd i jest nieosobliwa.

Jej zredukowana postać schodkowa będzie wtedy macierzą jednostkową:

[
\operatorname{RREF}(A)=I_n.
]

Jeżeli w postaci schodkowej pojawi się zerowy wiersz, liczba pivotów będzie mniejsza od (n), co oznacza osobliwość. Równoważność odwracalności, pełnego zestawu pivotów i zredukowanej postaci schodkowej równej (I_n) jest jednym z warunków twierdzenia o macierzy odwracalnej.

Sprawdzenie równania jednorodnego

Należy rozważyć równanie:

[
Ax=0.
]

Jeżeli jedynym rozwiązaniem jest:

[
x=0,
]

macierz kwadratowa (A) jest nieosobliwa.

Jeżeli istnieje przynajmniej jedno rozwiązanie niezerowe, kolumny macierzy są liniowo zależne, a macierz jest osobliwa.

Sprawdzenie wartości własnych

Macierz jest nieosobliwa wtedy i tylko wtedy, gdy żadna z jej wartości własnych nie jest równa zero.

Jeżeli liczby:

[
\lambda_1,\lambda_2,\ldots,\lambda_n
]

są wartościami własnymi macierzy (A), to:

[
\det(A)=\lambda_1\lambda_2\cdots\lambda_n.
]

Wystąpienie wartości własnej równej zero powoduje wyzerowanie iloczynu, a więc osobliwość macierzy.

Sprawdzenie wartości osobliwych

W obliczeniach numerycznych można wykorzystać rozkład SVD. Kwadratowa macierz jest nieosobliwa, gdy wszystkie jej wartości osobliwe są dodatnie.

Jeżeli najmniejsza wartość osobliwa wynosi zero, macierz jest osobliwa. Jeżeli jest bardzo mała w porównaniu z największą, macierz może być formalnie odwracalna, lecz źle uwarunkowana.

Warunki równoważne nieosobliwości macierzy

Dla kwadratowej macierzy (A) stopnia (n) następujące stwierdzenia są równoważne:

1. (A) jest nieosobliwa.
2. (A) jest odwracalna.
3. (\det(A)\neq0).
4. (\operatorname{rank}(A)=n).
5. Macierz ma (n) pivotów.
6. Zredukowana postać schodkowa (A) jest równa (I_n).
7. Kolumny macierzy są liniowo niezależne.
8. Wiersze macierzy są liniowo niezależne.
9. Kolumny macierzy tworzą bazę przestrzeni (\mathbb{R}^n).
10. Równanie (Ax=0) ma wyłącznie rozwiązanie zerowe.
11. Równanie (Ax=b) ma dokładnie jedno rozwiązanie dla każdego (b\in\mathbb{R}^n).
12. Przekształcenie (x\mapsto Ax) jest różnowartościowe.
13. Przekształcenie (x\mapsto Ax) jest „na” (\mathbb{R}^n).
14. Zero nie jest wartością własną macierzy.
15. Wszystkie wartości osobliwe macierzy są dodatnie.

Wystarczy potwierdzić jeden z tych warunków, aby wnioskować, że pozostałe również są spełnione. Jest to praktycznie użyteczne, ponieważ w jednym zadaniu najłatwiej obliczyć wyznacznik, a w innym szybciej zauważyć niezależność kolumn albo pełny zestaw pivotów.

Jak sprawdzić macierz nieosobliwą 2 × 2?

Dla macierzy:

[
A=
\begin{bmatrix}
a&b\
c&d
\end{bmatrix}
]

wyznacznik ma postać:

[
\det(A)=ad-bc.
]

Macierz jest nieosobliwa, jeżeli:

[
ad-bc\neq0.
]

Przykład macierzy nieosobliwej

Rozważmy:

[
A=
\begin{bmatrix}
2&3\
1&4
\end{bmatrix}.
]

Obliczamy wyznacznik:

[
\det(A)=2\cdot4-3\cdot1=8-3=5.
]

Ponieważ:

[
5\neq0,
]

macierz jest nieosobliwa.

Można również wyznaczyć jej odwrotność:

[
A^{-1}

\frac{1}{5}
\begin{bmatrix}
4&-3\
-1&2
\end{bmatrix}.
]

Sprawdzenie polega na pomnożeniu:

[
AA^{-1}=
\begin{bmatrix}
1&0\
0&1
\end{bmatrix}.
]

Przykład macierzy osobliwej

Dla porównania weźmy:

[
B=
\begin{bmatrix}
2&4\
1&2
\end{bmatrix}.
]

Jej wyznacznik wynosi:

[
\det(B)=2\cdot2-4\cdot1=0.
]

Macierz nie jest nieosobliwa. Druga kolumna jest dwukrotnością pierwszej, dlatego kolumny są liniowo zależne.

Jak sprawdzić macierz nieosobliwą 3 × 3?

Rozważmy macierz:

[
A=
\begin{bmatrix}
1&2&0\
0&1&3\
2&1&1
\end{bmatrix}.
]

Obliczamy wyznacznik przez rozwinięcie względem pierwszego wiersza:

[
\det(A)

1\cdot
\begin{vmatrix}
1&3\
1&1
\end{vmatrix}

2\cdot
\begin{vmatrix}
0&3\
2&1
\end{vmatrix}.
]

Pierwszy minor wynosi:

[
1\cdot1-3\cdot1=-2.
]

Drugi minor:

[
0\cdot1-3\cdot2=-6.
]

Zatem:

[
\det(A)=-2-2(-6)=-2+12=10.
]

Ponieważ:

[
10\neq0,
]

macierz jest nieosobliwa.

Można wyciągnąć z tego kilka dodatkowych wniosków:

[
\operatorname{rank}(A)=3,
]

[
A^{-1}\text{ istnieje},
]

równanie (Ax=b) ma dokładnie jedno rozwiązanie dla każdego (b\in\mathbb{R}^3), a zero nie jest wartością własną macierzy.

Jak sprawdzić nieosobliwość metodą Gaussa?

Rozważmy macierz:

[
A=
\begin{bmatrix}
1&2&1\
0&1&3\
2&5&7
\end{bmatrix}.
]

Wykonujemy operację:

[
W_3\leftarrow W_3-2W_1.
]

Otrzymujemy:

[
\begin{bmatrix}
1&2&1\
0&1&3\
0&1&5
\end{bmatrix}.
]

Następnie:

[
W_3\leftarrow W_3-W_2.
]

Macierz przyjmuje postać:

[
\begin{bmatrix}
1&2&1\
0&1&3\
0&0&2
\end{bmatrix}.
]

Występują trzy niezerowe pivoty:

[
1,\quad1,\quad2.
]

Macierz ma więc pełny rząd:

[
\operatorname{rank}(A)=3.
]

Jest nieosobliwa.

W przypadku macierzy trójkątnej wyznacznik jest iloczynem elementów znajdujących się na głównej przekątnej. Dla otrzymanej macierzy:

[
\det(A)=1\cdot1\cdot2=2.
]

Operacja dodania wielokrotności jednego wiersza do drugiego nie zmienia wyznacznika, dlatego jest to również wyznacznik macierzy wyjściowej.

Macierz nieosobliwa z parametrem

W zadaniach z parametrem należy znaleźć wartości, dla których wyznacznik jest różny od zera.

Rozważmy:

[
A(t)=
\begin{bmatrix}
t&1\
2&t
\end{bmatrix}.
]

Wyznacznik wynosi:

[
\det A(t)=t^2-2.
]

Macierz jest nieosobliwa, gdy:

[
t^2-2\neq0.
]

Równanie:

[
t^2-2=0
]

ma rozwiązania:

[
t=\sqrt{2}
]

oraz:

[
t=-\sqrt{2}.
]

Ostatecznie:

[
A(t)\text{ jest nieosobliwa dla }
t\neq\sqrt{2}
\quad\text{i}\quad
t\neq-\sqrt{2}.
]

Dla dwóch wykluczonych wartości wyznacznik wynosi zero, więc macierz staje się osobliwa.

Schemat rozwiązywania zadań z parametrem

Najbezpieczniej postępować według następującej kolejności:

1. obliczyć wyznacznik macierzy,
2. zapisać go jako wyrażenie zależne od parametru,
3. rozwiązać równanie (\det(A)=0),
4. wykluczyć otrzymane wartości,
5. zapisać przedział lub zbiór wartości, dla których (\det(A)\neq0).

Jeżeli zadanie dotyczy kilku parametrów, warunek nieosobliwości może opisywać prostą, krzywą albo bardziej złożony zbiór wartości.

Macierz nieosobliwa a macierz odwrotna

Najważniejszą konsekwencją nieosobliwości jest istnienie macierzy odwrotnej.

Dla macierzy (A) istnieje dokładnie jedna macierz (A^{-1}), taka że:

[
AA^{-1}=A^{-1}A=I.
]

Odwrotność można rozumieć jako działanie cofające przekształcenie wykonywane przez macierz (A). Jeżeli:

[
y=Ax,
]

to po pomnożeniu przez (A^{-1}) otrzymujemy:

[
A^{-1}y=A^{-1}Ax=Ix=x.
]

Macierz odwrotna pozwala więc odzyskać wektor wejściowy z wyniku przekształcenia.

Wzór dla macierzy 2 × 2

Dla:

[
A=
\begin{bmatrix}
a&b\
c&d
\end{bmatrix}
]

odwrotność ma postać:

[
A^{-1}

\frac{1}{ad-bc}
\begin{bmatrix}
d&-b\
-c&a
\end{bmatrix}.
]

Wzór można zastosować tylko wtedy, gdy:

[
ad-bc\neq0.
]

Jest to dokładnie warunek nieosobliwości.

Wyznaczanie odwrotności metodą Gaussa-Jordana

Do macierzy (A) dołącza się macierz jednostkową:

[
[A\mid I].
]

Następnie wykonuje się operacje elementarne, aż lewa część stanie się macierzą jednostkową:

[
[A\mid I]\longrightarrow[I\mid A^{-1}].
]

Jeżeli nie można uzyskać (I) po lewej stronie, macierz nie ma pełnego zestawu pivotów i jest osobliwa. Jeżeli redukcja prowadzi do ([I\mid B]), macierz (B) jest odwrotnością (A).

Czy macierz odwrotna jest zawsze jednoznaczna?

Tak. Macierz nieosobliwa ma dokładnie jedną odwrotność.

Załóżmy, że macierze (B) i (C) są odwrotnościami macierzy (A). Wtedy:

[
BA=I
]

oraz:

[
AC=I.
]

Można zapisać:

[
B=BI=B(AC)=(BA)C=IC=C.
]

Otrzymujemy:

[
B=C.
]

Nie mogą więc istnieć dwie różne macierze odwrotne do tej samej macierzy.

Macierz nieosobliwa a rząd macierzy

Rząd macierzy określa liczbę liniowo niezależnych wierszy lub kolumn.

Dla kwadratowej macierzy (A) stopnia (n):

[
A\text{ jest nieosobliwa}
\quad\Longleftrightarrow\quad
\operatorname{rank}(A)=n.
]

Przykładowo:

• nieosobliwa macierz (2\times2) ma rząd 2,
• nieosobliwa macierz (3\times3) ma rząd 3,
• nieosobliwa macierz (5\times5) ma rząd 5.

Pełny rząd oznacza, że żaden wiersz nie jest kombinacją liniową pozostałych. Taka sama zależność zachodzi między kolumnami.

Jeżeli choć jeden wiersz lub jedna kolumna zależy od pozostałych, rząd spada poniżej (n), a macierz staje się osobliwa.

Macierz nieosobliwa a liniowa niezależność

Kolumny nieosobliwej macierzy (A) stopnia (n) tworzą bazę przestrzeni (\mathbb{R}^n).

Oznacza to, że:

• są liniowo niezależne,
• generują całą przestrzeń,
• każdy wektor (b\in\mathbb{R}^n) można jednoznacznie zapisać jako ich kombinację liniową.

Jeżeli kolumny macierzy oznaczymy jako:

[
a_1,a_2,\ldots,a_n,
]

to równanie:

[
x_1a_1+x_2a_2+\ldots+x_na_n=b
]

ma dokładnie jeden zestaw współczynników:

[
x_1,x_2,\ldots,x_n.
]

Jest to równoważne jednoznacznej rozwiązywalności równania:

[
Ax=b.
]

Dla równania jednorodnego:

[
Ax=0
]

jedynym rozwiązaniem jest wektor zerowy. Gdyby istniał niezerowy wektor (x) spełniający (Ax=0), kolumny byłyby liniowo zależne, a macierz nie byłaby odwracalna.

Macierz nieosobliwa w układach równań

Układ (n) równań liniowych z (n) niewiadomymi można zapisać jako:

[
Ax=b.
]

Jeżeli macierz współczynników (A) jest nieosobliwa, układ ma dokładnie jedno rozwiązanie dla każdego wektora (b).

Rozwiązanie można formalnie zapisać:

[
x=A^{-1}b.
]

Nie oznacza to jednak, że w praktycznych obliczeniach zawsze należy najpierw obliczać (A^{-1}). Przy większych układach zwykle bardziej efektywne są eliminacja Gaussa, rozkład LU lub wyspecjalizowany algorytm rozwiązywania układów. Materiały MIT podkreślają, że przy rozwiązywaniu (Ax=b) eliminacja jest zazwyczaj lepsza niż jawne obliczanie odwrotności.

Przykład układu z jednym rozwiązaniem

Rozważmy:

[
\begin{cases}
2x+y=5,\
x-y=1.
\end{cases}
]

Macierz współczynników ma postać:

[
A=
\begin{bmatrix}
2&1\
1&-1
\end{bmatrix}.
]

Jej wyznacznik wynosi:

[
\det(A)=2\cdot(-1)-1\cdot1=-3.
]

Ponieważ:

[
-3\neq0,
]

macierz jest nieosobliwa, a układ ma dokładnie jedno rozwiązanie.

Z drugiego równania:

[
x=1+y.
]

Po podstawieniu do pierwszego:

[
2(1+y)+y=5,
]

[
2+3y=5,
]

[
y=1.
]

Zatem:

[
x=2.
]

Jedynym rozwiązaniem jest:

[
(x,y)=(2,1).
]

Macierz nieosobliwa a reguła Cramera

Regułę Cramera można stosować do układu:

[
Ax=b
]

wtedy, gdy macierz (A) jest kwadratowa i:

[
\det(A)\neq0.
]

Rozwiązanie każdej niewiadomej ma postać:

[
x_i=\frac{\det(A_i)}{\det(A)},
]

gdzie (A_i) powstaje przez zastąpienie (i)-tej kolumny macierzy (A) wektorem wyrazów wolnych.

Niezerowy wyznacznik jest niezbędny, ponieważ znajduje się w mianowniku każdego wzoru. Reguła Cramera jest wygodna w małych zadaniach teoretycznych, ale przy dużych układach nie jest zwykle najefektywniejszym sposobem obliczeń.

Geometryczna interpretacja macierzy nieosobliwej

Macierz kwadratowa opisuje przekształcenie liniowe:

[
T(x)=Ax.
]

Jeżeli macierz jest nieosobliwa, przekształcenie:

• nie zmniejsza wymiaru przestrzeni,
• nie zgniata płaszczyzny do prostej,
• nie zgniata przestrzeni trójwymiarowej do płaszczyzny,
• nie przekształca dwóch różnych wektorów w ten sam wynik,
• można jednoznacznie odwrócić.

Wartość bezwzględna wyznacznika informuje o współczynniku zmiany pola lub objętości.

Jeżeli:

[
|\det(A)|=2,
]

pole w przestrzeni dwuwymiarowej albo objętość w przestrzeni trójwymiarowej zostaje pomnożona przez 2.

Jeżeli:

[
|\det(A)|=\frac{1}{2},
]

zostaje zmniejszona dwukrotnie.

Warunek:

[
\det(A)\neq0
]

oznacza, że pole lub objętość nie zostają zredukowane do zera. Przekształcenie zachowuje pełny wymiar, choć może obracać, odbijać, ścinać lub skalować obiekty. Związek wyznacznika z objętością i odwracalnością jest jednym z podstawowych geometrycznych znaczeń tej wielkości.

Macierz nieosobliwa a wartości własne

Jeżeli:

[
Av=\lambda v,
]

gdzie (v\neq0), liczba (\lambda) jest wartością własną macierzy (A).

Macierz jest nieosobliwa dokładnie wtedy, gdy:

[
\lambda\neq0
]

dla każdej jej wartości własnej.

Gdyby (\lambda=0), otrzymalibyśmy:

[
Av=0
]

dla niezerowego wektora (v). Oznaczałoby to, że jądro macierzy zawiera wektor niezerowy, a macierz jest osobliwa.

Wartości własne macierzy odwrotnej są odwrotnościami wartości własnych macierzy wyjściowej:

[
\lambda_i(A^{-1})=\frac{1}{\lambda_i(A)}.
]

Zależność ta ma sens tylko wtedy, gdy żadna wartość własna nie jest zerowa.

Najważniejsze właściwości macierzy nieosobliwych

Odwrotność iloczynu

Jeżeli (A) i (B) są nieosobliwe i mają zgodne wymiary, ich iloczyn również jest nieosobliwy:

[
AB\text{ jest nieosobliwa}.
]

Odwrotność iloczynu ma postać:

[
(AB)^{-1}=B^{-1}A^{-1}.
]

Kolejność czynników zostaje odwrócona.

Sprawdzenie:

[
(AB)(B^{-1}A^{-1})

A(BB^{-1})A^{-1}

AIA^{-1}

AA^{-1}

I.
]

Odwrotność transpozycji

Jeżeli (A) jest nieosobliwa, jej transpozycja również jest nieosobliwa:

[
(A^T)^{-1}=(A^{-1})^T.
]

Wynika to także z zależności:

[
\det(A^T)=\det(A).
]

Niezerowy wyznacznik pozostaje więc niezerowy po transpozycji.

Wyznacznik macierzy odwrotnej

Dla macierzy nieosobliwej:

[
\det(A^{-1})=\frac{1}{\det(A)}.
]

Ponieważ wyznacznik (A) jest niezerowy, dzielenie jest wykonalne.

Potęgi macierzy

Jeżeli (A) jest nieosobliwa, każda jej dodatnia potęga także jest nieosobliwa:

[
A^k=A\cdot A\cdots A.
]

Jej odwrotność wynosi:

[
(A^k)^{-1}=(A^{-1})^k.
]

Można również definiować potęgi ujemne:

[
A^{-k}=(A^{-1})^k.
]

Niezerowa wielokrotność skalarna

Jeżeli (A) jest macierzą nieosobliwą stopnia (n), a (c\neq0), to (cA) również jest nieosobliwa:

[
\det(cA)=c^n\det(A).
]

Iloczyn dwóch niezerowych liczb jest różny od zera.

Odwrotność wynosi:

[
(cA)^{-1}=\frac{1}{c}A^{-1}.
]

Podobieństwo zachowuje nieosobliwość

Jeżeli:

[
B=P^{-1}AP,
]

gdzie (P) jest nieosobliwa, macierze (A) i (B) są podobne.

Wtedy:

[
\det(B)

\det(P^{-1})\det(A)\det(P)

\det(A).
]

Macierze podobne są więc jednocześnie nieosobliwe albo jednocześnie osobliwe. Mają również te same wartości własne.

Suma nie musi być nieosobliwa

Suma dwóch macierzy nieosobliwych może być osobliwa.

Przykład:

[
A=I,
\qquad
B=-I.
]

Obie macierze są nieosobliwe, ale:

[
A+B=I-I=0.
]

Macierz zerowa jest osobliwa.

Nie istnieje zatem ogólna reguła mówiąca, że suma macierzy odwracalnych pozostaje odwracalna.

Odwrotność sumy nie jest sumą odwrotności

Na ogół:

[
(A+B)^{-1}\neq A^{-1}+B^{-1}.
]

Prawa strona może być określona, mimo że (A+B) jest osobliwa, albo obie strony mogą istnieć, lecz dawać inne wyniki.

Szczególne rodzaje macierzy nieosobliwych

Macierz jednostkowa

Macierz jednostkowa (I_n) jest zawsze nieosobliwa:

[
\det(I_n)=1.
]

Jej odwrotnością jest ona sama:

[
I_n^{-1}=I_n.
]

Macierz diagonalna

Macierz diagonalna:

[
D=
\begin{bmatrix}
d_1&0&\cdots&0\
0&d_2&\cdots&0\
\vdots&\vdots&\ddots&\vdots\
0&0&\cdots&d_n
\end{bmatrix}
]

jest nieosobliwa wtedy i tylko wtedy, gdy wszystkie elementy na głównej przekątnej są różne od zera:

[
d_i\neq0.
]

Jej wyznacznik wynosi:

[
\det(D)=d_1d_2\cdots d_n.
]

Odwrotność otrzymuje się przez zastąpienie każdego elementu (d_i) liczbą (1/d_i).

Macierz trójkątna

Macierz górno- lub dolnotrójkątna jest nieosobliwa, jeśli żaden element na głównej przekątnej nie jest równy zero.

Wyznacznik macierzy trójkątnej jest iloczynem elementów diagonalnych, dlatego wystarczy sprawdzić:

[
a_{11}a_{22}\cdots a_{nn}\neq0.
]

Macierz ortogonalna

Dla rzeczywistej macierzy ortogonalnej:

[
Q^TQ=I.
]

Wynika z tego:

[
Q^{-1}=Q^T.
]

Każda macierz ortogonalna jest więc nieosobliwa. Jej wyznacznik wynosi (1) albo (-1).

Macierz dodatnio określona

Rzeczywista symetryczna macierz dodatnio określona spełnia:

[
x^TAx>0
]

dla każdego niezerowego wektora (x).

Taka macierz jest nieosobliwa. Gdyby istniał niezerowy wektor (x) spełniający (Ax=0), otrzymalibyśmy:

[
x^TAx=0,
]

co przeczyłoby dodatniej określoności. NIST wskazuje nieosobliwość jako jedną z podstawowych własności macierzy dodatnio określonych.

Macierz permutacji

Macierz permutacji powstaje przez przestawienie wierszy lub kolumn macierzy jednostkowej.

Ma dokładnie jedną jedynkę w każdym wierszu i każdej kolumnie. Jest zawsze nieosobliwa, a jej odwrotność jest równa transpozycji:

[
P^{-1}=P^T.
]

Jej wyznacznik wynosi (1) albo (-1), zależnie od parzystości permutacji.

Macierz nieosobliwa a osobliwa – porównanie

Cecha	Macierz nieosobliwa	Macierz osobliwa
Kształt	Kwadratowa	Kwadratowa
Wyznacznik	Różny od zera	Równy zero
Macierz odwrotna	Istnieje	Nie istnieje
Rząd macierzy (n\times n)	Równy (n)	Mniejszy niż (n)
Kolumny	Liniowo niezależne	Liniowo zależne
Wiersze	Liniowo niezależne	Liniowo zależne
Równanie (Ax=0)	Tylko (x=0)	Ma rozwiązanie niezerowe
Układ (Ax=b)	Jedno rozwiązanie dla każdego (b)	Brak lub nieskończenie wiele rozwiązań
Liczba pivotów	(n)	Mniej niż (n)
RREF	(I_n)	Nie jest równa (I_n)
Wartość własna 0	Nie występuje	Występuje
Przekształcenie	Odwracalne	Nieodwracalne

Macierz nieosobliwa nie zawsze jest dobrze uwarunkowana

Nieosobliwość jest pojęciem dokładnym: wyznacznik jest równy zero albo nie. Nie mówi jednak, czy obliczenia wykonywane na macierzy będą stabilne numerycznie.

Macierz może być formalnie nieosobliwa, ale bardzo bliska osobliwości. Nazywa się ją wtedy źle uwarunkowaną.

Rozważmy:

[
A=
\begin{bmatrix}
1&1\
1&1.000000001
\end{bmatrix}.
]

Wyznacznik wynosi:

[
\det(A)=0.000000001.
]

Jest różny od zera, więc macierz jest nieosobliwa. Jej kolumny są jednak niemal liniowo zależne. Niewielka zmiana danych może wtedy spowodować dużą zmianę rozwiązania układu.

Liczba uwarunkowania

Do oceny wrażliwości macierzy służy liczba uwarunkowania:

[
\kappa(A)=|A||A^{-1}|.
]

W normie spektralnej można ją również zapisać jako stosunek największej wartości osobliwej do najmniejszej:

[
\kappa_2(A)=\frac{\sigma_{\max}}{\sigma_{\min}}.
]

Wartość bliska 1 oznacza dobre uwarunkowanie. Bardzo duża wartość wskazuje, że błędy danych lub zaokrągleń mogą zostać silnie wzmocnione.

Dla macierzy dokładnie osobliwej najmniejsza wartość osobliwa wynosi zero, a liczba uwarunkowania jest nieskończona.

Mały wyznacznik nie jest wystarczającym testem

Bardzo mały wyznacznik nie zawsze oznacza złe uwarunkowanie. Jego wielkość zależy również od skali macierzy.

Przykład:

[
B=
\begin{bmatrix}
0.001&0\
0&0.001
\end{bmatrix}.
]

Wyznacznik wynosi:

[
\det(B)=0.000001.
]

Mimo małej wartości macierz jest dobrze uwarunkowana, ponieważ oba kierunki są skalowane jednakowo. Jej liczba uwarunkowania w normie spektralnej wynosi 1.

W analizie numerycznej lepiej oceniać wartości osobliwe i liczbę uwarunkowania niż opierać się wyłącznie na wielkości wyznacznika. NumPy udostępnia osobne funkcje do obliczania rzędu, liczby uwarunkowania, wyznacznika i odwrotności.

Jak sprawdzić nieosobliwość macierzy w Pythonie?

W bibliotece NumPy można obliczyć wyznacznik, rząd i liczbę uwarunkowania:

import numpy as np

A = np.array([
    [2.0, 3.0],
    [1.0, 4.0]
])

wyznacznik = np.linalg.det(A)
rzad = np.linalg.matrix_rank(A)
uwarunkowanie = np.linalg.cond(A)

print("Wyznacznik:", wyznacznik)
print("Rząd:", rzad)
print("Liczba uwarunkowania:", uwarunkowanie)

Dla macierzy (2\times2) oczekujemy pełnego rzędu:

czy_nieosobliwa = np.linalg.matrix_rank(A) == A.shape[0]

Można też spróbować obliczyć odwrotność:

try:
    A_odwrotna = np.linalg.inv(A)
    print(A_odwrotna)
except np.linalg.LinAlgError:
    print("Macierz nie jest odwracalna.")

Funkcja numpy.linalg.inv oblicza macierz spełniającą (AA^{-1}=A^{-1}A=I). Gdy odwrócenie się nie powiedzie, może zgłosić błąd LinAlgError. Dokumentacja zwraca jednocześnie uwagę, że macierz źle uwarunkowana może zostać formalnie odwrócona, lecz wynik może być niedokładny.

Przy danych zmiennoprzecinkowych nie należy opierać testu wyłącznie na warunku:

np.linalg.det(A) != 0

Lepsze jest sprawdzenie rzędu z tolerancją albo najmniejszej wartości osobliwej w odniesieniu do skali danych.

Jak sprawdzić nieosobliwość macierzy w Excelu?

W Excelu można wykorzystać funkcję obliczającą wyznacznik macierzy. Jeżeli jej wynik jest różny od zera, macierz jest nieosobliwa.

Macierz odwrotną można natomiast wyznaczyć za pomocą funkcji MACIERZ.ODW. Wynik powinien spełniać warunek:

[
AA^{-1}=I.
]

Arkusze kalkulacyjne wykonują obliczenia z ograniczoną precyzją. W przypadku danych zmiennoprzecinkowych wynik bardzo bliski zeru nie zawsze powinien być interpretowany jako dokładne zero, a otrzymany iloczyn macierzy i jej odwrotności może zawierać niewielkie błędy zaokrągleń. Microsoft wskazuje, że funkcja odwracania macierzy działa z precyzją ograniczoną przez arytmetykę numeryczną arkusza.

Do czego wykorzystuje się macierze nieosobliwe?

Rozwiązywanie układów równań

Nieosobliwa macierz współczynników gwarantuje istnienie dokładnie jednego rozwiązania układu (Ax=b) dla każdego wektora (b).

Zmiana układu współrzędnych

Macierz przejścia między dwiema bazami musi być nieosobliwa. Jej kolumny reprezentują wektory nowej bazy, które muszą być liniowo niezależne.

Macierz odwrotna pozwala przejść z powrotem do poprzedniego układu współrzędnych.

Grafika komputerowa

Odwracalne transformacje umożliwiają cofnięcie obrotu, skalowania, ścinania i innych przekształceń. Skalowanie przez niezerowe współczynniki jest odwracalne, natomiast wyzerowanie jednego wymiaru prowadzi do macierzy osobliwej.

Kryptografia

Niektóre szyfry macierzowe wymagają macierzy odwracalnej w odpowiednim systemie modularnym. Odwracalność umożliwia odszyfrowanie danych.

W arytmetyce modularnej warunek jest inny niż nad liczbami rzeczywistymi: wyznacznik musi mieć odwrotność modulo daną liczbę, a nie tylko być różny od zera.

Modele ekonomiczne i techniczne

Macierze nieosobliwe pozwalają jednoznacznie rozwiązywać modele opisujące zależności między wieloma zmiennymi.

Analiza danych

Pełny rząd kolumn oznacza brak dokładnej liniowej zależności między zmiennymi. Jest to istotne między innymi w modelach regresji oraz metodach najmniejszych kwadratów.

Dla macierzy (X) o liniowo niezależnych kolumnach macierz:

[
X^TX
]

jest nieosobliwa. Umożliwia to zapisanie jednoznacznego rozwiązania klasycznego problemu najmniejszych kwadratów.

Najczęstsze błędy dotyczące macierzy nieosobliwej

Mylenie nieosobliwości z brakiem zer

Macierz może zawierać wiele zer i nadal być nieosobliwa.

Przykład:

[
A=
\begin{bmatrix}
2&0\
0&3
\end{bmatrix}.
]

Wyznacznik wynosi:

[
\det(A)=6.
]

Macierz jest nieosobliwa.

Z drugiej strony macierz bez ani jednego zera może być osobliwa:

[
B=
\begin{bmatrix}
1&2\
2&4
\end{bmatrix}.
]

Sprawdzanie tylko głównej przekątnej

Dla macierzy diagonalnych i trójkątnych niezerowe elementy głównej przekątnej gwarantują nieosobliwość. Nie można jednak stosować tego uproszczenia do każdej macierzy.

Macierz:

[
\begin{bmatrix}
0&1\
1&0
\end{bmatrix}
]

ma zera na głównej przekątnej, ale jej wyznacznik wynosi (-1). Jest nieosobliwa.

Założenie, że niezerowe wiersze są niezależne

Wiersz może być niezerowy, a mimo to zależny od pozostałych.

W macierzy:

[
\begin{bmatrix}
1&2\
2&4
\end{bmatrix}
]

oba wiersze są niezerowe, ale drugi jest dwukrotnością pierwszego.

Mylenie pełnego rzędu macierzy prostokątnej z nieosobliwością

Macierz (2\times3) może mieć pełny rząd równy 2, lecz nie jest macierzą nieosobliwą w ścisłym znaczeniu. Termin ten dotyczy macierzy kwadratowych.

Obliczanie odwrotności przed sprawdzeniem wyznacznika

Przy małej macierzy warto najpierw sprawdzić wyznacznik. Jeżeli wynosi zero, obliczanie odwrotności jest niemożliwe.

Uznawanie małego wyznacznika za dowód osobliwości

Formalnie każdy wyznacznik różny od zera oznacza nieosobliwość. W obliczeniach numerycznych trzeba jednak osobno ocenić uwarunkowanie i błędy zaokrągleń.

Założenie, że suma macierzy nieosobliwych jest nieosobliwa

Taka własność nie obowiązuje. Macierze (I) i (-I) są nieosobliwe, lecz ich suma jest macierzą zerową.

Nieprawidłowa kolejność odwrotności iloczynu

Prawidłowy wzór to:

[
(AB)^{-1}=B^{-1}A^{-1},
]

a nie:

[
(AB)^{-1}=A^{-1}B^{-1}.
]

Kolejność czynników musi zostać odwrócona.

Jak najszybciej rozpoznać macierz nieosobliwą?

Najlepsza metoda zależy od postaci macierzy:

Rodzaj zadania	Najwygodniejszy test
Macierz (2\times2)	Sprawdzenie (ad-bc\neq0)
Macierz (3\times3)	Wyznacznik lub eliminacja Gaussa
Macierz trójkątna	Sprawdzenie elementów przekątnej
Macierz diagonalna	Wszystkie elementy przekątnej różne od zera
Macierz z parametrem	Rozwiązanie warunku (\det(A)\neq0)
Duża macierz	Eliminacja Gaussa lub rozkład numeryczny
Zadanie o układzie równań	Pełny rząd i liczba pivotów
Zadanie o wartościach własnych	Brak wartości własnej 0
Obliczenia komputerowe	SVD, rząd i liczba uwarunkowania

Przy małych macierzach wyznacznik jest zwykle najszybszy. Przy większych macierzach redukcja wierszowa pozwala jednocześnie sprawdzić rząd, znaleźć pivoty i przygotować rozwiązanie układu równań.

Macierz nieosobliwa – najważniejsze informacje

Macierz nieosobliwa to macierz kwadratowa o wyznaczniku różnym od zera:

[
\det(A)\neq0.
]

Ma dokładnie jedną macierz odwrotną, pełny rząd i liniowo niezależne wiersze oraz kolumny. Jej zredukowana postać schodkowa jest macierzą jednostkową, równanie (Ax=0) ma tylko rozwiązanie zerowe, a układ (Ax=b) ma dokładnie jedno rozwiązanie dla każdego wektora (b).

Nieosobliwość można sprawdzić przez wyznacznik, eliminację Gaussa, rząd, wartości własne lub wartości osobliwe. Należy przy tym odróżnić macierz nieosobliwą od macierzy dobrze uwarunkowanej: formalna odwracalność nie zawsze gwarantuje stabilne obliczenia numeryczne.

FAQ

Co to jest macierz nieosobliwa?

Macierz nieosobliwa to macierz kwadratowa, której wyznacznik jest różny od zera. Ma pełny rząd, liniowo niezależne wiersze i kolumny oraz dokładnie jedną macierz odwrotną. Równanie (Ax=0) ma dla niej wyłącznie rozwiązanie zerowe, a układ (Ax=b) – jedno rozwiązanie dla każdego (b).

Jak sprawdzić, czy macierz jest nieosobliwa?

Najprościej obliczyć wyznacznik. Jeżeli (\det(A)\neq0), macierz jest nieosobliwa. Można także sprowadzić ją do postaci schodkowej. Macierz kwadratowa stopnia (n) jest nieosobliwa, gdy ma (n) pivotów, pełny rząd i zredukowaną postać schodkową równą macierzy jednostkowej.

Czy każda macierz nieosobliwa ma macierz odwrotną?

Tak. Nieosobliwość i odwracalność są równoważne. Dla macierzy nieosobliwej (A) istnieje dokładnie jedna macierz (A^{-1}), taka że (AA^{-1}=A^{-1}A=I). Gdy wyznacznik macierzy wynosi zero, odwrotność nie istnieje, ponieważ jej wzór wymagałby dzielenia przez zero.

Czy macierz prostokątna może być nieosobliwa?

W ścisłym znaczeniu nie. Pojęcie macierzy nieosobliwej odnosi się do macierzy kwadratowych, ponieważ tylko one mają wyznacznik i klasyczną odwrotność dwustronną. Macierz prostokątna może natomiast mieć pełny rząd wierszowy lub kolumnowy oraz lewostronną albo prawostronną odwrotność.

Czym różni się macierz nieosobliwa od osobliwej?

Macierz nieosobliwa ma wyznacznik różny od zera, pełny rząd i istniejącą odwrotność. Macierz osobliwa ma wyznacznik równy zero, rząd mniejszy od stopnia i nie ma klasycznej odwrotności. Dla nieosobliwej macierzy układ (Ax=b) ma jedno rozwiązanie, a dla osobliwej – żadnego lub nieskończenie wiele.

Czy niezerowy wyznacznik zawsze oznacza pełny rząd?

Tak, dla macierzy kwadratowej nad liczbami rzeczywistymi lub zespolonymi. Jeżeli (\det(A)\neq0), macierz stopnia (n) ma rząd (n), wszystkie jej kolumny i wiersze są liniowo niezależne, a w eliminacji Gaussa pojawia się pivot w każdym wierszu i każdej kolumnie.

Czy macierz nieosobliwa może być źle uwarunkowana?

Tak. Macierz może mieć niezerowy wyznacznik i istniejącą odwrotność, lecz być bardzo bliska osobliwości. Wtedy niewielkie błędy danych mogą powodować duże zmiany wyników. Do oceny stabilności służą wartości osobliwe i liczba uwarunkowania, a nie wyłącznie sprawdzenie, czy wyznacznik jest różny od zera.