逆行列 - データサイエンス関連+αのメモ

$n$ 次正方行列 $A$ に対し

A^{-1}A = AA^{-1} = I

(1)

を満たす正方行列 $A^{-1}$ が存在するとき、 $A$ は 正則行列（regular matrix） や 可逆行列（invertible matrix） とよばれる。

また、 $A^{-1}$ を $A$ の逆行列という。（ $I$ は $A$ と同じサイズの単位行列）

正則でない行列は 特異行列（singular matrix） という。

正則行列の条件¶

正方行列 $A$ が正則行列であるための必要十分条件は $\det(A) \neq 0$ である。

$A$ の逆行列 $A^{-1}$ の計算方法の一つに

A^{-1} = \frac{1}{ \det(A) } \tilde{A}

(2)

があり、分母が $\det(A) \neq 0$ である必要がある。ここで $\tilde{A}$ は $A$ の余因子行列である。

import numpy as np

A = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 0],
])

def cofactor(A, i, j):
    """余因子を計算する関数"""
    A_minor = np.delete(A, i, axis=0)
    A_minor = np.delete(A_minor, j, axis=1)
    return (-1)**(i + j) * np.linalg.det(A_minor)

def cofactor_matrix(A):
    """余因子行列"""
    C = np.zeros_like(A, dtype=np.float32)
    for i in range(A.shape[0]):
        for j in range(A.shape[1]):
            C[i, j] = cofactor(A, i=i, j=j)
    return C.T

# det(A) != 0 かどうかを確認
print(f"det(A) = {np.linalg.det(A)}")

# 余因子行列の計算
A_adj = cofactor_matrix(A)
print(f"\n余因子行列 A_adj:\n{A_adj}")

# 逆行列
A_inv = (1 / np.linalg.det(A)) * A_adj
print(f"\n逆行列 A^-1:\n{A_inv.round(3)}")

det(A) = 27.0

余因子行列 A_adj:
[[-48.  24.  -3.]
 [ 42. -21.   6.]
 [ -3.   6.  -3.]]

逆行列 A^-1:
[[-1.778  0.889 -0.111]
 [ 1.556 -0.778  0.222]
 [-0.111  0.222 -0.111]]

# ちゃんと逆行列になっているか確認
(A_inv @ A).round(1)

array([[ 1.,  0.,  0.],
       [-0.,  1.,  0.],
       [ 0.,  0.,  1.]])

余因子行列と逆行列¶

$A$ を $n$ 次正方行列、 $\tilde{A}$ を $A$ の余因子行列、 $I$ を $n$ 次単位行列とすると

A \tilde{A} = \tilde{A} A = \det(A) I

(3)

という関係がある。

なので、 $A$ が正則であれば

\underbrace{ \frac{1}{\det(A)} \tilde{A} }_{A^{-1}} A = I

(4)

となる。

print(f"det(A) = {np.linalg.det(A):.0f}")
print(f"A_adj @ A: \n{A_adj @ A}")

det(A) = 27
A_adj @ A: 
[[27.  0.  0.]
 [ 0. 27.  0.]
 [ 0.  0. 27.]]

逆行列の計算規則¶

import numpy as np

A = np.array([
    [1, 2],
    [3, 4],
])
B = A + 3
A_inv = np.linalg.inv(A)

A_inv @ B @ A

array([[-11., -16.],
       [ 15.,  22.]])