如何用伴随矩阵法求2×2矩阵的逆？

Question

如何用伴随矩阵法求2×2矩阵的逆？一个常见问题是：在计算伴随矩阵时，容易混淆代数余子式的符号和转置步骤。对于二阶矩阵 $ A = \begin{pmatrix} a & b \\ c & d \end{pmatrix} $，其逆矩阵公式为 $ A^{-1} = \frac{1}{\det(A)} \cdot \text{adj}(A) $，其中伴随矩阵 $ \text{adj}(A) $ 是代数余子式矩阵的转置。但由于2×2矩阵较小，实际操作中常误将主对角线元素互换、副对角线变号后直接作为伴随矩阵，而未理解其本质是余子式计算与转置的结果。这种误解在推广到高阶矩阵时易导致错误。如何正确应用伴随矩阵法并避免符号和顺序错误？

Answer 1

1. 问题背景与核心概念解析

在IT和工程计算中，矩阵求逆是线性代数中的基础操作，广泛应用于机器学习、图形变换、密码学等领域。对于一个可逆的2×2矩阵 $ A = \begin{pmatrix} a & b \\ c & d \end{pmatrix} $，其逆矩阵可通过伴随矩阵法求解：

$$ A^{-1} = \frac{1}{\det(A)} \cdot \text{adj}(A) $$

其中 $\det(A) = ad - bc$，而 $\text{adj}(A)$ 是 $A$ 的伴随矩阵，定义为代数余子式矩阵的转置。尽管2×2情形有简化公式 $ A^{-1} = \frac{1}{ad-bc} \begin{pmatrix} d & -b \\ -c & a \end{pmatrix} $，但若未理解其推导过程，在处理高阶矩阵时极易出错。

2. 代数余子式的定义与计算步骤

代数余子式 $ C_{ij} $ 定义为：删除第 $i$ 行第 $j$ 列后所得子矩阵的行列式乘以符号因子 $(-1)^{i+j}$。对2×2矩阵 $A$，各元素的代数余子式如下：

• $ C_{11} = (-1)^{1+1} \cdot \det([d]) = d $
• $ C_{12} = (-1)^{1+2} \cdot \det([c]) = -c $
• $ C_{21} = (-1)^{2+1} \cdot \det([b]) = -b $
• $ C_{22} = (-1)^{2+2} \cdot \det([a]) = a $

由此得到代数余子式矩阵：

$$ C = \begin{pmatrix} d & -c \\ -b & a \end{pmatrix} $$

3. 转置操作生成伴随矩阵

伴随矩阵 $\text{adj}(A)$ 并非直接使用代数余子式矩阵 $C$，而是其转置：

$$ \text{adj}(A) = C^T = \begin{pmatrix} d & -b \\ -c & a \end{pmatrix} $$

这是许多开发者容易忽略的关键点——即使在2×2情况下结果看似“只是交换主对角线并变号”，但本质仍是先算余子式再转置。这一逻辑必须明确，否则在实现3×3及以上矩阵求逆算法时将产生严重错误。

4. 正确求逆流程的结构化步骤

1. 输入原始矩阵 $ A = \begin{pmatrix} a & b \\ c & d \end{pmatrix} $
2. 计算行列式 $\det(A) = ad - bc$；若为0则不可逆
3. 逐项计算每个位置的代数余子式 $C_{ij}$
4. 构造代数余子式矩阵 $C$
5. 对 $C$ 进行转置得到 $\text{adj}(A)$
6. 计算 $ A^{-1} = \frac{1}{\det(A)} \cdot \text{adj}(A) $
7. 返回结果矩阵
8. 验证 $ A \cdot A^{-1} = I $ 是否成立
9. 记录计算过程用于调试或日志输出
10. 封装成通用函数支持多维扩展

5. 常见误区与对比分析表

错误做法	正确做法	是否符合数学定义	能否推广至高阶
直接交换主对角线，副对角线取反	按余子式计算后转置	否（仅巧合正确）	否
忘记转置步骤	显式执行 $C^T$	否	否
符号规则混乱（如$(-1)^{i+j}$误用）	严格遵循棋盘符号模式	否	否
未判断行列式是否为零	前置条件检查	部分正确	有限

6. Python代码实现示例

import numpy as np

def inverse_2x2(A):
    # 输入验证
    assert A.shape == (2, 2), "Matrix must be 2x2"
    
    a, b = A[0]
    c, d = A[1]
    
    # 计算行列式
    det = a*d - b*c
    if abs(det) < 1e-10:
        raise ValueError("Matrix is singular")
    
    # 构造代数余子式矩阵
    cofactor_matrix = np.array([[d, -c],
                                [-b, a]])
    
    # 转置得伴随矩阵
    adj_A = cofactor_matrix.T
    
    # 求逆
    A_inv = adj_A / det
    return A_inv

# 测试案例
A = np.array([[4, 7],
              [2, 6]])
print("Original:", A)
print("Inverse:", inverse_2x2(A))

7. 可视化流程图：伴随矩阵法求逆全过程

graph TD A[输入2x2矩阵A] --> B{det(A) ≠ 0?} B -- 否 --> C[报错: 矩阵不可逆] B -- 是 --> D[计算每个C_ij代数余子式] D --> E[构建余子式矩阵C] E --> F[转置C得到adj(A)] F --> G[计算A⁻¹ = (1/det) * adj(A)] G --> H[输出逆矩阵] H --> I[可选: 验证A·A⁻¹=I]