為何鮮少構造逆矩陣

紙上 A x = b 的解寫成 x = A^{-1} b，所以一個自然的反射是去算出逆矩陣 A^{-1} 再乘上 b。幾乎總是，這是錯的做法。在數值線性代數中，逆矩陣是你用來推理時寫下的量，而非你真的去計算的量，「絕不為了解系統而求逆」是這領域最堅實的民間智慧之一。

有兩個紮實的理由。第一，成本：明確構造 A^{-1} 約需 2 n^3 次浮點運算（這像是一次解 n 個系統，單位矩陣的每一行一個），然後 x = A^{-1} b 又要 2 n^2 次。透過 LU 分解直接解 A x = b，分解只約 2 n^3 / 3、求解 n^2 次——約便宜三倍，而當你對許多右端重用同一個分解時更便宜得多。第二，精度：用分解求解（對 L 與 U 做前代與回代）是向後穩定的，而構造逆矩陣再相乘會引入額外捨入，對同一個問題明顯較不準確。所以 LU 求解在速度與精度上都贏。

正確的心智模型是：先分解，再求解。保留 LU（或喬列斯基）分解並施於每個 b；絕不實際算出 A^{-1}。同樣的原則可推廣——要解 A X = B（B 為矩陣）你不去構造 A^{-1} B，而是做三角求解；要得行列式你不求逆，而是從分解讀出。罕見的正當例外是當逆矩陣本身就是你真正需要的最終產物時（例如統計中共變異數矩陣的某些元素），而即便如此通常也有更好的特化方法。若你發現自己在打「inv(A)*b」，停下來，改用求解。