跳到主要内容

第 5 章:行列式

对一个 n×nn\times n 方阵 AA,行列式把许多信息压缩成一个数:

det⁡(A).\det(A).

这个数首先来自三条代数性质,而不是来自面积公式。沿着这些性质向前推, 我们会依次得到消元计算、排列公式、余子式展开、逆矩阵公式与体积解释。 这样的顺序很重要:公式不是彼此孤立的记忆项目,而是同一组基本性质的后果。

本章按三条主线展开:

  1. 5.1 行列式的性质:从三条基本性质推出计算规则;
  2. 5.2 排列与余子式:解释行列式中每一项从何而来;
  3. 5.3 Cramer 法则、逆矩阵与体积:把代数公式用于求解,并在最后给出几何意义。
备注

行列式主要用于揭示结构。对大型矩阵,数值计算通常采用消元或矩阵分解, 而不会真的列出全部排列,也不会反复做余子式展开。

5.1 行列式的性质​

5.1.1 三条基本性质​

把矩阵的各行记为 r1,…,rnr_1,\ldots,r_n。行列式由下面三条性质确定。

性质一:单位矩阵的行列式等于 11。

det⁡(I)=1.(5.1)\det(I)=1. \tag{5.1}

这是归一化条件。没有它,其余性质只能把行列式确定到一个常数倍。

性质二:交换两行,行列式变号。

若 A′A' 由 AA 交换第 i,ji,j 行得到,则

det⁡(A′)=−det⁡(A).(5.2)\det(A')=-\det(A). \tag{5.2}

因此,行的次序不只是书写顺序;它还记录一种“方向”。

性质三:固定其他行时,行列式对某一行是线性的。

若第 ii 行写成 αu+βv\alpha u+\beta v,则

det⁡(r1,…,αu+βv,…,rn)=αdet⁡(r1,…,u,…,rn)+βdet⁡(r1,…,v,…,rn).(5.3)\begin{aligned} &\det(r_1,\ldots,\alpha u+\beta v,\ldots,r_n)\\ &\qquad= \alpha\det(r_1,\ldots,u,\ldots,r_n) +\beta\det(r_1,\ldots,v,\ldots,r_n). \end{aligned} \tag{5.3}

这里强调的是对单独一行线性,不是把整个矩阵当作一个变量线性。 例如一般并没有

det⁡(A+B)=det⁡(A)+det⁡(B).\det(A+B)=\det(A)+\det(B).

三条性质也常被概括为:归一性、交替性与多重线性。 下面所有常用公式,都从它们出发。

5.1.2 零行必使行列式为零​

假设 AA 的第 ii 行是零向量。因为 0=0+00=0+0,单行线性给出

det⁡(…,0,…)=det⁡(…,0,…)+det⁡(…,0,…).\det(\ldots,0,\ldots) = \det(\ldots,0,\ldots)+\det(\ldots,0,\ldots).

两边减去同一个行列式,得到

det⁡(A)=0.(5.4)\det(A)=0. \tag{5.4}

也可以把零行写成 0⋅u0\cdot u,由齐次性直接得到相同结论。

5.1.3 两行相同必使行列式为零​

若第 i,ji,j 行相同,交换它们以后矩阵没有变化; 但性质二又要求行列式变号。因此

det⁡(A)=−det⁡(A),\det(A)=-\det(A),

从而

det⁡(A)=0.(5.5)\det(A)=0. \tag{5.5}

这个结论是“交替性”的核心:只要行向量失去独立方向, 行列式就有可能退化为零。

5.1.4 行替换不改变行列式​

考虑初等行替换

ri⟵ri+c rj,i≠j.r_i\longleftarrow r_i+c\,r_j,\qquad i\ne j.

对新第 ii 行使用线性性质:

det⁡(…,ri+crj,…,rj,…)=det⁡(…,ri,…,rj,…)+cdet⁡(…,rj,…,rj,…).\begin{aligned} \det(\ldots,r_i+c r_j,\ldots,r_j,\ldots) &=\det(\ldots,r_i,\ldots,r_j,\ldots)\\ &\quad+c\det(\ldots,r_j,\ldots,r_j,\ldots). \end{aligned}

第二项有两行相同,所以等于零。于是

det⁡(…,ri+crj,…)=det⁡(A).(5.6)\boxed{\det(\ldots,r_i+c r_j,\ldots)=\det(A)}. \tag{5.6}

这正是消元中“某行减去另一行的倍数”不改变行列式的原因。

5.1.5 行缩放与整矩阵数乘​

若只把第 ii 行乘以 cc,单行线性立即给出

det⁡(r1,…,cri,…,rn)=cdet⁡(A).(5.7)\det(r_1,\ldots,c r_i,\ldots,r_n)=c\det(A). \tag{5.7}

但把整个 n×nn\times n 矩阵乘以 cc,相当于把 nn 行分别都乘以 cc。 因此因子一共提出 nn 次:

det⁡(cA)=cndet⁡(A).(5.8)\boxed{\det(cA)=c^n\det(A)}. \tag{5.8}
提示

“一行乘 cc”产生一个 cc;“整个 n×nn\times n 矩阵乘 cc” 产生 cnc^n。这是最容易混淆的两个规则。

5.1.6 三角矩阵:主对角线乘积​

设 UU 是上三角矩阵:

U=[u11u12⋯u1n0u22⋯u2n⋮⋱⋱⋮0⋯0unn].U= \begin{bmatrix} u_{11}&u_{12}&\cdots&u_{1n}\\ 0&u_{22}&\cdots&u_{2n}\\ \vdots&\ddots&\ddots&\vdots\\ 0&\cdots&0&u_{nn} \end{bmatrix}.

先看所有对角元都非零的情形。从最后一列开始, 用不改变行列式的行替换逐步消去对角线上方的元素; 最终得到对角矩阵

D=diag⁡(u11,u22,…,unn).D=\operatorname{diag}(u_{11},u_{22},\ldots,u_{nn}).

行替换没有改变行列式,而 DD 可以从 II 的每一行分别提出一个因子:

det⁡(D)=u11u22⋯unndet⁡(I).\det(D)=u_{11}u_{22}\cdots u_{nn}\det(I).

由 det⁡(I)=1\det(I)=1,

det⁡(U)=u11u22⋯unn.(5.9)\boxed{\det(U)=u_{11}u_{22}\cdots u_{nn}}. \tag{5.9}

如果某个对角元为零,上三角矩阵不可能拥有 nn 个主元; 继续考察对应的尾部行可见其行向量线性相关,行列式为零。 公式右边也含有零因子,所以公式仍成立。

下三角矩阵同理:

det⁡(L)=∏i=1nlii.\det(L)=\prod_{i=1}^{n}l_{ii}.

5.1.7 用消元计算行列式​

三种初等行操作对行列式的影响现在已经清楚:

  • 交换两行:乘以 −1-1;
  • 某行乘以 cc:乘以 cc;
  • 某行加上另一行的倍数:不变。

因此可把一般方阵消元成上三角矩阵,再修正交换与缩放造成的因子。 这里只做一次简洁计算,消元算法本身不在本章重复展开。

令

A=[120213012].A= \begin{bmatrix} 1&2&0\\ 2&1&3\\ 0&1&2 \end{bmatrix}.

只做行替换:

r2←r2−2r1,r3←r3+13r2.\begin{aligned} r_2&\leftarrow r_2-2r_1,\\ r_3&\leftarrow r_3+\frac13r_2. \end{aligned}

得到

U=[1200−33003].U= \begin{bmatrix} 1&2&0\\ 0&-3&3\\ 0&0&3 \end{bmatrix}.

过程中没有换行,也没有单独缩放某行,所以

det⁡(A)=det⁡(U)=1⋅(−3)⋅3=−9.(5.10)\det(A)=\det(U)=1\cdot(-3)\cdot3=-9. \tag{5.10}

更一般地,若消元只使用行替换与 ss 次换行,得到上三角矩阵 UU,则

det⁡(A)=(−1)s∏i=1nuii.(5.11)\boxed{\det(A)=(-1)^s\prod_{i=1}^{n}u_{ii}}. \tag{5.11}

这说明行列式本质上记录了主元乘积,并附带换行的符号。

5.1.8 可逆当且仅当行列式非零​

消元把 AA 化成上三角矩阵 UU。行替换不改变“是否为零”, 换行只改变符号,非零倍缩放也不会把非零数变成零。 因此

det⁡(A)≠0  ⟺  det⁡(U)≠0.\det(A)\ne0 \iff \det(U)\ne0.

由三角矩阵公式,

det⁡(U)≠0  ⟺  u11,…,unn 全部非零.\det(U)\ne0 \iff u_{11},\ldots,u_{nn}\text{ 全部非零}.

右边恰好表示消元得到 nn 个主元,也就是 AA 可逆。于是

A 可逆  ⟺  det⁡(A)≠0.(5.12)\boxed{A\text{ 可逆}\iff\det(A)\ne0}. \tag{5.12}

相应地,

det⁡(A)=0  ⟺  A 奇异  ⟺  A 的行(或列)线性相关.(5.13)\det(A)=0 \iff A\text{ 奇异} \iff A\text{ 的行(或列)线性相关}. \tag{5.13}

5.1.9 乘积的行列式​

我们希望证明

det⁡(AB)=det⁡(A)det⁡(B).(5.14)\boxed{\det(AB)=\det(A)\det(B)}. \tag{5.14}

先看可逆矩阵。每个可逆矩阵都能由有限个初等矩阵相乘得到。 左乘一个初等矩阵,分别对应一次换行、行缩放或行替换; 前面的三条规则说明

det⁡(EA)=det⁡(E)det⁡(A)\det(EA)=\det(E)\det(A)

对每一种初等矩阵 EE 都成立。把 A=Ek⋯E1A=E_k\cdots E_1 逐项代入,便有

det⁡(AB)=det⁡(Ek⋯E1B)=det⁡(Ek)⋯det⁡(E1)det⁡(B)=det⁡(A)det⁡(B).\det(AB) =\det(E_k\cdots E_1B) =\det(E_k)\cdots\det(E_1)\det(B) =\det(A)\det(B).

若 AA 或 BB 奇异,则 ABAB 也奇异: 当 BB 奇异时,存在 x≠0x\ne0 使 Bx=0Bx=0; 当 AA 奇异而 BB 可逆时,rank⁡(AB)=rank⁡(A)<n\operatorname{rank}(AB)=\operatorname{rank}(A)\lt n; 若二者都奇异,结论当然仍成立。 此时等式两边都为零,所以乘法公式对所有方阵成立。

注意,行列式对乘法相容,却不对加法相容。

5.1.10 转置的行列式​

行与列在行列式中具有同等地位:

det⁡(AT)=det⁡(A).(5.15)\boxed{\det(A^T)=\det(A)}. \tag{5.15}

一种结构性的理解来自消元。若 AA 可逆,可写为初等矩阵的乘积

A=Ek⋯E1.A=E_k\cdots E_1.

转置后

AT=E1T⋯EkT.A^T=E_1^T\cdots E_k^T.

每个 EiTE_i^T 仍是相应类型的初等矩阵,并且

det⁡(EiT)=det⁡(Ei).\det(E_i^T)=\det(E_i).

利用乘法公式便得到 det⁡(AT)=det⁡(A)\det(A^T)=\det(A)。 若 AA 奇异,则 ATA^T 与 AA 秩相同,二者行列式都为零。

第 5.2 节的排列公式还会给出一个更直接的验证: 转置只把排列中的“选取行”与“选取列”互换,并不改变总和。

公式 (5.15) 也说明,前面所有关于行的性质都有完全对应的列版本。

5.1.11 逆矩阵的行列式​

若 AA 可逆,则 AA−1=IAA^{-1}=I。对两边取行列式并使用乘法公式:

det⁡(A)det⁡(A−1)=det⁡(I)=1.\det(A)\det(A^{-1})=\det(I)=1.

因为 det⁡(A)≠0\det(A)\ne0,

det⁡(A−1)=1det⁡(A).(5.16)\boxed{\det(A^{-1})=\frac{1}{\det(A)}}. \tag{5.16}

到这里,三条基本性质已经推出了一条完整计算链:

基本性质⟹初等行操作规则⟹三角矩阵公式⟹消元与可逆性⟹乘积、转置和逆矩阵公式.\text{基本性质} \Longrightarrow \text{初等行操作规则} \Longrightarrow \text{三角矩阵公式} \Longrightarrow \text{消元与可逆性} \Longrightarrow \text{乘积、转置和逆矩阵公式}.

5.2 排列与余子式​

第 5.1 节告诉我们怎样高效计算行列式。 现在换一个问题:把多重线性完全展开后,行列式究竟由哪些项组成?

5.2.1 为什么每项必须每行、每列各取一个元素​

设 A=(aij)A=(a_{ij})。对各行反复使用线性性质, det⁡(A)\det(A) 会展开成许多元素乘积。

每个非零乘积必须从每一行取一个元素,这是多重线性直接造成的。 它也必须从每一列恰好取一个元素:如果某项重复选择同一列, 对应的基向量矩阵就有两行在同一位置非零,交换这两行既不改变矩阵结构, 又要求变号,因此该项的系数只能是零。

所以一个可能的乘积具有形式

a1,σ(1)a2,σ(2)⋯an,σ(n),(5.17)a_{1,\sigma(1)}a_{2,\sigma(2)}\cdots a_{n,\sigma(n)}, \tag{5.17}

其中 σ\sigma 是集合 {1,…,n}\{1,\ldots,n\} 的一个排列。 它规定第 ii 行选择第 σ(i)\sigma(i) 列。

5.2.2 排列的符号​

一个排列可以由若干次两两交换从 (1,2,…,n)(1,2,\ldots,n) 得到。 若所需交换次数为偶数,称为偶排列;若为奇数,称为奇排列。

定义

sgn⁡(σ)={+1,σ 为偶排列,−1,σ 为奇排列.(5.18)\operatorname{sgn}(\sigma)= \begin{cases} +1,&\sigma\text{ 为偶排列},\\ -1,&\sigma\text{ 为奇排列}. \end{cases} \tag{5.18}

虽然把同一排列写成交换的方式并不唯一,但交换次数的奇偶性不变, 所以这个符号定义良好。

也可以用逆序数计算符号。若

inv⁡(σ)=#{(i,j):i<j, σ(i)>σ(j)},\operatorname{inv}(\sigma) =\#\{(i,j):i\lt j,\ \sigma(i)\gt\sigma(j)\},

则

sgn⁡(σ)=(−1)inv⁡(σ).(5.19)\operatorname{sgn}(\sigma)=(-1)^{\operatorname{inv}(\sigma)}. \tag{5.19}

每交换两行一次,排列的奇偶性翻转一次, 这正好对应行列式变号的基本性质。

5.2.3 排列公式​

把所有允许的乘积连同符号相加,得到 Leibniz 排列公式:

det⁡(A)=∑σ∈Snsgn⁡(σ)∏i=1nai,σ(i).(5.20)\boxed{ \det(A) = \sum_{\sigma\in S_n} \operatorname{sgn}(\sigma) \prod_{i=1}^{n}a_{i,\sigma(i)} }. \tag{5.20}

这里 SnS_n 是全部 n!n! 个排列的集合。 公式的结构比逐项展开更值得记忆:

  • 每项从每一行取一个元素;
  • 每项从每一列取一个元素;
  • 排列的奇偶性决定正负号;
  • 总共有 n!n! 个候选项。

对 2×22\times2 矩阵,

det⁡[abcd]=ad−bc.(5.21)\det \begin{bmatrix} a&b\\ c&d \end{bmatrix} =ad-bc. \tag{5.21}

第一项对应恒等排列,第二项对应一次交换。

备注

排列公式适合证明理论结论,却不适合大型数值计算。 n!n! 增长极快,而消元只需多项式数量级的运算。

5.2.4 用排列公式理解转置​

在 det⁡(AT)\det(A^T) 中,对排列 σ\sigma 的一项为

sgn⁡(σ)∏i=1naσ(i),i.\operatorname{sgn}(\sigma) \prod_{i=1}^{n}a_{\sigma(i),i}.

令 τ=σ−1\tau=\sigma^{-1}。重新按行编号后,这个乘积变成

∏j=1naj,τ(j).\prod_{j=1}^{n}a_{j,\tau(j)}.

而逆排列与原排列奇偶性相同:

sgn⁡(σ−1)=sgn⁡(σ).\operatorname{sgn}(\sigma^{-1}) =\operatorname{sgn}(\sigma).

当 σ\sigma 遍历 SnS_n 时,σ−1\sigma^{-1} 也恰好遍历 SnS_n。 因此两组求和逐项对应,再次得到

det⁡(AT)=det⁡(A).\det(A^T)=\det(A).

这也证明列展开与行展开具有完全对称的地位。

5.2.5 子式与代数余子式​

从 AA 中删去第 ii 行和第 jj 列,得到一个 (n−1)×(n−1)(n-1)\times(n-1) 矩阵,记为 AijA_{ij}。

它的行列式

Mij=det⁡(Aij)(5.22)M_{ij}=\det(A_{ij}) \tag{5.22}

称为元素 aija_{ij} 的子式(minor)。

再加入棋盘式符号,定义代数余子式(cofactor)

Cij=(−1)i+jMij.(5.23)\boxed{C_{ij}=(-1)^{i+j}M_{ij}}. \tag{5.23}

符号排列为

[+−+⋯−+−⋯+−+⋯⋮⋮⋮⋱].\begin{bmatrix} +&-&+&\cdots\\ -&+&-&\cdots\\ +&-&+&\cdots\\ \vdots&\vdots&\vdots&\ddots \end{bmatrix}.

这个正负号不是人为附加的口诀。 把 aija_{ij} 移到排列选择的“首位”时,需要跨过 i−1i-1 行与 j−1j-1 列, 总奇偶性给出 (−1)i+j(-1)^{i+j}。

5.2.6 按行或按列展开​

在排列公式中,把所有选择了固定元素 aija_{ij} 的项收集起来, 剩余部分正好组成删去第 ii 行、第 jj 列后的行列式。 因此沿第 ii 行展开:

det⁡(A)=∑j=1naijCij.(5.24)\boxed{ \det(A)=\sum_{j=1}^{n}a_{ij}C_{ij} }. \tag{5.24}

利用转置不改变行列式,也可以沿第 jj 列展开:

det⁡(A)=∑i=1naijCij.(5.25)\boxed{ \det(A)=\sum_{i=1}^{n}a_{ij}C_{ij} }. \tag{5.25}

展开时应优先选择零较多的一行或一列,因为对应项会直接消失。

5.2.7 一个完整的 3×33\times3 示例​

考虑

A=[2013−12140].A= \begin{bmatrix} 2&0&1\\ 3&-1&2\\ 1&4&0 \end{bmatrix}.

第一行含有零,沿第一行展开最简洁:

det⁡(A)=a11C11+a12C12+a13C13.\det(A)=a_{11}C_{11}+a_{12}C_{12}+a_{13}C_{13}.

逐个计算子式:

M11=det⁡[−1240]=(−1)⋅0−2⋅4=−8,M12=det⁡[3210]=3⋅0−2⋅1=−2,M13=det⁡[3−114]=3⋅4−(−1)⋅1=13.\begin{aligned} M_{11} &= \det \begin{bmatrix} -1&2\\ 4&0 \end{bmatrix} =(-1)\cdot0-2\cdot4=-8,\\ M_{12} &= \det \begin{bmatrix} 3&2\\ 1&0 \end{bmatrix} =3\cdot0-2\cdot1=-2,\\ M_{13} &= \det \begin{bmatrix} 3&-1\\ 1&4 \end{bmatrix} =3\cdot4-(-1)\cdot1=13. \end{aligned}

第一行的代数余子式符号是 +,−,++,-,+,所以

C11=−8,C12=−(−2)=2,C13=13.C_{11}=-8,\qquad C_{12}=-(-2)=2,\qquad C_{13}=13.

代回展开式:

det⁡(A)=2(−8)+0(2)+1(13)=−16+13=−3.(5.26)\begin{aligned} \det(A) &=2(-8)+0(2)+1(13)\\ &=-16+13\\ &=-3. \end{aligned} \tag{5.26}

也可沿第三列验证:

det⁡(A)=1⋅C13+2⋅C23+0⋅C33=1⋅13+2[−det⁡[2014]]=13−16=−3.\begin{aligned} \det(A) &=1\cdot C_{13}+2\cdot C_{23}+0\cdot C_{33}\\ &=1\cdot13 +2\left[ -\det \begin{bmatrix} 2&0\\ 1&4 \end{bmatrix} \right]\\ &=13-16=-3. \end{aligned}

两种展开得到同一结果。

5.2.8 为什么大矩阵不用余子式递归计算​

若按余子式递归计算一个稠密 n×nn\times n 行列式, 需要计算 nn 个 (n−1)×(n−1)(n-1)\times(n-1) 行列式; 每个又分成 n−1n-1 个更小问题。运算量呈阶乘式增长。

相比之下,消元把矩阵化为三角形,只需大约立方数量级的基本运算。 因此:

  • 排列公式用来揭示结构、证明恒等式;
  • 余子式展开适合小矩阵、稀疏行列或符号推导;
  • 一般大型数值矩阵使用消元或分解。

余子式仍然非常重要,因为下一节的伴随矩阵与 Cramer 法则都由它构成。

5.3 Cramer 法则、逆矩阵与体积​

这一节把前面的代数结构用于三个方向: 先由余子式组成逆矩阵,再由逆矩阵得到 Cramer 法则, 最后解释行列式为何代表有向面积与有向体积。

5.3.1 余子式矩阵与伴随矩阵​

把所有代数余子式排成矩阵

C=[C11⋯C1n⋮⋱⋮Cn1⋯Cnn].C= \begin{bmatrix} C_{11}&\cdots&C_{1n}\\ \vdots&\ddots&\vdots\\ C_{n1}&\cdots&C_{nn} \end{bmatrix}.

伴随矩阵(adjugate)定义为余子式矩阵的转置:

adj⁡(A)=CT.(5.27)\boxed{\operatorname{adj}(A)=C^T}. \tag{5.27}

转置不可遗漏。它保证矩阵乘积 Aadj⁡(A)A\operatorname{adj}(A) 的 第 (i,j)(i,j) 个元素是第 ii 行元素与第 jj 行余子式的配对:

(Aadj⁡(A))ij=∑k=1naikCjk.(5.28)\bigl(A\operatorname{adj}(A)\bigr)_{ij} =\sum_{k=1}^{n}a_{ik}C_{jk}. \tag{5.28}

当 i=ji=j 时,这正是沿第 ii 行的余子式展开,所以等于 det⁡(A)\det(A)。

当 i≠ji\ne j 时,可以把这个和看成一个新行列式: 将 AA 的第 jj 行替换为第 ii 行,再沿第 jj 行展开。 新矩阵有两行相同,因此行列式为零。

于是对角位置全是 det⁡(A)\det(A),非对角位置全是零:

Aadj⁡(A)=adj⁡(A)A=det⁡(A)I.(5.29)\boxed{ A\operatorname{adj}(A) =\operatorname{adj}(A)A =\det(A)I }. \tag{5.29}

5.3.2 伴随矩阵给出的逆矩阵公式​

若 det⁡(A)≠0\det(A)\ne0,把公式 (5.29) 两边除以 det⁡(A)\det(A):

A(adj⁡(A)det⁡(A))=I.A\left(\frac{\operatorname{adj}(A)}{\det(A)}\right)=I.

因此

A−1=adj⁡(A)det⁡(A).(5.30)\boxed{ A^{-1}=\frac{\operatorname{adj}(A)}{\det(A)} }. \tag{5.30}

这个公式同时解释了为什么分母必须是行列式: 只有 det⁡(A)≠0\det(A)\ne0 时逆矩阵才存在。

对 2×22\times2 矩阵,

A=[abcd],adj⁡(A)=[d−b−ca],A= \begin{bmatrix} a&b\\ c&d \end{bmatrix}, \qquad \operatorname{adj}(A)= \begin{bmatrix} d&-b\\ -c&a \end{bmatrix},

所以

A−1=1ad−bc[d−b−ca].(5.31)A^{-1} =\frac{1}{ad-bc} \begin{bmatrix} d&-b\\ -c&a \end{bmatrix}. \tag{5.31}
备注

伴随矩阵公式非常适合理论证明和低阶符号计算, 但它不是计算大型数值矩阵逆的推荐算法。 实际问题通常直接解线性方程组,而不显式形成 A−1A^{-1}。

5.3.3 Cramer 法则​

考虑可逆方阵对应的线性方程组

Ax=b,A=[a1a2⋯an].Ax=b, \qquad A= \begin{bmatrix} a_1&a_2&\cdots&a_n \end{bmatrix}.

由 x=A−1bx=A^{-1}b 和伴随矩阵公式,第 ii 个分量是

xi=1det⁡(A)∑k=1nCkibk.(5.32)x_i =\frac{1}{\det(A)} \sum_{k=1}^{n}C_{ki}b_k. \tag{5.32}

令 Ai(b)A_i(b) 表示把 AA 的第 ii 列替换为 bb 后得到的矩阵:

Ai(b)=[a1⋯ai−1bai+1⋯an].A_i(b)= \begin{bmatrix} a_1&\cdots&a_{i-1}&b&a_{i+1}&\cdots&a_n \end{bmatrix}.

沿其第 ii 列展开,恰好有

det⁡(Ai(b))=∑k=1nbkCki.\det(A_i(b))=\sum_{k=1}^{n}b_kC_{ki}.

因此

xi=det⁡(Ai(b))det⁡(A),i=1,…,n.(5.33)\boxed{ x_i=\frac{\det(A_i(b))}{\det(A)}, \qquad i=1,\ldots,n }. \tag{5.33}

这就是 Cramer 法则。它不是凭空出现的新技巧, 而是“伴随矩阵公式 + 按列展开”的直接结果。

5.3.4 Cramer 法则的小例子​

求解

{2x+y=5,x+3y=6.\begin{cases} 2x+y=5,\\ x+3y=6. \end{cases}

系数矩阵与右端为

A=[2113],b=[56].A= \begin{bmatrix} 2&1\\ 1&3 \end{bmatrix}, \qquad b= \begin{bmatrix} 5\\ 6 \end{bmatrix}.

先算分母:

det⁡(A)=2⋅3−1⋅1=5.\det(A)=2\cdot3-1\cdot1=5.

替换第一列:

det⁡(A1(b))=det⁡[5163]=15−6=9.\det(A_1(b)) = \det \begin{bmatrix} 5&1\\ 6&3 \end{bmatrix} =15-6=9.

替换第二列:

det⁡(A2(b))=det⁡[2516]=12−5=7.\det(A_2(b)) = \det \begin{bmatrix} 2&5\\ 1&6 \end{bmatrix} =12-5=7.

所以

x=95,y=75.(5.34)\boxed{x=\frac95,\qquad y=\frac75}. \tag{5.34}

代回可验证两个方程都成立。

提示

Cramer 法则适合展示解对系数的依赖关系,也适合低阶符号推导。 若要实际求解大型系统,消元或矩阵分解更高效、更稳定。

5.3.5 二维有向面积​

现在才引入几何解释,因为它应当呼应已经建立的代数性质。 设

A=[abcd]=[uv],A= \begin{bmatrix} a&b\\ c&d \end{bmatrix} = \begin{bmatrix} u&v \end{bmatrix},

其中列向量 u=(a,c)Tu=(a,c)^T、v=(b,d)Tv=(b,d)^T 张成一个平行四边形。 它的普通面积为

Area⁡=∣det⁡(A)∣=∣ad−bc∣.(5.35)\boxed{\operatorname{Area}=|\det(A)|=|ad-bc|}. \tag{5.35}

不取绝对值的 det⁡(A)\det(A) 是有向面积:

  • det⁡(A)>0\det(A)\gt 0:有序基 (u,v)(u,v) 与标准方向一致;
  • det⁡(A)<0\det(A)\lt 0:方向被翻转;
  • det⁡(A)=0\det(A)=0:两列共线,平行四边形退化成线段。

三条基本性质在几何上都很自然:

  1. II 的列向量张成单位正方形,面积为 11;
  2. 交换两列会反转边的次序,因此有向面积变号;
  3. 固定一条边时,沿另一条边的线性变化使有向面积线性变化。

由 det⁡(AT)=det⁡(A)\det(A^T)=\det(A),用行向量描述也得到同一面积。

5.3.6 三维有向体积​

设 A=[a1 a2 a3]A=[a_1\ a_2\ a_3],三列是 R3\mathbb R^3 中的向量。 它们张成的平行六面体体积为

Volume⁡=∣det⁡(A)∣.(5.36)\boxed{\operatorname{Volume}=|\det(A)|}. \tag{5.36}

有向体积可以写成标量三重积:

det⁡(A)=a1⋅(a2×a3).(5.37)\det(A)=a_1\cdot(a_2\times a_3). \tag{5.37}

a2×a3a_2\times a_3 给出底面的有向面积向量, 再与 a1a_1 点乘,相当于“底面积乘有符号的高”。

若三列共面,则平行六面体被压扁,体积为零; 代数上这表示列线性相关、矩阵奇异、行列式为零。

交换任意两条边会反转三维方向,所以行列式变号, 但普通体积的绝对值不变。

5.3.7 nn 维体积与线性变换​

在 Rn\mathbb R^n 中,矩阵

A=[a1a2⋯an]A= \begin{bmatrix} a_1&a_2&\cdots&a_n \end{bmatrix}

的列向量张成一个 nn 维平行多面体。 它的 nn 维体积定义为

Vol⁡n=∣det⁡(A)∣.(5.38)\boxed{\operatorname{Vol}_n=|\det(A)|}. \tag{5.38}

更一般地,线性变换 x↦Axx\mapsto Ax 会把任意区域的体积统一缩放 ∣det⁡(A)∣|\det(A)| 倍;行列式的符号则记录方向是否翻转。

这使乘法公式获得清楚的几何解释。 先作用 BB,体积缩放 ∣det⁡(B)∣|\det(B)| 倍; 再作用 AA,又缩放 ∣det⁡(A)∣|\det(A)| 倍。因此复合变换 ABAB 的缩放因子是

∣det⁡(A)∣ ∣det⁡(B)∣=∣det⁡(AB)∣.|\det(A)|\,|\det(B)| =|\det(AB)|.

符号同样相乘,所以完整公式正是

det⁡(AB)=det⁡(A)det⁡(B).\det(AB)=\det(A)\det(B).

逆矩阵则撤销原变换的缩放:

∣det⁡(A−1)∣=1∣det⁡(A)∣.|\det(A^{-1})| =\frac{1}{|\det(A)|}.

整矩阵数乘公式也有了几何解释。cAcA 把每个方向的长度都再乘以 ∣c∣|c|, 在 nn 个独立方向上合计得到体积因子 ∣c∣n|c|^n; 若保留方向信息,就是

det⁡(cA)=cndet⁡(A).\det(cA)=c^n\det(A).

5.3.8 奇异矩阵为何体积为零​

若 AA 奇异,它的列向量线性相关,无法张成完整的 nn 维空间。 线性变换 x↦Axx\mapsto Ax 会把单位立方体压到某个低维子空间中。

因此:

A 奇异⟹n 维体积被压成 0⟹det⁡(A)=0.A\text{ 奇异} \Longrightarrow \text{$n$ 维体积被压成 }0 \Longrightarrow \det(A)=0.

反过来,若 det⁡(A)=0\det(A)=0,消元时至少缺少一个主元, 列向量不能张成 Rn\mathbb R^n,所以几何对象必然退化。

这正是同一事实的三种语言:

det⁡(A)=0  ⟺  A 不可逆  ⟺  体积退化.(5.39)\boxed{ \det(A)=0 \iff A\text{ 不可逆} \iff \text{体积退化} }. \tag{5.39}

概念链总结​

本章的内容可以压缩成下面一条概念链:

det⁡(I)=1,交换两行变号,对单行线性⇓零行与相同行为零,行替换不变,行缩放提出因子⇓三角矩阵的行列式等于主对角线乘积⇓消元计算与 A 可逆  ⟺  det⁡(A)≠0⇓det⁡(AB),det⁡(AT),det⁡(A−1)⇓排列公式与余子式展开⇓A−1=adj⁡(A)det⁡(A)与 Cramer 法则⇓有向面积、体积与线性变换的缩放因子.\begin{aligned} &\det(I)=1,\quad \text{交换两行变号},\quad \text{对单行线性}\\ &\Downarrow\\ &\text{零行与相同行为零,行替换不变,行缩放提出因子}\\ &\Downarrow\\ &\text{三角矩阵的行列式等于主对角线乘积}\\ &\Downarrow\\ &\text{消元计算与 }A\text{ 可逆}\iff\det(A)\ne0\\ &\Downarrow\\ &\det(AB),\quad\det(A^T),\quad\det(A^{-1})\\ &\Downarrow\\ &\text{排列公式与余子式展开}\\ &\Downarrow\\ &A^{-1}=\dfrac{\operatorname{adj}(A)}{\det(A)} \quad\text{与 Cramer 法则}\\ &\Downarrow\\ &\text{有向面积、体积与线性变换的缩放因子}. \end{aligned}

最值得保留的不是一串公式,而是公式之间的因果关系: 三条基本性质控制行操作;行操作连接主元和可逆性; 排列解释每一项的来源;余子式构造伴随矩阵; 最后,代数上的行列式成为几何上的有向体积缩放。

References​

  1. Gilbert Strang, Introduction to Linear Algebra, Chapter 5, Wellesley-Cambridge Press.
  2. MIT OpenCourseWare, 18.06 Linear Algebra, lectures and notes on determinants: https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/.
  3. Sheldon Axler, Linear Algebra Done Right, Springer.