Metadata:

• Title: 线性代数 - 第四章：行列式 (Linear Algebra - Chapter 4: Determinants)
• Author: 陈晏笙 教授 (国立台北科技大学 电子工程系)
• URL: 單元 10．行列式–性質、公式與四種應用 - YouTube
• Chapter4

---

内容概述

本课程是线性代数下半部的开端，标志著课程核心从求解线性系统（$Ax = b$）正式过渡到特征值与特征向量问题（$Ax = \lambda x$）。在这个转换过程中，「行列式（Determinants）」扮演了至关重要的桥樑角色。陈教授强调，尽管在现代数值计算中，行列式因计算量庞大而较少被直接用于解解，但它在理论推导上仍是不可或缺的工具。本节课旨在打破学生过去依赖硬背公式（如交叉相乘）的习惯，重新建立对行列式「公理化」的认知：将任何方阵（Square Matrix）浓缩为一个纯量数值，并从「三个基本定义」出发，严谨推导出其余七个衍生性质、两种计算公式，以及四大实际应用。

---

主题拆解与详细解析

一、 课程过渡与行列式的核心意义

在课程的前八周，重点都在解决 $Ax = b$ 的问题：探讨解的存在性、唯一性，以及在无解时如何利用最小平方法（Least Squares）寻求最佳近似解。然而从本章开始，课程将进入第五章的核心重点：$Ax = \lambda x$。

行列式的本质： 行列式的企图非常宏大且抽象——它试图将一个极其庞大、包含无数数据的方阵（无论是 $2 \times 2$ 还是 $10000 \times 10000$），浓缩（Summarize）成一个单一的纯量（Scalar）数值。 这个数值并不是随机的，它被用来测量并代表该矩阵的某种综合性质与特征（例如是否可逆、所代表的空间体积等）。 注意：行列式仅适用于方阵（Square Matrix）。 行列式试图用一个数值来总结矩阵的性质

1. 找主元
2. 找逆矩阵
   1. 判断是否可逆
3. [[Cramer’s rule]] 来解方程

[file-20260312102958882, p.5](./台北科技大学 单元10 行列式 性质公式与四种应用.assets/file-20260312102958882.pdf)

二、 行列式的三大基本定义（公理）

教授强调，不要用计算过程（如 $ad-bc$）来定义行列式，而应该接受三个不可动摇的运算符号规则，将其视为行列式的「公理」：

1. 单位矩阵的行列式值为 1： $\det(I) = 1$。
2. 列交换会改变正负号（Row Exchange）： 如果将矩阵的任意两列互换，其行列式的值会变号（乘以 -1）。
3. 对「单一列」具备线性（Linearity on one row）： 行列式的线性组合只能在任一单列上运作。这包含两种情况：
   • 加法拆解： $\det \begin{bmatrix} a+a'' & b+b'' \\ c & d \end{bmatrix} = \det \begin{bmatrix} a & b \\ c & d \end{bmatrix} + \det \begin{bmatrix} a'' & b'' \\ c & d \end{bmatrix}$
   • 纯量乘法提出： $\det \begin{bmatrix} ta & tb \\ c & d \end{bmatrix} = t \cdot \det \begin{bmatrix} a & b \\ c & d \end{bmatrix}$
   • 常见迷思纠正： $\det(tA) \neq t \cdot \det(A)$。如果将整个 $n \times n$ 矩阵乘以 $t$，提出来时应该是 $t^n \cdot \det(A)$，因为每一列都会提出一个 $t$。

三、 七大衍生性质 (Derived Properties)

基于上述三个基本定义，可以逻辑推导出下列七个重要的性质：

4. 若矩阵有两列完全相同，则 $\det(A) = 0$。 (推导逻辑：利用性质2，将相同的两列互换，行列式应变号，即 $\det(A) = -\det(A)$，唯一的可能就是 0。)
5. 高斯消去法的列运算不改变行列式值： 将某一列乘上倍数加到另一列，行列式值不变。（此性质在后续计算中极为重要）。
6. 若矩阵包含全为零的一列，则 $\det(A) = 0$。
7. 三角矩阵（Triangular Matrix）的行列式，等于主对角线元素的乘积： 无论是上三角或下三角矩阵，其 $\det(A) = d_1 \times d_2 \times \dots \times d_n$。
8. 奇异矩阵与可逆矩阵的判定：
   • 若 $A$ 是奇异矩阵（不可逆，Singular），$\det(A) = 0$。
   • 若 $A$ 是可逆矩阵（Invertible），$\det(A) \neq 0$。
9. 矩阵相乘的行列式等于各自行列式的乘积： $\det(AB) = \det(A) \times \det(B)$。 (特例：$\det(A^{-1}) = 1 / \det(A)$)。
10. 转置矩阵的行列式不变： $\det(A^T) = \det(A)$。 这个性质意义重大，它代表前面所有对「列（Row）」适用的性质，现在对「行（Column）」也完全适用。例如，行交换也会变号、单一行也具备线性等。

四、 行列式的三种计算公式

[新版演习线性代数_寺田文行, p.50](./台北科技大学 单元10 行列式 性质公式与四种应用.assets/新版演习线性代数_寺田文行.pdf) 公式一：利用[[高斯消元法]]求枢轴（Pivots）

也就是使用线性性质

根据性质 5 和性质 7，我们可以利用高斯消去法将矩阵 $A$ 化为上三角矩阵 $U$（或 $LDU$ 分解）。

然后根据性质，使用对角矩阵的det只需要将对角线元素相乘就可以得到。

• 公式： $\det(A) = \pm (d_1 \times d_2 \times \dots \times d_n)$，其中 $d_i$ 为枢轴（Pivots）。正负号取决于消去过程中发生了多少次列交换。 [file-20260312102958882, p.13](./台北科技大学 单元10 行列式 性质公式与四种应用.assets/file-20260312102958882.pdf) 公式二：[[余因子展开法]]（Cofactor Expansion / 余子式展开） 当不使用高斯消去法时，如何直接从矩阵元素求得行列式？这涉及到极度暴力的展开法则：

1. 将每一列拆解（根据性质3），一个 $n \times n$ 的矩阵最终会被拆成 $n^n$ 个行列式相加。
2. 根据性质6和性质4，只有那些「每一行、每一列都只有一个非零元素」的矩阵（即置换矩阵 Permutation Matrix 的倍数形式）才能存活下来，其余值皆为 0。存活下来的项数刚好是 $n!$（n阶乘）项。
3. 余因子 $C_{ij}$ 的定义： 为了简化这 $n!$ 项的公式，数学家定义了余因子。将矩阵 $A$ 中第 $i$ 列与第 $j$ 行删除后，剩下的小矩阵取行列式，再乘上正负号位置，即为余因子。
   • 公式： $C_{ij} = (-1)^{i+j} \det(M_{ij})$
4. 最终计算公式： 沿著任何一列 $i$ 展开：$\det(A) = a_{i1}C_{i1} + a_{i2}C_{i2} + \dots + a_{in}C_{in}$。 [file-20260312102958882, p.22](./台北科技大学 单元10 行列式 性质公式与四种应用.assets/file-20260312102958882.pdf) 公式三：[[Rule of Sarrus]] 公式四：定义法，求解二阶矩阵

五、 行列式的四大应用

尽管行列式在大型矩阵中计算量惊人，但它带来了四个重要的理论公式与应用：

1. 计算反矩阵（Computation of $A^{-1}$）：
   • 公式：$A^{-1} = \frac{1}{\det(A)} C^T$ （其中 $C^T$ 是余因子矩阵的转置，也称为伴随矩阵）。[file-20260312102958882, p.26](./台北科技大学 单元10 行列式 性质公式与四种应用.assets/file-20260312102958882.pdf)
2. 克拉玛公式（Cramer”s Rule）：
   • 用于求解 $Ax = b$。公式为 $x_j = \frac{\det(B_j)}{\det(A)}$，其中 $B_j$ 是将矩阵 $A$ 的第 $j$ 行替换为向量 $b$ 后所形成的新矩阵。教授特别提醒，此方法主要用于理解变数变化时的敏感度分析（Sensitivity analysis），在实务运算上效率极低。
3. 计算平行多面体的体积（Volume of a Box）：
   • 若空间中有 $n$ 个向量，由这些向量张开的平行多面体体积为：Volume = $|\det(A)|$。即便向量之间并非互相垂直（非直角），此体积公式依然成立。
4. 求解枢轴的公式（Formula for Pivots）：
   • 高斯消去法中的第 $k$ 个枢轴 $d_k$ 可以透过行列式直接求得：$d_k = \frac{\det(A_k)}{\det(A_{k-1})}$，其中 $A_k$ 代表矩阵左上角 $k \times k$ 的子矩阵。

---

思维模型与分析框架

1. 公理化推演思维 (Axiomatic Deduction Framework)

• 概念抽象： 将复杂的数学工具（行列式）还原到最核心的几条规则（公理）。影片中教授强烈建议忘掉 $ad-bc$ 或是沙路法则（Sarrus” rule）等记忆捷径，而是回归到性质 1、2、3。
• 应用方式： 当面对未知的数学变形（例如证明某个特殊矩阵的行列式为何），只要从最基础的公理出发（例如检验它是否满足列交换变号、是否有一列可拆解），就能一步步推导出结论（即推导出性质 4 至 10）。这种思维防范了「死背公式」导致的应用僵化。

2. 降维与拆解递迴模型 (Dimensionality Reduction & Recursive Decomposition)

• 概念抽象： 对于极端庞大且复杂的问题（例如计算一个 $n \times n$ 矩阵的行列式），难以直接得出结果。透过「余因子展开（Cofactor Expansion）」，将问题降维。
• 应用方式： 将一个 $n$ 维度的问题，拆解成 $n$ 个 $(n-1)$ 维度的子问题；接著再将 $(n-1)$ 维度继续拆解，直到变成 $2 \times 2$ 或 $1 \times 1$ 的基本形式。这正是计算机科学中「分而治之（Divide and Conquer）」的典型心智模型体现。

3. 特征压缩与敏感度指标 (Feature Compression & Sensitivity Indicator)

• 概念抽象： 行列式本质上是一个数据压缩器。它牺牲了矩阵内部的个别细节，换取了一个能够判断系统整体状态（State）的指示灯（例如 $\det=0$ 代表系统崩溃/奇异，$\det \neq 0$ 代表系统健康/可逆）。
• 应用方式： 在工程或系统分析中，我们常利用克拉玛公式的概念进行「敏感度分析」。当系统输入（向量 $b$）的一个微小元素发生改变时，对整体输出（解 $x$）会造成多大影响？透过观察行列式的变化率，可以在不重新计算整个庞大系统的情况下，预测个别变数的影响力。

---

Problems

使用行列式求解逆矩阵的公式是