Determinant 行列式

Determinant 是英语中的多义词，作名词时指“决定性因素”或数学中的"行列式"，作形容词意为“决定性的”。

定义

数学中的"行列式"是方阵元素（n×nn \times n 矩阵）的一个标量值函数。

一定要注意：从定义上来说，行列式是一个函数 det⁡(X)\det(X)；对于一个具体方阵来说，算出来最终是一个数值。例如矩阵 AA：

A=[2314]A= \begin{bmatrix} 2&3\\ 1&4 \end{bmatrix}

矩阵 AA 的行列式是：

det⁡(A)=2×4−3×1=5\det(A) = 2 \times 4 - 3 \times 1 = 5

可以说：矩阵 AA 的行列式是 55。还可以这样写：

det⁡[2314]=∣2314∣=∣A∣=5\det\begin{bmatrix} 2 & 3 \\ 1 & 4 \end{bmatrix} = \begin{vmatrix} 2 & 3 \\ 1 & 4 \end{vmatrix} = |A| = 5

类比：重要指标

行列式是矩阵中一个非常重要的标量指标，就像一个人的 BMI 一样：一个人的身体包含身高、体重、年龄、血压等大量信息，而 BMI 用一个数字对其中一部分重要特征进行高度概括；同样，一个矩阵包含大量元素和结构信息，而行列式将整个方阵映射为一个标量，用一个数字快速反映矩阵的一些核心性质，例如矩阵是否可逆，以及线性变换对面积、体积等尺度的缩放情况。

不过要注意一个关键点：BMI 不能代表一个人的全部身体状况，行列式也不能代表矩阵的全部信息。

区分：Matrix 矩阵 VS Determinant 行列式

  • Matrix（矩阵） → 是一个数字排列成的表格，具体的数字与形状
  • Determinant（行列式） → 是一个函数。讨论最终从某个方阵计算出来的一个数

作用 - 缩放倍数

一个 n×nn \times n 矩阵 AA 本质上代表一个线性变换：它把向量 x\mathbf{x} 映射为 AxA\mathbf{x}。行列式的绝对值，就是线性变换对任意区域（或基向量张成的平行多面体）体积 的缩放倍数；而行列式的正负号，则表示变换前后空间定向是否改变（正为同向，负为反向）。

维度几何对象行列式的意义
2×22 \times 2平行四边形面积det⁡(A)\det(A) = 面积缩放因子
3×33 \times 3平行六面体体积det⁡(A)\det(A) = 体积缩放因子
n×nn \times nn 维平行体体积高维体积缩放因子
  • 绝对值 ∣det⁡(A)∣|\det(A)| 表示缩放因子绝对值
  • 正负号 记录定向是否被翻转（例如把平面"翻了个面"）：
    • det⁡(A)>0\det(A) > 0 ：保持定向（右手系还是右手系）
    • det⁡(A)<0\det(A) < 0 ：翻转定向（镜像，左手系变右手系）
    • det⁡(A)=0\det(A) = 0 ：空间被压扁（降维），变换不可逆

分析：行列式代表 基向量张成的平行多面体 的缩放

二维空间下，取一个单位正方形，它的两条边是标准基向量：

e1=[10],e2=[01]\mathbf{e}_1 = \begin{bmatrix} 1 \\ 0 \end{bmatrix}, \quad \mathbf{e}_2 = \begin{bmatrix} 0 \\ 1 \end{bmatrix}

面积 = 1×1=11 \times 1 = 1。

现在用一个矩阵 AA 去变换它：

A=[2003]A = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}

变换后：

Ae1=[20],Ae2=[03]A\mathbf{e}_1 = \begin{bmatrix} 2 \\ 0 \end{bmatrix}, \quad A\mathbf{e}_2 = \begin{bmatrix} 0 \\ 3 \end{bmatrix}

正方形被拉成了一个 2×32 \times 3 的长方形，面积从 1 变成了 6。而这个矩阵的行列式恰好是：

det⁡(A)=2×3−0×0=6\det(A) = 2 \times 3 - 0 \times 0 = 6

对于一般的 2×22 \times 2 矩阵：

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

矩阵的 列向量就是基向量变换后的位置：

Ae1=[ac],Ae2=[bd]A\mathbf{e}_1 = \begin{bmatrix} a \\ c \end{bmatrix}, \quad A\mathbf{e}_2 = \begin{bmatrix} b \\ d \end{bmatrix}

验证：几何观点

单位正方形被变换成由这两个向量张成的平行四边形。它的面积可以用"补集法"算出来：把平行四边形装进一个 (a+b)×(c+d)(a+b) \times (c+d) 的大矩形里，再减去多出来的部分——注意多出来的不只是三角形，还有两个小矩形：

（图按 a=4, b=2, c=1, d=3a=4,\ b=2,\ c=1,\ d=3 的具体形状绘制，标注用的是符号。）

对照图逐块相加：

面积=(a+b)(c+d)⏟大矩形−2⋅ac2⏟两个红三角形−2⋅bd2⏟两个绿三角形−2⋅bc⏟两个紫矩形\text{面积} = \underbrace{(a+b)(c+d)}_{\text{大矩形}} - \underbrace{2 \cdot \frac{ac}{2}}_{\text{两个红三角形}} - \underbrace{2 \cdot \frac{bd}{2}}_{\text{两个绿三角形}} - \underbrace{2 \cdot bc}_{\text{两个紫矩形}}

展开化简，acac、bdbd 都消掉了，bcbc 只剩一个：

=ac+ad+bc+bd−ac−bd−2bc=ad−bc= ac + ad + bc + bd - ac - bd - 2bc = ad - bc

这正是二阶行列式的定义：

det⁡(A)=ad−bc\det(A) = ad - bc

单位正方形面积是 1，变换后平行四边形面积是 ∣det⁡(A)∣|\det(A)|，所以面积的缩放倍数就是 ∣det⁡(A)∣|\det(A)|。

推广：到更高的维度

我们可以把这个情况衍生到更高维度的情况：

  • 线性变换把整个平面均匀地拉伸：既然面积 11 的小正方形变成了面积 ∣det⁡(A)∣|\det(A)| 的平行四边形，那么每一个面积 11 的小方格都同样放大了 ∣det⁡(A)∣|\det(A)| 倍
  • 任意图形的面积可以看作无数个小方格面积之和（积分思想），所以任意图形的面积也放大 ∣det⁡(A)∣|\det(A)| 倍
  • 3 维同理：单位立方体 → 平行六面体，体积缩放倍数 = ∣det⁡(A)∣|\det(A)|
  • nn 维依此类推

作用 - 判断矩阵是否可逆

det⁡(A)≠0\det(A) \neq 0 是矩阵可逆（方程系数矩阵存在Inverse Matrix 逆矩阵，代表方程组有唯一解）的充分必要条件。

A 可逆  ⟺   方程有唯一解  ⟺  det⁡(A)≠0A \text{ 可逆} \iff \text{ 方程有唯一解} \iff \det(A) \neq 0
det⁡(A)\det(A)几何状态矩阵可逆？方程组 Ax=bA\mathbf{x} = \mathbf{b}
≠0\neq 0体积正常缩放✅ 可逆唯一解
=0= 0空间被压扁（降维）❌ 不可逆无解或无穷多解

分析：为什么 det⁡(A)=0\det(A) = 0 就不可逆？

“可逆"的几何含义是：变换可以撤销——空间被拉伸/旋转之后，还能原样变回去。

回顾作用 1 的结论：det⁡(A)\det(A) 是体积缩放倍数。那么 det⁡(A)=0\det(A) = 0 意味着什么？意味着体积被压成了 0——空间被"压扁"降维了：

  • 2 维：整个平面被压成一条直线（甚至一个点）
  • 3 维：整个空间被压成一个平面或一条线

压扁之后，无数个不同的输入向量被压到了同一个输出上，信息已经丢失，就像把一张纸拍扁成一条线后，再也无法知道原来每个点在哪里——变换不可逆。

反过来，只要 det⁡(A)≠0\det(A) \neq 0，面积/体积没有被压没，变换是一一对应，就一定能"变回去”，即 A−1A^{-1} 存在。

把矩阵看成一个函数：输入是变换前的向量 x\mathbf{x}，输出是变换后的向量 AxA\mathbf{x}。“可逆"问的就是：给你输出，能不能唯一反推出输入？

A=[1224],det⁡(A)=1×4−2×2=0A = \begin{bmatrix} 1 & 2 \\ 2 & 4 \end{bmatrix}, \quad \det(A) = 1 \times 4 - 2 \times 2 = 0

注意第二列恰好是第一列的 2 倍——两个列向量共线，所以整个平面被压到了一条直线（[12]\begin{bmatrix} 1 \\ 2 \end{bmatrix} 所在的那条线）上。

可以直接验证两个不同的输入被压到了同一个输出：

A[20]=[24],A[01]=[24]A \begin{bmatrix} 2 \\ 0 \end{bmatrix} = \begin{bmatrix} 2 \\ 4 \end{bmatrix}, \quad A \begin{bmatrix} 0 \\ 1 \end{bmatrix} = \begin{bmatrix} 2 \\ 4 \end{bmatrix}

现在只给你输出 [24]\begin{bmatrix} 2 \\ 4 \end{bmatrix}，问输入是什么？说不清——至少有两个可能的答案（实际是无穷多个）。多对一，信息丢了，逆变换不存在。

再来一组例子，取 x=[23]\mathbf{x} = \begin{bmatrix} 2 \\ 3 \end{bmatrix}：

A[23]=[1×2+2×32×2+4×3]=[816]A \begin{bmatrix} 2 \\ 3 \end{bmatrix} = \begin{bmatrix} 1 \times 2 + 2 \times 3 \\ 2 \times 2 + 4 \times 3 \end{bmatrix} = \begin{bmatrix} 8 \\ 16 \end{bmatrix}

输出 [816]=8[12]\begin{bmatrix} 8 \\ 16 \end{bmatrix} = 8 \begin{bmatrix} 1 \\ 2 \end{bmatrix}，果然也落在那条直线上。而能达到这个输出的输入远不止一个：

A[04]=[816],A[42]=[816],A[−25]=[816],⋯A \begin{bmatrix} 0 \\ 4 \end{bmatrix} = \begin{bmatrix} 8 \\ 16 \end{bmatrix}, \quad A \begin{bmatrix} 4 \\ 2 \end{bmatrix} = \begin{bmatrix} 8 \\ 16 \end{bmatrix}, \quad A \begin{bmatrix} -2 \\ 5 \end{bmatrix} = \begin{bmatrix} 8 \\ 16 \end{bmatrix}, \quad \cdots

规律很明显：只要输入满足 x+2y=8x + 2y = 8，输出都是 [816]\begin{bmatrix} 8 \\ 16 \end{bmatrix}——一条直线上的无穷多个输入，全部被压到了同一个点。这就是"降维"在数值上的样子。

下图展示了这个"压扁"的过程：

图中有两个细节值得展开说说：

① 为什么整个输出平面只用到一条直线 y=2xy = 2x？

因为任何输出都是矩阵两列的线性组合：

Ax=x[12]+y[24]=(x+2y)[12]A\mathbf{x} = x \begin{bmatrix} 1 \\ 2 \end{bmatrix} + y \begin{bmatrix} 2 \\ 4 \end{bmatrix} = (x + 2y) \begin{bmatrix} 1 \\ 2 \end{bmatrix}

两列共线（第二列是第一列的 2 倍），所以无论输入 [xy]\begin{bmatrix} x \\ y \end{bmatrix} 怎么取，输出永远是 [12]\begin{bmatrix} 1 \\ 2 \end{bmatrix} 的某个倍数——也就是直线 y=2xy = 2x 上的点。输出平面的其余部分（图中淡淡的网格）永远也到不了。能到达的集合从 2 维的平面坍缩成了 1 维的直线，这就是"降维”。

② 为什么说单位正方形被压成了线段，面积变成 0？

回顾作用 1：单位正方形的两条边 e1,e2\mathbf{e}_1, \mathbf{e}_2 被变换到矩阵的两个列向量：

Ae1=[12],Ae2=[24]A\mathbf{e}_1 = \begin{bmatrix} 1 \\ 2 \end{bmatrix}, \quad A\mathbf{e}_2 = \begin{bmatrix} 2 \\ 4 \end{bmatrix}

正常情况它们张成一个平行四边形；但这里两个向量共线，平行四边形退化成了从 (0,0)(0,0) 到 (1,2)+(2,4)=(3,6)(1,2)+(2,4) = (3,6) 的一条线段（图中右侧粗线段）。用作用 1 的面积公式验证：

面积=∣1×4−2×2∣=0=∣det⁡(A)∣\text{面积} = |1 \times 4 - 2 \times 2| = 0 = |\det(A)|

行列式为 0 和"面积被压成 0"完全一致——det⁡(A)=0\det(A) = 0 的几何含义就是：变换把平面压扁了，任何图形变换后面积都是 0。

反之，如果 det⁡(A)≠0\det(A) \neq 0，变换是一一对应，每个输出只对应唯一输入，就能用 A−1A^{-1} 反推出来。例如 B=[2003]B = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}（det⁡(B)=6≠0\det(B) = 6 \neq 0），给你输出 [26]\begin{bmatrix} 2 \\ 6 \end{bmatrix}，用 B−1=[1/2001/3]B^{-1} = \begin{bmatrix} 1/2 & 0 \\ 0 & 1/3 \end{bmatrix} 一算，输入只能是 [12]\begin{bmatrix} 1 \\ 2 \end{bmatrix}。

验证：逆矩阵公式里的 det⁡(A)\det(A)

2 阶逆矩阵公式可以直接看到行列式的作用：

A−1=1det⁡(A)[d−b−ca]A^{-1} = \frac{1}{\det(A)} \begin{bmatrix} d & -b \\ -c & a \end{bmatrix}

det⁡(A)\det(A) 出现在分母上：det⁡(A)=0\det(A) = 0 意味着除以 0，公式直接失效——这和几何上"压扁了回不去"是同一件事的两种说法。

运算 - 一般规则

行列式怎么算？按维度一层层来——注意每一层都可以拆成下一层，这个递归结构是理解 n 维的关键。

2×2

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

比如开头那个例子：det⁡[2314]=2×4−3×1=5\det\begin{bmatrix} 2 & 3\\ 1 & 4 \end{bmatrix} = 2\times4 - 3\times1 = 5。这就是前面用"补集法"从平行四边形面积推出来的公式。

3×3

设：

A=[abcdefghi]A = \begin{bmatrix} a & b & c\\ d & e & f\\ g & h & i \end{bmatrix}

按第一行展开：

det⁡(A)=a(ei−fh)−b(di−fg)+c(dh−eg)\det(A) = a(ei - fh) - b(di - fg) + c(dh - eg)

数值例子：

det⁡[123014560]=1×(1×0−4×6)  −  2×(0×0−4×5)  +  3×(0×6−1×5)\det\begin{bmatrix} 1 & 2 & 3\\ 0 & 1 & 4\\ 5 & 6 & 0 \end{bmatrix} = 1\times(1\times0 - 4\times6)\; -\; 2\times(0\times0 - 4\times5)\; +\; 3\times(0\times6 - 1\times5)=1×(−24)−2×(−20)+3×(−5)=−24+40−15=1= 1\times(-24) - 2\times(-20) + 3\times(-5) = -24 + 40 - 15 = 1

几何意义：单位立方体经这个变换后，平行六面体体积为 ∣1∣=1|1|=1，定向不变。

n×n（n 维）

严格定义（Leibniz 公式）：从每一行各取一个元素、且列互不重复（即取遍所有排列 σ\sigma），按排列的奇偶性带上正负号，全部相加：

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

一共有 n!n! 项——n=10n=10 时就是 360 多万项，直接按定义算是不现实的。

运算 - 乘法

det⁡(AB)=det⁡(A)⋅det⁡(B)\det(AB) = \det(A) \cdot \det(B)

回顾作用：行列式是体积缩放倍数。而矩阵乘积 ABAB 的几何含义是连续做两次变换——先做 BB，再做 AA：

x→  B  Bx→  A  ABx\mathbf{x} \xrightarrow{\;B\;} B\mathbf{x} \xrightarrow{\;A\;} AB\mathbf{x}
  • 第一步：BB 把体积放大 ∣det⁡(B)∣|\det(B)| 倍
  • 第二步：AA 在已经放大的基础上，再放大 ∣det⁡(A)∣|\det(A)| 倍

倍数连着乘，总缩放倍数自然是 ∣det⁡(A)∣⋅∣det⁡(B)∣|\det(A)| \cdot |\det(B)|。定向也一样：翻转两次等于不翻转，(−1)×(−1)=1(-1) \times (-1) = 1——符号也按乘法走。所以 det⁡(AB)=det⁡(A)det⁡(B)\det(AB) = \det(A)\det(B) 本质上就是"缩放倍数的复合"。

例子：几何直觉

取一个拉伸变换 AA 和一个镜像变换 BB：

A=[2003],det⁡(A)=6;B=[0110],det⁡(B)=−1A = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}, \quad \det(A) = 6; \qquad B = \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}, \quad \det(B) = -1

BB 是沿对角线的镜像（交换 xx、yy 轴）：面积不变，但定向翻转，所以行列式是 −1-1。

先算乘积：

AB=[2003][0110]=[0230]AB = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix} \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix} = \begin{bmatrix} 0 & 2 \\ 3 & 0 \end{bmatrix}det⁡(AB)=0×0−2×3=−6\det(AB) = 0 \times 0 - 2 \times 3 = -6

验证乘法公式：

det⁡(A)⋅det⁡(B)=6×(−1)=−6=det⁡(AB)✅\det(A) \cdot \det(B) = 6 \times (-1) = -6 = \det(AB) \quad ✅

几何上完全说得通：先镜像（面积不变、翻面），再拉伸（面积 ×6）——总面积缩放 6 倍，且被翻了一面，所以是 −6-6。

验证：代数观点

不依赖几何直觉，直接展开也能验证。设：

A=[abcd],B=[efgh],AB=[ae+bgaf+bhce+dgcf+dh]A = \begin{bmatrix} a & b \\ c & d \end{bmatrix}, \quad B = \begin{bmatrix} e & f \\ g & h \end{bmatrix}, \quad AB = \begin{bmatrix} ae+bg & af+bh \\ ce+dg & cf+dh \end{bmatrix}det⁡(AB)=(ae+bg)(cf+dh)−(af+bh)(ce+dg)\det(AB) = (ae+bg)(cf+dh) - (af+bh)(ce+dg)

展开后 acefacef 和 bgdhbgdh 各自消掉，剩下的恰好可以因式分解：

=aedh+bgcf−afdg−bhce=ad(eh−fg)−bc(eh−fg)=(ad−bc)(eh−fg)= aedh + bgcf - afdg - bhce = ad(eh - fg) - bc(eh - fg) = (ad - bc)(eh - fg)=det⁡(A)⋅det⁡(B)✅= \det(A) \cdot \det(B) \quad ✅

推论

  • 逆矩阵的行列式：由 AA−1=IAA^{-1} = I 且 det⁡(I)=1\det(I) = 1，得 det⁡(A−1)=1det⁡(A)\det(A^{-1}) = \dfrac{1}{\det(A)}——逆变换当然要把缩放倍数"除回去"。

  • 乘积顺序无关（仅对行列式）：det⁡(AB)=det⁡(BA)\det(AB) = \det(BA)，虽然矩阵乘法一般 AB≠BAAB \neq BA。几何上：无论先拉伸谁，总体积缩放倍数相同。

Backward Inverse Matrix 逆矩阵 Rank 秩 Forward