Lecture 20: Cramer’s Rule, Inverse Matrix, and Volume

目录 · ← l18 · l20 →

Lecture 20: Cramer’s Rule, Inverse Matrix, and Volume

概述

这是行列式三讲连讲的收官。前两讲建立了 $\det$ 的性质与公式，本讲把它们兑现成三件”产品”：(1) 逆矩阵的显式公式 $A^{-1}=\operatorname{adj}A/\det A$；(2) 解线性方程组 $A\mathbf{x}=\mathbf{b}$ 的 Cramer 法则 $x_i=\det A_i/\det A$；(3) 行列式最本质的解释——$\vert \det A\vert $ 是体积，符号是定向。

Strang 把几何解释放在最后压轴，因为它是整个课程里”行列式为什么重要”的最终答案：$\det$ 不是一个为了考试而生的代数技巧，它是线性变换对体积的缩放因子。由此，$\det A=0$ 有了最直观的含义——空间被压扁（降维），所以不可逆；微积分里的换元公式 $dx\,dy=\vert \det J\vert \,du\,dv$ 也有了来源；讲次 29 的 SVD 更是把 $\det$ 写成 $\prod_i\sigma_i$，让”体积因子 = 各方向伸缩因子的乘积”变得字面成立。

核心概念的几何直觉

伴随矩阵（adjugate）与逆矩阵公式

• 定义与目的：设 $C=(C_{ij})$ 是代数余子式矩阵（讲次 19），则伴随矩阵定义为它的转置 \(\operatorname{adj}A=C^{\mathsf T},\qquad \operatorname{adj}A=\begin{bmatrix}C_{11}&C_{21}&\cdots&C_{n1}\\ C_{12}&C_{22}&\cdots&C_{n2}\\ \vdots&\vdots&&\vdots\\ C_{1n}&C_{2n}&\cdots&C_{nn}\end{bmatrix}.\) 注意是转置——第 $i$ 行装的是原来第 $i$ 列的代数余子式。于是 \(A^{-1}=\frac{1}{\det A}\operatorname{adj}A,\qquad \text{当 }\det A\neq0.\)
• 几何直觉：余子式 $C_{ij}$ 度量”删掉第 $i$ 行第 $j$ 列后剩余方向张成的体积”。伴随矩阵把这个信息转置着摆回去，正好补齐 $A$ 丢失的尺度。为什么需要转置？因为 $A$ 的第 $i$ 行与 $C$ 的第 $i$ 行做点积时，非对角项必须消失（讲次 19 的错位求和恒等式），而”行 × 同行余子式”和”行 × 其他行余子式”的配对关系天然是行对行的；要拼出 $A^{-1}$ 需要的是”列配对”，所以转置。
• 具体示例：$2\times2$ 的回看。$A=\begin{bmatrix}a&b\\c&d\end{bmatrix}$，$C_{11}=+d$，$C_{12}=-c$，$C_{21}=-b$，$C_{22}=+a$，所以 \(\operatorname{adj}A=\begin{bmatrix}d&-b\\-c&a\end{bmatrix},\qquad A^{-1}=\frac{1}{ad-bc}\begin{bmatrix}d&-b\\-c&a\end{bmatrix}.\) 这就是我们背了无数遍的公式——它现在是两条恒等式的特例，不是孤立的记忆点。

Cramer 法则（Cramer’s rule）

• 定义与目的：若 $\det A\neq0$，方程组 $A\mathbf{x}=\mathbf{b}$ 的唯一解的第 $i$ 个分量为 \(x_i=\frac{\det A_i}{\det A},\) 其中 $A_i$ 是把 $A$ 的第 $i$ 列替换成 $\mathbf{b}$、其余列不动得到的矩阵。
• 几何直觉：$\mathbf{b}=A\mathbf{x}$ 是 $A$ 的列向量的线性组合，系数是 $x_i$。把这一列的贡献换成 $\mathbf{b}$ 之后，新矩阵的”体积”就等于 $x_i$ 乘以原来的体积——因为 $A_i$ 与 $A$ 只差一列，而那一列的改变在所有 $n!$ 项中只影响含有该列的那些项，每项都恰好被乘上 $x_i$（线性！）。于是 $\det A_i=x_i\det A$，移项即得。Cramer 法则本质上是”用体积比读出组合系数”。
• 具体示例：$2\times2$ 系统 $3x+y=5$，$5x+2y=8$： \(\det A=\begin{vmatrix}3&1\\5&2\end{vmatrix}=1,\quad \det A_1=\begin{vmatrix}5&1\\8&2\end{vmatrix}=2,\quad \det A_2=\begin{vmatrix}3&5\\5&8\end{vmatrix}=-1,\) \(x=\frac{2}{1}=2,\qquad y=\frac{-1}{1}=-1.\) 代回：$3(2)+(-1)=5$ ✓，$5(2)+2(-1)=8$ ✓。

行列式 = 体积（本讲的灵魂）

• 定义与目的：把 $A$ 的列向量记为 $\mathbf{a}_1,\ldots,\mathbf{a}_n$。则 \(\vert \det A\vert =\text{由 }\mathbf{a}_1,\ldots,\mathbf{a}_n\text{ 张成的平行体（2D：平行四边形；3D：平行六面体）的体积}.\) 符号 $\operatorname{sign}(\det A)$ 是定向：$\det A>0$ 表示 $\{\mathbf{a}_1,\ldots,\mathbf{a}_n\}$ 与标准基 $\{\mathbf{e}_1,\ldots,\mathbf{e}_n\}$ 同向（右手系）；$\det A<0$ 表示反向（左手系）。
• 几何直觉：单位立方体（体积 1）被 $A$ 映射成由列向量张成的平行体。$A$ 把每个方向按列向量拉伸，总”体积倍数”就是 $\vert \det A\vert $。符号与大小是正交分解的：$\vert \det\vert $ 管”压扁/放大多少”，符号管”有没有翻面”。
• 具体示例：$G=\begin{bmatrix}2&1\\1&3\end{bmatrix}$，列向量 $\binom{2}{1}$ 与 $\binom{1}{3}$。$\det G=2\cdot3-1\cdot1=5$，所以平行四边形的面积是 $5$，且因 $\det>0$，定向与 $(\mathbf{e}_1,\mathbf{e}_2)$ 相同。

$\det=0$ 的几何含义：空间被压扁

• 定义与目的：$\det A=0\iff$ 列向量线性相关 $\iff$ 这些列张成的平行体没有 $n$ 维体积。
• 几何直觉：$n$ 个向量若线性相关，它们全都躺在一个不超过 $n-1$ 维的子空间里。2D 里表现为”两条边共线”（压成一条线段，面积 0）；3D 里表现为”三条边共面”（压成一个平面图形，体积 0）。整个空间被映射到更低维的像里，$A\mathbf{x}=\mathbf{b}$ 要么无解，要么有无穷多解——这就是不可逆的几何原因。
• 具体示例：$S=\begin{bmatrix}1&2\\2&4\end{bmatrix}$，列向量 $\binom{1}{2}$ 与 $\binom{2}{4}$ 共线。$\det S=4-4=0$。单位正方形被压成一条线段（面积 0），$S$ 不可逆。

雅可比因子（Jacobian）与变量替换

• 定义与目的：多元换元 $x=x(u,v),\ y=y(u,v)$ 时， \(\iint f(x,y)\,dx\,dy=\iint f\big(x(u,v),y(u,v)\big)\,\left|\det J\right|\,du\,dv,\qquad J=\begin{bmatrix}\partial x/\partial u&\partial x/\partial v\\ \partial y/\partial u&\partial y/\partial v\end{bmatrix}.\) $J$ 叫雅可比矩阵，$\det J$ 是局部体积缩放因子——微小的 $du\,dv$ 矩形被映射成微小的平行四边形，其面积相对原面积正好放大 $\vert \det J\vert $ 倍。
• 几何直觉：线性变换全空间用同一个 $\vert \det A\vert $ 缩放体积；对非线性映射，不同位置的”局部”缩放不同，但局部（无穷小尺度）上看仍然是线性的，所以用一个随位置变化的 $\det J$ 来补偿。线性代数的 $\det$ 就是雅可比行列式在”$J$ 是常矩阵”时的特例。
• 具体示例：极坐标 $x=r\cos\theta,\ y=r\sin\theta$， \(J=\begin{bmatrix}\cos\theta&-r\sin\theta\\ \sin\theta&r\cos\theta\end{bmatrix},\qquad \det J=r\cos^2\theta+r\sin^2\theta=r.\) 所以 $dx\,dy=r\,dr\,d\theta$。这个 $\det J=r$ 正是所有极坐标积分里那个 $r$ 的来源——它不是什么”凑出来的因子”，而是面积缩放因子。

计算步骤与手算演示

示例 1：$3\times3$ 伴随矩阵全流程 + 验证 $A\cdot(\operatorname{adj}A/\det A)=I$

取讲次 18-19 反复使用的 \(W=\begin{bmatrix}1&1&1\\0&2&5\\2&5&-1\end{bmatrix},\qquad \det W=-21\ (\text{讲次 18 已用消元法算出}).\)

步骤 1：逐个算出 9 个子式的值。 对每个 $(i,j)$，删去第 $i$ 行第 $j$ 列，剩下 $2\times2$。 \(\det M_{11}=\begin{vmatrix}2&5\\5&-1\end{vmatrix}=2(-1)-5\cdot5=-2-25=-27,\qquad \det M_{12}=\begin{vmatrix}0&5\\2&-1\end{vmatrix}=0(-1)-5\cdot2=-10,\) \(\det M_{13}=\begin{vmatrix}0&2\\2&5\end{vmatrix}=0\cdot5-2\cdot2=-4,\qquad \det M_{21}=\begin{vmatrix}1&1\\5&-1\end{vmatrix}=1(-1)-1\cdot5=-1-5=-6,\) \(\det M_{22}=\begin{vmatrix}1&1\\2&-1\end{vmatrix}=1(-1)-1\cdot2=-1-2=-3,\qquad \det M_{23}=\begin{vmatrix}1&1\\2&5\end{vmatrix}=1\cdot5-1\cdot2=5-2=3,\) \(\det M_{31}=\begin{vmatrix}1&1\\2&5\end{vmatrix}=5-2=3,\qquad \det M_{32}=\begin{vmatrix}1&1\\0&5\end{vmatrix}=1\cdot5-1\cdot0=5,\qquad \det M_{33}=\begin{vmatrix}1&1\\0&2\end{vmatrix}=1\cdot2-1\cdot0=2.\)

步骤 2：贴上棋盘符号 $(-1)^{i+j}$，得到余子式矩阵 $C$。 \(\begin{aligned} C_{11}&=+(-27)=-27, & C_{12}&=-(-10)=+10, & C_{13}&=+(-4)=-4,\\ C_{21}&=-(-6)=+6, & C_{22}&=+(-3)=-3, & C_{23}&=-(+3)=-3,\\ C_{31}&=+(+3)=+3, & C_{32}&=-(+5)=-5, & C_{33}&=+(+2)=+2. \end{aligned}\) \(C=\begin{bmatrix}-27&10&-4\\6&-3&-3\\3&-5&2\end{bmatrix}.\)

步骤 3：转置得到伴随矩阵。 \(\operatorname{adj}W=C^{\mathsf T}=\begin{bmatrix}-27&6&3\\10&-3&-5\\-4&-3&2\end{bmatrix}.\)

步骤 4：验证核心恒等式 $W\cdot\operatorname{adj}W=(\det W)I=-21I$。 逐元素算几个：

• $(1,1)$ 项：$1(-27)+1(10)+1(-4)=-27+10-4=-21$ ✓
• $(1,2)$ 项：$1(6)+1(-3)+1(-3)=6-3-3=0$ ✓
• $(1,3)$ 项：$1(3)+1(-5)+1(2)=3-5+2=0$ ✓
• $(2,1)$ 项：$0(-27)+2(10)+5(-4)=0+20-20=0$ ✓
• $(2,2)$ 项：$0(6)+2(-3)+5(-3)=0-6-15=-21$ ✓
• $(3,2)$ 项：$2(6)+5(-3)+(-1)(-3)=12-15+3=0$ ✓
• $(3,3)$ 项：$2(3)+5(-5)+(-1)(2)=6-25-2=-21$ ✓

步骤 5：得出逆矩阵。 除以 $\det W=-21$： \(W^{-1}=\frac{1}{-21}\begin{bmatrix}-27&6&3\\10&-3&-5\\-4&-3&2\end{bmatrix} =\begin{bmatrix}\tfrac{9}{7}&-\tfrac{2}{7}&-\tfrac{1}{7}\\[2pt]-\tfrac{10}{21}&\tfrac{1}{7}&\tfrac{5}{21}\\[2pt]\tfrac{4}{21}&\tfrac{1}{7}&-\tfrac{2}{21}\end{bmatrix}.\)

步骤 6：验算 $W W^{-1}=I$（抽两行）。 第 1 行 × 第 1 列：$1\cdot\tfrac97+1\cdot(-\tfrac{10}{21})+1\cdot\tfrac{4}{21}=\tfrac{27}{21}-\tfrac{10}{21}+\tfrac{4}{21}=\tfrac{21}{21}=1$ ✓。第 3 行 × 第 3 列：$2(-\tfrac17)+5(\tfrac{5}{21})+(-1)(-\tfrac{2}{21})=-\tfrac{2}{7}+\tfrac{25}{21}+\tfrac{2}{21}=-\tfrac{6}{21}+\tfrac{27}{21}=\tfrac{21}{21}=1$ ✓。

【计算机制解说】：为什么 $W\cdot\operatorname{adj}W=(\det W)I$ 一定成立？分两种情况看。

对角元：$(W\cdot\operatorname{adj}W){ii}=\sum{j}w_{ij}C_{ij}$（因为 $\operatorname{adj}W$ 的第 $i$ 行第 $j$ 列是 $C_{ji}$，所以内积是 $\sum_j w_{ij}C_{ij}$）。这正是沿第 $i$ 行展开 $\det W$，所以等于 $\det W$。

非对角元：$i\neq k$ 时，$(W\cdot\operatorname{adj}W){ik}=\sum_j w{ij}C_{kj}$。这个和等于”把 $W$ 的第 $k$ 行替换成第 $i$ 行后，沿第 $k$ 行展开”——被替换后的矩阵第 $i$ 行与第 $k$ 行完全相同，行列式为 0（讲次 18 性质 2），故该和为 0。

于是 $W\operatorname{adj}W=(\det W)I$。（对称地 $\operatorname{adj}W\cdot W=(\det W)I$ 也成立，本算例的数值验证见下。）两边除以 $\det W$ 得 $W^{-1}=\operatorname{adj}W/\det W$。注意：这里用到的是讲次 19 的”错位求和恒等式”，所以本讲是讲次 19 的直接兑现。

副作用提醒：这个公式理论漂亮、数值糟糕。算 $\operatorname{adj}$ 需要 $n^2$ 个 $(n-1)$ 阶行列式，$n=20$ 时约 $20^2\cdot 19!\approx 2.4\times10^{20}$ 次运算；而消元求逆只要约 $2n^3=16000$ 次。手算与推导用它，工程计算绝不用它。

示例 2：Cramer 法则解 $3\times3$ 方程组，并与消元法对照

仍用上面的 $W$，取 $\mathbf{b}=(6,-4,27)^{\mathsf T}$，解 \(W\mathbf{x}=\mathbf{b}:\qquad \begin{cases} x_1+x_2+x_3=6\\ 2x_2+5x_3=-4\\ 2x_1+5x_2-x_3=27 \end{cases}\)

步骤 1：$\det W=-21$（讲次 18 已验证：消元主元 $1,2,-\tfrac{21}{2}$，乘积 $-21$）。

步骤 2：用 $\mathbf{b}$ 替换第 1 列，得 $W_1$，算 $\det W_1$。 \(W_1=\begin{bmatrix}6&1&1\\-4&2&5\\27&5&-1\end{bmatrix}.\) 沿第 1 列展开（或用讲次 19 的余子式）： \(\det W_1=6\det\begin{bmatrix}2&5\\5&-1\end{bmatrix}-(-4)\det\begin{bmatrix}1&1\\5&-1\end{bmatrix}+27\det\begin{bmatrix}1&1\\2&5\end{bmatrix}\) \(=6(-27)+4(-1-5)+27(5-2)=-162-24+81=-105.\) （这里用了 $C_{11},C_{21},C_{31}$ 的值：$C_{11}=-27$，$C_{21}=+6$，$C_{31}=+3$。更省事的写法见下面【计算机制解说】。） \(x_1=\frac{\det W_1}{\det W}=\frac{-105}{-21}=5.\)

步骤 3：替换第 2 列。 \(W_2=\begin{bmatrix}1&6&1\\0&-4&5\\2&27&-1\end{bmatrix}.\) 沿第 2 列展开：$\det W_2=6C_{12}+(-4)C_{22}+27C_{32}=6(10)+(-4)(-3)+27(-5)=60+12-135=-63$。 \(x_2=\frac{-63}{-21}=3.\)

步骤 4：替换第 3 列。 \(W_3=\begin{bmatrix}1&1&6\\0&2&-4\\2&5&27\end{bmatrix}.\) 沿第 3 列展开：$\det W_3=6C_{13}+(-4)C_{23}+27C_{33}=6(-4)+(-4)(-3)+27(2)=-24+12+54=42$。 \(x_3=\frac{42}{-21}=-2.\)

步骤 5：代回验证。 \(x_1+x_2+x_3=5+3-2=6\ \checkmark,\qquad 2x_2+5x_3=6-10=-4\ \checkmark,\qquad 2x_1+5x_2-x_3=10+15+2=27\ \checkmark\)

步骤 6：用消元法（增广矩阵）独立复核。 \(\left[\begin{array}{ccc\|c}1&1&1&6\\0&2&5&-4\\2&5&-1&27\end{array}\right] \xrightarrow{R_3-2R_1}\left[\begin{array}{ccc\|c}1&1&1&6\\0&2&5&-4\\0&3&-3&15\end{array}\right] \xrightarrow{R_3-\frac32R_2}\left[\begin{array}{ccc\|c}1&1&1&6\\0&2&5&-4\\0&0&-\frac{21}{2}&21\end{array}\right]\) 回代：$-\tfrac{21}{2}x_3=21\Rightarrow x_3=-2$；$2x_2+5(-2)=-4\Rightarrow 2x_2=6\Rightarrow x_2=3$；$x_1+3-2=6\Rightarrow x_1=5$。解完全相同。✓ （顺便：主元之积 $1\cdot2\cdot(-\tfrac{21}{2})=-21=\det W$，又回到讲次 18 的结论。）

   Cramer 法则的"替换列"图景
   
             列1 列2 列3              列1 列2 列3
            +---+---+---+            +---+---+---+
      det W | 1 | 1 | 1 |      det W1| b1| 1 | 1 |   <- 第 1 列被 b 顶替
            | 0 | 2 | 5 |            | b2| 2 | 5 |
            | 2 | 5 |-1 |            | b3| 5 |-1 |
            +---+---+---+            +---+---+---+
                 |                         |
                 v                         v
            det = -21                  det = -105
                                            |
              x1 = det W1 / det W = -105 / -21 = 5     |
              x2 = det W2 / det W =  -63 / -21 = 3     |  每个替换再算一次
              x3 = det W3 / det W =   42 / -21 = -2    |  3x3 行列式
   
   几何读法：W 的列向量张成体积 |det W| = 21 的平行六面体。
   b = 5*(列1) + 3*(列2) + (-2)*(列3)：把构成 b 的三个"配料系数"
   通过逐个替换列、看体积变了多少倍，直接读出来。

【计算机制解说】：为什么 $\det W_i=x_i\det W$？关键在于列的多重线性（讲次 18 公理 3 的列版本，由 $\det A^{\mathsf T}=\det A$ 得到）。把 $W$ 的第 $i$ 列记为 $\mathbf{a}i$，而 $\mathbf{b}=x_1\mathbf{a}_1+\cdots+x_n\mathbf{a}_n$。$W_i$ 就是把第 $i$ 列换成 $\mathbf{b}$： \(\det W_i=\det[\mathbf{a}_1,\ldots,\mathbf{b},\ldots,\mathbf{a}_n].\) 由对第 $i$ 列线性，把 $\mathbf{b}$ 展开成 $n$ 项： \(\det W_i=\sum_{k=1}^{n}x_k\det[\mathbf{a}_1,\ldots,\mathbf{a}_k,\ldots,\mathbf{a}_n].\) 其中第 $k$ 项是把第 $i$ 列换成 $\mathbf{a}_k$。当 $k\neq i$ 时，矩阵有两列相同（第 $i$ 列与第 $k$ 列都是 $\mathbf{a}_k$），行列式为 0；只有 $k=i$ 项存活，它就是 $\det W$。于是 \(\det W_i=x_i\det W\ \Longrightarrow\ x_i=\frac{\det W_i}{\det W}.\) Cramer 法则 = 列线性 + 两列相同为零。 顺带得到一个超实用的计算捷径：$\det W_i=\mathbf{b}^{\mathsf T}(\operatorname{adj}W\text{ 的第 }i\text{ 列})=\sum_k b_k C{ki}$——上面的算例就是这个写法（$6(-27)+(-4)(6)+27(3)=-105$）。

成本对比（务必知道）：Cramer 法则要算 $n+1$ 个 $n$ 阶行列式，即 $(n+1)\cdot\tfrac23n^3=O(n^4)$；消元法只要 $\tfrac23n^3=O(n^3)$。$n=100$ 时差约 100 倍。Cramer 法则的价值在于公式的美与理论用途（误差分析、灵敏度、符号推导），不在于实际求解。

示例 3：$3\times3$ 的体积——$W$ 的列向量张成的平行六面体

步骤 1：确定”列向量”。 $W=\begin{bmatrix}1&1&1\\0&2&5\\2&5&-1\end{bmatrix}$ 的三列是 \(\mathbf{w}_1=\begin{bmatrix}1\\0\\2\end{bmatrix},\qquad \mathbf{w}_2=\begin{bmatrix}1\\2\\5\end{bmatrix},\qquad \mathbf{w}_3=\begin{bmatrix}1\\5\\-1\end{bmatrix}.\)

步骤 2：体积 = $\vert \det W\vert $。 $\det W=-21$，所以体积 $=21$。

步骤 3：用”底面积 × 高”独立复核（几何自洽性检查）。

• 底：由 $\mathbf{w}_1,\mathbf{w}_2$ 张成的平行四边形面积 \(\|\mathbf{w}_1\times\mathbf{w}_2\|=\left|\begin{vmatrix}\mathbf{i}&\mathbf{j}&\mathbf{k}\\1&0&2\\1&2&5\end{vmatrix}\right| =\left|\,\mathbf{i}(0\cdot5-2\cdot2)-\mathbf{j}(1\cdot5-2\cdot1)+\mathbf{k}(1\cdot2-0\cdot1)\right|\) \(=\vert (-4,-3,2)\vert =\sqrt{16+9+4}=\sqrt{29}\approx5.385.\)
• 高：$\mathbf{w}_3$ 在 $\mathbf{w}_1\times\mathbf{w}_2$ 方向上的投影绝对值 \(h=\frac{\|\mathbf{w}_3\cdot(\mathbf{w}_1\times\mathbf{w}_2)\|}{\|\mathbf{w}_1\times\mathbf{w}_2\|} =\frac{\|1(-4)+5(-3)+(-1)(2)\|}{\sqrt{29}}=\frac{\|-4-15-2\|}{\sqrt{29}}=\frac{21}{\sqrt{29}}.\)
• 体积 $=$ 底 × 高 $=\sqrt{29}\cdot\dfrac{21}{\sqrt{29}}=21.\ ✓$

步骤 4：符号 = 定向。 $\det W=-21<0$，说明 $\{\mathbf{w}_1,\mathbf{w}_2,\mathbf{w}_3\}$ 是左手系（与标准基定向相反）；体积仍是正的 $21$。若把 $\mathbf{w}_2$ 与 $\mathbf{w}_3$ 互换位置，$\det$ 变为 $+21$——体积不变，定向翻正。

【计算机制解说】：”$\vert \det\vert = $ 体积”为什么成立？可以用讲次 18 的三条公理来”验证这个几何量的确是同一个东西”：（i） 单位立方体体积为 1，即 $\det I=1$，公理 1 吻合。（ii） 交换两个列向量，平行体的”底面”镜像了，体积大小不变但手性翻转，所以体积这个量的有向版本变号，公理 2 吻合。（iii） 固定其他列，体积是这一列的线性函数：底（其余列张成的平行体）固定时，体积正比于这一列在底面法向的高度分量，而高度分量对这一列的每个分量都是线性的；公理 3 吻合。三个公理唯一确定 $\det$，既然”有向体积”满足这三条，它就必须等于 $\det$。 这就是几何解释的全部逻辑——不需要任何坐标系下的繁琐验证。

注意：$\vert \det\vert $ 是体积，$\det$ 本身是”有向体积”。只有当 $\det>0$ 时二者相等。”$3\times3$ 矩阵的绝对值等于体积”是学生最常见的含糊说法——符号丢了就丢了定向信息。

示例 4：单位正方形 $\to$ 平行四边形（面积 = $\vert \det\vert $）

取 \(G=\begin{bmatrix}2&1\\1&3\end{bmatrix},\qquad \text{列向量 } \mathbf{g}_1=\begin{bmatrix}2\\1\end{bmatrix},\ \mathbf{g}_2=\begin{bmatrix}1\\3\end{bmatrix}.\)

步骤 1：$\det G=2\cdot3-1\cdot1=5$。

步骤 2：定位四个顶点。 单位正方形的顶点 $(0,0),(1,0),(0,1),(1,1)$ 被 $G$ 映射到 \(G\binom{0}{0}=\binom{0}{0},\quad G\binom{1}{0}=\binom{2}{1},\quad G\binom{0}{1}=\binom{1}{3},\quad G\binom{1}{1}=\binom{3}{4}.\)

步骤 3：用鞋带公式（shoelace）算面积。 按正确环绕顺序 $(0,0)\to(2,1)\to(3,4)\to(1,3)$： \(2A=\left\vert 0\cdot1-2\cdot0\right\vert +\left\vert 2\cdot4-3\cdot1\right\vert +\left\vert 3\cdot3-1\cdot4\right\vert +\left\vert 1\cdot0-0\cdot3\right\vert =0+5+5+0=10,\) \(A=5=\vert \det G\vert .\ ✓\) （顺序不能乱：若走成 $(0,0)\to(2,1)\to(1,3)\to(3,4)$，那是”蝴蝶结”自交四边形，鞋带公式给出 0——顶点必须按环绕顺序排。）

   单位正方形 ----------> 平行四边形（G 的列 = 两条邻边）
   
   y                                  y
   ^                                  ^
   |                                  |            (3,4)
   |  (0,1)----(1,1)                  |           /|
   |   |        |                     |          / |
   |   |        |                     |   (1,3) /  |
   |   |        |                     |        /   |
   |  (0,0)----(1,0) -> x             |       /    |
   |                                  |      /     |
   |  面积 = 1                        | (0,0)----(2,1) -> x
   |                                  |
   |                                  面积 = |det G| = 5
   
   邻边: (1,0) -> (2,1) = g1           G 把两个基向量送到 g1, g2
         (0,1) -> (1,3) = g2           面积缩放因子 = 5
   
   鞋带公式: 2A = |x1 y2 - x2 y1| + |x2 y3 - x3 y2| + ... = 10  =>  A = 5

步骤 4：交叉验证 SVD 关系 $\sigma_1\sigma_2=\vert \det G\vert $（为讲次 29 埋伏笔）。 \(G^{\mathsf T}G=\begin{bmatrix}2&1\\1&3\end{bmatrix}\begin{bmatrix}2&1\\1&3\end{bmatrix}=\begin{bmatrix}5&5\\5&10\end{bmatrix},\quad \operatorname{tr}(G^{\mathsf T}G)=15,\quad \det(G^{\mathsf T}G)=\det G^2=25.\) 特征值由 $\lambda^2-15\lambda+25=0$ 给出：$\lambda=\dfrac{15\pm\sqrt{125}}{2}=\dfrac{5(3\pm\sqrt5)}{2}$，即 $\lambda_1=13.090$，$\lambda_2=1.910$。于是 \(\sigma_1=\sqrt{13.090}=3.618,\qquad \sigma_2=\sqrt{1.910}=1.382,\qquad \sigma_1\sigma_2=5=\vert \det G\vert .\ ✓\) $\sigma_1=3.618=\tfrac{5+\sqrt5}{2}$，$\sigma_2=1.382=\tfrac{5-\sqrt5}{2}$——注意它们恰好等于 $G$ 的特征值（因为 $G$ 对称），一般矩阵没有这个巧合。

步骤 5：剪切不改变面积（行列式性质的几何现身）。 取 $H=\begin{bmatrix}1&2\\0&1\end{bmatrix}$，$\det H=1$。单位正方形的顶点 $(1,0)\to(1,0)$，$(0,1)\to(2,1)$，$(1,1)\to(3,1)$——矩形被推成了斜的平行四边形，面积仍是 1。这正是讲次 18 性质 4（”一行加到另一行，$\det$ 不变”）在几何上的样子。

【计算机制解说】：为什么”剪切不改变面积”？因为剪切 $\mathbf{g}_2\to\mathbf{g}_2+t\mathbf{g}_1$ 是把第二条边沿着第一条边的方向滑动。底（$\mathbf{g}_1$ 的方向与长度）完全没动，而”高”是 $\mathbf{g}_2$ 垂直于 $\mathbf{g}_1$ 的那个分量——加上 $t\mathbf{g}_1$ 只改变了平行分量，垂直分量不变，所以高不变，面积不变。这与代数上 $\det[\mathbf{g}_1,\mathbf{g}_2+t\mathbf{g}_1]=\det[\mathbf{g}_1,\mathbf{g}_2]+t\det[\mathbf{g}_1,\mathbf{g}_1]=\det[\mathbf{g}_1,\mathbf{g}_2]+0$ 是同一句话的两种语言。

示例 5：$2\times2$ 全流程——伴随、Cramer、面积三合一

$2\times2$ 是本讲唯一能”手算到底、又能完整画出几何”的情形，值得单独走一遍。

取 \(M=\begin{bmatrix}3&1\\5&2\end{bmatrix},\qquad \mathbf{b}=\begin{bmatrix}5\\8\end{bmatrix}.\)

步骤 1：伴随矩阵与逆。 $\det M=3\cdot2-1\cdot5=1$。余子式： \(C_{11}=+2,\quad C_{12}=-5,\quad C_{21}=-1,\quad C_{22}=+3\ \Longrightarrow\ C=\begin{bmatrix}2&-5\\-1&3\end{bmatrix},\qquad \operatorname{adj}M=C^{\mathsf T}=\begin{bmatrix}2&-1\\-5&3\end{bmatrix}.\) \(M^{-1}=\frac{1}{1}\begin{bmatrix}2&-1\\-5&3\end{bmatrix}=\begin{bmatrix}2&-1\\-5&3\end{bmatrix}.\) 验证 $MM^{-1}=\begin{bmatrix}3&1\\5&2\end{bmatrix}\begin{bmatrix}2&-1\\-5&3\end{bmatrix}=\begin{bmatrix}6-5&-3+3\\10-10&-5+6\end{bmatrix}=\begin{bmatrix}1&0\\0&1\end{bmatrix}$ ✓。 （对照通用公式 $M^{-1}=\dfrac{1}{ad-bc}\begin{bmatrix}d&-b\\-c&a\end{bmatrix}=\dfrac{1}{1}\begin{bmatrix}2&-1\\-5&3\end{bmatrix}$，一致。）

步骤 2：用逆矩阵解 $M\mathbf{x}=\mathbf{b}$。 \(\mathbf{x}=M^{-1}\mathbf{b}=\begin{bmatrix}2&-1\\-5&3\end{bmatrix}\begin{bmatrix}5\\8\end{bmatrix}=\begin{bmatrix}10-8\\-25+24\end{bmatrix}=\begin{bmatrix}2\\-1\end{bmatrix}.\) 验算：$3(2)+1(-1)=5$ ✓，$5(2)+2(-1)=8$ ✓。

步骤 3：用 Cramer 法则独立复核。 \(\det M=1,\qquad \det M_1=\begin{vmatrix}5&1\\8&2\end{vmatrix}=10-8=2,\qquad \det M_2=\begin{vmatrix}3&5\\5&8\end{vmatrix}=24-25=-1,\) \(x_1=\frac{\det M_1}{\det M}=\frac{2}{1}=2,\qquad x_2=\frac{\det M_2}{\det M}=\frac{-1}{1}=-1.\ ✓\)

步骤 4：几何读法。 $M$ 的列向量 $\mathbf{m}_1=(3,5)$，$\mathbf{m}_2=(1,2)$ 张成平行四边形，面积 $=\vert \det M\vert =1$。而 \(\mathbf{b}=\begin{bmatrix}5\\8\end{bmatrix}=2\mathbf{m}_1+(-1)\mathbf{m}_2.\) Cramer 法则的分子 $\det M_1=2$ 正是”把 $\mathbf{m}_1$ 换成 $\mathbf{b}$ 后的面积”，它比原面积大 $x_1=2$ 倍——组合系数直接读作面积比。

   2x2 的"Cramer = 面积比"图景
   
   m2=(1,2)                      b=(5,8)
     ^                             ^
     |   /                         |      /
     |  / 面积 = |det M| = 1       |     /  面积 = |det M1| = 2
     | /                           |    /
     |/                            |   /
     +-------> m1=(3,5)            +-------> 第 1 列换成 b
     
   原平行四边形: 边 m1, m2           替换第 1 列后: 边 b, m2
   面积 = 1                          面积 = 2
   
   x1 = det M1 / det M = 2 / 1 = 2   <-- "第 1 个配料要 2 份"
   x2 = det M2 / det M = -1 / 1 = -1 <-- "第 2 个配料要 -1 份"（反方向）

示例 6：$3\times3$ 体积——从”棱长乘积”到”行列式”的完整对照

用一个”容易想象”的矩阵，把体积算三遍：直接行列式、叉积公式、消元主元。

(a) $V$：纯拉伸。 $\det V=2$，体积 $=2$。列向量是 $(2,0,0),(0,1,0),(0,0,1)$，即把 $x$ 轴拉长 2 倍——单位立方体变成 $2\times1\times1$ 的长方体，体积 $2$。✓

(b) $S$：纯剪切。 $\det S=1\cdot1\cdot1=1$（上三角，对角元之积），体积 $=1$。列向量 $(1,0,0),(2,1,0),(0,0,1)$：第二条边被沿第一条边方向推了 2 个单位，底和高都没变，所以体积不变。✓ 这再次印证讲次 18 的”一行加到另一行不变”。

(c) $W$：一般的斜平行六面体。 $\det W=-21$，体积 $=\vert -21\vert =21$。用叉积独立验证（正文”示例 3”已算）： \(\mathbf{w}_1\times\mathbf{w}_2=(-4,-3,2),\quad \vert \mathbf{w}_1\times\mathbf{w}_2\vert =\sqrt{29},\quad h=\frac{\vert \mathbf{w}_3\cdot(\mathbf{w}_1\times\mathbf{w}_2)\vert }{\sqrt{29}}=\frac{21}{\sqrt{29}},\) \(V_{\text{box}}=\sqrt{29}\cdot\frac{21}{\sqrt{29}}=21.\ ✓\)

(d) 用消元读主元。 讲次 18 已算 $W$ 消元主元为 $1,\,2,\,-\tfrac{21}{2}$，乘积 $-21=\det W$。 \(\vert \det W\vert =\left\vert 1\cdot2\cdot\left(-\tfrac{21}{2}\right)\right\vert =21=\text{体积}.\) “主元之积 = 扶正后的棱长乘积 = 体积”——这就是把斜盒子用剪切（保体积）扶正后读棱长的过程。

   三种体积计算路径的对照（同一个 W，都是 21）
   
   路径 1: |det W|                        路径 2: 底 x 高
   ----------------------------           ----------------------------
   W = [1 1  1 ]                          w1 x w2 = (-4,-3,2)
       [0 2  5 ]                          |w1 x w2| = sqrt(29)   <- 底面积
       [2 5 -1 ]                          w3 . (w1 x w2) = -21
                                          h = 21/sqrt(29)       <- 高
   det W = -21                            V = sqrt(29)*21/sqrt(29) = 21
   V = |det W| = 21
   
   路径 3: 消元主元 -> 扶正后读棱长
   ----------------------------
   [1 1   1  ]   pivots:  1, 2, -21/2
   [0 2   5  ]   product: 1*2*(-21/2) = -21
   [0 0 -21/2]   V = |-21| = 21
   
   符号 -21 = 左手系；体积 21 恒为正。

矩阵分解的核心思想

本讲的三件产品都可以翻译成”分解”的语言。

（1）逆矩阵公式 vs $PA=LU$ 求逆。 $A^{-1}=\operatorname{adj}A/\det A$ 是一个显式闭式：它把 $A^{-1}$ 的每个元素写成 $A$ 的元素的有理函数。这在理论上无可替代（求导、误差传播、符号计算都要用它），但在数值上与消元法形成鲜明对比： \(\text{伴随法：}n^2\text{ 个 }(n-1)\text{ 阶行列式}\sim O(n!)\qquad\text{vs}\qquad PA=LU\text{ 求逆：}O(n^3).\) $n=10$ 时后者约 $\tfrac23\cdot10^3\approx 670$ 次消元步骤，前者要 $100$ 个 $9$ 阶行列式（每个 $9! = 362880$ 项）≈ $3.6\times10^7$ 项。差 5 个数量级。 所以工程上：$A^{-1}$ 从不显式求，而是用 $LU$ 分解做 $n$ 次回代。

（2）Cramer 法则 vs 消元求解。 Cramer 是”$n$ 个行列式之比”，消元是”$A=LU$，两次三角回代”。同样地，理论 vs 实践的分工。

（3）体积观点让 $PA=LU$ 的几何意义浮现。 $A=LU$（讲次 4）中 $L$ 是单位下三角（$\det L=1$，剪切与伸缩但不改变体积），$U$ 是上三角（$\det U=\prod u_{ii}$，把盒子搬到轴对齐位置）。于是 \(\vert \det A\vert =\vert \det U\vert =\prod_{i}\vert u_{ii}\vert =\text{体积}.\) 消元过程 = 用一次次的”剪切”（保体积）把原来的斜平行六面体搬成一个轴对齐的长方体；主元就是那个长方体的三条棱长，体积就是它们的乘积。 如果有换行，$P$ 只是把盒子翻个面（$\vert \det P\vert =1$），体积不变、符号翻转。这是全讲最漂亮的一句话：消元求行列式 = 把盒子”扶正”后读棱长。

（4）与 SVD 的接口（讲次 29）。 把盒子”扶正”这件事，SVD 做到了极致：$A=U\Sigma V^{\mathsf T}$，其中 $U,V$ 是正交矩阵（$\vert \det\vert =1$，纯旋转/反射，不改变体积），$\Sigma$ 是对角矩阵，对角线是奇异值 $\sigma_i$。于是 \(\vert \det A\vert =\vert \det U\vert \cdot\vert \det\Sigma\vert \cdot\vert \det V^{\mathsf T}\vert =1\cdot\prod_i\sigma_i\cdot1=\prod_i\sigma_i.\) 行列式是奇异值的乘积：体积因子 = 各主方向伸缩因子的乘积。$LU$ 把盒子变成轴对齐长方体，SVD 把它变成各轴互相垂直且长度恰好是 $\sigma_i$ 的长方体——后者更强，但代价更高。

（5）三种”求行列式”的方法映照三种分解。

   方法                     背后的分解            代价         符号来源
   ----------------------   -------------------   ----------   ------------------
   消元读主元               PA = LU               O(n^3)       (-1)^k, k = 交换次数
   余子式/大公式展开        无（递归结构）         O(n!)        棋盘 (-1)^(i+j) / 逆序数
   伴随矩阵公式             A * adj A = det A I   O(n!)        同上
   
   三者都在算同一个数（三条公理的唯一产物），差别只在"怎么组织计算"。
   实践选择：n <= 3 手算展开；n >= 4 一律消元；符号推导用伴随/展开。

与其他讲次的关联

• 讲次 18（性质）：本讲的每一个结论都在用它——”两列相同 $\Rightarrow0$”给 Cramer 法则的抵消、”行相加不变”给剪切不改变体积、$\det(tA)=t^n\det A$ 给体积缩放。
• 讲次 19（余子式）：$A\operatorname{adj}A=(\det A)I$ 直接来自错位求和恒等式；本讲的 $3\times3$ 伴随矩阵就是讲次 19 余子式矩阵的转置。
• 讲次 4（$A=LU$ 与主元）：$\det A=\pm\prod u_{ii}$；本讲把 $\prod\vert u_{ii}\vert $ 解释成”扶正后的体积”。这也解释了为什么 $n$ 个主元缺一个就 $\det=0$：长方体有一条棱长为 0，盒子被压扁。
• 讲次 5（转置/置换）：置换矩阵 $P$ 满足 $\vert \det P\vert =1$，本讲视为”纯翻面”，体积不变。
• 讲次 21（特征值）：$\det(A-\lambda I)=0$ 求 $\lambda$。对本讲的 $G=\begin{bmatrix}2&1\\1&3\end{bmatrix}$：$\det(G-\lambda I)=\lambda^2-5\lambda+5=0$，得 $\lambda=\tfrac{5\pm\sqrt5}{2}$——正是上面 SVD 算出的 $\sigma$（因为 $G$ 对称）。而 $G$ 的全体特征值之积 $=\det G=5$，之和 $=\operatorname{tr}G=5$。
• 讲次 29（SVD）：$\sigma_1\sigma_2\cdots\sigma_n=\vert \det A\vert $。本讲已对 $G$ 与 $W$ 数值验证（$3.618\times1.382=5$；$W$ 的三个奇异值 $6.082\times4.952\times0.697=21$）。
• 讲次 30-33（线性变换与基变换）：换一组基 $A\to M^{-1}AM$，则 $\det(M^{-1}AM)=\det(M^{-1})\det A\det M=\det A$——行列式是线性变换本身的不变量，与坐标系无关，这正是”体积缩放因子”该有的性质。如果用非单位行列式的 $M$ 换基，$\det A$ 会变（因为坐标系的”单位体积”变了），这也解释了为什么讲次 31 要用行列式为 1 的变换来保持体积。
• 讲次 8（四个基本子空间）：$\det A=0$ 等价于 $\dim C(A)<n$、$\dim N(A)>0$；$\vert \det A\vert $ 则是 $C(A)$ 这个像空间”被 $A$ 拉伸”的总体积因子。可逆性、秩、体积这三个概念在行列式处汇合。
• 讲次 10（$A=CR$ 与矩阵的四个子空间）：$\operatorname{rank}(A)=r<n$ 时 $A$ 的列都落在 $r$ 维子空间里，$\det A=0$——本讲”体积为 0”的说法与”像空间维度不足”是同一件事的两个角度。

关键要点

1. 逆矩阵公式：$A^{-1}=\dfrac{\operatorname{adj}A}{\det A}=\dfrac{C^{\mathsf T}}{\det A}$。$C$ 是代数余子式矩阵（带上 $(-1)^{i+j}$），$\operatorname{adj}$ 是它的转置。 $2\times2$：$\begin{bmatrix}a&b\\c&d\end{bmatrix}^{-1}=\dfrac{1}{ad-bc}\begin{bmatrix}d&-b\\-c&a\end{bmatrix}$。
2. Cramer 法则：$x_i=\det A_i/\det A$，$A_i$ 用 $\mathbf{b}$ 替换第 $i$ 列。等价捷径：$\det A_i=\sum_k b_k C_{ki}$（$C$ 的第 $i$ 列）。
3. $\det$ = 体积 + 定向：$\vert \det A\vert $ = 列向量张成的平行体体积；$\operatorname{sign}(\det A)$ = 定向（正 = 右手系）。2D 是平行四边形面积，3D 是平行六面体体积。
4. $\det A=0\iff$ 空间被压扁（列向量线性相关、张成的体积为零），因此不可逆、$A\mathbf{x}=\mathbf{b}$ 无解或无穷多解。这是”奇异”的几何定义。
5. 换元与 SVD：$dx\,dy=\vert \det J\vert \,du\,dv$（极坐标里 $\det J=r$）；$\vert \det A\vert =\prod_i\sigma_i$（奇异值之积）。
6. 算法分工：理论公式（伴随 / Cramer）用 $O(n!)$，数值算法（消元 / $LU$）用 $O(n^3)$。推导用前者，计算用后者。

常见误区与注意事项

1. 忘记 $\operatorname{adj}$ 是转置。 最常见的错误是把余子式矩阵 $C$ 直接除以 $\det A$。对 $W$：$C=\begin{bmatrix}-27&10&-4\\6&-3&-3\\3&-5&2\end{bmatrix}$，若直接 $C/(-21)$ 得一串非整数且 $WC/(-21)\neq I$；正确结果必须用 $C^{\mathsf T}=\begin{bmatrix}-27&6&3\\10&-3&-5\\-4&-3&2\end{bmatrix}$。校验口诀：伴随矩阵的对角元顺序与余子式矩阵相同，非对角元互换位置。
2. Cramer 法则替换的是”列”，不是”行”。 $x_i=\det A_i/\det A$ 中，$A_i$ 是把第 $i$ 列换成 $\mathbf{b}$。若误把第 $i$ 行换成 $\mathbf{b}$，结果完全错误（那解的是另一个方程组 $A^{\mathsf T}\mathbf{y}=\mathbf{b}$ 的某种混合量）。记住：$\mathbf{b}=A\mathbf{x}$ 是列的线性组合，系数 $x_i$ 自然对应列。
3. 在 $\det A=0$ 时使用 Cramer 法则。 Cramer 法则的前提是 $\det A\neq0$。若 $\det A=0$，分母为零，公式失效；此时方程组可能无解（如 $x+y=1,\ x+y=2$）或有无穷多解（如 $x+y=1,\ 2x+2y=2$），必须另作判断。先算 $\det A$ 再决定用不用。
4. 把 $\vert \det\vert $ 说成”面积/体积”而忘了它是有向**的。$\det\begin{bmatrix}0&1\\1&0\end{bmatrix}=-1$，面积是 1，但 $\det$ 是 $-1$：交换两列会翻面。物理里右手/左手坐标系的区别就藏在这个符号里；在讲次 21 之后，特征向量的定向也依赖它。
5. 以为”行列式很大 = 矩阵很好的可逆性”。 $A=\begin{bmatrix}1&0\\0&10^{-6}\end{bmatrix}$ 的 $\det=10^{-6}\neq0$，”很小”但完全可逆且条件数只有 $10^6$；而 $B=\begin{bmatrix}1&1\\1&1+10^{-6}\end{bmatrix}$ 的 $\det=10^{-6}$，条件数却高达 $\sim10^{12}$，病态。行列式的大小依赖单位（缩放 $A$ 会改变 $\det$ 但可逆性不变）：$\det(tA)=t^n\det A$。判断”接近奇异”要用条件数 $\sigma_1/\sigma_n$（讲次 29），不是 $\vert \det\vert $。
6. 把 Cramer 法则当作求解算法。 它的复杂度是 $O(n^4)$（$n+1$ 个 $O(n^3)$ 的行列式），比消元的 $O(n^3)$ 慢一个 $n$ 的因子。$n=1000$ 时慢一千倍。手算 2×2/3×3 很优雅，上机必须换消元。

思考题（带答案）

Q1. （计算题）给定 \(A=\begin{bmatrix}1&1&1\\0&2&5\\2&5&-1\end{bmatrix}\ (\det A=-21),\qquad \mathbf{b}=\begin{bmatrix}0\\9\\9\end{bmatrix}.\) 用 Cramer 法则求 $A\mathbf{x}=\mathbf{b}$ 的 $x_1$，再用”余子式捷径”求 $x_3$，最后写出完整解。

Q2. （概念题）判断真假并说明理由。 (i) 若 $\det A=0$，则 $A^{-1}$ 不存在，且 $A\mathbf{x}=\mathbf{b}$ 一定无解。 (ii) $A$ 的行列式等于其列向量张成的平行六面体的体积。 (iii) 若 $\vert \det A\vert =1$，则 $A$ 不改变体积。 (iv) 在极坐标换元中，$dx\,dy=r\,dr\,d\theta$ 中的 $r$ 来自雅可比行列式。

Q3. （计算题 + 概念）设 $G=\begin{bmatrix}2&1\\1&3\end{bmatrix}$。 (a) 求 $\det G$ 与 $G^{-1}$。 (b) 求 $G$ 的列向量张成的平行四边形面积。 (c) 求 $G$ 的奇异值，验证 $\sigma_1\sigma_2=\vert \det G\vert $。 (d) 说明 $\det G$ 与 $\det(G^{\mathsf T}G)$ 的关系。

Q4. （概念题 + 计算）设 $T$ 是把 $\mathbb{R}^2$ 上的单位正方形映射到平行四边形的线性变换，已知 $T$ 把 $\mathbf{e}_1=(1,0)$ 送到 $(3,0)$，把 $\mathbf{e}_2=(0,1)$ 送到 $(1,2)$。 (a) 写出 $T$ 的矩阵 $A$，求 $\det A$。 (b) 求单位正方形的像（平行四边形）的面积。 (c) 求 $T^{-1}$ 的矩阵，并说明 $\det(T^{-1})=1/\det T$ 的几何含义。 (d) 若 $T$ 把图形放大到原来的 $k$ 倍（即 $A=kI$），二维面积放大多少倍？三维呢？