3.2 行列式與可逆性#

前言：零與非零的分水嶺#

上一節我們學會計算行列式；這一節我們回答最關鍵的問題：行列式到底「決定」了什麼？答案是： \(\det A \neq 0\) 與 \(A\) 可逆完全等價。這個等價把消去法（第 1 章）、逆矩陣（2.2）、向量獨立性（第 4 章）、特徵值（第 6 章）串成一張巨大的等價網——「可逆矩陣定理」。本節證明其核心環節，並用體積觀點預習 \(\det A = 0\) 的幾何意義（壓扁）。

歷史前因後果#

從「判準」到「等價網」#

• 1693 年萊布尼茨引入行列式的原始動機就是判準：線性方程組何時有唯一解？他與關孝和都意識到「某個由係數組成的量為零」意味著解的退化。
• 1750 年，瑞士數學家克萊姆（Gabriel Cramer, 1704–1752）發表克萊姆法則：若 \(\det A \ne 0\) ，則 \(A\mathbf{x}=\mathbf{b}\) 的解可寫成行列式的比值：

這是行列式第一次以「顯式公式」解決方程組。克萊姆法則優雅但昂貴（ \(n+1\) 個行列式， \(O(n^4)\) 成本），實務上被消去法取代，但它的理論價值巨大：它把「唯一解」與「 \(\det A \neq 0\) 」劃上等號，並說明解對係數的連續依賴（分母非零則微擾係數解只微擾）。 - 1858 年凱萊在矩陣論中把可逆性定義為「存在 \(A^{-1}\) 」，並證明其與 \(\det A \neq 0\) 等價（利用伴隨矩陣 \(A\,\mathrm{adj}(A) = (\det A)I\) ）。 - 1880 年代弗洛貝尼烏斯把秩、行列式與方程組理論整合，「可逆矩陣定理」的完整形態在二十世紀教科書中定型。

• 解決了什麼問題：給「解是否存在且唯一」一個可以計算的判準；解釋了為什麼有些系統「天生無法唯一確定」。
• 引發了什麼新問題： \(\det A = 0\) 時克萊姆法則失效，但問題並未消失——最小平方（第 7 章）、偽逆（9.3）、正則化（10.2）都是「在奇異邊緣」工作的技術。

可逆矩陣定理：中央車站#

定理（可逆矩陣定理）：對 \(n\) 階方陣 \(A\) ，下列命題全部等價：

證明路線圖（選關鍵環節）：

• (a) ⇒ (c)： \(A\mathbf{x}=\mathbf{0}\) 兩邊左乘 \(A^{-1}\) 得 \(\mathbf{x} = \mathbf{0}\) 。
• (c) ⇒ (b)（反證）：若 \(\det A = 0\) ，消去法會把 \(A\) 化成含零列的階梯形，於是 \(A\mathbf{x} = \mathbf{0}\) 有非零解（自由變數存在），矛盾。
• (b) ⇒ (a)：由伴隨矩陣恆等式 \(A\,\mathrm{adj}(A) = (\det A)I\) ，當 \(\det A \neq 0\) 時 \(A^{-1} = \mathrm{adj}(A)/\det A\) 。
• (c) ⇔ (e)： \(A\mathbf{x} = \mathbf{0}\) 寫成 \(x_1\mathbf{a}_1 + \cdots + x_n\mathbf{a}_n = \mathbf{0}\) ，僅零解 ⇔ 行向量線性獨立。
• (g) ⇔ (h)：RREF 為 \(I\) ⇔ 主元數 \(= n\) ⇔ 秩 \(= n\) 。
• 其餘環節依此類推，構成一個循環論證圈。

flowchart LR
    INV["A 可逆"] --- DET["det A ≠ 0"]
    INV --- HOM["Ax=0 僅零解"]
    HOM --- IND["行向量線性獨立"]
    IND --- SPAN["行向量張成 R^n"]
    SPAN --- RREF["RREF = I"]
    RREF --- RANK["秩 = n"]
    RANK --- INV
    DET --- EV["0 非特徵值"]
    EV --- INV

實用意義：要判斷任何一條命題，只需驗證其中「最好算」的一條。例如判斷行向量是否獨立，可以改算行列式（ \(n\) 小時）或做消去（ \(n\) 大時）。

克萊姆法則#

定理（克萊姆法則，1750）：設 \(A\) 為 \(n\) 階可逆方陣， \(\mathbf{b} \in \mathbb{R}^n\) ， \(A\mathbf{x}=\mathbf{b}\) 的唯一解為

證明摘要： \(\mathbf{x}\) 的第 \(j\) 分量可從 \(A\mathbf{x}\) 展開的餘因子結構得到——把 \(\mathbf{b} = A\mathbf{x}\) 沿第 \(j\) 行展開， \(\det A_j = \sum_k x_k\,(\text{第 } j \text{ 行的代數餘子式與 } A_j\text{'s})\) ，利用「把第 \(j\) 行換成 \(\mathbf{b}\) 不改變第 \(j\) 行以外的餘子式」，得 \(\det A_j = x_j \det A\) 。

例： \(\begin{cases} 2x + y = 5 \\ 3x - y = 0 \end{cases}\) ：

評註：克萊姆法則的計算複雜度約 \(O(n^4)\) （ \(n+1\) 個 \(O(n^3)\) 的行列式），遠差於高斯消去的 \(O(n^3)\) ；且在 \(\det A\) 接近零時數值災難（分子分母都微小而雜訊放大，見 9.3 節條件數）。它的現代價值是理論工具：證明解對參數的光滑依賴性（隱函數定理的矩陣版本）。

\(\det A = 0\) 的幾何意義：壓扁#

預習 3.3 節的結論： \(\det A\) 是 \(A\) 對體積的有號倍率。因此：

• \(\det A \neq 0\) ： \(A\) 不壓扁空間，體積倍率 \(|\det A| > 0\) ，可逆——資訊完整保留；
• \(\det A = 0\) ： \(A\) 把空間壓進一個低維子空間（直線、平面……），體積歸零，資訊丟失，不可逆——你無法從一條直線上的影子還原整個空間。

這也解釋了乘法公式 \(\det(AB) = \det A\det B\) ：「倍率相乘」；以及 \(\det A^{-1} = 1/\det A\) ：「還原倍率取倒數」。

例題#

例題 3.2-1（用行列式判斷可逆與獨立）：下列三個矩陣何者可逆？

解：

故 \(A\) 不可逆（雖然外表看不出明顯相依，消去 2 步後現形——這是消去法的價值）。

順帶： \(B\) 的行向量 \((1,2,1), (2,4,1)\) 不獨立—— \(A\mathbf{x}=\mathbf{0}\) 有非零解，例如取 \(\mathbf{x} = (2, -1, 0)^T\) 檢驗 \(A\mathbf{x} = \mathbf{0}\) 對 \(A\) 的行？此處對 \(B\) 的行驗證： \(2(1,2,1) - 1(2,4,1) = (0, 0, 1)\) ，不為零——需再湊： \(2(1,2,1) - (2,4,1) - 0\cdot(0,0,3) = (0,0,1)\) ，而 \((0,0,3)\) 可補： \(2\mathbf{b}_1 - \mathbf{b}_2 - \frac13\mathbf{b}_3 = \mathbf{0}\) ，即非零解 \(\mathbf{x} = (2, -1, -\tfrac13)^T\) ✓。

例題 3.2-2（用可逆性解矩陣方程）：設 \(A = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}\) ，解 \(AX = B\) ，其中 \(B = \begin{bmatrix} 2 & 0 \\ 1 & 3 \end{bmatrix}\) 。

解： \(\det A = 1 \neq 0\) ，可逆。 \(A\) 是剪切矩陣， \(A^{-1} = \begin{bmatrix} 1 & -1 \\ 0 & 1 \end{bmatrix}\) （把 \(+1\) 剪切反向）。

驗算 \(AX = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix}\begin{bmatrix} 1 & -3 \\ 1 & 3 \end{bmatrix} = \begin{bmatrix} 2 & 0 \\ 1 & 3 \end{bmatrix} = B\) ✓。

例題 3.2-3（參數與奇異性）：求 \(k\) 使 \(M = \begin{bmatrix} 1 & 2 & 3 \\ 2 & k & 6 \\ 3 & 6 & 9 \end{bmatrix}\) 不可逆。

解：第三列 \(= 3\times\) 第一列。行列式沿第三列展開等價於判斷第二行與第一行的關係：交換思維—— \(M\) 的 \((1,3)\) 位置使第三列成比例，若 \(k = 4\) 則第二列 \(= 2\times\) 第一列，三列全部成比例， \(\det = 0\) 。一般地做消去： \(R_2 \to R_2 - 2R_1 = [0, k-4, 0]\) 、 \(R_3 \to R_3 - 3R_1 = [0,0,0]\) ，得

有趣：無論 \(k\) 為何， \(M\) 都不可逆——因為第三列恆為第一列的 3 倍。本題教訓：先觀察結構再計算，可省去大量功夫。

與其他領域的關聯#

• 微積分：隱函數定理——非線性系統局部可解的條件是 Jacobi 行列式非零，正是本節定理的非線性版本。
• 微分方程：線性系統 \(\mathbf{x}' = A\mathbf{x}\) 的平衡點唯一 ⇔ \(\det A \neq 0\) ；Wronskian 非零 ⇔ 解獨立。
• 經濟學：投入產出模型（Leontief, 1941） \((I - C)\mathbf{x} = \mathbf{d}\) 的可解性要求 \(I - C\) 可逆；一般均衡的存在性證明用矩陣的滿秩性。
• 機器學習：特徵共線性使 \(X^TX\) 奇異，最小平方解不唯一——嶺迴歸以 \(\lambda I\) 微擾恢復可逆性。
• 密碼學：Hill 密碼要求金鑰矩陣模 26 可逆，即 \(\gcd(\det A, 26) = 1\) ——行列式在模算術中的可逆判準。
• 量子力學：密度矩陣 \(\rho\) 的 \(\det\rho = 0\) 對應純態與混合態的區別。

本節小結#

1. 可逆矩陣定理把十幾條命題縫合成一個等價網：可逆 ⇔ 行列式非零 ⇔ 僅零解 ⇔ 獨立 ⇔ 滿秩 ⇔ \(0\) 非特徵值。
2. 克萊姆法則（1750）以行列式顯式表達解： \(x_j = \det A_j / \det A\) ；理論上重要，計算上昂貴。
3. \(\det A = 0\) 的幾何本質是壓扁：體積倍率為零、資訊丟失、無法還原。
4. 參數化的奇異性分析（例 3.2-3）顯示：先看結構、再動手算。

深入議題：克萊姆法則的現代身分#

克萊姆法則的「不可替代之處」#

雖然計算昂貴，克萊姆法則在理論與符號計算中不可替代：

1. 解對參數的顯式依賴： \(x_j(\mathbf{b}) = \det A_j(\mathbf{b})/\det A\) 是 \(\mathbf{b}\) 的有理函數——這證明解隨參數「光滑變化」（可微、可級數展開）。隱函數定理的非線性版本完全依賴這一點：若 Jacobi 行列式 \(\ne 0\) ，非線性系統的局部解也光滑依賴參數。
2. 符號計算：電腦代數系統（Mathematica/SymPy）中含符號參數的小型系統用克萊姆法則保持符號簡潔。
3. 分式線性結構：解是分子（行列式）÷ 分母（行列式）——這個「比」的結構在投影幾何（齊次座標）中是本質的。

體積比讀解（幾何證明）#

二維克萊姆的幾何： \(A = [\mathbf{a}_1\ \mathbf{a}_2]\) ， \(\mathbf{b} = x\mathbf{a}_1 + y\mathbf{a}_2\) 。兩邊與 \((\mathbf{a}_2)^{\perp}\) （旋轉 \(90°\) ）做「叉積式」運算：

幾何敘述： \(x\) 等於「 \(\mathbf{b}\) 與 \(\mathbf{a}_2\) 張成的平行四邊形面積」除以「基底平行四邊形面積」。高維同構：用 \((n-1)\) 個基底向量張的超平面做「切割」，解的分量是超體積比。克萊姆法則 = 用體積丈量座標。

解的連續依賴與良態#

由克萊姆： \(\|\mathbf{x}\| \le \sqrt{n}\,\|\mathbf{b}\|/|\det A| \cdot (\text{其他因子的界})\) ——分母 \(\det A\) 越小，解越大。當 \(\det A \to 0\) ，解的範數爆炸：這就是「接近奇異 = 解巨大且敏感」的第一個定量跡象，通往 9.3 節條件數 \(\kappa \sim 1/\sigma_{\min}\) （注意精確關係用奇異值，行列式只是粗糙代理—— \(\det\) 小不必然病態，如 \(\mathrm{diag}(10^{-6}, 10^{-6})\) 的 \(\det = 10^{-12}\) 但 \(\kappa = 1\) ！「行列式小」≠「病態」，這是初學者最常見的誤解之一）。

可逆矩陣定理的證明補遺#

環 (e) ⇔ (g)：獨立與 RREF#

命題： \(A\) （ \(n\) 階）的行獨立 ⟺ \(\mathrm{RREF}(A) = I\) 。

證明：行獨立 ⟺ \(A\mathbf{x} = \mathbf{0}\) 僅零解（3.2 節 (c)）。做消去：若 RREF 非 \(I\) ，必有自由變數 → 非零解；反之 RREF \(= I\) 時 \(\mathbf{x} = \mathbf{0}\) 唯一。∎

環 (h) 與秩的登場：秩 \(= n\) （滿秩）⟺ RREF 主元數 \(= n\) ⟺ RREF \(= I\) 。第 4 章將給「秩」的抽象定義（行空間維度），證明主元秩 = 行秩 = 列秩（弗洛貝尼烏斯定理），完成整張網。

(j) 預告：0 不是特徵值#

\(A\mathbf{v} = 0\cdot\mathbf{v} = \mathbf{0}\) 有非零解 ⟺ \(A\) 奇異。因此：

第 6 章將看到：特徵值把「可逆性」變成「譜的位置問題」——判斷一個矩陣可不可逆，等價於問「0 在不在它的譜裡」。

一個經典應用：矩陣的冪何時回到單位矩陣#

若 \(A^k = I\) （某正整數 \(k\) ），則 \(A\) 可逆且 \(A^{-1} = A^{k-1}\) ——「有限階」保證可逆。例子：置換矩陣（每個置換有限階）、旋轉矩陣 \(R(\frac{2\pi}{m})\) （ \(R^m = I\) ）。這在群論中是「有限群中的元素必可逆」的矩陣版；在密碼學中，Hill 密碼的金鑰矩陣必須在模 26 的意義下有限階/可逆。

奇異性在日常計算中的三種面貌#

重要分辨：奇異（ \(\det = 0\) ）是精確的性質；病態（ \(\kappa\) 大）是接近奇異的數值症狀。理論上二者界限分明（ \(\det \ne 0\) 即可逆），實務中「 \(\det = 10^{-20}\) 」的矩陣幾乎不可用——數值世界只有「健康程度」的連續譜，條件數才是判官（第 9 章）。

例題（續）#

例題 3.2-4（克萊姆 + 幾何）：用面積比解 \(\begin{cases} 2x + y = 5 \\ x - y = 1 \end{cases}\) 。

幾何驗證： \(\mathbf{a}_1 = (2, 1)\) 、 \(\mathbf{a}_2 = (1, -1)\) 、 \(\mathbf{b} = (5, 1)\) 。平行四邊形 \(S(\mathbf{b}, \mathbf{a}_2) = |5\cdot(-1) - 1\cdot1| = 6\) ；基底 \(S(\mathbf{a}_1, \mathbf{a}_2) = |2\cdot(-1) - 1\cdot1| = 3\) 。比值 \(6/3 = 2 = x\) ✓（有號面積給出正確符號）。

例題 3.2-5（矩陣方程的可逆性分析）：解 \(A\mathbf{x} = \mathbf{b}\) 其中 \(A = \begin{bmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \end{bmatrix}\) 。

驗算 \((1,1)\) ： \(A A^{-1}\) 的 \((1,1) = \frac12(1\cdot1 + 1\cdot1 + 0\cdot(-1)) = 1\) ✓。對 \(\mathbf{b} = (2, 3, 5)^T\) ：

練習題#

1. 用克萊姆法則解 \(\begin{cases} 3x + 2y = 6 \\ x - y = 0 \end{cases}\) ，並用面積比解釋 \(x\) 的符號。
2. 證明： \(A\) 可逆 ⟺ \(A^TA\) 可逆（用 \(\det\) 與 \(\mathbf{x}^TA^TA\mathbf{x} = \|A\mathbf{x}\|^2\) 兩種方法）。
3. 設 \(A\) 為 \(3\) 階、 \(\det A = 2\) 。求 \(\det(\mathrm{adj}(A))\) 。（答： \(4\) 。）
4. 找出 \(k\) 使 \(\begin{bmatrix} 1 & 1 & 1 \\ 1 & k & k^2 \\ 1 & k^2 & k \end{bmatrix}\) 奇異。（提示：Vandermonde 型， \(k = -1\) 或 \(1\) ？仔細驗。）
5. 證明：若 \(A\) 反對稱（ \(A^T = -A\) ）且 \(n\) 為奇數，則 \(A\) 不可逆。
6. （思考）為什麼「 \(\det\) 接近零」不必然「病態」？構造一個 \(\det\) 極小但條件數為 1 的矩陣。

預告：「壓扁」到底壓掉多少體積？ \(\det A\) 的正負號又代表什麼？下一節 3.3 用平行六面體體積與定向給行列式最直觀的圖像。