第一章行列式-1.行列式计算

1.引子

讲解行列式之前，我们先引入矩阵，向量，线性变换等概念。本章节先大概讲解涉及的概念，后续章节会单独补充线性变换等章节。

1.1 向量

1.1.1 向量基本性质总结

运算	代数形式	几何意义	关键性质
向量加法	$(u_i) + (v_i) = (u_i + v_i)$	位移合成（三角形/平行四边形）	交换律、结合律、有零向量
向量数乘	$k(u_i) = (k u_i)$	沿原方向伸缩（可能反向）	分配律、结合律、产生共线向量

1.1.2 线性组合

核心思想：用一组向量，通过“缩放然后相加”的方式，构造出新的向量。

定义： 给定向量组 v₁, v₂, ..., vₖ 和一组标量（实数）c₁, c₂, ..., cₖ，表达式： c₁v₁ + c₂v₂ + ... + cₖvₖ 称为向量 v₁, v₂, ..., vₖ 的一个线性组合。

直观理解： 想象你有几个基础方向（向量）。线性组合允许你：

• 在每个方向上走任意远（缩放，乘以标量）。
• 把所有走过的路径加起来（向量加法）。
• 最终到达的位置（得到的新向量）就是这些向量的一个线性组合。

例子： 在二维平面上，设 i = (1, 0)， j = (0, 1)。

• 向量 (3, 2) = 3(1, 0) + 2(0, 1) = 3i + 2j**。所以 (3, 2) 是 {i, j} 的一个线性组合。
• 向量 (5, -1) = 5i + (-1)j 也是一个线性组合。

1.1.3 基向量

当我们用数字描述向量时，它都依赖于我们正在使用的基,当你把坐标看成标量时，基向量实际上就是这些标量缩放的对象 核心思想：用来“无冗余”、“唯一确定”地构建整个空间的最小向量组。

定义： 向量空间 V 的一个基是满足以下两个条件的向量组 {b₁, b₂, ..., bₙ}：

1. 线性无关（这些向量彼此不能互相线性表示，没有“冗余”）。
2. 张成整个空间 V（即 V = Span{b₁, b₂, ..., bₙ}）。

直观理解：

• 基就像构建一个空间的“最小、最经济的标准工具箱”。
• “最小”意味着没有多余的工具（线性无关）。
• “标准”意味着用这套工具，你能造出空间里的任何东西（张成空间），并且造法唯一。

唯一表示定理： 如果 {b₁, b₂, ..., bₙ} 是空间 V 的一组基，那么 V 中的每一个向量 v，都可以唯一地表示为： v = c₁b₁ + c₂b₂ + ... + cₙbₙ 这里的标量 (c₁, c₂, ..., cₙ) 称为向量 v 相对于这组基的坐标。

例子：

1. 标准基：对于 R²（二维实向量空间），最常用的基是 {e₁=(1,0), e₂=(0,1)}。向量 (3, 2) 在这组基下的坐标就是 (3, 2)。
2. 另一组基：{ (1,1), (1,-1) } 也是 R² 的一组基。向量 (3, 2) 在这组新基下的坐标是多少？ 设 (3, 2) = a*(1,1) + b*(1,-1)，解得 a=2.5, b=0.5。所以坐标是 (2.5, 0.5)。同一个向量，在不同基下有不同的坐标表示。
3. 不是基的例子：
   • {(1,0), (2,0)}：线性相关，不是最小集。
   • {(1,0)}：只能张成x轴，不能张成整个平面。

1.1.4 总结

空间中的任意一向量都可以表示为这些基向量的线性组合

1.2 线性变换

1.2.1 线性变换的直观理解

一个“变换”就是一个函数，输入一个向量，输出另一个向量。

线性变换是其中一种性质特别好的变换，它使得向量空间中的线性关系在变换前后保持不变。

你提到的两点几何性质：

1. 直线性：直线变换后依然是直线（不会弯曲成曲线）。
2. 原点固定性：零向量变换后还是零向量（原点不动）。

这是从几何上判断一个变换是否为线性的直观方法。

1.2.2 更精确的代数定义

在代数上，一个变换 T 是线性的，当且仅当它满足以下两条：

1. 可加性：
   $T(\vec{v} + \vec{w}) = T(\vec{v}) + T(\vec{w})$ 意味着变换不改变向量的加法关系

2. 齐次性（数乘不变性）：
   $T(c\vec{v}) = c \, T(\vec{v})$，其中 $c$ 是标量
   意味着变换不改变向量的缩放关系

1.2.3 几何性质与代数定义的对应

• 原点固定：
  令 $c = 0$，齐次性给出 $T(0 \cdot \vec{v}) = 0 \cdot T(\vec{v})$，即 $T(\vec{0}) = \vec{0}$。

• 直线不变：
  直线可表示为 $\vec{p} + t\vec{d}$（点+参数×方向向量）。
  线性变换后：

  $$T(\vec{p} + t\vec{d}) = T(\vec{p}) + t\,T(\vec{d})$$

  结果仍然是“点+参数×方向向量”的形式，所以仍是直线。

• 网格线保持平行且等距分布。

  • 想象原本的网格由 $\mathbf{i}$ $[1, 0]$ , $\mathbf{j}$ $[0, 1]$ 张成（正方形格子）；
  • 经过线性变换后，$\mathbf{i}$ 被拉到 $[1, 0]$，$\mathbf{j}$ 被拉到$[1/\sqrt{3},1]$；
  • 整个平面随之“变形”，但保持直线仍是直线，原点不动，网格平行性不变；

1.2.4 线性变换例子

常见线性变换的例子：

• 旋转：保持原点固定，直线仍为直线。
• 缩放（包括拉伸）：网格线保持平行。
• 投影到一条过原点的直线/平面。
• 反射：关于过原点的直线/平面对称。
• 剪切：将正方形推成平行四边形。

不是线性变换的例子：

• 平移：原点移动了（除非平移量为0），所以不是线性变换（是仿射变换）。
• 将向量长度平方：不满足线性性，直线可能变曲线。
• 非线性函数（如 $T(x, y) = (x^2, y)$）。

1.2.5 总结要点

• 线性变换 = 几何上“保持网格线平行且等距、原点不动”的变换。
• 线性变换 = 代数上“满足可加性和齐次性”的变换。

1.3 矩阵

1.3.1 与线性变换的联系

已知一向量，求一个线性变换后的向量坐标是多少？，由空间中的任意一向量都可以表示为这些基向量的线性组合原理，以及线性变换的性质。

一个线性变换 $T: \mathbb{R}^2 \to \mathbb{R}^2$ 满足两个性质：

• $T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$
• $T(c\mathbf{v}) = c\,T(\mathbf{v})$

正因为这两个性质，只要知道变换后基向量的位置，就能确定整个变换，也即求出变换后的向量坐标!

设：

• $T(\mathbf{i}) = \begin{bmatrix}a \\ c\end{bmatrix}$
• $T(\mathbf{j}) = \begin{bmatrix}b \\ d\end{bmatrix}$

那么对任意 $\mathbf{v} = x\mathbf{i} + y\mathbf{j}$，有：

如果知道线性变换后的基向量坐标T(i)、T(j)，使用已知向量去组合新的基向量坐标(可加，齐次)，即可得到线性变换后的向量坐标，变换后的基向量坐标

上面的线性变换由变换后基向量的坐标决定，由此可提取归纳为矩阵。并得到如下结论：

任何线性变换（在有限维向量空间中）都可以用一个矩阵来表示，变换矩阵的列，就是基向量变换后的坐标。

例子（二维）：
假设在标准坐标系中，
线性变换 $T$ 将 $\hat{i} = \begin{bmatrix}1\\0\end{bmatrix}$ 变成 $\begin{bmatrix}a\\c\end{bmatrix}$，将 $\hat{j} = \begin{bmatrix}0\\1\end{bmatrix}$ 变成 $\begin{bmatrix}b\\d\end{bmatrix}$。

那么这个变换对应的矩阵就是：

且对任意向量 $\vec{x} = \begin{bmatrix}x_1\\x_2\end{bmatrix}$：

一般的二维线性变换是：

其中 $a, b, c, d$ 是实数参数。

这对应矩阵：

---

常见例子对比

变换类型	一般形式	矩阵	说明
坐标轴缩放	$T(x, y) = (a x, b y)$	$\begin{bmatrix}a&0\\0&b\end{bmatrix}$	你举的例子
旋转	$T(x, y) = (x\cos\theta - y\sin\theta,\; x\sin\theta + y\cos\theta)$	$\begin{bmatrix}\cos\theta & -\sin\theta \\ \sin\theta & \cos\theta\end{bmatrix}$	也是线性变换
剪切	$T(x, y) = (x + m y, \; y)$	$\begin{bmatrix}1&m\\0&1\end{bmatrix}$	保持一边固定，另一边倾斜
投影到 x 轴	$T(x, y) = (x, 0)$	$\begin{bmatrix}1&0\\0&0\end{bmatrix}$	将平面压扁到一条直线

1.4 总结

• 线性变换 = 对基向量的重新定位
• 变换后的任意向量 = 原坐标 × 新基向量的线性组合
• 这个过程等价于左乘一个 2×2 矩阵
• 矩阵的列 = 变换后的基向量
• 矩阵乘法 = 线性组合的紧凑表示

2.行列式

2.1 行列式计算方法

---

1. 二阶行列式

对于 $2 \times 2$ 矩阵：

其行列式为：

记忆：主对角线$（ a \times d ）$减去副对角线$（ b \times c ）$。

---

2. 三阶行列式

三阶行列式的计算主要有两种常用方法：对角线法则（沙路法/Sarrus Rule）和代数余子式展开法（拉普拉斯展开）。

假设有一个三阶行列式 $D$：

方法一：对角线法则（沙路法）

这是计算三阶行列式最直观、最常用的方法，仅适用于二阶和三阶行列式。

步骤：

1. 复制前两列：将行列式的前两列写在第三列的右侧，形成一个 $3 \times 5$ 的矩阵辅助记忆。
   $$\begin{matrix} a_{11} & a_{12} & a_{13} & a_{11} & a_{12} \\ a_{21} & a_{22} & a_{23} & a_{21} & a_{22} \\ a_{31} & a_{32} & a_{33} & a_{31} & a_{32} \end{matrix}$$
2. 计算主对角线方向（从左上到右下）的乘积之和（取正号）：
   • $a_{11}a_{22}a_{33}$
   • $a_{12}a_{23}a_{31}$
   • $a_{13}a_{21}a_{32}$
   • 和为：$S_1 = a_{11}a_{22}a_{33} + a_{12}a_{23}a_{31} + a_{13}a_{21}a_{32}$
3. 计算副对角线方向（从右上到左下）的乘积之和（取负号）：
   • $a_{13}a_{22}a_{31}$
   • $a_{11}a_{23}a_{32}$
   • $a_{12}a_{21}a_{33}$
   • 和为：$S_2 = a_{13}a_{22}a_{31} + a_{11}a_{23}a_{32} + a_{12}a_{21}a_{33}$
4. 最终结果： $D = S_1 - S_2$

公式总结：

方法二：代数余子式展开法

这种方法适用于任意阶行列式，对于三阶行列式，通常选择0元素较多的那一行或那一列进行展开，以简化计算。

步骤： 任选一行（例如第一行），行列式的值等于该行各元素与其对应的代数余子式乘积之和。

$D = a_{11}A_{11} + a_{12}A_{12} + a_{13}A_{13}$

其中 $A_{ij}$ 是元素 $a_{ij}$ 的代数余子式，定义为： $A_{ij} = (-1)^{i+j} M_{ij}$

• $M_{ij}$ 是余子式：划去第 $i$ 行和第 $j$ 列后，剩下的二阶行列式。
• $(-1)^{i+j}$ 是符号位。

具体展开（按第一行）：

1. 第一项：$a_{11} \cdot (-1)^{1+1} \begin{vmatrix} a_{22} & a_{23} \\ a_{32} & a_{33} \end{vmatrix} = a_{11}(a_{22}a_{33} - a_{23}a_{32})$
2. 第二项：$a_{12} \cdot (-1)^{1+2} \begin{vmatrix} a_{21} & a_{23} \\ a_{31} & a_{33} \end{vmatrix} = -a_{12}(a_{21}a_{33} - a_{23}a_{31})$
3. 第三项：$a_{13} \cdot (-1)^{1+3} \begin{vmatrix} a_{21} & a_{22} \\ a_{31} & a_{32} \end{vmatrix} = a_{13}(a_{21}a_{32} - a_{22}a_{31})$

将这三项相加即可得到结果。此方法展开后的结果与方法一完全一致。

2.2 行列式的几何本质

线性变换，有的将空间拉伸，有的将空间挤压。有件事对理解线性变换非常有用，就是测量变换对空间有多少拉伸和挤压。更具体一点，就是测量一个给定区域面积的增大或减少的比例。由任何线性变换（在有限维向量空间中）都可以用一个矩阵来表示，变换矩阵的列，就是基向量变换后的坐标原理可知：变换矩阵行列式的绝对值，精确地定义了该变换将任意区域面积（二维）或体积（高维）放大或缩小的比例因子。若行列式为负，则意味着在缩放的同时还发生了空间定向的翻转。

“想象线性变换是在揉捏空间：有的部分被拉长，有的部分被压扁。要衡量这种形变的剧烈程度，最核心的指标就是看它如何改变区域的‘大小’。由于线性变换完全由基向量的去向（即矩阵的列）决定，因此，矩阵行列式的绝对值，就是这把衡量空间伸缩比例的‘标尺’。它告诉我们要将一个单位正方形（或立方体）变换后，其面积（或体积）变成了原来的多少倍。”

比如说这样一个以(3,0)和(0,2)为列的矩阵，它将i帽伸长为原来的3倍，将j帽伸长为原来的2倍，现在如果我们关注以i帽为底边，以j帽为左边的1x1方形，在变换之后，它会变成一个2x3的矩形。因为这个区域初始面积为1，最终面积为6，所以我们说这个线性变换将它的面积变为6倍。

2.2.1 二维情形：为什么 |det| = 面积缩放比例？

几何推导

1. 起点：单位正方形由标准基向量 $\hat{i}=(1,0)$, $\hat{j}=(0,1)$ 张成，面积 = 1
2. 变换后：矩阵 $M = \begin{bmatrix} a & b \\ c & d \end{bmatrix}$ 将基向量映射为：
   • $\hat{i} \to (a, c)$（第一列）
   • $\hat{j} \to (b, d)$（第二列）
3. 新图形：这两个向量张成一个平行四边形
4. 面积计算：
   $$\text{面积} = \left| \vec{v_1} \times \vec{v_2} \right| = |a \cdot d - b \cdot c| = |\det(M)|$$

二阶行列式 $\det \begin{pmatrix} a & b \\ c & d \end{pmatrix} = ad - bc$ 的几何意义是：由列向量 $\vec{u} = \begin{pmatrix} a \\ c \end{pmatrix}$ 和 $\vec{v} = \begin{pmatrix} b \\ d \end{pmatrix}$ 所张成的平行四边形的有向面积。

其推导过程主要有两种经典方法：几何割补法（最直观）和向量叉积法（最简洁）。

---

方法一：几何割补法（Box Method）

这是最基础的推导方式，通过计算包围平行四边形的大矩形面积，减去周围多余的三角形和矩形面积来得到结果。

1. 设定坐标 假设两个向量都在第一象限（其他象限同理，最终取绝对值即可），且 $a,b,c,d > 0$。

• 向量 $\vec{u}$ 的终点为 $A(a, c)$
• 向量 $\vec{v}$ 的终点为 $B(b, d)$
• 平行四边形的第四个顶点为 $C(a+b, c+d)$
• 原点为 $O(0,0)$

2. 构造外接矩形 我们要计算平行四边形 $OACB$ 的面积。 构造一个大的矩形，其四个顶点分别为 $(0,0), (a+b, 0), (a+b, c+d), (0, c+d)$。 这个大矩形的宽是 $a+b$，高是 $c+d$。 $S_{\text{大矩形}} = (a+b)(c+d) = ac + ad + bc + bd$

3. 扣除周围区域 大矩形内部除了中间的平行四边形外，还包含四个直角三角形和两个小矩形（或者更简单地看作两对全等的直角三角形和两个矩形区域，具体取决于 $a,b,c,d$ 的相对大小，但代数结构一致）。

为了通用性，我们通常将大矩形内的“空白”部分分解为：

• 下方三角形和左方三角形：
  • 一个底为 $a$、高为 $c$ 的直角三角形（在 $\vec{u}$ 下方），面积 $\frac{1}{2}ac$。
  • 一个底为 $b$、高为 $d$ 的直角三角形（在 $\vec{v}$ 左方/下方），面积 $\frac{1}{2}bd$。
• 上方三角形和右方三角形
  • 一个底为 $a$、高为 $c$ 的直角三角形（在 $\vec{u}$ 上方），面积 $\frac{1}{2}ac$。
  • 一个底为 $b$、高为 $d$ 的直角三角形（在 $\vec{v}$ 右方/上方），面积 $\frac{1}{2}bd$。
• 两个矩形（长𝑏宽𝑐）：面积共𝑏𝑐

想象一个大矩形，宽 $W = a+b$，高 $H = c+d$。 平行四边形面积 = 大矩形面积 - 4个直角三角形面积 - 2个小矩形面积 = $(ac+ad+bc+bd)-ac/2-ac/2-bd/2-bd/2-2bc$ = $ad-bc$

方法二：线性变换与公理化定义法（抽象代数视角）

如果我们回到行列式最本质的定义：对于二阶方阵，行列式代表两个列向量张成的平行四边形的有向面积。

设两个列向量为：

我们想找一个函数 $f(\mathbf{u}, \mathbf{v})$ 来表示它们的"有向面积"，通常记为 $\det(\mathbf{u}, \mathbf{v})$。

这个函数必须满足三条核心性质（这些性质完全由"面积"的直觉决定）：

1. 单位正方形规则（规范化）：

   $$\det(\mathbf{i}, \mathbf{j}) = \det\begin{pmatrix}1&0\\0&1\end{pmatrix} = 1$$

   即两个标准基向量围成的正方形面积为 1。

2. 反对称性/交错性（方向感）：

   $$\det(\mathbf{v}, \mathbf{u}) = -\det(\mathbf{u}, \mathbf{v})$$

   也就是说，如果交换两个向量，方向反转，面积变号。 推论：如果两个向量相同（共线），面积为 0。$\det(\mathbf{u}, \mathbf{u}) = 0$

3. 双线性性（线性缩放）：

   $$\det(k\mathbf{u}, \mathbf{v}) = k\det(\mathbf{u}, \mathbf{v})$$
   $$\det(\mathbf{u}+\mathbf{w}, \mathbf{v}) = \det(\mathbf{u}, \mathbf{v}) + \det(\mathbf{w}, \mathbf{v})$$

   意思是：：如果向量长度变为 k 倍，面积也变为 k 倍。

推导过程

由双线性性，我们可以展开：

由反对称性：

代入规范化 $\det(\mathbf{i}, \mathbf{j}) = 1$：

结论： 只要承认上述三条几何性质，(ad - bc) 是唯一可能的表达式。它不是数学家随意定的，而是从"有向面积"的直观中严格推导出来的必然结果。

2.2.2 三维情形：为什么 |det| = 体积缩放比例？

几何推导

1. 起点：单位立方体由 $\hat{i}, \hat{j}, \hat{k}$ 张成，体积 = 1
2. 变换后：$M$ 的三列向量 $\vec{v_1}, \vec{v_2}, \vec{v_3}$ 张成平行六面体
3. 体积计算：
   $$\text{体积} = \left| \vec{v_1} \cdot (\vec{v_2} \times \vec{v_3}) \right| = |\det(M)|$$
   （标量三重积 = 行列式绝对值）

方法一：几何向量法（混合积推导）

我们可以通过向量的**混合积（Scalar Triple Product）**来直观推导这个公式。

设三个列向量为 $\mathbf{a} = (a_1, a_2, a_3)^T$, $\mathbf{b} = (b_1, b_2, b_3)^T$, $\mathbf{c} = (c_1, c_2, c_3)^T$。

第一步：底面积与高

平行六面体的体积 $V$ 等于 底面积 $\times$ 高。

• 底面：由向量 $\mathbf{b}$ 和 $\mathbf{c}$ 张成的平行四边形。
• 底面积：根据向量叉积（Cross Product）的定义，$\mathbf{b} \times \mathbf{c}$ 的模长 $|\mathbf{b} \times \mathbf{c}|$ 等于该平行四边形的面积，且方向垂直于底面。
• 高：向量 $\mathbf{a}$ 在法向量方向上的投影长度。即 $\mathbf{a}$ 在单位法向量 $\frac{\mathbf{b} \times \mathbf{c}}{|\mathbf{b} \times \mathbf{c}|}$ 上的投影。 $h = |\mathbf{a}| \cdot |\cos \theta| = \frac{|\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})|}{|\mathbf{b} \times \mathbf{c}|}$

第二步：体积公式（混合积）

将底面积和高相乘： $V = \text{Area} \times h = |\mathbf{b} \times \mathbf{c}| \times \frac{|\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})|}{|\mathbf{b} \times \mathbf{c}|} = |\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})|$ 这里 $\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})$ 被称为标量三重积（或混合积）。 注：如果不取绝对值，得到的是有向体积。当 $\mathbf{a}, \mathbf{b}, \mathbf{c}$ 符合右手定则时为正，左手定则为负。

第三步：展开为行列式形式

现在我们将混合积用坐标表示出来，看看它如何变成行列式。

1. 计算叉积 $\mathbf{b} \times \mathbf{c}$： $\mathbf{b} \times \mathbf{c} = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ b_1 & b_2 & b_3 \\ c_1 & c_2 & c_3 \end{vmatrix} = (b_2c_3 - b_3c_2)\mathbf{i} - (b_1c_3 - b_3c_1)\mathbf{j} + (b_1c_2 - b_2c_1)\mathbf{k}$

2. 计算点积 $\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c})$： $\mathbf{a} \cdot (\mathbf{b} \times \mathbf{c}) = a_1(b_2c_3 - b_3c_2) - a_2(b_1c_3 - b_3c_1) + a_3(b_1c_2 - b_2c_1)$

3. 观察行列式的展开： 让我们写出以 $\mathbf{a}, \mathbf{b}, \mathbf{c}$ 为列向量的三阶行列式，并按第一列（即 $\mathbf{a}$）展开： $\det(\mathbf{a}, \mathbf{b}, \mathbf{c}) = \begin{vmatrix} a_1 & b_1 & c_1 \\ a_2 & b_2 & c_2 \\ a_3 & b_3 & c_3 \end{vmatrix}$ 按第一列展开公式为： $= a_1 \begin{vmatrix} b_2 & c_2 \\ b_3 & c_3 \end{vmatrix} - a_2 \begin{vmatrix} b_1 & c_1 \\ b_3 & c_3 \end{vmatrix} + a_3 \begin{vmatrix} b_1 & c_1 \\ b_2 & c_2 \end{vmatrix}$ $= a_1(b_2c_3 - b_3c_2) - a_2(b_1c_3 - b_3c_1) + a_3(b_1c_2 - b_2c_1)$

结论：体积 $V = |\det(\mathbf{a}, \mathbf{b}, \mathbf{c})|$。（混合积的代数表达式V与行列式的按列展开式完全一致）。

为什么是“有向”体积？

行列式的值可以是负数，而物理体积通常是正数。

• 当三个向量构成右手系（大拇指指向 $\mathbf{a}$，食指 $\mathbf{b}$，中指 $\mathbf{c}$ 能自然张开）时，行列式为正，代表正向体积。
• 当交换任意两列（例如交换 $\mathbf{b}$ 和 $\mathbf{c}$），相当于改变了手性（变成左手系），几何上平行六面体没变，但定向反转了，所以行列式变号。
• 因此，平行六面体的几何体积 = $|\det(\mathbf{a}, \mathbf{b}, \mathbf{c})|$（行列式的绝对值）。

另一种视角：线性变换的缩放比例

从线性代数的更高层视角来看：

• 单位立方体由标准基向量 $\mathbf{e}_1, \mathbf{e}_2, \mathbf{e}_3$ 组成，其体积为 1。
• 矩阵 $A = [\mathbf{a}, \mathbf{b}, \mathbf{c}]$ 可以看作是一个线性变换，它将单位立方体映射到了由 $\mathbf{a}, \mathbf{b}, \mathbf{c}$ 张成的平行六面体。
• 行列式的本质定义就是线性变换对体积的缩放因子（Scaling Factor）。
• 既然原体积是 1，那么变换后的体积就是 $1 \times \det(A) = \det(A)$。

总结

三阶行列式公式之所以代表平行六面体体积，是因为：

1. 几何推导：通过“底面积（叉积）× 高（投影）”导出的混合积公式，在代数展开后与行列式的定义完全吻合。
2. 变换意义：行列式天然描述了线性变换对空间体积的缩放倍数

方法二：线性变换与公理化定义法（抽象代数视角）

这种方法不依赖具体的坐标计算，而是从“体积”这一概念必须满足的公理出发，证明行列式是唯一满足这些公理的函数。

1. 体积函数的公理 定义一个函数 $D(\mathbf{v}_1, \mathbf{v}_2, \mathbf{v}_3)$ 表示由这三个向量构成的平行六面体的有向体积，它必须满足：

• 规范性 (Normalization)：单位立方体的体积为 1。即 $D(\mathbf{e}_1, \mathbf{e}_2, \mathbf{e}_3) = 1$。
• 多重线性 (Multilinearity)：
  • 若某一边长拉伸 $k$ 倍，体积变为 $k$ 倍：$D(k\mathbf{v}_1, \mathbf{v}_2, \mathbf{v}_3) = k D(\mathbf{v}_1, \mathbf{v}_2, \mathbf{v}_3)$。
  • 若某一边是两个向量之和，体积可加：$D(\mathbf{u}+\mathbf{w}, \mathbf{v}_2, \mathbf{v}_3) = D(\mathbf{u}, \mathbf{v}_2, \mathbf{v}_3) + D(\mathbf{w}, \mathbf{v}_2, \mathbf{v}_3)$。
• 反对称性 (Alternating)：交换任意两个向量，图形形状不变但定向反转（右手系变左手系），体积符号取反。即 $D(\mathbf{v}_2, \mathbf{v}_1, \mathbf{v}_3) = -D(\mathbf{v}_1, \mathbf{v}_2, \mathbf{v}_3)$。
  • 推论：若有两个向量相同（共面），体积为 0。

2. 唯一性定理 在线性代数中有一个著名定理：满足上述三条性质的函数是唯一的。

3. 行列式的性质匹配 回顾行列式的定义性质：

• $\det(I) = 1$ （满足规范性）
• 行列式对每一列都是线性的 （满足多重线性）
• 交换两列，行列式变号 （满足反对称性）

结论：既然“有向体积”和“行列式”都满足完全相同的三条公理，且满足这三条公理的函数唯一，那么有向体积函数必然等于行列式函数。 $\text{Volume}_{signed}(\mathbf{a}, \mathbf{b}, \mathbf{c}) = \det(\mathbf{a}, \mathbf{b}, \mathbf{c})$

三阶行列式 $\det(\mathbf{a}, \mathbf{b}, \mathbf{c})$ 的绝对值等于由列向量 $\mathbf{a}, \mathbf{b}, \mathbf{c}$ 张成的平行六面体的体积。这个结论可以通过多种数学视角进行推导和证明。

2.3 只有方阵（行数等于列数的矩阵）才有行列式

结论先行：

1. 只有方阵（行数等于列数的矩阵）才有行列式。
2. 如果一个线性变换是从 3 维空间映射到 2 维空间（$T: \mathbb{R}^3 \to \mathbb{R}^2$），它对应的矩阵是一个 $2 \times 3$ 的矩阵（非方阵），因此这个变换本身没有行列式。

2.3.1 为什么只有方阵才有行列式？

从定义上讲，行列式（Determinant）是定义为 $n \times n$ 矩阵（即方阵）的一个标量值。

• 代数角度：行列式的计算公式（如莱布尼茨公式或拉普拉斯展开）依赖于行数和列数相等，以便进行排列组合（permutations）。如果行数 $m$ 不等于列数 $n$，这些定义无法直接应用。
• 几何角度：行列式的几何意义是**“体积缩放比例”**。
  • 一个 $n \times n$ 的矩阵代表一个从 $n$ 维空间到 $n$ 维空间的线性变换（$\mathbb{R}^n \to \mathbb{R}^n$）。
  • 它将 $n$ 维空间中的一个单位超立方体变换为另一个 $n$ 维的平行多面体。行列式的值就是这个新形状体积与原体积的比值（带符号，表示方向是否翻转）。
  • 如果维度发生了变化（比如从 3 维变 2 维），你无法比较“3 维体积”和“2 维面积”，因为它们量纲不同，不存在一个单一的标量能描述这种跨维度的“缩放”。

2.3.2 关于从 3 维到 2 维的线性变换

假设有一个线性变换 $T: \mathbb{R}^3 \to \mathbb{R}^2$。

• 矩阵形式：它的标准矩阵 $A$ 的大小是 $2 \times 3$（2 行 3 列）。 $A = \begin{pmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \end{pmatrix}$
• 是否有行列式？ 没有。因为 $2 \neq 3$，$\det(A)$ 无定义。

矩阵 $A$ 中：

• 每一列（Column）：代表基向量变换后的结果。

  • 第 1 列是：输入空间的第 1 个基向量 $(1,0,0)^T$ 变换后变成了什么？
  • 因为输出空间是 2 维 的，所以变换后的向量必须是 2 维 的（只有 2 个分量）。
  • 因此，矩阵的每一列必须有 2 个元素（2 行），而不是 3 个。

• 列的数量：代表输入空间的维度。

  • 输入是 3 维的，有 3 个基向量 $(1,0,0), (0,1,0), (0,0,1)$。
  • 我们需要知道这 3 个基向量分别变成了什么。
  • 因此，矩阵必须有 3 列。

这种情况下我们看什么？

虽然没有行列式，但我们可以通过其他概念来理解这个变换的性质：

1. 秩 (Rank)： 这是最重要的指标。对于 $2 \times 3$ 矩阵，其秩最大为 2。

   • 如果秩为 2，说明变换将 3 维空间“压扁”成了一个 2 维平面（满秩映射到目标空间）。
   • 如果秩为 1，说明被压扁成了一条线。
   • 如果秩为 0，说明所有点都映射到了原点。
   • 由于是从高维到低维，根据秩 - 零化度定理（Rank-Nullity Theorem），其**核（Kernel）**的维度至少为 $3-2=1$。这意味着必然有非零向量被映射为零向量（信息丢失，不可逆）。

2. 奇异值 (Singular Values)： 虽然不能算行列式，但我们可以做奇异值分解 (SVD)。对于 $2 \times 3$ 矩阵，会有 2 个非零奇异值（假设满秩）。这两个奇异值的乘积 $\sigma_1 \sigma_2$ 可以理解为：单位球体（3维）被投影并变换后，在 2 维平面上形成的椭圆的面积。但这通常不被称为该矩阵的“行列式”。

3. 柯西 - 比内公式 (Cauchy-Binet Formula)： 如果你非常想通过某种方式得到类似行列式的值，数学上有一个推广。对于 $A$ ($m \times n$, $m < n$)，我们可以计算所有 $m \times m$ 子矩阵行列式的平方和。 $\sum (\text{all } 2\times2 \text{ minors})^2$ 这个值的平方根与变换后的“面积”有关，但它依然不是传统意义上的单一行列式值。

总结

• 行列式存在的条件：必须是方阵 ($n \times n$)。
• 物理/几何含义：描述同维度空间变换下的有向体积缩放率。
• 3 维 $\to$ 2 维的情况：
  • 矩阵是非方阵 ($2 \times 3$)。
  • 没有行列式。
  • 该变换必然不可逆（因为有信息丢失，多个输入对应同一个输出）。
  • 我们通常用秩或奇异值来分析这类变换。

3.参考文献

本文参考： 3Blue1Brown的《线性代数的本质》视频讲解，以及DeepSeek,同义千问回答。