140 5. Determinant
我們得到了 3× 3 matrix 的 determinant, 也因此由此可定義出 R3 中三個向量所張成的 平行六面體的 signed volume. 也就是說若將 R3 上的三個向量 u, v, w 寫成 row vectors, 令 矩陣 A 為 1-st, 2-nd, 3-rd row 依序為 u, v, w 的 3× 3 matrix, 則 det(A) 就是 u,v,w 三個向 量所張成的平行六面體的 signed volume. 其中 det(A) 的絕對值, 就是這平行六面體的體積.
而 det(A) 的正負號告訴我們 u, v, w 這三個向量的方向性. 這裡 u, v, w 這三個向量正反向我 們是用所謂的 right hand rule (右手定則) 來區分, 意即將右手大拇指指向 u 的方向, 其餘四 個指頭併攏指向 v 的方向, 若 w 位於手掌正面的方向則 u, v, w 為正向, 反之為負向. 例如 i = (1, 0, 0), j = (0, 1, 0), k = (0, 0, 1) 我們定為正向 (因 det(I3) = 1 > 0). 利用 Section 5.1 我們 定的方向性規則, 可以知道 det(A) > 0 時 u, v, w 這三個向量為正向, 而 det(A) < 0 時為負向.
給定 u = (a1, a2, a3), v = (b1, b2, b3)∈ R3, 我們定義 u, v 的 cross product (外積) u× v 為 u× v =
( det
[ a2 a3
b2 b3
] , det
[ a3 a1
b3 b1
] , det
[ a1 a2
b1 b2
]) .
要注意, 千萬不要將內積和外積弄混了, 兩個向量之內積是一個實數, 而兩個向量之 外積仍為向量. 另外 u× v 和 v × u 是不相等的, 除非 u × v = 0. 這是因為兩個 row 交 換其 determinant 會變號, 因此依定義 u× v = −v × u. 而 u × v 何時會是 0 呢? 依定義 u× v = 0 若且唯若 det
[ a2 a3 b2 b3
]
= det
[ a3 a1 b3 b1
]
= det
[ a1 a2 b1 b2
]
= 0, 很容易知道這等同 於 u = (a1, a2, a3), v = (b1, b2, b3) 為 linearly dependent.
現考慮 u = (a1, a2, a3), v = (b1, b2, b3), w = (c1, c2, c3)我們有 w· (u × v) = c1det
[ a2 a3 b2 b3
]
+ c2det
[ a3 a1 b3 b1
]
+ c3det
[ a1 a2 b1 b2
]
(5.3)
由於 det
[ a3 a1
b3 b1 ]
=−det
[ a1 a3
b1 b3 ]
式子 (5.3) 的右式又等同於將
a1 a2 a3
b1 b2 b3
c1 c2 c3
對 3-rd row 展開的 determinant, 故得
w· (u × v) = (u × v) · w = det
a1 a2 a3 b1 b2 b3
c1 c2 c3
= det
— u —
— v —
— w —
. (5.4)
也就是說 (u× v) · w 就是 u,v,w 這三個向量所張成的平行六面體的 signed volume.
特別的, 當 w = u 或 w = v 時, 由於 u, v, w 為 row vector 所形成的矩陣有兩個 row 相同, 所以其 determinant 為 0 (Lemma 5.2.2). 因此由式子 (5.4) 知 u·(u×v) = v·(u×v) = 0. 也 就是說當 u, v 為 linearly independent 時, u× v 同時會和 u 以及和 v 垂直. 而當 w = u × v, 我們有 (u× v) · (u × v) = ∥u × v∥2. 也就是 u, v, u× v 所張成的平行六面體的 signed volume 為 ∥u × v∥2. 考慮 u, v, u× v 所張成的平行六面體以 u,v 所張的平行四邊形為底, 此時由於 u× v 和 u 以及和 v 垂直, 我們得 ∥u × v∥ 就是此平行六面體的高. 因此由 u,v,u × v 所張成 的平行六面體的體積∥u × v∥2 為 u, v 所張的平行四邊形面積乘上高∥u × v∥, 得 u,v 所張的 平行四邊形面積為 ∥u × v∥. 另外由於 u,v,u × v 所張成的平行六面體的 signed volume 為
∥u × v∥2> 0, 我們知 u, v, u× v 利用右手定則為正向. 最後我們將外積的性質歸納如下.
Theorem 5.3.3. 給定 u, v∈ R3. 則 u× w ̸= 0 若且唯若 u,v 為 linearly independent. 此時 u× v 的長度為 u,v 所張的平行四邊形面積, 且 u,v 同時與 u × v 垂直, 又 u,v,u × v 利用右 手定則為正向.
又假設 w∈ R, 則 (u×v)·w ̸= 0 若且唯若 u,v,w 為 linearly independent. 此時 (u×v)·w 就是 u, v, w 這三個向量所張成的平行六面體的 signed volume.
5.4. Existence of the Determinant Function
在上一節中, 我們利用降階的方法以及 2× 2 matrix 的 determinant 的存在性建構了 3 × 3 matrix 的 determinant, 因而得到其存在性. 接著我們可利用 3× 3 matrix 的 determinant 存在性得到 4× 4 matrix 的 determinant 的存在性, 然後一直下去. 在本節中, 我們就是要 用數學歸納法證明一般 n× n matrix 的 determinant 皆存在.
首先我們將 Definition 5.3.1 的定義推廣到一般的情形.
Definition 5.4.1. 假設 A = [ai j] 為 n× n matrix. 將 A 的 i-th row 和 j-th column 除去所 得的 (n−1)×(n −1) matrix, 稱為 A 的 (i, j) minor matrix, 用 Ai j 表示. 當 (n−1)×(n −1) matrix 的 determinant 存在時, 令 a′i j= (−1)i+ jdet(Ai j), 稱為 A 的 (i, j) cofactor.
現利用數學歸納法假設 (n− 1) × (n − 1) matrix 的 determinant 存在, 對於 n × n matrix A = [ai j], 固定 k∈ {1,...,n}, 我們考慮 A 對 k-th column 展開, 定義
det(A) = a1 ka′1 k+ a2 ka′2 k+··· + an ka′n k.
我們要利用 (n− 1) × (n − 1) matrix 的 determinant 符合 determinant 所要求的四個性質來 證明這樣定出 n× n matrix 的 determinant 也會符合這四個性質.
首先證明 det(In) = 1. 由於 In 的 k-th column 為 ek, 僅有在 k-th entry 為 1, 其餘位 置為 0. 也就是說若令 A = [ai j] = In, 則 ai k= 0 for i̸= k 且 ak k= 1. 因此依定義我們有 det(In) = ak ka′k k= a′k k. 然而 A = In 在 (k, k) 的 minor matrix 為 In−1, 因此得 A = In 的 (k, k) cofactor 為 a′k k= (−1)k+kdet(In−1) = det(In−1). 但依 induction 的假設, det(In−1) = 1, 故知 a′k k= 1, 得證 det(In) = 1.
接著檢查相鄰兩個 row 互換後 determinant 會變號. 假設 A = [ai j],固定 l∈ {1,...,n−1}, 假設將 A 的 l-th row 和 l + 1-th row 交換所得的矩陣為 B = [bi j]. 也就是說當 i̸= l,l + 1 時, bi j= ai j 而 bl j = al+1 j, bl+1 j= al j. 因而我們有當 i < l 時, B 的 (i, k) minor matrix Bi k
就是將 A 的 (i, k) minor matrix Ai k 相鄰的 l− 1-th, l-th 兩個 row 交換 (此時依歸納假設 det(Bi k) =−det(Ai k)). 而當 i > l + 1 時, Bi k 就是將 Ai k 相鄰的 l-th, l + 1-th 兩個 row 交換 (此時依歸納假設 det(Bi k) =−det(Ai k)). 又 Bl k 就是 Al+1 k 且 Bl+1 k 就是 Al k. 因此我們有 B 的 (i, k) cofactor b′i k 為
(−1)i+kdet(Bi k) =
(−1)i+k(−det(Ai k)) =−a′i k, if i̸= l and i ̸= l + 1;
(−1)l+kdet(Al+1 k) =−a′l+1 k, if i = l;
(−1)i+1+kdet(Al k) =−a′l k, if i = l + 1;
142 5. Determinant
由此得證
det(B) = b1 kb′1 k +··· + bl kb′l k + bl+1 kb′l+1 k + ··· + bn kb′n k
= a1 k(−a′1 k) +··· + al+1 k(−a′l+1 k) + al k(−a′l k) + ··· + an k(−a′n k)
= −det(A)
至於性質 (3), (4) 我們合併檢查, 即檢查 multi-linear 性質. 固定 l∈ {1,...,n − 1} 以及 r∈ R. 假設 A = [ai j], B = [bi j], C = [ci j] 為 n× n matrices 滿足當 i ̸= l 時 ai j= bi j= ci j 而 al j= bl j+ rcl j. 當 i < l 時, A 的 (i, k) minor matrix Ai k 的 l− 1-th row 就是 Bi k 的 l− 1-th row 加上 r 倍的 Ci k 的 l− 1-th row (此時依歸納假設 det(Ai k) = det(Bi k) + r det(Ci k)). 而當 i > l + 1 時, Ai k 的 l-th row 就是 Bi k 的 l-th row 加上 r 倍的 Ci k 的 l-th row (此時依歸 納假設 det(Ai k) = det(Bi k) + r det(Ci k)). 又 Al k 等於 Bl k 且等於 Cl k. 因此我們有 A 的 (i, k) cofactor a′i k 為
(−1)i+kdet(Ai k) =
{ (−1)i+k(det(Bi k) + r det(Bi k) = b′i k+ rc′i k, if i̸= l;
(−1)l+kdet(Bl k) = (−1)l+kdet(Cl k) = b′l k= c′l k, if i = l;
由此得證
det(A) = a1 ka′1 k +··· + al ka′l k + ··· + an ka′n k
= b1 k(b′1 k+ rc′1 k) +··· + (bl k+ rcl k)b′l k + ··· + bn k(b′n k+ rc′n k)
= b1 kb′1 k+ rc1 kc′1 k +··· + bl kb′l k+ rcl kc′l k + ··· + bn kb′n k+ rcn kc′n k
= det(B) + r det(C).
我們證得了 det 的存在性, 再加上 Theorem 5.2.8 的唯一性, 我們有以下的結論.
Theorem 5.4.2. 存在唯一的函數 det : Mn×n(R) → R 滿足 (1) det(In) = 1.
(2) 若將 n× n matrix A 某相鄰兩個 row 交換所得的矩陣為 A′, 則 det(A′) =−det(A).
(3) 若將 n×n matrix A 某個 row 乘上非零實數 r 所得的矩陣為 A′, 則 det(A′) = r det(A).
(4) 若 A, B,C 三個 n× n matrix, 其中 A 的 i-th row 是 B 和 C 的 i-th row 之和, 而 A, B,C 其他各 row 皆相等, 則 det(A) = det(B) + det(C).
由於我們證得了對任意的 column 展開所得的 determinant 皆符合上述四項性質, 因此 由唯一性得到對任意 column 展開所得的 determinant 之值皆會相同. 另外和 3× 3 的情形 相同, 由於 det(At) = det(A), 我們也得到對任意 row 展開所得的 determinant 之值皆會相同.
因此我們有以下的結果.
Theorem 5.4.3. 假設 A = [ai j] 為 n× n matrix. 令 a′i j 為 A 的 (i, j) cofactor, 則對任意 k∈ {1,...,n} 皆有 det(A) = a1 ka′1 k+ a2 ka′2 k+··· + an ka′n k= ak 1a′k 1+ ak 2a′k 2+··· + ak na′k n. Question 5.3. 對於 n× n matrix A = [ai j]考慮 A 的 diagonal entry 展開, 即考慮
a1 1a′1 1+ a2 2a′2 2+··· + an na′n n.
試問這樣的展開方法會符合我們要求 determinant 的四項規則的哪幾項?
雖然我們利用 elementary row operations 的方法證明了 determinant 的唯一性, 又用降 階的方法證明了 determinant 的存在性, 不過在計算 determinant 時, 這兩種方法都可混用.
一般來說用 row operation 或 column operation 來求 determinant 較快, 不過若發現有的 row 或 column 僅有一個不是 0 的 entry, 則對該 row 或 column 降階, 也可幫助我們較快算 出 determinant. 我們看以下的例子.
Example 5.4.4. 我們求 A =
2 −1 3 5 0 2 1 2 0 5 3 3 4 −2 7 8
的 determinant. 首先觀察 A 的 1-st column
僅有兩個 entry 不為 0, 所以利用 1-st row 乘上−2 加到 4-th row 得 B =
2 −1 3 5 0 2 1 2 0 5 3 3 0 0 1 −2
(此時 det(A) = det(B)). 現因 B 的 1-st column 僅有一個非 0 entry, 我們對 1-st column 降 階展開得 det(B) = 2 det(C) 其中 C 為 B 的 (1, 1) minor matrix, 即 C =
2 1 2 5 3 3 0 1 −2
. 接著
將 C 的 2-nd column 乘上 2 加到 3-rd column 得 D =
2 1 4 5 3 9 0 1 0
(此時 det(C) = det(D)).
最後對 D 的 3-rd row 展開得 det(D) = (−1)3+2det [ 2 4
5 9 ]
= 2. 故知 det(A) = det(B) = 2 det(C) = 2 det(D) = 4.
5.5. Cramer’s Rule and Adjoint Matrix
Determinant 不只可以幫助我們計算平行多面體的有向體積, 其實它也可以幫助我們解聯立 方程組以及找到 invertible matrix 的反矩陣. 在這一節中, 由於和矩陣乘法有關, 所以所有 向量皆用 column vector 表示.
首先考慮 n× n matrix A = [ai j]對於 j∈ {1,...,n} 令 aj 表示 A 的 j-th column. 現對於 Rn 的一個 vector c =
c1
... cn
, 對於任意 k ∈ {1,...,n}, 考慮 Ck 為將 identity matrix In 的 k-th
column 用 c 取代的 n× n matrix. 亦即當 j ̸= k 時, Ck 的 j-th column 為 ej, 而 Ck 的 k-th column 為 c. 現考慮 ACk, 依矩陣乘法的定義, 我們有
ACk=
v1 ··· vn
c1 e1 ··· ... ··· en
cn
=
v1 ··· c1v1+··· + cnvn ··· vn
. (5.5)
144 5. Determinant
也就是說當 j̸= k 時, ACk 的 j-th column 為 vj, 而 ACk 的 k-th column 為 c1v1+··· + cnvn. 現對於 b =
b1
... bn
若 x1= c1, . . . , xn= cn 為聯立方程組 Ax = b 的一組解, 亦即
c1v1+··· + cnvn=
v1 ··· vn
c1
... cn
=
b1
... bn
= b. (5.6)
因此若令 Bk 表示將 A 的 k-th column 用 b 取代的 n× n matrix, 則結合式子 (5.5) (5.6), 我們有 ACk= Bk. 因此由 determinant 的乘法性質 (Theorem 5.2.6 (2)), 得 det(A) det(Ck) = det(Bk). 然而對 Ck 的 k-th row 展開, 我們有 det(Ck) = ck(−1)k+kdet(In−1) = ck. 因此得證以 下之定理.
Theorem 5.5.1. 假設 A 為 n× n matrix 且 b =∈ Rn 為 column vector. 對於 k∈ {1,...,n}
令 Bk 表示將 A 的 k-th column 用 b 取代的 n× n matrix. 若 x1= c1, . . . , xn= cn 為聯立方 程組 Ax = b 的一組解, 則 ckdet(A) = det(Bk).
我們可以利用 Theorem 5.5.1 得到許多和解聯立方程組有關的性質. 首先若 det(A)̸= 0, 表示 A 為 invertible, 我們知聯立方程組 Ax = b 一定有解且解唯一. 事實上此時由 Theorem 5.5.1 我們可以將此組解具體寫出. 這就是所謂的 Cramer’s Rule.
Corollary 5.5.2 (Cramer’s Rule). 假設 A 為 n×n invertible matrix 且 b =∈ Rn 為 column vector. 對於所有 k∈ {1,...,n} 令 Bk 表示將 A 的 k-th column 用 b 取代的 n× n matrix.
則聯立方程組 Ax = b 有唯一的一組解, 且其解為 xk= det(Bk)
det(A),∀k = 1,...,n.
Proof. 由假設 A 為 invertible, 知 det(A)̸= 0 且 Ax = b 必有解 (且解唯一). 然而 Theorem 5.5.1 告訴我們如果聯立方程組 Ax = b 有解, 則其解 x1= c1, . . . , xn= cn 需滿足 ckdet(A) = det(Bk),∀k = 1,...,n. 然而因 det(A) ̸= 0, 故由解的存在性知 xk= det(Bk)/ det(A),∀k = 1,...,n
是唯一可能的一組解.
Example 5.5.3. 考慮 Example 5.4.4 中的矩陣 A =
2 −1 3 5 0 2 1 2 0 5 3 3 4 −2 7 8
. 令 b =
1 0 0 0
, 前 面 已 知 det(A) = 4̸= 0, 我們可用 Cramer’s rule 解聯立方程組 Ax = b. 此時將 b 置
換 於 A 的 1-st column, 得 B1=
1 −1 3 5 0 2 1 2 0 5 3 3 0 −2 7 8
. 同理得 B2 =
2 1 3 5 0 0 1 2 0 0 3 3 4 0 7 8
, B3=
2 −1 1 5 0 2 0 2 0 5 0 3 4 −2 0 8
, B4=
2 −1 3 1 0 2 1 0 0 5 3 0 4 −2 7 0
. 利用降階, 我們得 det(B1) = 42, det(B2) = 12,
det(B3) =−16, det(B4) =−4. 故由 Cramer’s rule 知 x1= 21/2, x2= 3, x3=−4, x4=−1 是 聯立方程組 Ax = b 之唯一一組解. 若令 C1=
21/2 0 0 0 3 1 0 0
−4 0 1 0
−1 0 0 1
我們會有
AC1=
2 −1 3 5 0 2 1 2 0 5 3 3 4 −2 7 8
21/2 0 0 0 3 1 0 0
−4 0 1 0
−1 0 0 1
=
1 −1 3 5 0 2 1 2 0 5 3 3 0 −2 7 8
= B1.
同理若令
C2=
1 21/2 0 0 0 3 0 0 0 −4 1 0 0 −1 0 1
,C3=
1 0 21/2 0 0 1 3 0 0 0 −4 0 0 0 −1 1
,C4=
1 0 0 21/2 0 1 0 3 0 0 1 −4 0 0 0 −1
,
我們會有 AC2= B2, AC3= B3 以及 AC4= B4.
至於當 A 不是 invertible 時 (即 det(A) = 0), Theorem 5.5.1 就無法幫助我們找出聯立方 程組的解. 不過由於 det(A) = 0, 故利用 Theorem 5.5.1 知若 x1= c1, . . . , xn= cn 為聯立方程 組 Ax = b 的一組解, 則 det(Bk) = ckdet(A) = 0, ∀k = 1,...,n. 換言之, 若存在 k ∈ {1,...,n}
使得 det(Bk)̸= 0, 則聯立方程組 Ax = b 就無解.
Corollary 5.5.4. 假設 A 為 n× n non-invertible matrix 且 b ∈ Rn 為 column vector. 對 於所有 k∈ {1,...,n} 令 Bk 表示將 A 的 k-th column 用 b 取代的 n× n matrix. 若存在 k∈ {1,...,n} 使得 det(Bk)̸= 0, 則聯立方程組 Ax = b 無解.
要注意 Corollary 5.5.4 的反向並不成立. 也就是說當 A 不是 invertible 時, 若對所有 k = 1, . . . , n, 皆有 det(Bk) = 0, 那麼我們是無從判斷聯立方程組 Ax = b 是否有解的. 例如在 A =
1 1 1 2 2 2 3 3 3
,b =
1 2 3
的情形很容易判斷 Ax = b 有解, 且 det(A) = det(B1) = det(B2) =
det(B3) = 0. 而當 b =
1 1 1
時, 很容易判斷 Ax = b 無解, 但此時仍有 det(A) = det(B1) = det(B2) = det(B3) = 0.
由上面這幾種情況可知, Cramer’s rule 並不是有效處理聯立方程組的方法. 一般在處理 特定的聯立方程組, 還是直接用 elementary row operations 處理較為快速. 不過在處理一般 抽象的方程組問題時, Cramer’s rule 因為可以具體描繪出解的形式, 所以是很有用的工具.
我們看以下的性質.
Proposition 5.5.5. 假設 A = [ai j] 為 n× n matrix 其中 ai j ∈ Z, ∀i, j ∈ {1,...,n}. 若 det(A) =±1, 則對於任意 b =
b1
... bn
, 其中 bi∈ Z, ∀i ∈ {1,...,n}, 聯立方程組 Ax = b 的解皆
為整數.
146 5. Determinant
Proof. 由 於 det(A) =±1 ̸= 0, 利用 Cramer’s rule 我們有聯立方程組 Ax = b 的解為 x1 =±det(B1), . . . , xn =±det(Bn), 其 中 對 任 意 k∈ {1,...,n}, Bk 為 將 A 的 k-th column 用 b 取代的 n× n matrix. 由於 ai j∈ Z 且 bi∈ Z, ∀i, j ∈ {1,...,n}. 我們知矩陣 Bk 的所有 entry 皆為整數. 利用 determinant 的定義, 我們知此時 det(Bk) 亦為整數, 得證聯立方程組
Ax = b 的解皆為整數.
另外一個 Cramer’s rule 的應用就是幫我們找到 invertible matrix 的 inverse. 假設 A∈ Mn×n(R) 為 invertible 且 C 為 A 的 inverse, 則由 AC = In, 依矩陣乘法定義我們知 C 的 j-th column
c1 j
... cn j
需滿足 A
c1 j
... cn j
等於 In 的 j-th column ej. 也就是說 C 的 j-th column
為聯立方程組 Ax = ej 的解. 因此 C 的 (i, j)-th entry ci j 應為聯立方程組 Ax = ej 的解中 xi 之值. 故由 Cramer’s rule 知 ci j= det(A( j, i))/ det(A), 其中 A( j, i) 表示將 A 的 i-th column 用 ej 取代的 n× n matrix. 然而利用對 A( j,i) 的 i-th column 展開求 det(A( j,i)), 我們得 det(A( j, i)) = (−1)j+1det(Aj i) = a′j i. 也就是說 ci j 就是 A 的 ( j, i) cofactor (注意 i, j 位置交 換) 除以 det(A). 為了方便起見我們有以下的定義.
Definition 5.5.6. 假設 A = [ai j] 為 n× n matrix, 對於任意 i, j ∈ {1,...,n} 令 a′i j 為 A 的 (i, j) cofactor. 考慮 n× n matrix A′ 其 (i, j)-th entry 為 a′i j. 我們稱 A′ 為 A 的 cofactor matrix 而稱 A′ 的 transpose (A′)t 為 A 的 adjoint matrix, 用 adj(A) 來表示.
注意 adj(A) 是將 A 的 cofactor 所成的矩陣 A′ 取轉置而得, 千萬不要忘記取轉置. 另外 要注意不管一個 n× n matrix 是否為 invertible, 皆可定義其 adjoint matrix.
我們回到剛才 A 為 invertible 的情況. 假設 C 為其 inverse. 依 adj(A) 的定義, 我們得到 C 的 (i, j)-th entry 就是 adj(A) 的 (i, j)-th entry 除以 det(A). 因此依矩陣係數積的定義, 我 們有 C =det(A)1 adj(A). 得證了以下的定理.
Proposition 5.5.7. 假設 A 為 n× n invertible matrix. 則 A−1= 1
det(A)adj(A).
Example 5.5.8. 考慮 Example 5.4.4 中的矩陣 A =
2 −1 3 5 0 2 1 2 0 5 3 3 4 −2 7 8
. 在 Example 5.5.3 中 我們解出 Ax = e1 的解, 事實上就是 A 的反矩陣 A−1 的 1-st column. 在 Example 5.5.3 中的
B1=
1 −1 3 5 0 2 1 2 0 5 3 3 0 −2 7 8
就是將 A 的 1-st column 用 e1 取代所得的矩陣 A(1, 1). 若我們將 B1
的 1-st column 展開求 det(B1)得 det(B1) = (−1)1+1det
2 1 2 5 3 3
−2 7 8
= 42 就是 A 的 (1,1)
cofactor. 同樣的 B2=
2 1 3 5 0 0 1 2 0 0 3 3 4 0 7 8
就是將 A 的 2-nd column 用 e1 取代所得的矩陣
A(1, 2). 若我們將 B2 的 2-nd column 展開求 det(B2)得 det(B2) = (−1)1+2det
0 1 2 0 3 3 4 7 8
=
12 就是 A 的 (1, 2) cofactor. 同理得 B3 是將 A 的 3-rd column 用 e1 取代所得的矩陣 A(1, 3) 且 det(B3) = (−1)1+3det
0 2 2 0 5 3 4 −2 8
= −16 就是 A 的 (1,3) cofactor. 而 B4 是將 A 的 4-th column 用 e1 取代所得的矩陣 A(1, 4) 且 det(B4) = (−1)1+4det
0 2 1 0 5 3 4 −2 7
= −4 就 是 A 的 (1, 4) cofactor. 注意這裡求出的 cofactor 其實對應到 A 的 cofactor 所成的矩陣 A′ 會是 A′ 的 1-st row. 我們求出 A 其他的 cofactor 會有
a′2 1= (−1)2+1det
−1 3 5 5 3 3
−2 7 8
= −64, a′2 2= (−1)2+2det
2 3 5 0 3 3 4 7 8
= −18, a′2 3= (−1)2+3det
2 −1 5 0 5 3 4 −2 8
= 20, a′2 4= (−1)2+4det
2 −1 3 0 5 3 4 −2 7
= 10.
以及 a′3 1= 26, a′3 2= 8, a′3 3=−8,a′3 4=−4,a′4 1=−20,a′4 2=−6,a′4 3= 8, a′4 4= 2. 因此得
A′=
42 12 −16 −4
−64 −18 20 10
−26 8 −8 −4
−20 −6 8 2
, adj(A) =
42 −64 −26 −20 12 −18 8 −6
−16 20 −8 8
−4 10 −4 2
也因此得
A−1= 1
det(A)adj(A) =1 4
42 −64 −26 −20 12 −18 8 −6
−16 20 −8 8
−4 10 −4 2
.
由上面例子可以看出利用 adjoint matrix 求反矩陣非常複雜, 所以在實際求反矩陣的情 況還是利用從前學的 elementary row operation 的方法會比較快. 不過在證明抽象理論時, 利用 adjoint matrix 求 inverse 還是很有用的. 例如當 A 的每一個 entry 皆為整數時, 由於 adj(A) 的每一個 entry 也皆為整數, 因此若 det(A) =±1, 則由 Proposition 5.5.7 我們有以下 的結果.
Corollary 5.5.9. 假設 A 為 n×n matrix 其中 A 的每一個 entry 皆為整數. 若 det(A) = ±1, 則 A−1 的每一個 entry 也皆為整數.
———————————– 07 March, 2019