n 阶矩阵 A 可逆的充分必要条件是 ∣ A ∣ ≠ 0

以下是你提供内容的整理排版版本，保持内容完全不变，但使格式更清晰、层次更分明：

n 阶矩阵 A 可逆的充分必要条件是 $|A|\ne 0$ 的几何意义

1. 行列式的几何意义回顾

行列式 $|A|$（或 $\det (A)$）表示矩阵 $A$ 所对应的线性变换对空间的体积缩放因子：

• $|A|>0$：变换保持空间的定向（右手系），并按比例缩放体积。
• $|A|<0$：变换反转空间的定向（左手系），并按比例缩放体积。
• $|A|=0$：变换将空间压缩到一个更低维的子空间（如平面压成直线），体积消失。

2. 矩阵可逆的几何意义

矩阵 $A$ 可逆，意味着它所对应的线性变换
$T:{\mathbb{R}}^n\to {\mathbb{R}}^n$ 是可逆的，即：

• 存在逆变换 $T^{-1}$，使得 $T^{-1}(T(\mathbf{x}))=\mathbf{x}$ 对所有 $\mathbf{x}\in {\mathbb{R}}^n$ 成立。

从几何上看，可逆变换必须满足：

• 空间未被压缩：变换后的空间仍然是 $n$ 维的，没有丢失维度。
• 变换是一一对应的：不同的输入向量映射到不同的输出向量。

3. $|A|\ne 0$ 的几何解释

• $|A|\ne 0$：

  • 行列式非零意味着线性变换 $T$ 没有压缩空间，即 $T$ 将 ${\mathbb{R}}^n$ 映射到另一个 $n$ 维空间。
  • 体积缩放因子非零，说明变换后的空间仍然“充满”整个 ${\mathbb{R}}^n$。
  • 因此，变换是可逆的：可以通过逆变换 $T^{-1}$ 恢复原始空间。

• $|A|=0$：

  • 行列式为零意味着线性变换 $T$ 将空间压缩到更低维度（如平面压成直线，或三维空间压成平面）。
  • 变换后的空间无法“填满” ${\mathbb{R}}^n$，因此存在多个输入向量映射到同一个输出向量（非单射）。
  • 由于信息丢失，无法唯一地恢复原始向量，故 $T$ 不可逆。

4. 具体例子

(1) 可逆矩阵（$|A|\ne 0$）

设 2D 矩阵：

$$A=\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right],|A|=1\times 4-2\times 3=-2\ne 0$$

• 几何行为：

  • 将单位正方形映射为一个平行四边形，面积缩放为 2 倍（绝对值为 2），方向反转（负号）。
  • 变换后的空间仍然是 2D 的，可以通过逆矩阵 $A^{-1}$ 恢复原始形状。

(2) 不可逆矩阵（$|A|=0$）

设 2D 矩阵：

$$B=\left[\begin{array}{cc}1& 2\\ 2& 4\end{array}\right],|B|=1\times 4-2\times 2=0$$

• 几何行为：

  • 矩阵 $B$ 的第二行是第一行的 2 倍，两行线性相关。
  • 变换将整个平面压缩到一条直线（如 $y=2x$），面积缩放到 0。
  • 无法通过逆变换恢复原始信息（因为所有 $\mathbf{x}$ 在 $y=2x$ 上的点被压缩到同一条直线）。

5. 高维推广

对于 $n\times n$ 矩阵：

• 可逆：$|A|\ne 0$ 保证 $A$ 的列向量（或行向量）线性无关，张成 $n$ 维空间。
• 不可逆：$|A|=0$ 表示列向量线性相关，空间被压缩到低维，无法唯一求解 $A\mathbf{x}=\mathbf{b}$。

6. 总结

核心结论

行列式 $|A|$ 是否为零，本质上是判断线性变换是否“坍缩”了空间。
非零行列式保证变换可逆，而零行列式意味着变换丢失了信息，无法逆转。

1. $\mathbb{R}$：实数集

• 表示实数集合，即所有实数的集合。
• 常见的实数包括整数、小数、无理数等，例如：$3,-1.5,\sqrt{2},\pi$ 等。

2. ${\mathbb{R}}^n$：n 维实数空间

• 表示一个n 维向量空间，其元素是由 n 个实数组成的向量。

• 换句话说，${\mathbb{R}}^n$ 中的每个元素都形如：

  $$\mathbf{x}=\left[\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right],\text{其中 }{x}_i\in \mathbb{R}$$

• 例如：

  • ${\mathbb{R}}^2$：二维空间，表示平面上的所有点（向量）。
  • ${\mathbb{R}}^3$：三维空间，表示立体空间中的向量。
  • ${\mathbb{R}}^n$：推广到任意维度。

总结

如果你看到类似「线性变换 $T:{\mathbb{R}}^n\to {\mathbb{R}}^n$」，意思是：

• 把一个 $n$ 维实数向量变换到另一个 $n$ 维实数向量，
• 也就是说，从 $n$ 维空间映射回 $n$ 维空间。