Điều kiện để một ma trận vuông có ma trận nghịch đảo là gì?

Theo Carl D. Meyer (2000), ma trận vuông A khả nghịch (tồn tại A^-1) khi và chỉ khi định thức của nó khác 0 (det(A) != 0).

Ý nghĩa hình học trực quan nhất của định thức là gì?

Theo Sheldon Axler (2014), giá trị tuyệt đối của định thức đại diện cho hệ số phóng đại thể tích không gian n chiều, còn dấu của định thức cho biết phép biến đổi có làm đảo hướng không gian hay không.

Vì sao không dùng công thức Leibniz O(n!) để tính định thức ma trận lớn?

Theo Lloyd N. Trefethen và David Bau, III (1997), công thức Leibniz có độ phức tạp giai thừa O(n!) khiến máy tính quá tải khi n lớn; thay vào đó người ta sử dụng phân rã ma trận LU với độ phức tạp O(n^3).

Định thức là gì? Công thức Leibniz, quy tắc Cramer và ý nghĩa hình học

Định thức (Determinant) là một đại lượng vô hướng căn bản trong đại số tuyến tính, được xác định duy nhất cho mỗi ma trận vuông cấp $n$ . Ký hiệu chuẩn của định thức ma trận vuông $A$ là $\det(A)$ hoặc $|A|$ . Về mặt đại số, định thức là công cụ quyết định tính khả nghịch của ma trận và nghiệm của hệ phương trình tuyến tính; về mặt hình học, giá trị tuyệt đối của định thức đại diện cho hệ số co dãn thể tích của phép biến đổi tuyến tính, trong khi dấu của nó xác định hướng định hướng của không gian.

Công thức định nghĩa tổng quát Leibniz

Theo Carl D. Meyer (2000), định thức của một ma trận vuông cấp $n$ ký hiệu $A$ được định nghĩa tường minh thông qua công thức hoán vị Leibniz:

\det(A) = \sum_{\sigma \in S_n} \text{sgn}(\sigma) \prod_{i=1}^{n} a_{i,\sigma(i)}

Trong đó:

$S_n$ là nhóm đối xứng gồm tất cả $n$ ! hoán vị của tập hợp $\{1, 2, \dots, n\}$ .
$\sigma$ là một hoán vị cụ thể, và $\text{sgn}(\sigma)$ là dấu của hoán vị (+1 nếu chẵn, -1 nếu lẻ).
$a_{i,\sigma(i)}$ là phần tử nằm ở hàng $i$ và cột $\sigma(i)$ của ma trận.

Các trường hợp cấp nhỏ đặc biệt:

Ma trận cấp 2:
$\det\begin{pmatrix} a & b \\ c & d \end{pmatrix} = ad - bc$
Ma trận cấp 3 (quy tắc Sarrus):
$\det\begin{pmatrix} a & b & c \\ d & e & f \\ g & h & i \end{pmatrix} = aei + bfg + cdh - ceg - bdi - afh$

Do công thức Leibniz có độ phức tạp thuật toán tăng bùng nổ $O(n!)$ , việc tính trực tiếp theo $O(n!)$ chỉ khả thi với các ma trận rất nhỏ. Trong tính toán số học ma trận quy mô lớn, theo Lloyd N. Trefethen và David Bau, III (1997), thuật toán phân rã ma trận LU dựa trên phép khử Gauss giúp tính định thức nhanh chóng với độ phức tạp đa thức.

Các tính chất đại số then chốt của Định thức

Theo Sheldon Axler (2014), định thức sở hữu những tính chất toán học quan trọng sau:

Tính đa tuyến tính và thay phiên: Định thức là hàm đa tuyến tính đối với từng hàng (hoặc cột). Đổi chỗ hai hàng bất kỳ làm đổi dấu định thức. Nhân một hàng với hệ số $k$ thì định thức nhân lên $k$ lần.
Hàng phụ thuộc tuyến tính: Nếu ma trận có hai hàng giống hệt nhau hoặc một hàng toàn số 0 thì $\det(A) = 0$ .
Tính chất nhân tính:
$\det(AB) = \det(A)\det(B)$
Tính bất biến qua phép chuyển vị:
$\det(A^T) = \det(A)$
Định thức ma trận tam giác: Bằng tích chính xác của tất cả các phần tử nằm trên đường chéo chính.

Đặc biệt, hệ quả từ tính chất $\det(AB) = \det(A)\det(B)$ là định thức của ma trận nghịch đảo bằng nghịch đảo của định thức ma trận ban đầu.

Ứng dụng giải hệ phương trình tuyến tính: Quy tắc Cramer

Xét hệ $n$ phương trình tuyến tính với $n$ ẩn số biểu diễn dưới dạng ma trận $AX = B$ , trong đó $A$ là ma trận hệ số kích thước $n \times n$ , $X$ là vector ẩn số và $B$ là vector vế phải. Nếu định thức $\det(A) \neq 0$ , hệ phương trình có nghiệm duy nhất và mỗi thành phần nghiệm $x_i$ được tính giải tích bằng quy tắc Cramer:

x_i = \frac{\det(A_i)}{\det(A)}

Trong đó $A_i$ là ma trận nhận được khi thay thế cột thứ $i$ của ma trận $A$ bằng vector cột $B$ . Dù không tối ưu cho tính toán thực nghiệm quy mô lớn so với phép khử Gauss, quy tắc Cramer là công cụ lý thuyết kinh điển để phân tích tính khả vi và độ nhạy của nghiệm theo điều kiện $\det(A) \neq 0$ .

Ý nghĩa hình học: Thể tích và Phép đổi hướng không gian

Theo Sheldon Axler (2014), định thức mang ý nghĩa trực quan sâu sắc về hình học không gian:

Trong không gian 2 chiều: Trị tuyệt đối định thức của hai vector cột bằng diện tích hình bình hành sinh bởi hai vector đó.
Trong không gian 3 chiều: Trị tuyệt đối định thức của ba vector trong $\mathbb{R}^3$ bằng thể tích khối hộp mắt lưới (parallelepiped) sinh bởi ba vector.
Định hướng không gian: Dấu dương của định thức cho biết ánh xạ bảo toàn quy tắc bàn tay phải (bảo toàn hướng), dấu âm biểu thị sự phản xạ đảo hướng.

Ứng dụng trong Giải tích đa biến và Ma trận nghịch đảo

Một ma trận vuông $A$ khả nghịch khi và chỉ khi $\det(A) \neq 0$ . Công thức ma trận nghịch đảo giải tích được thiết lập qua ma trận phụ hợp:

A^{-1} = \frac{1}{\det(A)} \cdot \text{adj}(A)

Trong đó $\text{adj}(A)$ là ma trận phụ hợp (adjugate matrix) gồm chuyển vị các phần bù đại số.

Trong giải tích tích phân nhiều chiều, khi thực hiện phép đổi biến tọa độ vi phân $(x,y) \mapsto (u,v)$ , phần tử vi phân thể tích biến đổi tỷ lệ thuận với trị tuyệt đối định thức Jacobi:

\iint_{D} f(x,y) \, dxdy = \iint_{D'} f(x(u,v), y(u,v)) \cdot \left| \det \frac{\partial(x,y)}{\partial(u,v)} \right| \, dudv

Ứng dụng trong Khoa học máy tính và Trí tuệ nhân tạo

Phân ngành	Khái niệm định thức	Ứng dụng thực tế
Vật lý lượng tử & Hóa tính toán	Định thức Slater (Slater Determinant)	Mô tả hàm sóng phản đối xứng của hệ nhiều electron fermion thỏa mãn nguyên lý loại trừ Pauli.
Học máy & Xử lý dữ liệu lớn	Quá trình điểm định thức (Determinantal Point Processes - DPP)	Lựa chọn tập dữ liệu đa dạng không trùng lặp, tóm tắt văn bản và hệ thống gợi ý đề xuất sản phẩm.
Thị giác máy tính & Robot	Định thức Jacobi đạo hàm riêng	Tính toán động học cánh tay robot và ước lượng tư thế vật thể 3D theo thời gian thực.