1 - 行列式 - 矩阵 的运算

1 - 行列式 - 矩阵 的运算

（一）转置、求逆、伴随矩阵

1）基本运算

转置（T）	求逆（-1）	伴随矩阵（*）
$$(A^T{)}^T=A$$	$$(A^{-1}{)}^{-1}=A$$	$$(A^{\ast }{)}^{\ast }=|A{|}^{n-2}A$$ （可推导）
$$(kA{)}^T=k{A}^T$$	$$(kA{)}^{-1}=k^{-1}{A}^{-1}$$	$$(kA{)}^{\ast }=k^{n-1}|A|A^{-1}$$ （可推导）
$$(AB{)}^T=B^T{A}^T$$	$$(AB{)}^{-1}=B^{-1}{A}^{-1}$$	$$(AB{)}^{\ast }=B^{\ast }{A}^{\ast }$$
$$|A^T|=|A|$$	$$|A^{-1}|=|A{|}^{-1}$$	$$|A^{\ast }|=|A{|}^{n-1}$$ （可推导）
$$(A+B{)}^T=A^T+B^T$$	/	/

$(A^{\ast }{)}^{\ast }=|A{|}^{n-2}A$ 直接用关键公式 推导：
$$(A^{\ast }{)}^{\ast }=(|A|A^{-1}{)}^{\ast }=||A|A^{-1}|\cdot (|A|A^{-1}{)}^{-1}=|A{|}^n\cdot |A^{-1}|\cdot \frac{1}{|A|}A=|A{|}^{n-2}A$$

$(kA{)}^{\ast }=k^{n-1}|A|A^{-1}$ 直接用关键公式 推导：
$$(kA{)}^{\ast }=|kA|\cdot (kA{)}^{-1}=k^n|A|k^{-1}{A}^{-1}=k^{n-1}|A|A^{-1}$$

伴随矩阵：
$$A^{\ast }=\left[\begin{array}{ccccc}{A}_{11}& A_{21}& \cdots & A_{n1}& \\ A_{12}& A_{22}& \cdots & A_{n2}& \\ ⋮& ⋮& & ⋮& \\ A_{1n}& A_{2n}& \cdots & A_{nn}& \end{array}\right]$$
其下表的排列顺序跟正常的矩阵是 转置 了的

由其特殊的排列方式，故可能构建与 转置矩阵 有关的方程

2）关键公式

$A^{\ast }=|A|A^{-1}$ （注意要求 $A$ 可逆）

$A=|A|(A^{\ast }{)}^{-1}$ （两边同取 -1 次方）

$A{A}^{\ast }=|A|E$ （两边同乘 A）

$|AB|=|A|\cdot |B|$

$|kA|=k^n|A|$

3）可逆、正交、对称矩阵的判断

名称	判别方式
可逆矩阵	$|A|\ne 0$ 或 $r(A_{n\times n})=n$ 或 定义
正交矩阵	$A{A}^T=E或A^{T}A=E$ （即 $A^T=A^{-1}$）
对称矩阵	$A^T=A$
反对称矩阵	$A^T=-A$

【注】 矩阵乘法不满足 交换律 ，所以区分 $A{A}^T$ 和 $A^{T}A$
【注】 $A^{T}A=OorA{A}^T=O\Rightarrow A=O$

4）分块矩阵逆矩阵

$${\left[\begin{array}{cc}A& O\\ O& B\end{array}\right]}^{-1}=\left[\begin{array}{cc}{A}^{-1}& O\\ O& B^{-1}\end{array}\right],\left[\begin{array}{cc}O& A\\ B& O\end{array}\right]=\left[\begin{array}{cc}O& B^{-1}\\ A^{-1}& O\end{array}\right]$$

5）矩阵乘法的“交换律”

矩阵乘法一般 不满足交换律
但是下列情况下有类似交换律的运算

$AE=EA=A$

$A{A}^n=A^{n}A=A^{n+1}$

$A{A}^{-1}=A^{-1}A=E$

$A{A}^{\ast }=A^{\ast }A=|A|E$

（二）行列式的计算

1）分块矩阵行列式

$$\left|\begin{array}{cc}A& O\\ O& B\end{array}\right|=|A|\cdot |B|,\left|\begin{array}{cc}O& A\\ B& O\end{array}\right|=(-1{)}^{mn}|A|\cdot |B|$$

2）按某一 行/列 展开

$$|A|=\sum _{j=1}^n{a}_{ij}{A}_{ij}=\sum _{i=1}^n{a}_{ij}{A}_{ij}$$

【注】 $A_{ij}=(-1{)}^{i+j}{M}_{ij}$ ； $A_{ij}$ 与展开的 行/列 的元素值无关

• 可以反向应用公式 求行列式的值
• 也可以正向运用公式 把求 $A_{ij}$ 的线性加和的问题转化为求行列式的值的问题

3）副对角线行列式

$$\left|\begin{array}{cccc}0& \cdots & 0& a_{1n}\\ 0& \cdots & a_{2,n-1}& 0\\ ⋮& & ⋮& ⋮\\ a_{n1}& \cdots & 0& 0\end{array}\right|=(-1{)}^{\frac{n(n-1)}{2}}{a}_{1n}{a}_{2,n-1}\cdots a_{n1}$$

4）范德蒙德行列式

$$\left|\begin{array}{cccc}1& 1& \cdots & 1\\ x_1& x_2& \cdots & x_n\\ x_1^2& x_2^2& \cdots & x_n^2\\ ⋮& ⋮& & ⋮\\ x_1^{n-1}& x_2^{n-1}& \cdots & x_n^{n-1}\end{array}\right|=\prod _{1\le i<j\le n}(x_j-x_i)$$

int ans = 1;
for(j=1;j<=n;j++)
    for(i=1;i<j;i++)
        ans *= xj - xi;

5）利用特征值

$$\prod _{i=1}^n{\lambda }_i=|A|$$

• $|\lambda E-A|=0$ ，解得的 $\lambda$ 即为特征值

• 矩阵的迹： $tr(A)={\sum }_{i=1}^n{\lambda }_i={\sum }_{i=1}^n{a}_{ii}$

• $A^{-1}$ 的特征值为 ${\lambda }^{-1}$

常用关系
以下关系大部分可用 $A\xi =\lambda \xi$ 推导得到

矩阵	$$A$$	$$k_{1}A+k_{2}E$$	$$A^k$$	$$A^T$$	$$A^{-1}$$	$$A^{\ast }$$	$$f(A)$$	$$P^{-1}AP$$
特征值	$$\lambda$$	$$k_1\lambda +k_2$$	$${\lambda }^k$$	$$\lambda$$	$${\lambda }^{-1}$$	$$\frac{|A|}{\lambda }$$	$$f(\lambda )$$	$$\lambda$$
特征向量	$$\xi$$	$$\xi$$	$$\xi$$	需要重新计算	$$\xi$$	$$\xi$$	$$\xi$$	$$P^{-1}\xi$$

最后一个常用于相似，例如求矩阵A的特征向量时却只给出了如 $f(A)=0$ 的等式关系，可以根据A矩阵符合的等式关系，得到 $A=PB{P}^{-1}$ ，此时B矩阵可以通过 $f(A)=0$ 明确出来，然后求出 B 矩阵的特征向量，再通过 $P^{-1}\xi$ 推出 A 矩阵的特征向量

特征值的其它性质

• $\xi 、\eta$ 都是属于 $\lambda$ 的特征向量，则 $k_1\xi +k_2\eta ,(k_1、k_2不同时为0)$ 仍是属于 $\lambda$ 的特征向量
• 求相似矩阵的 P 矩阵时，可以用特征向量拼得 P 矩阵
• 实对称矩阵，属于不同特征值的特征向量必正交（可以用来求特征向量）
• ${\lambda }_n=tr(A)-\sum {\lambda }_i$ （求特征值得技巧）
• $Ax=0\Rightarrow Ax=0x$ 暗示了特征值为 0
• n 阶矩阵隐含特征值不为 0

（三）行列式、矩阵 初等变换

1）注意事项

• 矩阵的初等变换可能会改变行列式的值；但其行列式是否为 0 是不会变的（初等变换不改变矩阵的秩）
• 矩阵的初等变换 可能会改变其 伴随矩阵

2）符号说明

• $E_2(k)$ ：单位矩阵 $E$ 的第2 行/列 乘 k 倍
• $E_{12}$ ：单位矩阵 $E$ 的第1、2 行/列 互换
• $E_{12}(k)$ ：单位矩阵 $E$ 的 第2行 的 k 倍加到 第1行 ；E矩阵的 第1列 的 k 倍加到 第2列

行是从右往左 “赋值” ；列相反

三种初等变换都分别有等价的变换形式，所以所有的行变换都可以有列变换的替代，反之亦然；
由此，对于满秩矩阵，可以只靠 初等行变换 或 初等列变换 得到单位矩阵

注：

倍乘	互换	倍加
$$[E_i(k){]}^{-1}=E_i(k^{-1})$$	$$E_{ij}^{-1}=E_{ij}$$	$$[E_{ij}(k){]}^{-1}=E_{ij}(-k)$$
$$[E_i(k){]}^{\ast }=k{E}_i(k^{-1})$$	$$E_{ij}^{\ast }=-E_{ij}$$	$$[E_{ij}(k){]}^{\ast }=E_{ij}(-k)$$

3）等价矩阵和等价标准型

等价具有 传递性

• 矩阵 $A_{m\times n},B_{m\times n}$ ，若存在可逆矩阵 $P_{m\times m},Q_{n\times n}$ 使得 $PAQ=B$ ，则称 $A,B$ 是等价矩阵，记作 $A\cong B$

• 若 $r(A)=r$ ，则下面的右侧矩阵是 $A$ 的等价标准型；等价标准型唯一

$$PAQ=\left[\begin{array}{cc}{E}_r& O\\ O& O\end{array}\right]$$

可以通过对 单位矩阵 $E$ 的一系列 初等行变换 得到 $P$ ，$PA$ 是按照由 $E$ 到 $P$ 的初等行变换步骤，对 $A$ 做初等 行 变换

可以通过对 单位矩阵 $E$ 的一系列 初等列变换 得到 $Q$ ，$AQ$ 是按照由 $E$ 到 $Q$ 的初等列变换步骤，对 $A$ 做初等 列 变换

“左行右列”

4）初等变换求逆矩阵

$$\left[\begin{array}{c}A|E\end{array}\right]\underrightarrow{初等行变换}\left[\begin{array}{c}E|A^{-1}\end{array}\right]$$

$$\left[\begin{array}{c}A\\ E\end{array}\right]\underrightarrow{初等列变换}\left[\begin{array}{c}E\\ A^{-1}\end{array}\right]$$

（四）矩阵的秩

1）初等变换不改变矩阵的秩

$$r(A)=r(PA)=r(AQ)=r(PAQ)$$

2）跟秩相关的几个式子

1. 由定义可得

• 0 ≤ r ( A ) ≤ m i n { m , n } 0\leq r(A)\leq min\{m,n\} 0≤r(A)≤min{m,n}

• $r(kA)=r(A)(k\ne 0)$

2. 其它

• r ( A B ) ≤ m i n { r ( A ) , r ( B ) } r(AB)\leq min\{r(A),r(B)\} r(AB)≤min{r(A),r(B)}

• 若 B 满秩，则 $r(AB)=r(A)$

• $r(A+B)\le r(A)+r(B)$

• $AB=O\Rightarrow r(A)+r(B)\le n$

• $$r(A^{\ast })=\{\begin{array}{l}n,r(A)=n\\ 1,r(A)=n-1\\ 0,r(A)<n-1\end{array}(此处为A_{n\times n})$$

（五）常见处理方法

1）求行列式

1. 所有 行/列 加到某一 行/列

例如

$$\left|\begin{array}{cccccc}x& a_1& a_2& \cdots & a_n& \\ a_1& x& a_2& \cdots & a_n& \\ a_1& a_2& x& \cdots & a_n& \\ ⋮& ⋮& ⋮& \ddots & ⋮& \\ a_1& a_2& a_3& \cdots & x& \end{array}\right|=(x+\sum _{i=1}^n{a}_i)\left|\begin{array}{cccccc}1& a_1& a_2& \cdots & a_n& \\ 1& x& a_2& \cdots & a_n& \\ 1& a_2& x& \cdots & a_n& \\ ⋮& ⋮& ⋮& \ddots & ⋮& \\ 1& a_2& a_3& \cdots & x& \end{array}\right|$$

2. 加边法

例如

$$\left|\begin{array}{cccc}{a}_1-b& a_2& \cdots & a_n\\ a_1& a_2-b& \cdots & a_n\\ ⋮& ⋮& \ddots & ⋮\\ a_1& a_2& \cdots & a_n-b\end{array}\right|=\left|\begin{array}{ccccc}1& a_1& a_2& \cdots & a_n\\ 0& a_1-b& a_2& \cdots & a_n\\ 0& a_1& a_2-b& \cdots & a_n\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 0& a_1& a_2& \cdots & a_n-b\end{array}\right|$$

此处加边注意不要改变行列式的值

$$原式=\left|\begin{array}{ccccc}1& a_1& a_2& \cdots & a_n\\ -1& -b& 0& \cdots & 0\\ -1& 0& -b& \cdots & 0\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ -1& 0& 0& \cdots & -b\end{array}\right|=\left|\begin{array}{cccc}1-{\sum }_{i=1}^n\frac{a_i}{b}& a_1& \cdots & a_n\\ 0& -b& \cdots & 0\\ ⋮& ⋮& & ⋮\\ 0& 0& \cdots & -b\end{array}\right|$$

3. 转化为矩阵相乘

例如求 $|a_1-a_n,a_2-a_1,\cdots ,a_n-a_{n-1}|$
$$\begin{array}{rl}& |a_1-a_n,a_2-a_1,\cdots ,a_n-a_{n-1}|\\ & =\left|[a_1,a_2,\cdots ,a_n]\cdot \left[\begin{array}{ccccccc}1& -1& 0& \cdots & 0& 0& \\ 0& 1& -1& \cdots & 0& 0& \\ 0& 0& 1& \cdots & 0& 0& \\ ⋮& ⋮& ⋮& & ⋮& ⋮& \\ -1& 0& 0& \cdots & 0& 1& \end{array}\right]\right|\\ & =|a_1,a_2,\cdots ,a_n|\cdot \left|\begin{array}{ccccccc}1& -1& 0& \cdots & 0& 0& \\ 0& 1& -1& \cdots & 0& 0& \\ 0& 0& 1& \cdots & 0& 0& \\ ⋮& ⋮& ⋮& & ⋮& ⋮& \\ -1& 0& 0& \cdots & 0& 1& \end{array}\right|\end{array}$$

4. 构建递推式

例如
$$D_n=\left|\begin{array}{ccccccc}2& 1& 0& \cdots & 0& 0& \\ 1& 2& 1& \cdots & 0& 0& \\ 0& 1& 2& \cdots & 0& 0& \\ ⋮& ⋮& ⋮& & ⋮& ⋮& \\ 0& 0& 0& \cdots & 1& 2& \end{array}\right|$$

行列式按第一行展开
$$D_n=2D_{n-1}+(-1{)}^3{\left|\begin{array}{ccccccc}1& 1& 0& \cdots & 0& 0& \\ 0& 2& 1& \cdots & 0& 0& \\ 0& 1& 2& \cdots & 0& 0& \\ ⋮& ⋮& ⋮& & ⋮& ⋮& \\ 0& 0& 0& \cdots & 1& 2& \end{array}\right|}_{n-1}=2D_{n-1}-D_{n-2}$$

其中
$$\begin{array}{rl}& D_1=2\\ & D_2=\left|\begin{array}{cc}2& 1\\ 1& 2\end{array}\right|=3\end{array}$$

2）求矩阵的 n 次方

1. 拆分矩阵

例如矩阵
$$A=\left[\begin{array}{ccc}1& 2& 3\\ 0& 1& 4\\ 0& 0& 1\end{array}\right]=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]+\left[\begin{array}{ccc}0& 2& 3\\ 0& 0& 4\\ 0& 0& 0\end{array}\right]$$

1. 元素全部 在主对角线上 的矩阵的 n 次方很好求
2. 元素全部 在主对角线一侧 的矩阵，通常 $\exists N\in N^{\ast },使得n>N时有A^n=O$ ；例如此处除 E 以外另一个矩阵的 3 次方就为零矩阵了
3. 利用 多项式定理 展开求矩阵的 n 次方即可
   例如此处
   $$A^n=E^n+n{E}^{n-1}B+\frac{n(n-1)}{2}{E}^{n-2}{B}^2$$

2. 数学归纳法

给定一个关于 n 的递推式

1. 看 $n=0$ 时，递推式是否成立
2. 假设 $n=n-1$ 时成立
3. 证明 $n=n-1$ 成立的时候， $n=n$ 时递推式成立

3. 行列向量相乘

假设有行向量 $\alpha 、\beta$ ， $A=\alpha {\beta }^T$
利用向量相乘的 结合律 ，有
$$A^n=\alpha ({\beta }^T\alpha )({\beta }^T\alpha )\cdots ({\beta }^T\alpha ){\beta }^T$$
其中 ${\beta }^T\alpha$ 是个常数

所以可以将矩阵拆成两个一维向量相乘的形式再求其 n 次方
例如
$$\begin{gathered} \left[\begin{array}{cc}3& -1\\ -9& 3\end{array}\right]=\left[\begin{array}{c}1\\ -3\end{array}\right]\left[\begin{array}{cc}3& -1\end{array}\right] \\ ---------------- \\ {\left[\begin{array}{cc}3& -1\\ -9& 3\end{array}\right]}^n=\left[\begin{array}{c}1\\ -3\end{array}\right](6^{n-1})\left[\begin{array}{cc}3& -1\end{array}\right] \end{gathered}$$

① 可以转化为行列向量相乘的条件

考虑两行向量 $\alpha =[a_1,a_2,\cdots ,a_n]$ ， $\beta =[b_1,b_2,\cdots ,b_n]$
$${\alpha }^T\beta =\left[\begin{array}{ccccc}{a}_1{b}_1& a_1{b}_2& \cdots & a_1{b}_n& \\ a_2{b}_1& a_2{b}_2& \cdots & a_2{b}_n& \\ ⋮& ⋮& & ⋮& \\ a_n{b}_1& a_n{b}_2& \cdots & a_n{b}_n& \end{array}\right]$$

将其余所有列的一倍加到第一列，于是有
$${\alpha }^T\beta =\left[\begin{array}{ccccc}{a}_1{\sum }_{i=1}^n{b}_i& a_1{b}_2& \cdots & a_1{b}_n& \\ a_2{\sum }_{i=1}^n{b}_i& a_2{b}_2& \cdots & a_2{b}_n& \\ ⋮& ⋮& & ⋮& \\ a_n{\sum }_{i=1}^n{b}_i& a_n{b}_2& \cdots & a_n{b}_n& \end{array}\right]$$
于是有
$${\alpha }^T\beta =\sum _{i=1}^n{b}_i\left[\begin{array}{ccccc}{a}_1& a_1{b}_2& \cdots & a_1{b}_n& \\ a_2& a_2{b}_2& \cdots & a_2{b}_n& \\ ⋮& ⋮& & ⋮& \\ a_n& a_n{b}_2& \cdots & a_n{b}_n& \end{array}\right]$$
可以看到从第二列开始，都是第一列的倍数，所以
$${\alpha }^T\beta =\sum _{i=1}^n{b}_i\left[\begin{array}{ccccc}{a}_1& 0& \cdots & 0& \\ a_2& 0& \cdots & 0& \\ ⋮& ⋮& & ⋮& \\ a_n& 0& \cdots & 0& \end{array}\right]$$
所以得到结论：

• 两向量相乘得到的矩阵， $rank\le 1$
• $rank\le 1$ 的矩阵可以化为两向量相乘的形式

② 行列向量相乘得到的矩阵的推论

此处假定 $\alpha \beta$均为 行向量
$${\alpha }^T\beta =\left[\begin{array}{ccccc}{a}_1{b}_1& a_1{b}_2& \cdots & a_1{b}_n& \\ a_2{b}_1& a_2{b}_2& \cdots & a_2{b}_n& \\ ⋮& ⋮& & ⋮& \\ a_n{b}_1& a_n{b}_2& \cdots & a_n{b}_n& \end{array}\right]$$
注意，初等变换会改变矩阵的迹(trace)
由上面的式子易知

• ${\alpha }^T\alpha$ 是对称矩阵

• $tr({\alpha }^T\beta )=\alpha {\beta }^T={\sum }_{i=1}^n{\lambda }_i$

又因为 $r({\alpha }^T\beta )=1$ 且 ${\sum }_{i=1}^n{\lambda }_i=\alpha {\beta }^T$ ，所以

• ${\alpha }^T\beta$ 的特征值为 $\alpha {\beta }^T$ 和 n-1 个 0

4. 利用相似

由相似有 $A^n=P{\Lambda }^n{P}^{-1}$ ，可以求出矩阵 A 的相似对角阵的 n 次方，然后再导出 A 的 n 次方
对角阵的 n 次方很好求

（六）补充的基本解题方法

1）求两个方程组的公共解

1. 直接联立方程

求 $Ax=0、Bx=0$ 的公共解，即联立方程组的解：
$$\left[\begin{array}{c}A\\ B\end{array}\right]x=0$$

2. 求得一个方程组的通解代入另一个

3. 求得两个方程组的通解再求解关系

$Ax=0$ 的通解为 $k_1{\xi }_1+k2{\xi }_2+\cdots +k_m{\xi }_m$ ， $Bx=0$ 的通解为 $l_1{\eta }_1+l_2{\eta }_2+\cdots +l_n{\eta }_n$ ，求公共解时，两通解应相等，即
$$k_1{\xi }_1+k2{\xi }_2+\cdots +k_m{\xi }_m=l_1{\eta }_1+l_2{\eta }_2+\cdots +l_n{\eta }_n$$
解上面的方程得到 $l_i、k_j$ 的关系后，得到的即为公共解

2）同解方程组

$Ax=0$ 和 $Bx=0$ 是同解方程组

$\iff$ $Ax=0$ 的解满足 $Bx=0$ 且 $Bx=0$ 的解满足 $Ax=0$

$\iff$ $r(A)=r(B)$ 且 $Ax=0$ 的解满足 $Bx=0$ 或 $Bx=0$ 的解满足 $Ax=0$

$\iff$ $r(A)=r(B)=r(\left[\begin{array}{c}A\\ B\end{array}\right])$ （三秩相同比较方便）

3）过渡矩阵

1. 基变换公式

由基 $A$ 到 $B$ 的变换，其中 $C$ 是过渡矩阵，且 过渡矩阵是 可逆矩阵
$$B=AC$$

2. 坐标变换公式

在基 A 下的坐标为 x，在基 B 下的坐标为 y；C 是过渡矩阵，x=Cy 称为 y
$$y=C^{-1}x或x=Cy$$

当然坐标变换也可以转化为一般求方程组的问题

（七）补充的技巧性解题方法

1）利用 秩 的 “夹逼”

例1

• 已知 $Ax=0$ 有两个线性无关的解向量，则 $r(A)\ge 2$
• 又已知 $AB=O$ ，且 $AB$ 都是三阶矩阵，则 $r(A)+r(B)\le 3$
• 还已知 $B$ 是非零矩阵，所以 $r(B)\ne 0$

---

综上可知 $r(B)=1$

例2

已知 $A_{m\times n}$ ， $B_{n\times m}$ ， $AB=E_m$

于是有：

• $m\ge r(A)\ge r(AB)=m$
• $m\ge r(B)\ge r(AB)=m$

---

所以 $r(A)=r(B)=m$ ， 即 A 的行向量组线性无关；B 的列向量组线性无关

其中主要利用 秩的不等式 和 基础解系的数量

2）基础解系等价的充要条件

$[{\beta }_1,{\beta }_2,\cdots ,{\beta }_n]=[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]A$ ， $A$ 矩阵满秩

则基础解系 $[{\beta }_1,{\beta }_2,\cdots ,{\beta }_n]$ 、 $[{\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_n]$ 等价

3）AB=O 用来找解向量

如果题目中给了 $AB=O$ 参照 $Ax=0$ 可知

B 矩阵的每一个列向量都是 $Ax=0$ 的解向量

其中最常见的情况由关键公式推出，即

$A^{\ast }=|A|A^{-1}$ ，两边同时乘 A 得到 $A{A}^{\ast }=|A|E$ 当 A 不满秩时，可以得到 $A{A}^{\ast }=|A|E=O$

即得到了 $A{A}^{\ast }=O$ ， $A^{\ast }$ 的每一个列向量都是 $Ax=0$ 的解

所以一般来讲，只有 $r(A)=n-1$ 时， 才会有 $|A|=0$ ，而此时 $r(A^{\ast })=1$ ，即只有一个解