线性代数系列（1）行列式

原创已于 2022-11-04 14:29:46 修改 · 1.2k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#线性代数

于 2022-11-03 15:38:59 首次发布

线性代数专栏收录该内容

1 篇文章

订阅专栏

本文介绍了行列式的概念及其在解决线性方程组中的应用，包括行列式的计算方法、性质、展开方式等内容，并详细讲解了克莱姆法则。

行列式

主要名词概念

逆序、逆序数、对换、奇偶排列、n阶行列式、上下三角形行列式、对角行列式、转置行列式、余子式、代数余子式、k阶子式、k阶子式的余子式、k阶子式的代数余子式、对称行列式、反对称行列式、系数行列式、零解、非零解

n阶行列式

二、三阶行列式的概念、定义

二阶行列式

行列式的概念是从解线性方程组的问题中产生的，比如二元线性方程组：

$\LARGE \left\{\begin{matrix} a_{11}x_1 + a_{12}x_2 = b_1 \\ a_{21}x_1 + a_{22}x_2 = b_2 \\ \end{matrix}\right.$
用加减消元法，先消去 $x2\large x_2$ 得：
$\LARGE (a_{11}a_{22} - a_{12}a_{21}) x_1 = b_1 a_{22} - b_2 a_{12}$
同样的方法消去 $x1\large x_1$ 得：
$\LARGE (a_{11}a_{22} - a_{12}a_{21}) x_2 = b_2 a_{11} - b_1 a_{21}$
因此，当 $(a11a22−a12a21)≠0\large (a_{11}a_{22} - a_{12}a_{21}) \ne 0$ 时有唯一解，即：
$\LARGE x_1 = \frac{b_1 a_{22} - b_2 a_{12}} {a_{11}a_{22} - a_{12}a_{21}} , x_2 = \frac{b_2 a_{11} - b_1 a_{21}} {a_{11}a_{22} - a_{12}a_{21}}$
为了方便记忆，我们定义一个符号：
$\LARGE \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix} = a_{11}a_{22} - a_{12}a_{21}$
这样规定的记号 $∣a11a12a21a22∣\large \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}$ 称为 二阶行列式 ，它含有两行两列，横为行，竖为列。

行列式中，数 $aij(i,j=1,2)\large a_{ij} (i,j = 1,2)$ 称为行列式的元素，第一个下标 $i\large i$ 称为行标，第二个下标 $j\large j$ 称为列标。比如 $a21\large a_{21}$ 就是第二行第一列的元素。

二阶行列式的计算

由上面的定义，我们可以知道二阶行列式是这样两项的代数和：

从左上角到右下角，也就是实线，称为 行列式的主对角线
从右上角到左下角，也就是虚线，称为 行列式的次对角线

计算的话，就是主对角线元素相乘，减去次对角线上的元素相乘。

例题：

设 $D=∣λ−112λ∣\large D= \begin{vmatrix} \lambda -1 & 1 \\ 2 & \lambda \end{vmatrix}$ ，问：当 $\large \lambda $ 为何值时， $D≠0\large D\ne 0$ ？

解：
$\LARGE D= \begin{vmatrix} \lambda -1 & 1 \\ 2 & \lambda \end{vmatrix} = (\lambda -1)\lambda -2 = (\lambda -2)(\lambda +1)$
所以当 $(λ−2)(λ+1)≠0\large (\lambda -2)(\lambda +1) \ne 0$ 时， $D≠0\large D\ne 0$ 。即 $λ≠2,λ≠−1\large \lambda \ne 2, \lambda \ne -1$ 。

三阶行列式

同样的，由上述二阶行列式，我们可以衍生出三阶行列式，对于三元线性方程组：
$\LARGE \left\{\begin{matrix} a_{11}x_1 + a_{12}x_2 + a_{13}x_3 = b_1 \\ a_{21}x_1 + a_{22}x_2 + a_{23}x_3 = b_2 \\ a_{31}x_1 + a_{32}x_2 + a_{33}x_3 = b_3 \\ \end{matrix}\right.$
同前面一样，为了方便记忆，我们引入记号：
$\LARGE \begin{array}{l} \left|\begin{array}{lll} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{array}\right| \\ =a_{11} a_{22} a_{33}+a_{12} a_{23} a_{31}+a_{13} a_{21} a_{32} \\ -a_{13} a_{22} a_{31}-a_{12} a_{21} a_{33}-a_{11} a_{23} a_{32} \end{array}$
上面就称为 三阶行列式 。它含有三行三列，是 $3!=6\large 3! = 6$ 项的代数和。

三阶行列式的计算

和二阶行列式一样可以用画线法来进行记忆，下面这个方法称为三阶行列式的 对角线展开法 ：

三个实线上的元素分别相乘然后相加，再减去每个虚线上的元素相乘
对角线展开法 仅适用与三阶及以下的行列式计算

排列和逆序

❗️ 定义：由1，2，…，n组成的一个有序数组称为一个n级排列。

列如，123，是一个3级排序，4132，2143，1234都说4级排序。n级排列共有 $n!\large n!$ 个。

❗️ 定义：在一个n级排列中，如果较大的数排列在较小的数前面，则它们构成一个逆序，一个n级排列中逆序的总和称为它的 逆序数 。排列 $i1i2...in\large i_1i_2...i_n$ 的逆序数记为 $N(i1i2...in)\large N(i_1i_2...i_n)$ 。

逆序数为偶数称为 **偶排列 **
逆序数为奇数称为 奇排列

例如，排列 4132 中，4和1，4和3，4和2，3和2，各构成一个逆序，总共4个逆序，即 $N(4132)=4\large N(4132)=4$ ，是一个偶排列。

在这里插入图片描述

计算逆序数的时候可以从第一个数开始往后比较，如：

①分别和②③④比较，如果①比较大，就加一
②分别和③④比较，如果②比较大，就加一
③和④比较，如果③比较大，就加一

❗️ 定理：一个排列经过一个对换后（排列中的任意两个数交换位置），奇偶性改变。

由上述定理可以得到下面一个重要的结论

❗️ 定理：在全部n级别排列中，偶排列和奇排列各占一半，都有 $n!2(n≥2)\large \frac{n!}{2} (n\ge 2)$ 个。

n阶行列式

由二阶、三阶行列式的概念推广到n阶：

❗️ 定义：由 $n2\large n^2$ 个元素 $aij(i,j=1,2,...,n)\large a_{ij} (i,j=1,2,...,n)$ 组成的记号
$\LARGE \begin{vmatrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... & ... & ... & ... \\ a_{n1} & a_{n2} & ... & a_{nn} \\ \end{vmatrix}$
称为 n阶行列式 。

n阶行列式的计算

将行列式 $∣a11a12...a1na21a22...a2n............an1an2...ann∣\large \begin{vmatrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... & ... & ... & ... \\ a_{n1} & a_{n2} & ... & a_{nn} \\ \end{vmatrix}$ 简记为 $D=∣aij∣\large D=\begin{vmatrix}a_{ij}\end{vmatrix}$ 。

并将元素 $a11,a22,...,ann\large a_{11},a_{22},...,a_{nn}$ （从左上角到右下角的对角线）称为 主对角线 ；把元素 $a1n,a2,n−1,...,an1\large a_{1n},a_{2,n-1},...,a_{n1}$ （从右上角到左下角的对角线）称为 次对角线 。

按行展开计算

$\LARGE D=\sum_{j_1j_2...j_n}^{} (-1)^{N(j_1j_2...j_n)} a_{1j_1}a_{2j_2}...a_{nj_n}$

也就是行是固定顺序，列是按照排列来的，因为有n列，所以有 $n!\large n!$ 项。又因为在n级排列中，奇偶排列各占一半，符号是根据奇偶排列来的，所有正负项也各占一半。

一般项为：
$\LARGE (-1)^{N(j_1j_2...j_n)} a_{1j_1}a_{2j_2}...a_{nj_n}$

按列展开计算

$\LARGE D=\sum_{i_1i_2...i_n}^{} (-1)^{N(i_1i_2...i_n)} a_{i_11}a_{i_22}...a_{i_nn}$

一般项为：
$\LARGE (-1)^{N(i_1i_2...i_n)} a_{i_11}a_{i_22}...a_{i_nn}$

既不按行也不按列

n行列式的一般项，可以记为：
在这里插入图片描述

上三角、下三角、对角行列式

下三角行列式：

$\LARGE D= \begin{vmatrix} a_{11} & 0 & 0 & ... & 0 \\ a_{21} & a_{22} & 0 & ... & 0 \\ ... & ... & ... & ... & ... \\ a_{n1} & a_{n2} & a_{n3} & ... & a_{nn} \\ \end{vmatrix} = a_{11}a_{22}a_{33}...a_{nn}$

它的值等于其主对角线上的所有元素的乘积

上三角行列式：

$\LARGE D= \begin{vmatrix} a_{11} & a_{12} & a_{13} & ... & a_{1n} \\ 0 & a_{22} & a_{23} & ... & a_{2n} \\ ... & ... & ... & ... & ... \\ 0 & 0 & 0 & ... & a_{nn} \\ \end{vmatrix} = a_{11}a_{22}a_{33}...a_{nn}$

它的值也等于其主对角线上的所有元素的乘积

对角行列式：

$\LARGE D= \begin{vmatrix} a_{11} & 0 & 0 & ... & 0 \\ 0 & a_{22} & 0 & ... & 0 \\ ... & ... & ... & ... & ... \\ 0 & 0 & 0 & ... & a_{nn} \\ \end{vmatrix} = a_{11}a_{22}a_{33}...a_{nn}$

它的值也等于其主对角线上的所有元素的乘积

次对角线上

比如类似这种的
$\LARGE D= \begin{vmatrix} 0 & ... & 0 & a_{1n} \\ 0 & ... & a_{2,n-1} & a_{1n} \\ ... & ... & ... & ... \\ a_{n1} & ... & a_{n,n-1} & a_{1n} \end{vmatrix} = (-1)^{\frac{n(n-1)}{2}} a_{1n}a_{2,n-1}...a_{n1}$
它的值等于其次主对角线上的所有元素的乘积，并且是带符号的。

例题

例1：

计算行列式
$\LARGE D= \begin{vmatrix} 0 & 2 & 0 & 0 \\ 0 & 0 & 3 & 0 \\ 0 & 0 & 0 & 4 \\ 1 & 0 & 0 & 0 \end{vmatrix}$
仔细观察上面的行列式会发现每行只有一个元素为不为0，而这4给元素又在不同列。

我们按行展开，只有一项非零项，其余项都会为0，即：
$\LARGE a_{12}a_{23}a_{34}a_{41} = 2 \times 3 \times 4 \times 1=24$
又因为2341是奇排列，因此这一项前面应该为负号，所以：
$\LARGE D = -a_{12}a_{23}a_{34}a_{41} = -24$

例2：

在这里插入图片描述

行列式的性质

转置行列式

设有n阶行列式
$\LARGE D= \begin{vmatrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... & ... & ... & ... \\ a_{n1} & a_{n2} & ... & a_{nn} \\ \end{vmatrix}$
将D的行与列进行交换后得到的行列式，称为D的 转置行列式 ，记为 $DT\large D^T$ 或 $D′\large D^{'}$ 。即：
$\LARGE D= \begin{vmatrix} a_{11} & a_{21} & ... & a_{n1} \\ a_{12} & a_{22} & ... & a_{n2} \\ ... & ... & ... & ... \\ a_{1n} & a_{2n} & ... & a_{nn} \\ \end{vmatrix}$
显然 $(DT)T=D\large (D^T)^T = D$ 。

❗️ 性质：对于任何行列式D，均有 $DT=D\large D^T = D$ 。

证：记D的一般项为
$\LARGE (-1)^{N(j_1j_2...j_n)} a_{1j_1}a_{2j_2}...a_{nj_n}$
它的元素在 $D\large D$ 中位于不同行不同列，因此在 $DT\large D^T$ 中也位于不同行不同列，所以这n个元素在 $DT\large D^T$ 中应该为：
$\LARGE a_{j_11}a_{j_22}...a_{j_nn}$
把 $j\large j$ 换成 $i\large i$ ，就是列展开的形式：
$\LARGE (-1)^{N(i_1i_2...i_n)} a_{i_11}a_{i_22}...a_{i_nn}$
所以 $DT=D\large D^T = D$ 。

❗️ 性质：行列式两行（列）互换，其值变号。即：
$\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{s1}& a_{s2} & ... & a_{sn}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} = - \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{s1}& a_{s2} & ... & a_{sn}\\ ... & ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix}$

❗️ 性质：将行列式的某一行或某一列中所有元素同乘以数k，等于用这个数k乘该行列式：
$\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ ka_{i1}& ka_{i2} & ... & ka_{in}\\ ... & ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} = k \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix}$
利用上述方法可以进行提取公因数。

❗️ 性质：如果行列式中有两行（列）对应的 元素相同 ，或 成比例 ，则该行列式为0。

❗️ 性质：如果行列式中某一行（列）对应的 元素全为0 ，则该行列式为0。

❗️ 性质：若行列式的某一行（列）中所有元素都是两项的和，则该行列式可以表示为两个行列式相加。即：
$\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ b_{i1}c_{i1}& b_{21}c_{i2} & ... & b_{in}c_{in}\\ ... & ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} = \\\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ b_{i1}& b_{21} & ... & b_{in}\\ ... & ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} + \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ c_{i1}& c_{21} & ... & c_{in}\\ ... & ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix}$

❗️ ⭐️ ⭐️⭐️性质：将行列式一行（列）中所有元素都乘以数k后加到另外一行（列）的对应元素上，行列式值不变。即：
$\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{j1}& a_{j2} & ... & a_{jn}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} = \\\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{j1}+ka_{i1}& a_{j2}+ka_{i2} & ... & a_{jn}+ka_{in}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix}$

可以想一下线性方程组，在计算过程中，其中一个式子乘一个系数，加到另一个式子中进行计算、消元。

证：

可以上一个性质我们可以把行列式拆开
$\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{j1}+ka_{i1}& a_{j2}+ka_{i2} & ... & a_{jn}+ka_{in}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} = \\\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{j1}& a_{j2} & ... & a_{jn}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} + \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ ka_{i1}& ka_{i2} & ... & ka_{in}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix}$
有因为第二个行列式，某两行成倍数关系，所以第二个行列式等于0，所以：
$\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{j1}+ka_{i1}& a_{j2}+ka_{i2} & ... & a_{jn}+ka_{in}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} = \\\LARGE \begin{vmatrix} a_{11}& a_{12} & ... & a_{1n}\\ ...& ... & ... & ...\\ a_{i1}& a_{i2} & ... & a_{in}\\ ... & ... & ... & ...\\ a_{j1}& a_{j2} & ... & a_{jn}\\ ...& ... & ... & ...\\ a_{n1}& a_{n2} & ... & a_{nn}\\ \end{vmatrix} + 0$

例题

在这里插入图片描述

行列式按某一行（列）展开

一般来说低阶的计算比高阶行列式的计算简便，所以在计算行列式时，可以考虑将高阶行列式转换为低阶行列式。

余子式和代数余子式

❗️ 定义：在 $n(n>1)\large n(n>1)$ 阶行列式 $D=∣aij∣\large D = \begin{vmatrix} a_{ij} \end{vmatrix}$ 中，将元素 $aij\large a_{ij}$ 所在的第 $i\large i$ 行和第 $j\large j$ 列划去（删除），剩下的元素按照原来的相对位置所构成的 $n−1\large n-1$ 阶行列式，称为 $D\large D$ 中元素 $aij\large a_{ij}$ 的 余子式 ，记为 $Mij\large M_{ij}$ 。

例：
$\LARGE D= \begin{vmatrix} a_{11} & a_{12} & a_{13} & a_{14} \\ a_{21} & a_{22} & a_{23} & a_{24} \\ a_{31} & a_{32} & a_{33} & a_{34} \\ a_{41} & a_{42} & a_{43} & a_{44} \end{vmatrix}$
$a23\large a_{23}$ 的 余子式 为：
$\LARGE M_{23}= \begin{vmatrix} a_{11} & a_{12} & a_{14} \\ a_{31} & a_{32} & a_{34} \\ a_{41} & a_{42} & a_{44} \end{vmatrix}$

在 $aij\large a_{ij}$ 的余子式 $Mij\large M_{ij}$ 前面加上一个符号 $(−1)i+j\large (-1)^{i+j}$ 后，就称为 $aij\large a_{ij}$ 在 $D\large D$ 中的 代数余子式 ，记为 $Aij\large A_{ij}$ ，即 $Aij=(−1)i+jMij\large A_{ij}=(-1)^{i+j} M_{ij}$ 。

上面例子中， $a23\large a_{23}$ 的 代数余子式 为：
$\LARGE A_{23}= (-1)^{2+3} \begin{vmatrix} a_{11} & a_{12} & a_{14} \\ a_{31} & a_{32} & a_{34} \\ a_{41} & a_{42} & a_{44} \end{vmatrix} = - \begin{vmatrix} a_{11} & a_{12} & a_{14} \\ a_{31} & a_{32} & a_{34} \\ a_{41} & a_{42} & a_{44} \end{vmatrix}$

行列式按某一行（列）展开

❗️ 定理：（行列式按行（列）展开）n阶行列式 $D=∣aij∣\large D = \begin{vmatrix} a_{ij} \end{vmatrix}$ 等于它的任意一行（列）中各元素与其对应的 代数余子式乘积的和 ，即：
$\LARGE D=a_{i1}A_{i1}+a_{i2}A_{i2}+...+a_{in}A_{in} , i = (1,2,...,n)$
或
$\LARGE D=a_{1j}A_{1j}+a_{2j}A_{2j}+...+a_{nj}A_{nj} , j = (1,2,...,n)$

例题：

例1：

按第一行展开
$\LARGE \begin{array}{c} D=\left|\begin{array}{ccc} 1 & 3 & 2 \\ 4 & 6 & 5 \\ 3 & 6 & 8 \end{array}\right|=1 \times(-1)^{1+1}\left|\begin{array}{ll} 6 & 5 \\ 6 & 8 \end{array}\right|+ \\ 3 \times(-1)^{1+2}\left|\begin{array}{ll} 4 & 5 \\ 3 & 8 \end{array}\right|+2 \times(-1)^{1+3}\left|\begin{array}{ll} 4 & 6 \\ 3 & 6 \end{array}\right|= \end{array}$

例2：

在这里插入图片描述

❗️ 定理：（异乘变零定理）n阶行列式 $D=∣aij∣\large D = \begin{vmatrix} a_{ij} \end{vmatrix}$ 的某一行（列）的所有元素与另一行（列）中对应的元素的代数余子式乘积的和为零，即：
$\LARGE a_{i1}A_{s1}+a_{i2}A_{s2}+...+a_{in}A_{sn}=0 , (i \ne s) \\\LARGE a_{1j}A_{1t}+a_{2j}A_{2t}+...+a_{nj}A_{nt}=0 , (j \ne t)$

（不许NTR，纯爱战士狂喜）

证：
$\LARGE \begin{vmatrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... & ... & ... & ... \\ a_{i1} & a_{i2} & ... & a_{in} \\ ... & ... & ... & ... \\ a_{n1} & a_{n2} & ... & a_{nn} \\ \end{vmatrix}$
假设第一行所有元素乘上第 $i\large i$ 行的对应元素的代数余子式，那么：
$\LARGE a_{11}A_{i1}+a_{12}A_{i2}+...+a_{1n}A_{in}$
上面的式子，根据 行列式按行（列）展开 又可以变成：
$\LARGE a_{11}A_{i1}+a_{12}A_{i2}+...+a_{1n}A_{in} = \begin{vmatrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... & ... & ... & ... \\ a_{11} & a_{12} & ... & a_{1n} \\ ... & ... & ... & ... \\ a_{n1} & a_{n2} & ... & a_{nn} \\ \end{vmatrix}$
上面的行列式，第一行元素和第 $i\large i$ 行元素对应相等，所以行列式为0。所以 异乘变零 ：
$\LARGE a_{11}A_{i1}+a_{12}A_{i2}+...+a_{1n}A_{in} = 0$

拉普拉斯定理

行列式的计算

“杨辉三角”

在这里插入图片描述

加边法

在这里插入图片描述

范德蒙行列式

在这里插入图片描述

注意：是 $∏1≤j<i≤n\LARGE \prod_{1 \leq j<i \leq n}$ ， $j\large j$ 是小于 $i\large i$ ，不是小于等于。

例如：n=4
$\LARGE D_n = (x_2-x_1)(x_3-x_1)(x_4-x_1) \\\LARGE (x_3-x_2)(x_4-x_2) \\\LARGE (x_4-x_3)$

一定是“后面”的减法“前面”

反对称矩阵

在这里插入图片描述

反对称矩阵=0。

主对角线全为0
上下位置对应元素（关于主对角线对称），互为相反数

克莱姆（Cramer）法则

设定含有n个未知量n个方程组的线性方程组
$\LARGE \left\{\begin{matrix} a_{11}x_1 + a_{12}x_2 +...+a_{1n}x_n = b_1 \\ a_{21}x_1 + a_{22}x_2 +...+a_{2n}x_n = b_2 \\ ......\\ a_{n1}x_1 + a_{n2}x_2 +...+a_{nn}x_n = b_n \\ \end{matrix}\right.$
我们称它的系数 $aij\large a_{ij}$ 所构成的行列式
$\LARGE \begin{vmatrix} a_{11} & a_{12} & ... & a_{1n} \\ a_{21} & a_{22} & ... & a_{2n} \\ ... & ... & ... & ... \\ a_{n1} & a_{n2} & ... & a_{nn} \\ \end{vmatrix}$
为此方程组的 系数行列式 。

将 $D\large D$ 的第1，2，…，n列分别换成常数项 $b1,b2,..,bn\large b_1,b_2,..,b_n$ 后，所得到的n个n阶行列式依次记为 $D1,D2,...,Dn\large D_1,D_2,...,D_n$ ，即
$\LARGE \begin{array}{c} D_{1}=\left|\begin{array}{llll} b_{1} & a_{12} & \ldots & a_{1 n} \\ b_{2} & a_{22} & \ldots & a_{2 n} \\ \ldots & \ldots & \ldots & \ldots \\ b_{n} & a_{n 2} & \ldots & a_{n n} \end{array}\right|, D_{2}=\left|\begin{array}{llll} a_{11} & b_{1} & \ldots & a_{1 n} \\ a_{21} & b_{2} & \ldots & a_{2 n} \\ \ldots & \ldots & \ldots & \ldots \\ a_{n 1} & b_{n} & \ldots & a_{n n} \end{array}\right| \\ D_{n}=\left|\begin{array}{cccc} a_{11} & a_{12} & \ldots & b_{1} \\ a_{21} & a_{22} & \ldots & b_{2} \\ \ldots & \ldots & \ldots & \ldots \\ a_{n 1} & a_{n 2} & \ldots & b_{n} \end{array}\right| \end{array}$

❗️ 定理：（克莱姆法则）含有n个方程n个未知量的线性方程组，当它的系数行列式 $D≠0\large D \ne 0$ 时，有唯一解：
$\LARGE x_j = \frac{D_j}{D} ,(j=1,2,...,n)$

当线性方程组的常数项全为零时：
$\LARGE \left\{\begin{matrix} a_{11}x_1 + a_{12}x_2 +...+a_{1n}x_n = 0 \\ a_{21}x_1 + a_{22}x_2 +...+a_{2n}x_n = 0 \\ ......\\ a_{n1}x_1 + a_{n2}x_2 +...+a_{nn}x_n = 0 \\ \end{matrix}\right.$
称为 齐次线性方程组 。

显然它是肯定有解的 $x1=0,x2=0,...,xn=0\large x_1=0,x_2=0,...,x_n=0$ ，此解称为齐次线性方程组的零解。除此以外的解，称为齐次线性方程组的 非零解 。

由克莱姆法则可以得出以下定理：

$D≠0(符合克莱姆法则)⟺齐次线性方程组只有零解\large D \ne 0 (符合克莱姆法则) \Longleftrightarrow 齐次线性方程组只有零解$
$D=0(符合克莱姆法则)⟺齐次线性方程组有非零解\large D = 0 (符合克莱姆法则) \Longleftrightarrow 齐次线性方程组有非零解$