线性代数系列（十二）--行列式

主要内容

• 行列式的性质
• 行列式的求解公式
• 代数余子式
• 逆矩阵公式
• 克拉默法则
• 体积

正文

行列式是线性代数中非常重要的一部分，如果我们企图使用一个数字来描述矩阵的所有信息，那这个数字就是行列式，此外行列式跟特征值的关系非常密切。因此行列式与特征值是线性代数的另一大重点。

行列式的性质

对于矩阵$A$，我们将它的行列式表示为$det(A)=|A|$。
性质一： $$det(I)=1$$
性质二： 交换矩阵的行，行列式的符号发生变化。由此我们得出的结论是：$$det(P)=1or-1$$ 性质三： 称为单行的线性性。仅当作用于单行时，才会成立，作用于多行时不成立。$$\left|\begin{array}{cc}ta& tb\\ c& d\end{array}\right|=t\left|\begin{array}{cc}a& b\\ c& d\end{array}\right|$$ $$\left|\begin{array}{cc}a+a_1& b+b_1\\ c& d\end{array}\right|=\left|\begin{array}{cc}a& b\\ c& d\end{array}\right|+\left|\begin{array}{cc}{a}_1& b_1\\ c& d\end{array}\right|$$ 性质四： 行列式中有两行相等时，行列式为零，非常简单，这里不做证明了。
性质五： 行列式的第$k$行减去$l$倍的第$i$行，行列式保持不变。看下面的这个例子：$$\left|\begin{array}{cc}a& b\\ c-la& d-la\end{array}\right|=\left|\begin{array}{cc}a& b\\ c& d\end{array}\right|-l\left|\begin{array}{cc}a& b\\ a& b\end{array}\right|$$ 显然后面的$\left|\begin{array}{cc}a& b\\ a& b\end{array}\right|$为零，所以行列式保持不变。
性质六： 如果行列式存在一行全为零，行列式为零。这里不做证明。
性质七： 上三角矩阵的行列式等于对角线的乘积。例如：$$det(U)=\left|\begin{array}{cccc}{d}_1& \ast & \ast & \ast ....\\ & d_2& \ast & \ast ....\\ & & :& :....\\ & & & d_n\end{array}\right|$$我们可以通过性质五，依次消元得到$$det(U)=\left|\begin{array}{cccc}{d}_1& & & \\ & d_2& & \\ & & :& \\ & & & d_n\end{array}\right|$$通过性质三提取每行的公因式，就可以得到$$det(U)=d_1{d}_2...d_n\left|\begin{array}{cccc}1& & & \\ & 1& & \\ & & :& \\ & & & 1\end{array}\right|=d_1{d}_2...d_n$$ 性质八： 矩阵的行列式为$0$，矩阵是奇异矩阵，并且不可逆。该性质提供了矩阵可逆的行列式判断方法。
性质九： $det(AB)=det(A)det(B)$。由此我们可以得出几个特殊的结论，比如：$$det(A^{-1}A)=det(A^{-1})det(A)=det(I)=1=>det(A^{-1})=\frac{1}{det(A)}$$ $$det(A^2)=det(A{)}^2$$ $$det(2A)=2^{n}det(A)$$ 最后一个式子比较难理解，我们可以说明一下。$2A$表示$A$中的每一行都乘了$2$，然而在行列式中，提取的时候只能单行提取。因为$A$是一个$n\times n$的矩阵，所以需要提取$n$个$2$，最后得到$2^n$。
性质十： $det(A^T)=det(A)$。

实际上，行列式的基本性质有三个，就是前三个，后面的这些性质都是根据经验，使用前三个性质推导出来的。

行列式的求解公式

这个求解公式是根据定义来的，是一个非常复杂的公式，它非常大，因而又被称为大公式，实用性很差，但是它揭示了本质，我们仍然要了解它，但不必费太多的精力。对于矩阵$A$：$$det(A)=\sum _{n!}+/-a_{1\alpha }{a}_{2\beta }{a}_{3\gamma }...a_{n\omega }，(\alpha ,\beta ,\gamma ,.....\omega )=allorderof(1n)$$ 前面的正负号表示符号是待定的。关于这个公式的更多介绍可以查阅别的资料，根据它的实际效用，这里不做过多的介绍。

代数余子式

对于$A_{n\times n}$的行列式，当我们选定一行的元素时，剩余的元素只能在剩余的$n-1$行、$n-1$列中取，这些剩余的元素组成的公式就称为已选定元素的代数余子式。比如$A_{3\times 3}$：$$A=\left|\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right|$$$$det(A)=a_{11}(a_{22}{a}_{33}-a_{23}{a}_{32})+a_{12}(-a_{21}{a}_{33}+a_{23}{a}_{31})+a_{13}(a_{21}{a}_{32}-a_{22}{a}_{31})$$在这个式子中，$(a_{22}{a}_{33}-a_{23}{a}_{32})$就是$a_{11}$的代数余子式。

一般地，$a_{ij}$的代数余子式可以表示为：$$cofactor(a_{ij})=C_{ij}=(-1{)}^{i+j}det(matrix(n-1)withoutrowiandcolj)$$我们已经注意到，上面例子中$a_{12}$的代数余子式与其他的不同，这就是代数余子式的符号问题，它是有下标之和决定的。当我们不考虑符号的时候，也就是$$A_{ij}=det(matrix(n-1)withoutrowiandcolj)$$这个不包括符号的式子称为余子式。

使用代数余子式求解行列式： 这里先列出公式，然后再分析。$$det(A)=a_{i1}{C}_{i1}+a_{i2}{C}_{i2}+...+a_{in}{C}_{in}$$这个公式表示行列式按第$i$行展开的代数余子式表示。代数余子式的基本思想就是：将$n$阶行列式按某行展开，然后再将$n-1$阶行列式按某行展开，依次展开下去，直到$1$阶，也就是一个数。实际上，展开的过程并不一定是每行的所有元素都得计算，我们一般找含有零最多的行展开，这样展开得到的项会最少。有的时候，我们可以通过变换操作得到含有零比较多的行，然后，按此行展开。

一个特殊的例子： $$A_4=\left|\begin{array}{cccc}1& 1& 0& 0\\ 1& 1& 1& 0\\ 0& 1& 1& 1\\ 0& 0& 1& 1\end{array}\right|$$可以将这个矩阵称为$3$对角线矩阵。从左上角依次往下数，我们可以得到$|A_1|=1，|A_2|=0，|A_3|=-1，|A_4|=-1$，在求$|A_4|$的时候可以将它按第一行展开，如下前两个行列式，然后再将$3$维行列式按第一行展开，如下后两个行列式。$$\left|\begin{array}{cccc}1& & & \\ & 1& 1& 0\\ & 1& 1& 1\\ & 0& 1& 1\end{array}\right|\left|\begin{array}{cccc}& 1& & \\ 1& & 1& 0\\ 0& & 1& 1\\ 0& & 1& 1\end{array}\right|\left|\begin{array}{ccc}1& & \\ & 1& 1\\ & 1& 1\end{array}\right|\left|\begin{array}{ccc}& 1& \\ 0& & 1\\ 0& & 1\end{array}\right|$$得到$|A_4=1|A_3|-1|A_2|-1\times 0=1|A_3|-1|A_2|$。实际上对于这种三对对角线矩阵，我们有这样的结论：$$|A_n|=|A_{n-1}|-|A_{n-2}|$$这个结论是对于所有的n都成立的。

关于行列式的计算方法是非常灵活的，消元和代数余子式共同使用，效率会更高。

逆矩阵公式

行列式也提供了计算逆矩阵的方法，但是实用性远不及高斯若尔当方法。所以这里只是简单的介绍一下，证明细节参考其他资料。$2\times 2$的例子：$${\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]}^{-1}=\frac{1}{ad-bc}\left[\begin{array}{cc}d& -c\\ -b& a\end{array}\right]$$从这个例子中，我们得到了一些启示，$ad-bc=det(A)$，后面的矩阵是$A$的伴随矩阵的转置，表示每个位置上的数是$A$中相应位置上的代数余子式。所以，我们可以得到这样的公式：$$A^{-1}=\frac{1}{det(A)}{C}^T$$这个公式是正确的，经过严格证明的，这里就不给出证明了。

克拉默法则

对于线性方程组$Ax=b$，$x=A^{-1}b$，带入上面的逆矩阵公式，得到解的形式：$$x=\frac{C^{T}b}{det(A)}$$分母的意义是很明显的，但是分子的意义是比较模糊的。我们这里重点分析一点分子的意义：$$C^T=\left[\begin{array}{ccc}{c}_{11}& c_{21}& c_{31}....c_{n1}\\ c_{12}& c_{22}& c_{32}....c_{n2}\\ :& :& :....:\\ c_{1n}& c_{2n}& c_{3n}....c_{4n}\end{array}\right]\left[\begin{array}{c}{b}_1\\ b_2\\ b_3\\ :\\ b_n\end{array}\right]=\left[\begin{array}{c}{d}_1\\ d_2\\ d_3\\ :\\ d_n\end{array}\right]$$所以分量$x_i=\frac{d_i}{det(A)}$，那么再分析，$d_i$是什么呢：$$d_i=c_{1i}{b}_1+c_{2i}{b}_2+c_{3i}{b}_3+...+c_{ni}{b}_n$$这个公式是比较显然的，因为$c_{ij}$都是伴随矩阵，这表示行列式按第$i$列展开的代数余子式形式。这里的第$i$列稍微有些不同，这里的第$i$列是$b$，而不是原矩阵中的那一列，所以我们可以将这个新的矩阵记为$B$：$$B_i=\left[\begin{array}{cccccc}{a}_1& a_2& ...& b_i& ...& a_n\end{array}\right]，i=1,2,3...n$$矩阵$B$，就是将原矩阵中的第$i$列使用$b_i$代替后得到的新矩阵，使用下标$i$来区分替代的不同的列。于是$d_i=det(B_i)$，进而我们得到下面的公式：$$x_i=\frac{det(B_i)}{det(A)}$$ 这就是克拉默法则，这个法则的作用不在于计算，而在于它给出的启示，直观地，它给出了求解方程组的代数表达式，而不是矩阵的形式，但实际上，它在计算上的效率是非常低的。

体积

行列式的一个应用就是计算体积。让我们先从简单的例子看起：$$A=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right]$$这三个列向量表示三维空间中的三个标准正交基，几乎是最标准的了，没有经过旋转，并且它们的长度都为$1$，根据体积公式可以得到体积为$1$，$det(A)=1$。行列式等于体积。

再看比较复杂的情况，不过这仍然是一个标准的立方体。我们看正交矩阵$Q$。正交矩阵$Q$中的列向量也都是标准正交基，它们相互垂直，并且长度为$1$，所以可以表示边长为$1$的立方体，不过，这些标准正交基不在空间的坐标轴上，而是在坐标轴上有分量。可以理解为上一种情况经过旋转得到的。正交矩阵具有特殊的性质：$$Q^{T}Q=I$$ 利用这个性质以及行列式的性质可以得：$det(Q^{T}Q)=det(Q)det(Q)=det(I)=1$，所以$det(Q)=1or-1$。这的符号表示几何图形是在左手系还是在右手系。

对于长方体的情况也是适用的。这个扩展是比较简单的，仅仅是向量的发生了倍数的变化，比较困难的是我们要拜托角度的限制，允许各边成任意角度

实际上，上面的第一种情况就是行列式的性质一，第二种情况是性质二，第三种情况（长方体）是性质三第一条，而扩展到一般情况就要使用到性质三的第二条。

参考课本资料，未完待续