【线性代数05】行列式的性质和应用
继续MIT的笔记,本篇梳理行列式的10条性质,其中前3条性质作为后续性质的基础。应用分为克莱姆法则,逆矩阵和体积。注意,只有方阵才有行列式。
性质
- detI=1\det I =1detI=1
- 交换行列式的两行,行列式变号
注:交换一次变一次号,交换iii次,即乘上(−1)i(-1)^i(−1)i,由此偶数次变换和奇数次变换分别在各自独立的变换范畴。 - “行”的线性:a)齐次性:提出行列式某行的系数作为行列式整体的系数;b)可加性:行列式的某行可拆分两部分之和时,等于拆分后的这两个行列式的和。 用2×22 \times 22×2行列式表示即为:
∣2a+3e2b+3fcd∣=∣2a2bcd∣+∣3e3fcd∣=2∣abcd∣+3∣efcd∣\begin{vmatrix} 2a + 3e&2b +3f\\ c & d \end{vmatrix}= \begin{vmatrix} 2a &2b \\ c & d \end{vmatrix}+ \begin{vmatrix} 3e&3f\\ c & d \end{vmatrix}= 2\begin{vmatrix} a &b \\ c & d \end{vmatrix}+ 3\begin{vmatrix} e&f\\ c & d \end{vmatrix} ∣∣2a+3ec2b+3fd∣∣=∣∣2ac2bd∣∣+∣∣3ec3fd∣∣=2∣∣acbd∣∣+3∣∣ecfd∣∣
注:行列式的线性是对“行”而言,而矩阵的线性是对整个矩阵而言。因此∣2A∣=2n∣A∣|2A|=2^n|A|∣2A∣=2n∣A∣
有两行相等时,行列式为0。 可由性质2推得。
A=∣abab∣交换两行→−A=∣abab∣⇒A=0A = \begin{vmatrix} a &b \\ a & b \end{vmatrix} \underrightarrow{交换两行} -A =\begin{vmatrix} a &b \\ a & b \end{vmatrix} \Rightarrow A=0 A=∣∣aabb∣∣交换两行−A=∣∣aabb∣∣⇒A=0
注:进一步由性质3,有两行呈倍数关系时,行列式也为0。某一行减去另一行的k倍,行列式并不改变。
注:类似性质4的证明,是基于性质3的合理外推。行列式为0的总结即为:当存在某一行为其余行的线性组合时,行列式为0,相当于要求对应的矩阵满秩。如果有一行为0,行列式就为0。
注:0行加上任意一行,都相等于原行列式有两行相等。基于性质4和性质5就可推得。消元法变成三角阵后,如作A=LUA=LUA=LU变换,三角阵UUU主列上(即主对角线上)元素的乘积即为行列式的值。
注:消元法不改变行列式的值。当矩阵为奇异矩阵时(即不满秩),对应的行列式为0。
注:与性质5中的总结等价。矩阵乘积的行列式等于行列式的乘积,即 detAB=detAdetB\det{AB}=\det{A}\det{B}detAB=detAdetB
注:既然矩阵都可以化为对角阵,如果考虑对角矩阵的乘积,显然结果是成立的。进一步我们可以知道:detA−1=1/detA\det{A^{-1}} = 1/\det{A}detA−1=1/detA行列式与转置行列式的值相等。给出一个充分且简洁的证明:
∣AT∣=∣A∣⇒∣UTLT∣=∣LU∣⇒∣UT∣∣LT∣=∣L∣∣U∣(性质9)√|A^T| = |A| \Rightarrow |U^TL^T| = |LU| \Rightarrow |U^T||L^T| = |L||U|(性质9)√ ∣AT∣=∣A∣⇒∣UTLT∣=∣LU∣⇒∣UT∣∣LT∣=∣L∣∣U∣(性质9)√
注:这说明行的性质可合理外推到列上去,比如某列为其余列的线性组合时,行列式也将为0,交换某两列,也将发生行列式的变号。
行列式等于主元的乘积,这暗示了这些主元(即特征值)的重要性。
行列式的展开
记住下面这个公式,即行列式可以取某一行展开:
detA=ai1Ci1+ai2Ci2+⋯+ainCin\det A = a_{i1}C_{i1}+a_{i2}C_{i2}+\cdots+a_{in}C_{in} detA=ai1Ci1+ai2Ci2+⋯+ainCin
其中C被称为代数余子式,是取了变换符号后的余子式(cofactor)。即
Cij=(−1)i+jdetMijC_{ij} = (-1)^{i+j}\det M_{ij} Cij=(−1)i+jdetMij
余子式即为划出aija_{ij}aij所在的行列元素后,剩下的元素所排列成的矩阵。
∣+aij−...∣...Mij∣\begin{vmatrix} \begin{array}{c:cc} \ +_{a_{ij}}& -_{...} \\ \hdashline |_{...}& M_{ij} \end{array} \end{vmatrix} ∣∣ +aij∣...−...Mij∣∣
举一个3×33 \times 33×3行列式的计算为例,在Matlab中用det命令即可求矩阵行列式的值:
∣123456789∣=1(−1)2∣5689∣+2(−1)3∣4679∣+3(−1)4∣4578∣=−3+12−9=0\begin{vmatrix} 1 & 2 & 3\\ 4& 5 & 6 \\ 7 &8 &9 \\ \end{vmatrix} = 1(-1)^2 \begin{vmatrix} 5 & 6 \\ 8&9 \\ \end{vmatrix} +2(-1)^3\begin{vmatrix} 4 & 6 \\ 7 &9 \\ \end{vmatrix} +3(-1)^4\begin{vmatrix} 4 & 5 \\ 7 & 8 \\ \end{vmatrix} =-3+12-9=0 ∣∣147258369∣∣=1(−1)2∣∣5869∣∣+2(−1)3∣∣4769∣∣+3(−1)4∣∣4758∣∣=−3+12−9=0
>> A = [1,2,3;4,5,6;7,8,9];
>> det(A) % 行列式ans =-9.5162e-16>> rank(A) % 秩ans =2>> rref(A) % 最简行形式ans =1 0 -10 1 20 0 0
证明思路的关键在于取某一行逐次展开,就容易发现当取aija_{ij}aij元素时,其余各行元素不能从已划去的行列中的选取,从而成为一个排列组合问题,即对于n×nn \times nn×n的行列式而言,一共有n!n!n!个子项,排列成行列式看,就变成n×n−1×⋯1n\times n-1 \times \cdots 1n×n−1×⋯1的逐级分解,也就是行列式的逐级展开。
应用
Inverses(逆矩阵)
逆矩阵的显式表达:逆矩阵为代数余子式矩阵的转置除以原矩阵的行列式。即
A−1=CT/detAA^{-1} = C^{T}/\det A A−1=CT/detA
逆矩阵的推导要从行列式展开说起,即要说明ACT=(detA)IAC^{T} = (\det A) IACT=(detA)I成立:
[a11a12a13a21a22a23a31a32a33][C11C21C31C12C22C32C13C23C33]=[detA000detA000detA]\begin{bmatrix} a_{11} & a_{12} & a_{13}\\ a_{21}&a_{22} &a_{23} \\ a_{31} & a_{32} &a_{33} \end{bmatrix} \begin{bmatrix} C_{11} &C_{21} & C_{31}\\ C_{12}&C_{22} &C_{32} \\ C_{13} & C_{23} &C_{33} \end{bmatrix} = \begin{bmatrix} \det A & 0 & 0\\ 0&\det A &0 \\ 0& 0 &\det A \end{bmatrix} ⎣⎡a11a21a31a12a22a32a13a23a33⎦⎤⎣⎡C11C12C13C21C22C23C31C32C33⎦⎤=⎣⎡detA000detA000detA⎦⎤
关注对角线的元素,不难发现其就是行列式展开的表达式,而其余的零怎么说明呢?这是一个很好的问题。让我们来看这么个例子:
?a21C11+a22C12+a23C13=0?a_{21}C_{11}+a_{22}C_{12}+a_{23}C_{13}=0 ?a21C11+a22C12+a23C13=0
先摘引课本中对其的解释:
This is the cofactor rule for a new matrix, when the second row of AAA is copied into its first row. The new matrix A∗A^*A∗ has two equal rows, so det A∗A^*A∗ = 0. Notice that A∗A^*A∗ has the same cofactors C11C_{11}C11, C12C_{12}C12, C13C_{13}C13 as AAA-because all rows agree after the first row. Thus the remarkable multiplication is correct.
换言之,通过构造,下面两个矩阵第一行对应的代数余子式是相同的:
A=[a11a12a13a21a22a23a31a32a33]与 A∗=[a21a22a23a21a22a23a31a32a33]⇒detA∗=a21C11+a22C12+a23C13=0A = \begin{bmatrix} a_{11} & a_{12} & a_{13}\\ a_{21}&a_{22} &a_{23} \\ a_{31} & a_{32} &a_{33} \end{bmatrix} \ \ \ 与 \ \ \ A^* = \begin{bmatrix} a_{21}&a_{22} &a_{23}\\ a_{21}&a_{22} &a_{23} \\ a_{31} & a_{32} &a_{33} \end{bmatrix} \Rightarrow \det{A^*} =a_{21}C_{11}+a_{22}C_{12}+a_{23}C_{13}=0 A=⎣⎡a11a21a31a12a22a32a13a23a33⎦⎤ 与 A∗=⎣⎡a21a21a31a22a22a32a23a23a33⎦⎤⇒detA∗=a21C11+a22C12+a23C13=0
Cramer’s Rule(克莱姆法则)
对方程Ax=bAx=bAx=b 而言,克莱姆法则是个“中看不中用”的的求解公式(不如消元法)。其主要意义在于显式给出了方程解的表达式,虽然做起来将十分繁琐。当AAA的行列式不为0(或可逆时),Ax=bAx = bAx=b方程的解为
x1=detB1detAx2=detB2detA⋯xn=detBndetAx_1= \frac{\det B_1} {\det A} \ \ x_2= \frac{\det B_2} {\det A} \ \ \cdots \ x_n= \frac{\det B_n} {\det A} \ x1=detAdetB1 x2=detAdetB2 ⋯ xn=detAdetBn
其中BiB_iBi列为AAA 的第 iii 用 bbb 列替换后的结果。
思路1
有两种思路说明这个结果,第一种是直接代入逆矩阵的表达式,即
x=A−1b=CTbdetAx = A^{-1}b=\frac{C^{T} b}{\det A} x=A−1b=detACTb
取x1x_1x1为例,对应的CTbC^T bCTb即为
b1C11+b2C21+b3C31=0b_{1}C_{11}+b_{2}C_{21}+b_{3}C_{31}=0 b1C11+b2C21+b3C31=0
既然行列式转置后值不变,那么取某行展开,当然也就可以取某列展开。而当取某列展开时,我们知道,下面这两个矩阵对应第一列的代数余子式是相同的:
A=[a11a12a13a21a22a23a31a32a33]与 B1=A∗=[b1a12a13b2a22a23b3a32a33]⇒detA∗=b1C11+b2C21+b3C31A = \begin{bmatrix} a_{11} & a_{12} & a_{13}\\ a_{21}&a_{22} &a_{23} \\ a_{31} & a_{32} &a_{33} \end{bmatrix} \ \ \ 与 \ \ \ B_1=A^* = \begin{bmatrix} b_{1} & a_{12} & a_{13}\\ b_{2}&a_{22} &a_{23} \\ b_{3} & a_{32} &a_{33} \end{bmatrix} \Rightarrow \det{A^*} =b_{1}C_{11}+b_{2}C_{21}+b_{3}C_{31} A=⎣⎡a11a21a31a12a22a32a13a23a33⎦⎤ 与 B1=A∗=⎣⎡b1b2b3a12a22a32a13a23a33⎦⎤⇒detA∗=b1C11+b2C21+b3C31
因此,对于CTbC^TbCTb中对应xix_ixi的行而言,其可以分别用BiB_iBi进行替换,并能得到同样的结果。
思路2
这种思路更为巧妙,借助单位阵,我们做如下变换:
[a1a2a3][x100x210x301]=[ba2a3]=B1\begin{bmatrix} \\ a_{1} & a_{2} & a_{3} \\ \\ \end{bmatrix} \begin{bmatrix} x_1& 0 &0 \\ x_{2} & 1 & 0\\ x_3 &0 & 1 \\ \end{bmatrix} = \begin{bmatrix} \\ b & a_{2} & a_{3} \\ \\ \end{bmatrix} =B_1 ⎣⎡a1a2a3⎦⎤⎣⎡x1x2x3010001⎦⎤=⎣⎡ba2a3⎦⎤=B1
两边取行列式,借助行列式的性质7和9,就有:
(detA)x1=detB1(\det {A}) x_1 =\det B_1 (detA)x1=detB1
Volumes(体积)
在学向量的叉乘时我们就曾接触过这样的式子,如计算向量a⃗=(1,2,3)\vec{a}=(1,2,3)a=(1,2,3)与b⃗=(4,5,6)\vec{b}=(4,5,6)b=(4,5,6)的叉乘:
a⃗×b⃗=∣123456i⃗j⃗k⃗∣=(12−15)i⃗+(12−6)i⃗+(5−8)k⃗=(−3,6,−3)\vec{a} \times \vec{b} = \begin{vmatrix} 1& 2 &3 \\ 4 & 5 & 6\\ \vec i &\vec j & \vec k \\ \end{vmatrix} =(12-15)\vec{i}+(12-6)\vec{i}+(5-8)\vec{k}=(-3,6,-3) a×b=∣∣14i25j36k∣∣=(12−15)i+(12−6)i+(5−8)k=(−3,6,−3)
>> a=[1,2,3];b=[4,5,6];
>> cross(a,b)ans =-3 6 -3
更进一步,我们求上述结果与c⃗=(0,1,0)\vec{c}=(0,1,0)c=(0,1,0)的点积,即求三重积,而这表示的正是这三个向量所形成的平行六面体的体积:
a⃗×b⃗⋅c⃗=∣123456010∣=(12−15)+(12−6)1+(5−8)0=6\vec{a} \times \vec{b} \ \cdot \vec{c} = \begin{vmatrix} 1& 2 &3 \\ 4 & 5 & 6\\ 0 &1 & 0 \\ \end{vmatrix} =(12-15)+(12-6)1+(5-8)0=6 a×b ⋅c=∣∣140251360∣∣=(12−15)+(12−6)1+(5−8)0=6
>> c=[0,1,0];
>> dot(c,cross(a,b))ans =6
我们可以基于对三重积的理解推导平面上的三角形面积公式,即可以看成一个高为1的平行六面体的体积的一半,于是,就有:
12∣x1y11x2y21x3y31∣=12[(x2y3−x3y2)+(x3y1−x1y3)+(x1y2−x2y1)]=12[x1(y2−y3)+x2(y3−y1)+x3(y1−y2)]\frac{1}{2} \begin{vmatrix} x_1& y_1 &1 \\ x_2 & y_2 & 1\\ x_3 &y_3 & 1 \\ \end{vmatrix} =\frac{1}{2} [(x_2y_3-x_3y_2)+(x_3y_1-x_1y_3)+(x_1y_2-x_2y_1)]=\frac{1}{2}[x_1(y_2-y_3)+x_2(y_3-y_1)+x_3(y_1-y_2)] 21∣∣x1x2x3y1y2y3111∣∣=21[(x2y3−x3y2)+(x3y1−x1y3)+(x1y2−x2y1)]=21[x1(y2−y3)+x2(y3−y1)+x3(y1−y2)]
特别地,如当(x3,y3)=(0,0)(x_3,y_3)=(0,0)(x3,y3)=(0,0)时,就有面积公式进一步可化简为:
12∣x1y1x2y2∣=12(x1y2−x2y1)\frac{1}{2} \begin{vmatrix} x_1& y_1 \\ x_2 & y_2 \end{vmatrix} = \frac{1}{2} (x_1y_2-x_2y_1) 21∣∣x1x2y1y2∣∣=21(x1y2−x2y1)
值得注意的是正交矩阵QQQ,由于QQT=IQQ^T=IQQT=I,所以两边取行列式时,有(detQ)2=1(\det Q) ^2=1(detQ)2=1,相当于旋转矩阵Q只改变角度,而并不改变体积。这些知识有助于增进对电磁学中算子运算和信号与系统中相位旋转的理解,在接下来特征值的一讲中,我们将更具体地发现矩阵运算所带来的的丰富含义。
【线性代数05】行列式的性质和应用相关推荐
- 线性代数04 行列式的性质:举一反三,从三个到十个
对于行列式的性质,一共十个,都可以从三个基础的性质推出来.因此此篇博文将详细的从三个基础性质说起. 性质1 Det I=1 说明:这个很好理解,只要知道单位矩的结构.就知道单位阵的对角线上全是1,因此 ...
- 线性代数之——行列式及其性质
https://zhuanlan.zhihu.com/p/50912180
- 【线性代数】行列式的性质
文章目录 转置 两行互换值变号 某行乘以k,等于用k乘以D D=0情况总结 某行数值=D1+D2 注意 某行×一个数,加到另一行上去,D不变 应用--化三角形求值 转置 两行互换值变号 某行乘以k,等 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(3):行列式的性质
文章目录 前言 1.5 行列式的性质 转置行列式 性质1 内容 证明 性质2 内容 证明 性质3 内容 证明 性质4 内容 证明 性质5 内容 证明 性质6 内容 证明 结语 前言 Hello!小伙伴 ...
- MIT18.06线性代数课程笔记18:矩阵行列式的性质
课程简介 18.06是Gilbert Strang教授在MIT开的线性代数公开课,课程视频以及相关资料请见https://ocw.mit.edu/courses/mathematics/18-06-l ...
- 【线性代数公开课MIT Linear Algebra】 第十八课 行列式的性质
本系列笔记为方便日后自己查阅而写,更多的是个人见解,也算一种学习的复习与总结,望善始善终吧~ 行列式 determinant 行列式最早是应用在用来判断方程组是否有解,在矩阵被发明后,行列式就拥有了更 ...
- 线性代数学习笔记6-2:行列式的理解、行列式的性质
再次强调,方阵才有行列式! 行列式尽可能多的压缩了方阵的信息,之前说过行列式代表线性变换中有向面积/有向体积的变化比例 因此, d e t ( A ) = ∣ A ∣ = 0 ⟺ det(\mathb ...
- 【线性代数 宋浩】P3行列式的性质
行列式的性质 性质1:D=D^T^ 性质2:两行互换,值变号 性质3:行列式两行或两列对应相等,行列式的值为0 性质4:某一行都乘以数k等于用k乘以行列式 性质5:两行元素对应成比例,行列式的值为0 ...
- 线性代数 ----- 行列式的性质
行列式的性质有六条性质 1.行列式和他的转置是相等的 2.行列式中某一行元素的公因子可以提到行列式符号的外边来,或者说,用一个数来乘行列式,可以把这个数乘到行列式的某一行上. 3.若果行列式中有一行元 ...
最新文章
- 采购AI/ML安全工具前要先回答这11个问题
- Mysql binlog日志及binlog恢复数据库操作
- 【译】保护 Consul 在特定设置中免受 RCE 风险的影响
- object dection资源
- 基于SSM的汽车销售管理系统
- shell 字符串操作
- VMWARE ESXI 虚拟硬盘的格式:精简置备、厚置备延迟置零、厚置备置零
- delphi报列表索引越界怎么处理_Python入门第3课:列表元组,看这一篇够了 | 原创...
- vue 悬浮按钮_Vue@哇!几行代码实现拖拽视图组件
- Zigbee如何在智能家居中成为领先的连接技术?
- tensorflow2.0 Dataset创建和使用
- 张朝阳:Q4盈利远超预期 2021年期待产品爆发
- Fatal Error LNK1123:转换到COFF期间失败:文件无效或损坏
- python画3d图-Python绘制3D图形
- 打开服务的方法,cmd上直接输入:services.msc
- MATLAB符号运算小技巧
- 向传奇致敬,向约翰·纳什和他的妻子艾丽西亚致敬,缔造了数学和爱的传奇
- pc服务器是微型计算机吗,pc和主机的区别是什么?
- Json简介与基本使用
- 如何制作自己的网页html,如何制作自己的网页