xy0v0's Blog

Back

高等代数(一)1.5:行列式计算与拉普拉斯展开

行列式的降阶与递推计算、多行(列)的拉普拉斯展开、分块三角行列式与叉积。

1 从排列展开式理解代数余子式

设 A=(aij)A=(a_{ij}) 为 nn 阶方阵(n≥2n\ge2),沿用上一讲的记号, MijM_{ij}、Aij=(−1)i+jMijA_{ij}=(-1)^{i+j}M_{ij} 分别表示元素 aija_{ij} 的余子式、代数余子式。 固定第二列到第 nn 列,把第一列换成变量 x1,…,xnx_1,\ldots,x_n,记 Δ(x1,…,xn)=∣x1a12⋯a1nx2a22⋯a2n⋮⋮⋮xnan2⋯ann∣.\Delta(x_1,\ldots,x_n)= \begin{vmatrix}x_1&a_{12}&\cdots&a_{1n}\\x_2&a_{22}&\cdots&a_{2n}\\ \vdots&\vdots&&\vdots\\x_n&a_{n2}&\cdots&a_{nn}\end{vmatrix}. 按列的次序写出排列定义,有 Δ(x1,…,xn)=∑(i1,…,in)(−1)τ(i1,…,in)xi1ai2,2⋯ain,n,\Delta(x_1,\ldots,x_n) =\sum_{(i_1,\ldots,i_n)}(-1)^{\tau(i_1,\ldots,i_n)} x_{i_1}a_{i_2,2}\cdots a_{i_n,n}, 其中求和遍历 1,…,n1,\ldots,n 的所有排列,τ\tau 表示逆序数。 每一项恰含一个 xkx_k。固定首个行号 i1=ki_1=k,它与其余行号形成 k−1k-1 个逆序。 将剩余行号按递增次序重新编号为 1,…,n−11,\ldots,n-1,不改变它们之间的逆序关系, 所以含 xkx_k 的各项去掉这个因子后,其和为 (−1)k−1Mk1=Ak1(-1)^{k-1}M_{k1}=A_{k1}。 把含同一个 xkx_k 的项合并,便得到 Δ(x1,…,xn)=∑k=1nxkAk1.\Delta(x_1,\ldots,x_n)=\sum_{k=1}^n x_k A_{k1}. 因此,代数余子式 Ak1A_{k1} 就是把第一列看作变量时,xkx_k 的系数。 它不依赖第一列中的元素,只由其余列决定。换成任意一列或一行,道理相同。

不同行(列)的对应乘积之和

上述观点也解释了上一讲的零和公式。若把第 jj 列换成第 ll 列(l≠jl\ne j), 新行列式有两列相同,故为零;第 jj 列的代数余子式却不变。因此 ∑i=1nailAij=0(l≠j).\sum_{i=1}^n a_{il}A_{ij}=0\quad(l\ne j). 同理,按行有 ∑j=1nakjAij=0(k≠i).\sum_{j=1}^n a_{kj}A_{ij}=0\quad(k\ne i). 与按行(列)展开公式合在一起,即为 ∑r=1nahrAir={det⁡A,h=i,0,h≠i,∑r=1narkArj={det⁡A,k=j,0,k≠j.\sum_{r=1}^n a_{hr}A_{ir} =\begin{cases}\det A,&h=i,\\0,&h\ne i,\end{cases} \qquad \sum_{r=1}^n a_{rk}A_{rj} =\begin{cases}\det A,&k=j,\\0,&k\ne j.\end{cases} 同一行(列)对应相乘求和得到原行列式,换成另一行(列)则得到零。

2 行列式的降阶与递推计算

解. 先按第五列展开,再按所得四阶行列式的第一列展开,得 D=2(−1)2+5∣53−120−2310−4−140235∣=−10∣−231−4−14235∣.D=2(-1)^{2+5} \begin{vmatrix}5&3&-1&2\\0&-2&3&1\\0&-4&-1&4\\0&2&3&5\end{vmatrix} =-10\begin{vmatrix}-2&3&1\\-4&-1&4\\2&3&5\end{vmatrix}. 对右侧三阶行列式作 r3←r3+r1r_3\leftarrow r_3+r_1,再从第三行提出 66,得 D=−60∣−231−4−14011∣=−60[(−2)(−1−4)−3(−4)+(−4)]=−1080.D=-60\begin{vmatrix}-2&3&1\\-4&-1&4\\0&1&1\end{vmatrix} =-60\bigl[(-2)(-1-4)-3(-4)+(-4)\bigr] =\boxed{-1080}. 每次展开都选择非零元素最少的一行或一列;行倍加用于进一步制造零元素。 ◻

解. 约定 D0=1D_0=1,则 D1=a+bD_1=a+b。按第一列展开,第二项的余子式再按第一行展开,得 Dn=(a+b)Dn−1−abDn−2(n≥2).D_n=(a+b)D_{n-1}-abD_{n-2}\quad(n\ge2). 令 En=Dn−bDn−1E_n=D_n-bD_{n-1},则 En=aEn−1E_n=aE_{n-1},且 E1=aE_1=a,故 En=anE_n=a^n。 于是 Dn=an+bDn−1D_n=a^n+bD_{n-1},逐次代入得 Dn=∑k=0nan−kbk={an+1−bn+1a−b,a≠b,(n+1)an,a=b.\boxed{D_n=\sum_{k=0}^n a^{n-k}b^k =\begin{cases}\dfrac{a^{n+1}-b^{n+1}}{a-b},&a\ne b,\\[6pt] (n+1)a^n,&a=b.\end{cases}} 有限和的形式不需要除以 a−ba-b,因而也适用于 a=ba=b 或参数为零的情形。 ◻

3 多行(列)的拉普拉斯展开

子式、余子式与展开公式

设 AA 为 nn 阶方阵,1≤r<n1\le r<n。选取递增的行指标集 I={i1<⋯<ir}I=\{i_1<\cdots<i_r\} 和列指标集 J={j1<⋯<jr}J=\{j_1<\cdots<j_r\}。 记 A[I,J]A[I,J] 为这些行、列交叉位置构成的子矩阵,Ic,JcI^c,J^c 为相应的补集。 所有子矩阵中的行、列均保持原来的顺序。

每次固定一组行或列,只遍历另一组,共有 (nr)\binom nr 项。 当 r=1r=1 时,这正是上一讲的按一行或一列展开公式。

排列分组与展开式的符号

证明. 固定 J={1,…,r}J=\{1,\ldots,r\}。排列展开式的每一项在前 rr 列取出的元素, 必定来自 rr 个不同的行。按这组行 I={k1<⋯<kr}I=\{k_1<\cdots<k_r\} 把所有项分组。 再将其余行指标递增排列,记为 Ic={l1<⋯<ln−r}I^c=\{l_1<\cdots<l_{n-r}\}。

这一组中的每个完整排列都唯一写成 kπ(1),…,kπ(r),lρ(1),…,lρ(n−r),π∈Sr,ρ∈Sn−r.k_{\pi(1)},\ldots,k_{\pi(r)}, l_{\rho(1)},\ldots,l_{\rho(n-r)}, \qquad \pi\in S_r,\quad\rho\in S_{n-r}. 其中 π,ρ\pi,\rho 分别决定两组内部的次序,可以彼此独立地选取。 完整排列的逆序分为两组内部的逆序和组间的逆序。 因为 ks,ltk_s,l_t 各按递增次序编号,两组内部的逆序数分别为 τ(π)\tau(\pi)、τ(ρ)\tau(\rho)。

所选行号总在前面,所以组间逆序只取决于 II,不取决于两组内部怎样排列。 对每个 ksk_s,比它小的行号共 ks−1k_s-1 个,其中 s−1s-1 个在所选组内, 剩余的 ks−sk_s-s 个均在后一组,因而各产生一个逆序。组间逆序数为 hI=∑s=1r(ks−s)=∑I−r(r+1)2.h_I=\sum_{s=1}^r(k_s-s)=\sum I-\frac{r(r+1)}2. 因此完整排列的符号为 (−1)hI+τ(π)+τ(ρ)(-1)^{h_I+\tau(\pi)+\tau(\rho)}。 对所有 π,ρ\pi,\rho 求和,由分配律,这一组的和可以写成两个和的乘积: (−1)hI(∑π∈Sr(−1)τ(π)∏s=1rakπ(s),s)⋅(∑ρ∈Sn−r(−1)τ(ρ)∏t=1n−ralρ(t),r+t)=(−1)hIdet⁡A[I,{1,…,r}]det⁡A[Ic,{r+1,…,n}].\begin{align*} &(-1)^{h_I} \left(\sum_{\pi\in S_r}(-1)^{\tau(\pi)} \prod_{s=1}^r a_{k_{\pi(s)},s}\right)\\ &\qquad\cdot \left(\sum_{\rho\in S_{n-r}}(-1)^{\tau(\rho)} \prod_{t=1}^{n-r}a_{l_{\rho(t)},r+t}\right)\\ &=(-1)^{h_I} \det A[I,\{1,\ldots,r\}]\det A[I^c,\{r+1,\ldots,n\}]. \end{align*} 两个括号分别按排列定义计算子式、余子式。 每一对内部排列恰对应原展开式中的一项,故这一组共有 r!(n−r)!r!(n-r)! 项。 不同的 II 不会收进同一个排列,而每个排列都属于某个 II, 所以对所有 II 求和,恰好得到原行列式的全部项。

对一般列集 J={j1<⋯<jr}J=\{j_1<\cdots<j_r\},将这些列依次移到前面,且两组内部次序不变, 需要 hJ=∑s=1r(js−s)=∑J−r(r+1)/2h_J=\sum_{s=1}^r(j_s-s)=\sum J-r(r+1)/2 次相邻对换。 设移列后所得矩阵为 BB,则 det⁡B=(−1)hJdet⁡A,det⁡A=(−1)hJdet⁡B.\det B=(-1)^{h_J}\det A,\qquad \det A=(-1)^{h_J}\det B. 在 BB 中应用前 rr 列的公式,两个小矩阵分别就是原矩阵的 A[I,J]A[I,J]、A[Ic,Jc]A[I^c,J^c]。 还原为 det⁡A\det A 时,每组再乘以 (−1)hJ(-1)^{h_J},所以总指数为 hI+hJ=∑I+∑J−r(r+1).h_I+h_J=\sum I+\sum J-r(r+1). 由于 r(r+1)r(r+1) 是偶数,总符号为 (−1)∑I+∑J(-1)^{\sum I+\sum J},得到固定任意 rr 列的公式。 对转置矩阵应用该公式,就得到固定任意 rr 行的公式。 ◻

4 拉普拉斯展开的应用

分块三角行列式

证明. 按前 pp 列展开。这些列在后 qq 行全为零,因此只有选取前 pp 行时子式才可能非零。 该项的符号为 (−1)2(1+⋯+p)=1(-1)^{2(1+\cdots+p)}=1,子式为 det⁡A\det A,余子式为 det⁡D\det D。 下分块三角的情形由转置得到。 ◻

这里要求对角块是方阵,但不要求它们可逆。一般的分块矩阵不能直接套用下面的二阶形式: det⁡(ABCD)=det⁡Adet⁡D−det⁡Bdet⁡C.\det\begin{pmatrix}A&B\\C&D\end{pmatrix} =\det A\det D-\det B\det C. 例如四个块均为 2×22\times2 矩阵,取 A=D=0A=D=0、B=C=I2B=C=I_2。 整体矩阵对应两次对换,行列式为 11,而右端为 −1-1。

一个四阶行列式

证明. 按前两行展开。含第四列的二阶子式均为零;选取第 2,32,3 列时,余子式有一列为零。 故六种列选择中只有 {1,2}\{1,2\}、{1,3}\{1,3\} 两项可能非零,分别为 (−1)1+2+1+2CA=CA,(−1)1+2+1+3BB=−B2.(-1)^{1+2+1+2}CA=CA,\qquad (-1)^{1+2+1+3}BB=-B^2. 相加即得 H=AC−B2H=AC-B^2。此处 A,B,CA,B,C 均是二阶行列式的值,即三个数。 ◻

5 代数余子式与三维叉积

设 𝜶=(a11,a21,a31)𝖳\boldsymbol\alpha=(a_{11},a_{21},a_{31})^{\mathsf T}、 𝜷=(a12,a22,a32)𝖳\boldsymbol\beta=(a_{12},a_{22},a_{32})^{\mathsf T} 为 ℝ3\mathbb R^3 中的向量。 把它们作为前两列,第三列记为 𝒙=(x,y,z)𝖳\boldsymbol x=(x,y,z)^{\mathsf T}。按第三列展开: det⁡(𝜶,𝜷,𝒙)=∣a11a12xa21a22ya31a32z∣=x∣a21a22a31a32∣−y∣a11a12a31a32∣+z∣a11a12a21a22∣.\begin{align*} \det(\boldsymbol\alpha,\boldsymbol\beta,\boldsymbol x) &=\begin{vmatrix}a_{11}&a_{12}&x\\a_{21}&a_{22}&y\\a_{31}&a_{32}&z\end{vmatrix}\\ &=x\begin{vmatrix}a_{21}&a_{22}\\a_{31}&a_{32}\end{vmatrix} -y\begin{vmatrix}a_{11}&a_{12}\\a_{31}&a_{32}\end{vmatrix} +z\begin{vmatrix}a_{11}&a_{12}\\a_{21}&a_{22}\end{vmatrix}. \end{align*} 因此,若令 𝜸=(a21a32−a31a22a31a12−a11a32a11a22−a21a12),\boldsymbol\gamma= \begin{pmatrix} a_{21}a_{32}-a_{31}a_{22}\\ a_{31}a_{12}-a_{11}a_{32}\\ a_{11}a_{22}-a_{21}a_{12} \end{pmatrix}, 就有 det⁡(𝜶,𝜷,𝒙)=𝜸⋅𝒙.\det(\boldsymbol\alpha,\boldsymbol\beta,\boldsymbol x) =\boldsymbol\gamma\cdot\boldsymbol x. 取 𝒙=𝜶\boldsymbol x=\boldsymbol\alpha 或 𝜷\boldsymbol\beta,左侧都有两列相同,因而 𝜸⋅𝜶=0,𝜸⋅𝜷=0.\boldsymbol\gamma\cdot\boldsymbol\alpha=0, \qquad \boldsymbol\gamma\cdot\boldsymbol\beta=0. 这解释了为什么由这三个代数余子式组成的向量,同时与原来的两个向量正交。

例如 (1,0,0)𝖳×(0,1,0)𝖳=(0,0,1)𝖳.(1,0,0)^{\mathsf T}\times(0,1,0)^{\mathsf T}=(0,0,1)^{\mathsf T}. 这里称 𝜶,𝜷\boldsymbol\alpha,\boldsymbol\beta 线性相关,是指存在不全为零的实数 s,ts,t, 使 s𝜶+t𝜷=𝟎s\boldsymbol\alpha+t\boldsymbol\beta=\boldsymbol0;若只有 s=t=0s=t=0 才能使等式成立,则称为线性无关。

证明. 若 𝜶=𝟎\boldsymbol\alpha=\boldsymbol0,则叉积为零,且取 (s,t)=(1,0)(s,t)=(1,0) 即得一组不全为零的关系式系数。 以下设 𝜶≠𝟎\boldsymbol\alpha\ne\boldsymbol0。

若两向量线性相关,取一组不全为零的 s,ts,t 使关系式成立。 必有 t≠0t\ne0,否则 s𝜶=𝟎s\boldsymbol\alpha=\boldsymbol0 会迫使 s=0s=0。 于是 𝜷=−(s/t)𝜶\boldsymbol\beta=-(s/t)\boldsymbol\alpha。 代入各二阶子式可知它们都为零,故叉积为零。

反过来,若叉积为零,由于它的三个坐标分别是三个二阶子式或其相反数,这些二阶子式均为零。 取 𝜶\boldsymbol\alpha 的一个非零分量 ap1a_{p1},则对每个 q=1,2,3q=1,2,3,有 ap1aq2−aq1ap2=0,aq2=ap2ap1aq1.a_{p1}a_{q2}-a_{q1}a_{p2}=0, \qquad a_{q2}=\frac{a_{p2}}{a_{p1}}a_{q1}. 因此 𝜷=(ap2/ap1)𝜶\boldsymbol\beta=(a_{p2}/a_{p1})\boldsymbol\alpha, 取 (s,t)=(−ap2/ap1,1)(s,t)=(-a_{p2}/a_{p1},1) 即得一组不全为零的关系式系数,所以两向量线性相关。 ◻

线性无关的两向量具有非零叉积,它给出所张平面的一个法向量。 线性相关时叉积为零向量,不能用来指定法向方向。 交换两向量,相当于交换行列式的前两列,故 (𝜷×𝜶)⋅𝒙=−(𝜶×𝜷)⋅𝒙.(\boldsymbol\beta\times\boldsymbol\alpha)\cdot\boldsymbol x =-(\boldsymbol\alpha\times\boldsymbol\beta)\cdot\boldsymbol x. 分别取 𝒙=𝒆1,𝒆2,𝒆3\boldsymbol x=\boldsymbol e_1,\boldsymbol e_2,\boldsymbol e_3,就得到三个坐标均变号, 即 𝜷×𝜶=−𝜶×𝜷\boldsymbol\beta\times\boldsymbol\alpha=-\boldsymbol\alpha\times\boldsymbol\beta。 所以叉积的三个坐标并非另行记忆的一组公式,它们就是第三列的代数余子式,符号依次为 +,−,++,-,+。

阅读 / 下载 PDF