行列式的定义与特殊矩阵的行列式

行列式的定义与特殊矩阵的行列式

小象实战讲义 · 人工智能数学基础

行列式是线性代数中一个核心且独特的运算，它仅对方阵有定义，其结果是一个数。本节将从二阶行列式的直观定义出发，通过拉普拉斯展开式递归地定义任意阶行列式，并揭示其深刻的几何意义——衡量向量组张成的“体积”。最后，我们将学习如何计算几种特殊矩阵（如上三角矩阵、对角矩阵）的行列式，这些结论是简化复杂计算的关键。

💡 核心导读

• 算子与数：理解行列式既是一个作用在方阵上的算子，也是一个数值结果。
• 递归定义：掌握由拉普拉斯提出的、按行（列）展开的递归定义方法，这是计算和理解行列式的基础。
• 几何直观：认识二阶、三阶行列式分别对应平行四边形和平行六面体的有向面积/体积，这是理解其性质的钥匙。
• 特殊矩阵：掌握上三角矩阵、对角矩阵等特殊矩阵的行列式计算公式，能极大简化计算。

行列式的定义：从二阶到 n 阶

二阶行列式：定义与几何意义

对于一个 $2 \times 2$ 的方阵： $$A = \begin{bmatrix} a & b \ c & d \end{bmatrix}$$ 其行列式（determinant）定义为： $$\det(A) = \begin{vmatrix} a & b \ c & d \end{vmatrix} = ad - bc$$ 即主对角线元素之积减去反对角线元素之积。

行列式具有双重属性：

1. 算子：它是对一个方阵进行的一种特定运算，类似于求导算子 $\frac{d}{dx}$。
2. 数：这个运算的结果是一个标量数值。

几何意义：将矩阵的两行（或两列）视为二维空间中的两个向量 $\vec{r}_1 = (a, b)$ 和 $\vec{r}_2 = (c, d)$。那么，行列式的绝对值 $|\det(A)|$ 等于由这两个向量所张成的平行四边形的面积。行列式本身的符号则指示了这两个向量的相对方向（符合右手系为正，反之为负）。在三维向量运算中，这等价于两个向量的叉积模长。

拉普拉斯展开：n 阶行列式的递归定义

为了定义更高阶的行列式，我们采用由拉普拉斯提出的递归方法。

首先定义两个关键概念：设 $A$ 是一个 $n$ 阶方阵，其 $(i, j)$ 元为 $a_{ij}$。

• 余子式 $M_{ij}$：划去 $A$ 的第 $i$ 行和第 $j$ 列后，剩下的 $(n-1)$ 阶方阵的行列式。
• 代数余子式 $A_{ij}$：在余子式前加上由位置决定的符号，即 $A_{ij} = (-1)^{i+j} M_{ij}$。

行列式的拉普拉斯展开定理：$n$ 阶方阵 $A$ 的行列式，等于它的任一行（或任一列）的各元素与其对应的代数余子式乘积之和。

• 按第 $i$ 行展开： $$\det(A) = a_{i1}A_{i1} + a_{i2}A_{i2} + \cdots + a_{in}A_{in} = \sum_{j=1}^{n} a_{ij}A_{ij}$$
• 按第 $j$ 列展开： $$\det(A) = a_{1j}A_{1j} + a_{2j}A_{2j} + \cdots + a_{nj}A_{nj} = \sum_{i=1}^{n} a_{ij}A_{ij}$$

递归本质：这个定义将 $n$ 阶行列式的计算，归结为 $n$ 个 $(n-1)$ 阶行列式的计算，如此递归下去，直至可计算的二阶行列式。

行列式的几何意义推广

基于二阶和三阶的几何直观，我们可以将其推广：

• 三阶行列式：其绝对值等于三个行向量（或列向量）在三维空间中张成的平行六面体的体积。
• $n$ 阶行列式：更一般地，$n$ 阶方阵 $A$ 的行列式的绝对值 $|\det(A)|$，等于 $A$ 的 $n$ 个行向量（或列向量）在 $n$ 维空间中所张成的“超平行体”的 $n$ 维体积大小；行列式本身的符号则表征这组向量的定向（符合右手系为正，反之为负）。

行列式的计算与特殊矩阵

一般计算方法与示例

根据拉普拉斯展开，理论上我们可以计算任意阶行列式。实际操作中，选择零元素较多的行或列进行展开可以大大减少计算量。

示例：计算三阶行列式 $$D = \begin{vmatrix} 2 & 7 & 3 \ -4 & 1 & -2 \ 9 & -3 & -2 \end{vmatrix}$$ 我们选择按第二行展开： $$\begin{aligned} D &= (-4) \times (-1)^{2+1} \begin{vmatrix} 7 & 3 \ -3 & -2 \end{vmatrix}$$

• 1 \times (-1)^{2+2} \begin{vmatrix} 2 & 3 \ 9 & -2 \end{vmatrix}
• (-2) \times (-1)^{2+3} \begin{vmatrix} 2 & 7 \ 9 & -3 \end{vmatrix} \ &= 4 \times [7 \times (-2) - 3 \times (-3)]
  • 1 \times [2 \times (-2) - 3 \times 9]
  • 2 \times [2 \times (-3) - 7 \times 9] \ &= 4 \times (-14 + 9) + 1 \times (-4 - 27) + 2 \times (-6 - 63) \ &= 4 \times (-5) + (-31) + 2 \times (-69) \ &= -20 - 31 - 138 = -189 \end{aligned}D​=(−4)×(−1)2+1​7−3​3−2​​+1×(−1)2+2​29​3−2​​+(−2)×(−1)2+3​29​7−3​​=4×[7×(−2)−3×(−3)]+1×[2×(−2)−3×9]+2×[2×(−3)−7×9]=4×(−14+9)+1×(−4−27)+2×(−6−63)=4×(−5)+(−31)+2×(−69)=−20−31−138=−189​ 可见，即便是三阶行列式，手工计算也需格外仔细。更高阶的行列式计算通常借助计算机完成。

特殊矩阵的行列式

某些具有特殊结构的矩阵，其行列式有非常简洁的计算公式。

1. 上三角矩阵：主对角线以下元素全为 $0$ 的方阵。 $$A = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \ 0 & a_{22} & \cdots & a_{2n} \ \vdots & \ddots & \ddots & \vdots \ 0 & \cdots & 0 & a_{nn} \end{bmatrix}$$ 性质：上三角矩阵的行列式等于其主对角线上所有元素的乘积。 $$\det(A) = a_{11} \cdot a_{22} \cdot \cdots \cdot a_{nn} = \prod_{i=1}^{n} a_{ii}$$ 推导思路：反复按第一列展开（该列除第一个元素外均为 $0$），即可递归得到此结论。

2. 对角矩阵：主对角线以外元素全为 $0$ 的方阵。它显然是上三角矩阵的特例。 $$\Lambda = \begin{bmatrix} \lambda_1 & 0 & \cdots & 0 \ 0 & \lambda_2 & \cdots & 0 \ \vdots & \vdots & \ddots & \vdots \ 0 & 0 & \cdots & \lambda_n \end{bmatrix}$$ 性质： $$\det(\Lambda) = \lambda_1 \cdot \lambda_2 \cdot \cdots \cdot \lambda_n = \prod_{i=1}^{n} \lambda_i$$ 对角矩阵在特征值、矩阵分解等理论中极为重要，此性质务必牢记。

3. 反对角矩阵：仅反对角线（从右上到左下）有非零元素的方阵。 $$B = \begin{bmatrix} 0 & 0 & \cdots & 0 & b_1 \ 0 & 0 & \cdots & b_2 & 0 \ \vdots & \vdots & \ddots & \vdots & \vdots \ 0 & b_{n-1} & \cdots & 0 & 0 \ b_n & 0 & \cdots & 0 & 0 \end{bmatrix}$$ 性质：其行列式为 $$\det(B) = (-1)^{\frac{n(n-1)}{2}} b_1 \cdot b_2 \cdot \cdots \cdot b_n$$ 其中 $(-1)^{\frac{n(n-1)}{2}}$ 是符号因子。当 $n=4k$ 或 $n=4k+1$ 时，符号为正；当 $n=4k+2$ 或 $n=4k+3$ 时，符号为负。

📝 动手练一练

1. 计算练习：利用拉普拉斯展开，计算以下行列式。尝试选择不同的行或列展开，验证结果是否一致。 $$D_1 = \begin{vmatrix} 1 & 2 & 0 \ -1 & 1 & 1 \ 3 & 0 & 2 \end{vmatrix}$$ 参考答案： 按第三行展开较为简便： $\begin{aligned} D_1 &= 3 \times (-1)^{3+1} \begin{vmatrix} 2 & 0 \ 1 & 1 \end{vmatrix} + 0 \times (\cdots) + 2 \times (-1)^{3+3} \begin{vmatrix} 1 & 2 \ -1 & 1 \end{vmatrix} \ &= 3 \times (2\times1 - 0\times1) + 2 \times (1\times1 - 2\times(-1)) \ &= 3\times2 + 2\times3 = 6+6=12 \end{aligned}$

2. 推理练习：若一个 $n$ 阶方阵 $A$ 是下三角矩阵（主对角线以上元素全为 $0$），请类比上三角矩阵的结论，猜想其行列式值，并简要说明理由。 参考答案： 下三角矩阵的行列式也等于其主对角线元素的乘积，即 $\det(A) = \prod_{i=1}^{n} a_{ii}$。理由：下三角矩阵的转置是上三角矩阵，而行列式转置不变（$\det(A^T) = \det(A)$），因此其行列式等于转置后上三角矩阵的行列式，即主对角线元素之积。

本章小结

本节我们建立了行列式的核心概念体系：

• 定义：从二阶的直观公式，到通过余子式和代数余子式进行拉普拉斯展开的递归定义。
• 本质：行列式是一个作用于方阵的算子，输出一个标量值。
• 几何：行列式的绝对值度量了矩阵行（列）向量张成的多维体积，其符号指示向量的定向。
• 计算：掌握特殊矩阵（上/下三角矩阵、对角矩阵）的行列式公式能极大简化计算。

行动清单

1. 手动推导：任选一个三阶矩阵，分别按第一行和第二列用拉普拉斯展开计算其行列式，验证结果相同，巩固对定义的理解。
2. 代码验证：使用下面的 Python 代码，验证特殊矩阵的行列式性质，并尝试计算一个四阶一般矩阵的行列式，体会手工与计算机计算的差异。
3. 几何联想：看到一个二阶或三阶矩阵时，尝试想象其行向量在空间中张成的图形（平行四边形或平行六面体），并思考行列式正负与图形“翻转”的关系。

import numpy as np

# 1. 验证三阶行列式计算
A = np.array([[2, 7, 3],
              [-4, 1, -2],
              [9, -3, -2]])
det_A = np.linalg.det(A)
print(f"矩阵 A 的行列式值: {det_A:.2f}")
# 输出应为 -189.00

# 2. 验证上三角矩阵性质
n = 4
# 生成一个随机的上三角矩阵
np.random.seed(42)
A_tri = np.triu(np.random.randn(n, n) * 2)  # np.triu 保留上三角部分
det_tri_numpy = np.linalg.det(A_tri)
det_tri_diag = np.prod(np.diag(A_tri))  # 主对角线元素乘积
print(f"\n上三角矩阵:\n{A_tri}")
print(f"NumPy 计算的行列式: {det_tri_numpy:.6f}")
print(f"主对角线乘积: {det_tri_diag:.6f}")
print(f"两者是否接近: {np.isclose(det_tri_numpy, det_tri_diag)}")

# 3. 验证对角矩阵性质
diag_vals = [1.5, -2.0, 3.0, 0.5]
A_diag = np.diag(diag_vals)
det_diag_numpy = np.linalg.det(A_diag)
det_diag_prod = np.prod(diag_vals)
print(f"\n对角矩阵（元素为{diag_vals}）:\n{A_diag}")
print(f"NumPy 计算的行列式: {det_diag_numpy:.6f}")
print(f"对角线元素乘积: {det_diag_prod:.6f}")
print(f"两者是否接近: {np.isclose(det_diag_numpy, det_diag_prod)}")

# 4. 验证反对角矩阵性质
anti_vals = [2, -1, 3, -4]
n = len(anti_vals)
# 构造反对角矩阵：先构造正对角矩阵，然后进行左右翻转
A_anti = np.diag(anti_vals)  # 先构造正对角矩阵
A_anti = np.fliplr(A_anti)   # 左右翻转得到反对角矩阵
det_anti_numpy = np.linalg.det(A_anti)
# 理论计算：b1*b2*...*bn * (-1)^(n(n-1)/2)
det_anti_theory = np.prod(anti_vals) * ((-1) ** (n * (n-1) // 2))
print(f"\n反对角矩阵（反对角线元素从上到下为{anti_vals}）:\n{A_anti}")
print(f"NumPy 计算的行列式: {det_anti_numpy:.6f}")
print(f"理论公式计算结果: {det_anti_theory:.6f}")
print(f"两者是否接近: {np.isclose(det_anti_numpy, det_anti_theory)}")

— 小象教研组