博客
关于我
【线性代数】第一章——行列式
阅读量:159 次
发布时间:2019-02-28

本文共 1026 字,大约阅读时间需要 3 分钟。

行列式入门

本章体系

行列式是线性代数中的一个核心概念,广泛应用于解决线性方程组、矩阵的逆等问题。本章将从基础概念开始,逐步深入到行列式的计算方法和应用场景。

提公因式与两行成比例

提公因式是矩阵行列式计算中的常用技巧,针对一行或一列进行公因式提取。两行成比例意味着两行的元素成比例关系,这种情况下行列式的值为零。

易搞错的概念

逆序数

逆序数是行列式计算中的一个概念,类似于排列的逆序数。虽然可以用于计算行列式,但由于其计算复杂性,实际应用中较少使用。

余子式与代数余子式

余子式是行列式计算中的重要工具,代数余子式则是其乘以(-1)^(i+j)后的结果。通过代数余子式,可以方便地展开行列式的计算。

计算公式

行列式的计算涉及多种公式,其中三角形公式是最常用的一种。需要注意的是,三角形公式适用于矩阵具有单一非零行列式的情况。

三角形公式

对于以下矩阵,计算行列式:|a b c||d e f||g h i|

行列式的值为a(ei - fh) - b(di - fg) + c(dh - eg)。

例题一:0的位置

对于如下的矩阵,计算其行列式:|0 1 2||3 0 4||5 6 0|

行列式值为0。

例题二:爪型行列式

爪型行列式是一种特殊的三角行列式,其计算方法类似于三角形公式。

范德蒙

范德蒙公式用于计算n×n矩阵的行列式,通过展开成(n-1)×(n-1)行列式的形式进行计算。

常用公式

行列式的计算涉及多个公式,以下是一些常用的公式示例。

克拉默法则

克拉默法则是一种求解线性方程组的方法,通过行列式和代数余子式来计算变量的值。

题型总结

三对角行列式

三对角行列式可以通过递推公式或数学归纳法进行计算。

数学归纳法

  • 当n=1时,行列式值为a11。
  • 假设n=k时,行列式值为ak1 * ... * a1k。
  • 当n=k+1时,行列式值为ak+11 * ... * a1k。
  • 计算示例

    对于如下的三对角矩阵,计算其行列式:|a1 0 0 ... 0||0 a2 0 ... 0||... ... ... ... ...||0 0 ... ak ...||... ... ... ... ...||... ... ... ... ...||... ... ... ak+1 ...|

    行列式值为ak+11 * ... * a1k。

    结论

    通过本章的学习,我们掌握了行列式的基本概念、计算方法及其应用。理解这些概念对于解决实际问题至关重要。

    转载地址:http://hnmc.baihongyu.com/

    你可能感兴趣的文章
    NOPI读取Excel
    查看>>
    NoSQL&MongoDB
    查看>>
    NoSQL介绍
    查看>>
    NoSQL数据库概述
    查看>>
    Notadd —— 基于 nest.js 的微服务开发框架
    查看>>
    NOTE:rfc5766-turn-server
    查看>>
    Notepad ++ 安装与配置教程(非常详细)从零基础入门到精通,看完这一篇就够了
    查看>>
    Notepad++在线和离线安装JSON格式化插件
    查看>>
    notepad++最详情汇总
    查看>>
    notepad++正则表达式替换字符串详解
    查看>>
    notepad如何自动对齐_notepad++怎么自动排版
    查看>>
    Notes on Paul Irish's "Things I learned from the jQuery source" casts
    查看>>
    Notification 使用详解(很全
    查看>>
    NotImplementedError: Cannot copy out of meta tensor; no data! Please use torch.nn.Module.to_empty()
    查看>>
    NotImplementedError: Could not run torchvision::nms
    查看>>
    nova基于ubs机制扩展scheduler-filter
    查看>>
    Now trying to drop the old temporary tablespace, the session hangs.
    查看>>
    nowcoder—Beauty of Trees
    查看>>
    np.arange()和np.linspace()绘制logistic回归图像时得到不同的结果?
    查看>>
    np.power的使用
    查看>>