2016年考研線性代數(shù)復(fù)習(xí):解析行列式

字號(hào):


      一、 知識(shí)點(diǎn)回顧
    1.行列式本身知識(shí)點(diǎn)
    (1) 概念
    對(duì)行列式的概念,考生應(yīng)注意兩點(diǎn):行列式是一個(gè)數(shù);這個(gè)數(shù)是“不同行、不同列、n項(xiàng)乘積的代數(shù)和”。
    (2) 性質(zhì)
    對(duì)于行列式的性質(zhì),考生應(yīng)明白,這些性質(zhì)是用來(lái)對(duì)行列式變形的,利用行列式的性質(zhì),可以將行列式變形成理想的形式,比如三角行列式。
    (3) 展開(kāi)定理
    展開(kāi)定理的作用是降階,可以將原來(lái)的n階行列式展開(kāi)成若干個(gè)n-1階行列式。
    2.行列式的應(yīng)用
    行列式跟后續(xù)很多章節(jié)都有聯(lián)系。比如:矩陣A可逆 。
    二、 常見(jiàn)題型總結(jié)
    
  1、數(shù)值型行列式的計(jì)算
    (1)低階列式(三階或四階)
    計(jì)算思路:展開(kāi)定理、拉普拉斯展開(kāi)定理、利用范德蒙行列式。
    其中,展開(kāi)定理,適用于每行(列)最多有兩個(gè)非零元的情形,當(dāng)非零元多于兩個(gè)時(shí),可以先利用行列式的性質(zhì),對(duì)其變形??谠E:“找1、化0、展開(kāi)”。
    拉普拉斯展開(kāi)定理適用于:0比較多,但是排布比較復(fù)雜,可以先利用行列式的性質(zhì)將0集中,然后再利用拉普拉斯展開(kāi)定理展開(kāi)。
    范德蒙行列式適用于:各行或各列成等比的情況。但是,在使用范德蒙行列式時(shí),需要先將所給行列式化成標(biāo)準(zhǔn)形式:第一行或者第一列的元素全為1。
    (2)高階行列式的計(jì)算(n階)
    計(jì)算思路:三角化、展開(kāi)定理。
    其中,可以使用三角化的題型有兩種:爪型行列式與對(duì)角線型行列式。
    對(duì)于爪型行列式,直接進(jìn)行三角化;對(duì)角線型行列式,可以先化成爪型,再進(jìn)行三角化。
    除此之外,我們還總結(jié)出,計(jì)算n階行列式的一個(gè)基本思想:化0。對(duì)于n階行列式,大的方向就是利用行列式的性質(zhì)變形,使得行列式中出現(xiàn)很多0,當(dāng)0比較多時(shí),再進(jìn)行計(jì)算,就容易多了。
    展開(kāi)定理,當(dāng)n階行列式,某一行(列)最多有兩個(gè)非零元時(shí),可以按照這一行(列)展開(kāi),展開(kāi)定理有兩個(gè)作用:一、通過(guò)展開(kāi)定理可以將行列式簡(jiǎn)化;二、可以得到遞推公式。特別是,對(duì)三線型行列式,可以通過(guò)展開(kāi)定理展開(kāi),得到一個(gè)遞推公式。
    2、抽象型行列式的計(jì)算
    抽象型行列式計(jì)算題型有三種:
    1)矩陣按列分塊
    計(jì)算思路有兩個(gè):一、利用行列式的性質(zhì);二、分解成兩個(gè)矩陣相乘的形式。
    當(dāng)矩陣按列分塊,且每一列有兩個(gè)或兩個(gè)以上的向量組成時(shí),可以先用行列式的性質(zhì)對(duì)其變形,將其變成每一列只含一個(gè)向量的形式;
    或者,可以利用矩陣的乘法,將其分解成兩個(gè)矩陣相乘的形式,再利用公式 。
    注意:第二種方法在使用時(shí)必須保證分解后的矩陣均為方陣才可以,因?yàn)?,只有方陣才可以求行列式?BR>    2)矩陣方程
    計(jì)算思路:提公因式,同取行列式。
    比如,求矩陣A的行列式,就首先把A作為一個(gè)公因式,提取出來(lái),再在方程兩邊同取行列式即可。
    3)兩矩陣和的行列式
    有兩種計(jì)算思路:a、合并;b、利用單位矩陣變形。
    因?yàn)閮删仃嚭偷男辛惺绞菦](méi)有公式的,當(dāng)這兩個(gè)矩陣有關(guān)聯(lián)時(shí),可以將其合并成一項(xiàng),求行列式;當(dāng)兩個(gè)矩陣之間無(wú)關(guān)聯(lián)時(shí),可利用單位矩陣變形,令其中一個(gè)矩陣左乘或右乘一個(gè)單位矩陣 ,再將 寫(xiě)成某一個(gè)矩陣與其逆矩陣乘積。
    4)利用特征值
    矩陣的行列式等于矩陣所有的特征值之積?! ?/FONT>