张贤科+ch02+行列式

2.1 排列知识点深度讲解与证明

作为线性代数的基础工具，排列理论是定义n阶行列式的核心依据，其核心是通过逆序数刻画排列的“有序程度”，并通过对换研究排列之间的转化关系。下面我将从定义、计算、核心定理到推论进行完整严谨的讲解。

一、基本定义详解

1. n级排列

定义：由\(1,2,\dots,n\)这\(n\)个互不相同的数组成的有序数组\(i_1i_2\cdots i_n\)，称为一个n级排列。其中按从小到大顺序排列的\(12\cdots n\)称为自然排列。

关键说明：

• “有序”是核心：相同数字的不同顺序构成不同排列，例如123和132是两个不同的3级排列。
• 总数计算：根据乘法原理，第一个位置有\(n\)种选择，第二个位置有\(n-1\)种（不能重复），…，最后一个位置只有1种选择，因此n级排列的总数为\(n! = n\cdot(n-1)\cdots2\cdot1\)个（\(n\)的阶乘）。

2. 逆序与逆序数

定义：在排列\(i_1i_2\cdots i_n\)中，若存在位置\(p<q\)（即\(i_p\)在\(i_q\)前面），但数值\(i_p>i_q\)（即前面的数比后面的数大），则称数对\((i_p,i_q)\)为该排列的一个逆序。排列中所有逆序的总数称为该排列的逆序数，记作\(\tau(i_1i_2\cdots i_n)\)。

关键说明：

• 逆序的本质是“顺序与大小的矛盾”，仅关注“前大后小”的数对，与数值差无关。
• 自然排列\(12\cdots n\)中没有任何逆序，因此\(\tau(12\cdots n)=0\)。

3. 奇偶排列

定义：若排列的逆序数\(\tau\)为奇数，则称该排列为奇排列；若\(\tau\)为偶数（包括0），则称该排列为偶排列。

示例：

• \(\tau(123)=0\)（偶）→ 偶排列
• \(\tau(213)=1\)（奇）→ 奇排列
• \(\tau(231)=2\)（偶）→ 偶排列

4. 对换

定义：互换排列中两个数的位置，其余数保持不动的操作称为一个对换。若互换的是相邻两个数，称为相邻对换；若不相邻，称为不相邻对换。

示例：

• 对换123中的1和2（相邻对换）→ 213
• 对换123中的1和3（不相邻对换）→ 321

二、逆序数的计算方法

逆序数是排列理论的核心计算量，有两种等价的标准计算方法，结果完全一致。

方法一：“前大后小”法（从前往后数）

步骤：依次计算每个数\(i_k\)（\(k=1,2,\dots,n\)）后面比它小的数的个数\(t_k\)，则逆序数\(\tau = t_1+t_2+\dots+t_n\)。

方法二：“后小前大”法（从后往前数）

步骤：依次计算每个数\(i_k\)（\(k=n,n-1,\dots,1\)）前面比它大的数的个数\(s_k\)，则逆序数\(\tau = s_1+s_2+\dots+s_n\)。

示例：计算5级排列32514的逆序数

• 方法一：

  • 3后面比3小的数：2,1 → \(t_1=2\)
  • 2后面比2小的数：1 → \(t_2=1\)
  • 5后面比5小的数：1,4 → \(t_3=2\)
  • 1后面没有比1小的数 → \(t_4=0\)
  • 4后面没有数 → \(t_5=0\)
  • \(\tau=2+1+2+0+0=5\)（奇排列）

• 方法二：

  • 4前面比4大的数：5 → \(s_1=1\)
  • 1前面比1大的数：3,2,5 → \(s_2=3\)
  • 5前面比5大的数：无 → \(s_3=0\)
  • 2前面比2大的数：3 → \(s_4=1\)
  • 3前面没有数 → \(s_5=0\)
  • \(\tau=1+3+0+1+0=5\)（结果一致）

三、核心定理：对换改变排列的奇偶性

定理内容：经过一次对换，奇排列变为偶排列，偶排列变为奇排列。

证明过程：

第一步：证明相邻对换改变排列的奇偶性

设排列为\(\dots a b \dots\)，其中\(a\)和\(b\)是相邻的两个数，对换\(a\)和\(b\)后得到排列\(\dots b a \dots\)。

分析逆序数的变化：

1. 对于排列中除\(a,b\)外的其他数，它们之间的逆序关系在对换前后完全不变；
2. 对于\(a,b\)与其他数的逆序关系：若数\(c\)在\(a,b\)左边，则\(c\)与\(a\)、\(c\)与\(b\)的逆序关系不变；若数\(c\)在\(a,b\)右边，则\(a\)与\(c\)、\(b\)与\(c\)的逆序关系也不变；
3. 只有\(a\)和\(b\)之间的逆序关系发生改变：
   • 若原\(a < b\)，则\((a,b)\)不是逆序，对换后\((b,a)\)是逆序，逆序数增加1；
   • 若原\(a > b\)，则\((a,b)\)是逆序，对换后\((b,a)\)不是逆序，逆序数减少1。

依据：逆序数的定义
无论逆序数增加1还是减少1，其奇偶性必然改变。因此，相邻对换改变排列的奇偶性。

第二步：证明不相邻对换也改变排列的奇偶性

设排列为\(\dots a c_1 c_2 \dots c_m b \dots\)，其中\(a\)和\(b\)之间有\(m\)个中间数\(c_1,c_2,\dots,c_m\)。对换\(a\)和\(b\)后得到排列\(\dots b c_1 c_2 \dots c_m a \dots\)。

转化为相邻对换：

1. 将\(a\)依次向右与\(c_1,c_2,\dots,c_m\)对换，共进行\(m\)次相邻对换，得到\(\dots c_1 c_2 \dots c_m a b \dots\)；
2. 将\(b\)依次向左与\(a,c_m,\dots,c_2,c_1\)对换，共进行\(m+1\)次相邻对换，得到\(\dots b c_1 c_2 \dots c_m a \dots\)。

总共进行了\(m+(m+1)=2m+1\)次相邻对换，\(2m+1\)是奇数。

依据：相邻对换的性质（每次相邻对换改变奇偶性）
经过奇数次相邻对换，排列的奇偶性会改变奇数次，最终与原排列奇偶性相反。因此，不相邻对换也改变排列的奇偶性。

综上，任何一次对换都必然改变排列的奇偶性。定理得证。

四、重要推论及其证明

推论1：排列与自然排列的转化

内容：任意一个n级排列都可以经过一系列对换变成自然排列，并且所作对换的次数与该排列的奇偶性相同。

证明：

• 存在性（数学归纳法）：

  1. 当\(n=1\)时，只有排列1，已是自然排列，对换次数为0，成立。
  2. 假设对\(n-1\)级排列结论成立。考虑n级排列\(i_1i_2\cdots i_n\)：
     • 若\(i_n=n\)，则前\(n-1\)个数是\(n-1\)级排列，由归纳假设可经对换变为\(12\cdots(n-1)\)，整个排列变为自然排列。
     • 若\(i_n\neq n\)，设\(i_k=n\)，对换\(i_k\)和\(i_n\)，得到排列\(i_1\cdots i_n\cdots n\)，转化为上述情况。
       因此，任意n级排列都可经对换变为自然排列。

• 对换次数的奇偶性：
  自然排列的逆序数为0（偶排列）。设原排列逆序数为\(\tau\)，经过\(k\)次对换变为自然排列。
  根据核心定理，每一次对换改变奇偶性，因此原排列的奇偶性经过\(k\)次改变后变为偶排列：

  • 若原排列是偶排列，则\(k\)必须为偶数（偶+偶=偶）；
  • 若原排列是奇排列，则\(k\)必须为奇数（奇+奇=偶）。

依据：对换改变排列的奇偶性
因此，对换次数\(k\)与原排列的奇偶性相同。推论1得证。

推论2：奇、偶排列的个数相等

内容：当\(n\geq2\)时，全部n级排列中，奇排列和偶排列的个数相等，各为\(\frac{n!}{2}\)个。

证明：
设全部n级排列中，奇排列有\(s\)个，偶排列有\(t\)个，则\(s+t=n!\)。

1. 对所有\(s\)个奇排列都进行一次相同的对换（例如对换前两个数），根据核心定理，每个奇排列都会变为偶排列，因此得到\(s\)个偶排列。
2. 这\(s\)个偶排列互不相同：若两个不同的奇排列经同一对换后变为同一个偶排列，则对该偶排列再进行一次相同对换，会变回两个不同的奇排列，与对换的可逆性（两次相同对换变回原排列）矛盾。
3. 因此\(s\leq t\)（偶排列总数为\(t\)）。

同理，对所有\(t\)个偶排列进行一次相同的对换，得到\(t\)个不同的奇排列，因此\(t\leq s\)。

综上，\(s=t=\frac{n!}{2}\)。推论2得证。

五、排列的核心应用

排列理论是n阶行列式定义的基础。n阶行列式的定义为：

\[\begin{vmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \dots & a_{nn} \end{vmatrix} = \sum_{j_1j_2\cdots j_n} (-1)^{\tau(j_1j_2\cdots j_n)} a_{1j_1}a_{2j_2}\cdots a_{nj_n} \]

其中，求和是对所有n级排列\(j_1j_2\cdots j_n\)进行的，每一项的符号由列标排列的逆序数决定：偶排列对应正号，奇排列对应负号。

六、知识点归纳总结表

类别	具体内容	核心要点与说明
基本定义	n级排列	由\(1,2,\dots,n\)组成的有序数组，总数为\(n!\)个
	自然排列	\(12\cdots n\)，逆序数为0，是偶排列
	逆序	排列中满足\(p<q\)且\(i_p>i_q\)的数对\((i_p,i_q)\)
	逆序数\(\tau\)	排列中所有逆序的总数，刻画排列的有序程度
	奇偶排列	\(\tau\)为奇数→奇排列；\(\tau\)为偶数（含0）→偶排列
	对换	互换排列中两个数的位置，分为相邻对换和不相邻对换
逆序数计算	前大后小法	依次计算每个数后面比它小的数的个数，求和
	后小前大法	依次计算每个数前面比它大的数的个数，求和
核心定理	对换改变奇偶性	一次对换后，奇排列变偶排列，偶排列变奇排列
重要推论	推论1	任意n级排列可经对换变为自然排列，对换次数与原排列奇偶性相同
	推论2	\(n\geq2\)时，奇、偶排列各占一半，各\(\frac{n!}{2}\)个
核心应用	行列式定义	行列式每一项的符号由列标排列的逆序数决定：\((-1)^\tau\)

---

定理2.1 对换改变排列奇偶性的深度解析与证明拓展

这是线性代数中行列式定义的核心奠基定理，教材采用了数学中经典的"化归思想"：先证明简单的相邻对换情况，再将复杂的不相邻对换转化为相邻对换的叠加。下面我将逐段拆解证明逻辑，补充教材未明确说明的细节，并验证其严谨性。

一、教材证明的逐段严谨解析

第一步：相邻对换的情况（基础情形）

教材原文：把排列中相邻的两个数\(i_k,i_{k+1}\)对换，那么改变前后次序的只有一个数对\((i_k,i_{k+1})\)，因此排列的逆序数增加或减少1，排列的奇偶性改变。

深度解析与证明依据：

1. 为什么只有这一个数对的逆序关系改变？
   对于排列中任意其他数\(c\)：

   • 若\(c\)在\(i_k,i_{k+1}\)的左侧，则\(c\)与\(i_k\)、\(c\)与\(i_{k+1}\)的相对位置完全不变，逆序关系不变；
   • 若\(c\)在\(i_k,i_{k+1}\)的右侧，则\(i_k\)与\(c\)、\(i_{k+1}\)与\(c\)的相对位置也完全不变，逆序关系不变。
     依据：逆序数的定义（仅统计"前大后小"的数对，与数对的绝对位置无关）

2. 逆序数的精确变化量：

   • 若原排列中\(i_k < i_{k+1}\)：则\((i_k,i_{k+1})\)不是逆序，对换后变为\((i_{k+1},i_k)\)，是逆序，逆序数+1；
   • 若原排列中\(i_k > i_{k+1}\)：则\((i_k,i_{k+1})\)是逆序，对换后变为\((i_{k+1},i_k)\)，不是逆序，逆序数-1。

3. 奇偶性结论：
   无论逆序数+1还是-1，其奇偶性必然发生改变。因此相邻对换一定改变排列的奇偶性。

---

第二步：不相邻对换的情况（一般情形）

教材原文：考虑把不相邻的两个数\(i_p,i_{p+s}\)对换。这种对换可经一系列相邻数的对换来实现，例如先把\(i_p\)与\(i_{p+1}\)对换，再与\(i_{p+2}\)对换，等等。逐步把\(i_p\)向右方移动，经\(s\)次相邻对换即可把数\(i_p\)移到\(i_{p+s}\)的右邻位。再把\(i_{p+s}\)经相邻对换向左移动，经\(s-1\)次移到\(i_{p+1}\)左邻位。也就是说，经过\(2s-1\)次相邻对换就实现了\(i_p\)与\(i_{p+s}\)的对换。由于每次相邻对换改变排列的奇偶性，故经奇数\(2s-1\)次相邻对换也改变排列的奇偶性。

深度解析与证明依据：

1. 不相邻对换的转化过程（以具体例子辅助理解）
   设排列为\(\dots i_p \underbrace{c_1 c_2 \dots c_{s-1}}_{\text{共}s-1\text{个中间数}} i_{p+s} \dots\)，要对换\(i_p\)和\(i_{p+s}\)：

   • 第一步：将\(i_p\)向右移动，依次与\(c_1,c_2,\dots,c_{s-1},i_{p+s}\)对换，共进行\(s\)次相邻对换，得到\(\dots c_1 c_2 \dots c_{s-1} i_{p+s} i_p \dots\)（此时\(i_p\)到达\(i_{p+s}\)的右邻位）；
   • 第二步：将\(i_{p+s}\)向左移动，依次与\(c_{s-1},\dots,c_2,c_1\)对换，共进行\(s-1\)次相邻对换，得到\(\dots i_{p+s} c_1 c_2 \dots c_{s-1} i_p \dots\)（此时\(i_{p+s}\)到达原\(i_p\)的位置）。

   总对换次数：\(s+(s-1)=2s-1\)，这是一个奇数。

2. 核心逻辑链：
   依据1：相邻对换改变奇偶性（已证）
   依据2：奇偶性的运算性质（奇数次改变等价于一次改变）
   经过奇数次相邻对换，排列的奇偶性会改变奇数次，最终与原排列的奇偶性相反。因此不相邻对换也一定改变排列的奇偶性。

---

二、教材证明的补充说明与验证

1. 关键细节澄清

• 逆序数的变化量不一定是±1：相邻对换的逆序数变化量是±1，但不相邻对换的逆序数变化量可以是任意奇数。例如：
  排列1234（逆序数0，偶）对换1和4，得到4321（逆序数6，奇），逆序数变化量为5（奇数），奇偶性仍改变。
  这说明我们不需要计算具体的逆序数变化量，只需知道变化量是奇数即可。

• 对换的可逆性：对换是一种可逆操作，对换两次相同的数对，排列会变回原样。这一性质是后续证明"奇偶排列个数相等"的关键依据。

2. 具体数值验证（不相邻对换）

验证排列12345对换1和5的过程：

• 原排列：12345，逆序数\(\tau=0\)（偶排列）
• 转化为相邻对换（共\(2\times4-1=7\)次）：
  1. 1↔2 → 21345（1次）
  2. 1↔3 → 23145（2次）
  3. 1↔4 → 23415（3次）
  4. 1↔5 → 23451（4次，1到达5的右邻位）
  5. 5↔4 → 23541（5次）
  6. 5↔3 → 25341（6次）
  7. 5↔2 → 52341（7次，5到达原1的位置）
• 最终排列：52341，逆序数\(\tau=4+1+1+1=7\)（奇排列）
• 结论：奇偶性发生改变，与定理一致。

---

三、定理的核心意义与延伸

1. 行列式定义的基石：n阶行列式中每一项的符号由列标排列的逆序数决定（\((-1)^\tau\)），本定理保证了行列式的反对称性（交换行列式的两行或两列，行列式的值变号）。
2. 奇偶排列个数相等的证明依据：正是因为对换可以在奇排列和偶排列之间建立一一对应关系，才得出当\(n\geq2\)时，奇、偶排列各占\(\frac{n!}{2}\)个的结论。
3. 置换群理论的基础：在抽象代数中，置换的奇偶性就是由其分解为对换的次数的奇偶性决定的，本定理是置换群分类的核心定理。

---

定理2.2与置换理论深度解析

一、定理2.2：排列的对换生成性

1. 定理内容

任一n级排列\(i_1i_2\cdots i_n\)总可由自然排列\(12\cdots n\)经一系列对换得到，且所作对换的次数与该排列的逆序数\(\tau(i_1i_2\cdots i_n)\)的奇偶性相同。

2. 教材证明的逐段严谨解析

教材采用构造性证明方法，直接给出了从自然排列生成目标排列的具体步骤，同时利用定理2.1证明了对换次数的奇偶性。

（1）存在性证明（构造法）

教材步骤：考虑排列\(12\cdots n\)，若\(1\neq i_1\)，则对换此排列中的1与\(i_1\)；若\(2\neq i_2\)，则再对换2与\(i_2\)。如此续行，则可经对换得到\(i_1i_2\cdots i_n\)。

深度解析与依据：

• 该构造的核心是逐位固定法：从左到右依次将数字\(k\)放到第\(k\)个位置，且一旦固定前\(k\)个位置，后续对换不会改变这些位置的元素。
• 具体过程：
  1. 初始排列：\(12\cdots n\)（自然排列）
  2. 第1步：若第1位不是\(i_1\)，则找到\(i_1\)所在的位置，对换第1位和\(i_1\)所在位，此时第1位固定为\(i_1\)。
  3. 第2步：在剩下的\(n-1\)个位置（第2到第n位）中，若第2位不是\(i_2\)，则找到\(i_2\)所在的位置，对换第2位和\(i_2\)所在位，此时第2位固定为\(i_2\)。
  4. 以此类推，经过最多\(n-1\)次对换，即可得到目标排列\(i_1i_2\cdots i_n\)。
• 依据：对换的定义（互换两个数的位置，其余数不动）
  每次对换仅改变两个数的位置，前面已经固定的位置不会被后续对换影响，因此构造过程有效。

（2）对换次数的奇偶性证明

教材步骤：因\(12\cdots n\)是偶排列，每经一次对换后改变一次奇偶性（定理2.1），故最后得到的排列\(i_1i_2\cdots i_n\)的奇偶性与对换次数的奇偶性相同。

深度解析与依据：

• 设从自然排列到目标排列共进行了\(k\)次对换。
• 自然排列的逆序数\(\tau(12\cdots n)=0\)，是偶排列。
• 依据：定理2.1（一次对换改变排列的奇偶性）
  每进行一次对换，排列的奇偶性翻转一次。因此，经过\(k\)次对换后，排列的奇偶性等于\(k\)的奇偶性（偶排列翻转\(k\)次后的奇偶性 = \(k\)的奇偶性）。
• 而目标排列的奇偶性由其逆序数\(\tau(i_1i_2\cdots i_n)\)的奇偶性决定，因此\(k\)与\(\tau(i_1i_2\cdots i_n)\)同奇偶。

3. 定理的双向性补充

定理2.2不仅说明自然排列可以生成任意排列，反过来，任意排列也可以经一系列对换变为自然排列，且对换次数的奇偶性同样与原排列的逆序数相同。这是因为对换是可逆操作：对换两次相同的数对，排列变回原样。

4. 定理的核心意义

• 建立了所有n级排列之间的联系：任意两个排列都可以通过一系列对换相互转化。
• 为置换的分解定理奠定了基础（每个置换都可以表示为对换的乘积）。
• 进一步巩固了行列式符号的合理性：行列式中每一项的符号由列标排列的逆序数唯一决定，与对换的路径无关。

---

二、置换理论：排列的抽象推广

注记部分将排列的概念推广为置换，这是抽象代数中群论的基础概念，也是线性代数中行列式、矩阵理论的重要工具。

1. 置换的定义与表示

（1）定义

集合\(\{1,2,\dots,n\}\)到自身的一个双射（一一对应）称为一个n级置换，记作\(f\)。

依据：双射的定义
双射要求\(f\)既是单射（不同元素的像不同）又是满射（每个元素都有原像），因此n级置换恰好对应一个n级排列：将\(1,2,\dots,n\)映射到\(f(1),f(2),\dots,f(n)\)，这就是一个n级排列。

（2）两行式表示

置换\(f\)通常表示为：

\[f = \begin{pmatrix} 1 & 2 & \dots & n \\ f(1) & f(2) & \dots & f(n) \end{pmatrix} \]

其中第一行是原像集合，第二行是对应的像集合。两行式的第一行可以按任意顺序排列，只要上下对应关系不变，就表示同一个置换。

示例：3级置换\(f=\begin{pmatrix}1 & 2 & 3 \\ 2 & 3 & 1\end{pmatrix}\)表示\(f(1)=2, f(2)=3, f(3)=1\)，对应排列231。

2. 置换的乘法（复合运算）

（1）定义

两个n级置换\(f\)和\(g\)的积\(fg\)定义为它们的复合，即先作用\(g\)，再作用\(f\)：

\[(fg)(k) = f(g(k)) \quad (\text{对任意} \ 1\leq k\leq n) \]

注意：置换乘法不满足交换律，即一般情况下\(fg\neq gf\)。

（2）计算示例（教材例子修正与验证）

教材中例子：\(S_3\)中\(f_2f_5 = f_4\)，其中：

• \(f_2 = \begin{pmatrix}1 & 2 & 3 \\ 2 & 1 & 3\end{pmatrix}\)（对应排列213）
• \(f_5 = \begin{pmatrix}1 & 2 & 3 \\ 2 & 3 & 1\end{pmatrix}\)（对应排列231）
• \(f_4 = \begin{pmatrix}1 & 2 & 3 \\ 1 & 3 & 2\end{pmatrix}\)（对应排列132）

计算过程：

• \((f_2f_5)(1) = f_2(f_5(1)) = f_2(2) = 1\)
• \((f_2f_5)(2) = f_2(f_5(2)) = f_2(3) = 3\)
• \((f_2f_5)(3) = f_2(f_5(3)) = f_2(1) = 2\)

因此：

\[f_2f_5 = \begin{pmatrix}1 & 2 & 3 \\ 1 & 3 & 2\end{pmatrix} = f_4 \]

交换律不成立验证：
计算\(f_5f_2\)：

• \((f_5f_2)(1) = f_5(f_2(1)) = f_5(2) = 3\)
• \((f_5f_2)(2) = f_5(f_2(2)) = f_5(1) = 2\)
• \((f_5f_2)(3) = f_5(f_2(3)) = f_5(3) = 1\)

因此：

\[f_5f_2 = \begin{pmatrix}1 & 2 & 3 \\ 3 & 2 & 1\end{pmatrix} = f_3 \neq f_4 = f_2f_5 \]

这说明\(S_3\)是非交换群。

3. 对称群\(S_n\)

所有n级置换的全体构成的集合记作\(S_n\)，称为n级对称群（或全置换群），它具有以下性质：

1. 封闭性：任意两个置换的乘积仍是置换。
2. 结合律：对任意置换\(f,g,h\)，有\((fg)h = f(gh)\)。
3. 单位元：存在恒等置换\(f_1 = \begin{pmatrix}1 & 2 & \dots & n \\ 1 & 2 & \dots & n\end{pmatrix}\)，满足\(f_1f = ff_1 = f\)。
4. 逆元：对任意置换\(f\)，存在逆置换\(f^{-1}\)，满足\(ff^{-1} = f^{-1}f = f_1\)。逆置换的两行式就是将原置换的两行交换位置。

重要结论：当\(n\geq3\)时，\(S_n\)是非交换群；\(S_n\)的阶（元素个数）为\(n!\)，与n级排列的总数相同。

4. 置换的奇偶性

（1）定义

每个n级置换\(f\)对应唯一的排列\(f(1)f(2)\cdots f(n)\)，该排列的奇偶性称为置换\(f\)的奇偶性。记为：

• 若排列是奇排列，则\(f\)是奇置换；
• 若排列是偶排列，则\(f\)是偶置换。

（2）对换的奇偶性

对换是一种特殊的置换，它只交换两个元素的位置，其余元素不动。例如，交换1和2的对换是\(\begin{pmatrix}1 & 2 & 3 & \dots & n \\ 2 & 1 & 3 & \dots & n\end{pmatrix}\)。

结论：每个对换都是奇置换。
依据：定理2.1（对换改变排列奇偶性）
恒等置换是偶置换，对换一次后奇偶性改变，因此对换是奇置换。

（3）置换的对换分解定理（定理2.2的置换表述）

定理内容：每个置换都可以表示为若干个对换的乘积，且无论如何分解，对换个数的奇偶性是固定的，与该置换的奇偶性相同。

证明依据：定理2.2
置换对应一个排列，该排列可由自然排列经\(k\)次对换得到，因此置换可表示为\(k\)个对换的乘积，且\(k\)与排列的奇偶性（即置换的奇偶性）相同。

（4）置换奇偶性的运算性质

• 两个偶置换的乘积是偶置换；
• 两个奇置换的乘积是偶置换；
• 一个奇置换和一个偶置换的乘积是奇置换；
• 逆置换的奇偶性与原置换相同。

---

三、知识点归纳总结表

类别	具体内容	核心要点与依据
定理2.2	排列的对换生成性	任一n级排列可由自然排列经一系列对换得到，对换次数与逆序数同奇偶 依据：构造法 + 定理2.1
置换定义	n级置换	集合\(\{1,2,\dots,n\}\)到自身的双射，对应唯一的n级排列 依据：双射的定义
置换表示	两行式	\(\begin{pmatrix}1 & 2 & \dots & n \\ f(1) & f(2) & \dots & f(n)\end{pmatrix}\)，上下对应关系不变则为同一置换
置换乘法	复合运算	\((fg)(k)=f(g(k))\)（先右后左），一般不满足交换律
对称群\(S_n\)	全体n级置换	阶为\(n!\)，满足群的4条性质；\(n\geq3\)时为非交换群
置换奇偶性	定义	对应排列的奇偶性，对换是奇置换
	对换分解定理	每个置换可表为对换的乘积，对换个数的奇偶性固定 依据：定理2.2
	运算性质	偶×偶=偶，奇×奇=偶，奇×偶=奇；逆置换奇偶性与原置换相同
核心联系	排列与置换	排列是置换的具体表现，置换是排列的抽象推广；对换是连接两者的桥梁

---

2.2 行列式的定义 深度解析与推导

本节是线性代数的核心起点，通过排列理论将低阶行列式的对角线法则推广到任意n阶，建立了行列式的严格数学定义。下面我将从矩阵基础概念入手，逐字逐句解读行列式定义的内涵，并完整推导所有示例的结论。

一、预备知识：矩阵的基本定义

1. 矩阵的定义

定义2.2：设\(F\)为任意一个域（如实数域\(\mathbb{R}\)、复数域\(\mathbb{C}\)），由\(m\times n\)个数\(a_{ij}\in F\)（\(1\leq i\leq m,1\leq j\leq n\)）排成的矩形数表

\[A=\begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ a_{21} & a_{22} & \dots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \dots & a_{mn} \end{bmatrix} \]

称为\(F\)上的一个\(m\times n\)矩阵，简记为\(A=(a_{ij})_{m\times n}\)。

关键概念解析：

• 元素：\(a_{ij}\)称为矩阵\(A\)的\((i,j)\)元，其中第一个下标\(i\)是行标，第二个下标\(j\)是列标。
• 行与列：水平的数表称为行，第\(i\)行是有序数组\((a_{i1},a_{i2},\dots,a_{in})\)；垂直的数表称为列，第\(j\)列是有序数组\(\begin{bmatrix}a_{1j} \\ a_{2j} \\ \vdots \\ a_{mj}\end{bmatrix}\)。
• 方阵：当\(m=n\)时，矩阵称为n阶方阵，记为\(A=(a_{ij})_n\)。方阵中从左上角到右下角的对角线称为主对角线，其上的元素\(a_{11},a_{22},\dots,a_{nn}\)称为主对角线元素。

2. 矩阵的基本运算（定义补充）

• 加法：两个同型矩阵\(A=(a_{ij})\)与\(B=(b_{ij})\)的和定义为\(A+B=(a_{ij}+b_{ij})\)，即对应元素相加。
• 数乘：数\(\lambda\in F\)与矩阵\(A=(a_{ij})\)的数乘定义为\(\lambda A=(\lambda a_{ij})\)，即每个元素都乘以\(\lambda\)。

3. 符号体系

• \(M_{m\times n}(F)\)：表示域\(F\)上所有\(m\times n\)矩阵构成的集合。
• \(M_n(F)=M_{n\times n}(F)\)：表示域\(F\)上所有n阶方阵构成的集合。

二、n阶行列式的核心定义

1. 定义原文与符号

定义2.3：\(F\)上方阵\(A=\begin{bmatrix}a_{11} & \dots & a_{1n} \\ \vdots & \ddots & \vdots \\ a_{n1} & \dots & a_{nn}\end{bmatrix}\)的行列式定义为\(F\)中的一个数：

\[\det A = \sum_{j_1j_2\cdots j_n} (-1)^{\tau(j_1j_2\cdots j_n)} a_{1j_1}a_{2j_2}\cdots a_{nj_n} \]

其中求和符号\(\sum\limits_{j_1j_2\cdots j_n}\)表示对所有n级排列\(j_1j_2\cdots j_n\)求和。

常用符号表示：

\[\det A = \det\begin{bmatrix}a_{11} & \dots & a_{1n} \\ \vdots & \ddots & \vdots \\ a_{n1} & \dots & a_{nn}\end{bmatrix} = \det(a_{ij}) = \begin{vmatrix}a_{11} & \dots & a_{1n} \\ \vdots & \ddots & \vdots \\ a_{n1} & \dots & a_{nn}\end{vmatrix} = |A| \]

2. 定义的三层核心内涵（逐句解读）

行列式定义是线性代数中最抽象的定义之一，必须从项的构成、项的个数、项的符号三个维度完整理解。

（1）每一项的构成：不同行不同列的n个元素的乘积

每一项\(a_{1j_1}a_{2j_2}\cdots a_{nj_n}\)具有以下特征：

• 行标是自然排列\(1,2,\dots,n\)：表示这n个元素分别来自第1行、第2行、…、第n行，每行恰好取一个元素。
• 列标是一个n级排列\(j_1j_2\cdots j_n\)：表示这n个元素分别来自第\(j_1\)列、第\(j_2\)列、…、第\(j_n\)列，每列恰好取一个元素。

依据：排列的定义（n个不同元素的有序数组）
因此，行列式的每一项都是取自不同行且不同列的n个元素的乘积，不存在两个元素同行或同列的情况。

（2）项的总个数：\(n!\)个

由于列标\(j_1j_2\cdots j_n\)遍历所有n级排列，而n级排列的总数是\(n!\)个，因此n阶行列式恰好有\(n!\)项。

依据：n级排列的总数为\(n!\)

• 二阶行列式：\(2!=2\)项
• 三阶行列式：\(3!=6\)项
• 四阶行列式：\(4!=24\)项
• 五阶行列式：\(5!=120\)项

这也解释了为什么对角线法则只适用于二阶和三阶行列式：四阶及以上行列式的项数远多于对角线法则能覆盖的项数，对角线法则不再成立。

（3）每一项的符号：由列标排列的逆序数决定

每一项的符号为\((-1)^{\tau(j_1j_2\cdots j_n)}\)，其中\(\tau(j_1j_2\cdots j_n)\)是列标排列的逆序数：

• 若列标排列是偶排列（\(\tau\)为偶数），则该项带正号；
• 若列标排列是奇排列（\(\tau\)为奇数），则该项带负号。

依据：上一节排列的奇偶性定义
自然排列\(12\cdots n\)的逆序数为0（偶排列），因此主对角线元素的乘积\(a_{11}a_{22}\cdots a_{nn}\)永远带正号。

3. 定义的本质

行列式不是一个数表，而是一个数，是\(n!\)个满足"不同行不同列"条件的元素乘积的代数和。矩阵是"表格"，行列式是"表格对应的数值"，这是两者最本质的区别。

三、经典示例的完整推导

例2.1 二阶行列式

结论：

\[\begin{vmatrix}a & b \\ c & d\end{vmatrix} = ad - bc \]

严格推导（按定义）：
二阶行列式的列标排列只有两个：\(12\)和\(21\)。

1. 排列\(12\)：逆序数\(\tau(12)=0\)，符号为\((-1)^0=1\)，对应项为\(a_{11}a_{22}=ad\)。
2. 排列\(21\)：逆序数\(\tau(21)=1\)，符号为\((-1)^1=-1\)，对应项为\(-a_{12}a_{21}=-bc\)。

因此，二阶行列式的代数和为\(ad - bc\)，与对角线法则一致。

例2.2 三阶行列式

结论：

\[\begin{vmatrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{vmatrix} = a_{11}a_{22}a_{33} + a_{12}a_{23}a_{31} + a_{13}a_{21}a_{32} - a_{13}a_{22}a_{31} - a_{12}a_{21}a_{33} - a_{11}a_{23}a_{32} \]

严格推导（按定义）：
三阶行列式的列标排列共有\(3!=6\)个，逐一计算：

列标排列	逆序数\(\tau\)	符号\((-1)^\tau\)	对应项
123	0	+1	\(a_{11}a_{22}a_{33}\)
231	2	+1	\(a_{12}a_{23}a_{31}\)
312	2	+1	\(a_{13}a_{21}a_{32}\)
321	3	-1	\(-a_{13}a_{22}a_{31}\)
213	1	-1	\(-a_{12}a_{21}a_{33}\)
132	1	-1	\(-a_{11}a_{23}a_{32}\)

将这6项相加，即得到三阶行列式的展开式，与对角线法则一致。

例2.3 对角行列式

对角行列式是指主对角线以外的元素全为0的方阵的行列式，分为两种情况。

（1）主对角行列式

结论：

\[\det\begin{bmatrix} a_{11} & & & \\ & a_{22} & & \\ & & \ddots & \\ & & & a_{nn} \end{bmatrix} = a_{11}a_{22}\cdots a_{nn} \]

推导：
根据行列式定义，只有当列标排列为自然排列\(12\cdots n\)时，乘积\(a_{11}a_{22}\cdots a_{nn}\)中的所有元素都不为0。对于其他任何排列，至少有一个列标\(j_k\neq k\)，对应的元素\(a_{kj_k}=0\)，因此该项为0。

因此，行列式只有这一个非零项，符号为\((-1)^0=1\)，故结论成立。

（2）副对角行列式

结论：

\[\det\begin{bmatrix} & & & a_{1n} \\ & & a_{2(n-1)} & \\ & \iddots & & \\ a_{n1} & & & \end{bmatrix} = (-1)^{\frac{n(n-1)}{2}} a_{1n}a_{2(n-1)}\cdots a_{n1} \]

推导：
同理，只有当列标排列为\(n(n-1)\cdots 321\)时，乘积\(a_{1n}a_{2(n-1)}\cdots a_{n1}\)中的所有元素都不为0。

现在计算该排列的逆序数：

• 数字\(n\)后面有\(n-1\)个比它小的数；
• 数字\(n-1\)后面有\(n-2\)个比它小的数；
• ……
• 数字\(2\)后面有\(1\)个比它小的数；
• 数字\(1\)后面没有比它小的数。

因此，逆序数\(\tau(n(n-1)\cdots 21) = (n-1)+(n-2)+\dots+1 = \frac{n(n-1)}{2}\)。

该项的符号为\((-1)^{\frac{n(n-1)}{2}}\)，故结论成立。

例2.4 上三角行列式

上三角行列式是指主对角线以下的元素全为0的方阵的行列式。

结论：

\[\det\begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n} \\ & a_{22} & \dots & a_{2n} \\ & & \ddots & \vdots \\ & & & a_{nn} \end{bmatrix} = a_{11}a_{22}\cdots a_{nn} \]

推导：
要使乘积\(a_{1j_1}a_{2j_2}\cdots a_{nj_n}\)非零，必须每个元素都不为0。

• 第1行：只有\(a_{11}\)可能非零（第1列以下都是0），因此\(j_1\)必须等于1。
• 第2行：\(j_1\)已经取了1，所以\(j_2\)只能从2到n中选，而第2行只有\(a_{22}\)及以后的元素非零，因此\(j_2\)必须等于2。
• ……
• 第n行：\(j_1,j_2,\dots,j_{n-1}\)已经取了1到n-1，因此\(j_n\)只能等于n。

因此，唯一的非零项是\(a_{11}a_{22}\cdots a_{nn}\)，符号为正，故结论成立。

推论：下三角行列式（主对角线以上元素全为0）的值也等于主对角线元素的乘积。

四、行列式定义的等价形式（拓展）

为了后续证明行列式的性质，我们可以将定义推广为更一般的形式：

\[\det A = \sum_{i_1i_2\cdots i_n} (-1)^{\tau(i_1i_2\cdots i_n)} a_{i_11}a_{i_22}\cdots a_{i_nn} \]

即行标为排列，列标为自然排列。更一般地，有：

\[\det A = \sum (-1)^{\tau(i_1i_2\cdots i_n)+\tau(j_1j_2\cdots j_n)} a_{i_1j_1}a_{i_2j_2}\cdots a_{i_nj_n} \]

其中求和是对所有行标排列和列标排列的组合。

证明依据：对换改变排列的奇偶性。通过对换行标和列标，可以将任意排列转化为自然排列，而符号的总变化量为偶数，因此定义等价。

五、知识点归纳总结表

类别	具体内容	核心要点与结论
矩阵基础	m×n矩阵	由\(m\times n\)个数排成的矩形数表，记为\((a_{ij})_{m\times n}\)
	方阵	行数=列数=n的矩阵，有主对角线
	符号	\(M_{m\times n}(F)\)：所有m×n矩阵；\(M_n(F)\)：所有n阶方阵
行列式定义	本质	一个数，是\(n!\)项乘积的代数和
	项的构成	取自不同行不同列的n个元素的乘积
	项的个数	\(n!\)个（n级排列的总数）
	项的符号	\((-1)^{\tau(\text{列标排列})}\)，偶排列正，奇排列负
	符号表示	\(\det A\)、\(\det(a_{ij})\)、$
特殊行列式	二阶行列式	\(\begin{vmatrix}a&b\\c&d\end{vmatrix}=ad-bc\)
	三阶行列式	6项代数和，符合对角线法则
	主对角行列式	主对角线元素的乘积
	副对角行列式	\((-1)^{\frac{n(n-1)}{2}}\)乘以副对角线元素的乘积
	上/下三角行列式	主对角线元素的乘积
核心区别	矩阵vs行列式	矩阵是数表（可矩形），行列式是数（仅方阵有）

---

行向量、列向量与行列式映射 深度解析

本节是连接矩阵、向量与行列式的关键过渡内容，通过将矩阵的行/列抽象为向量，为后续研究行列式的性质、线性方程组和线性空间奠定了符号基础；同时从映射（函数）的高度重新定义行列式，揭示了行列式的本质是方阵的一个数值特征。

一、n维行向量与列向量的定义与运算

1. 定义解析

• 行向量：\(1\times n\)矩阵 \(\alpha=(a_1,a_2,\dots,a_n)\)（\(a_i\in F\)）称为\(F\)上的n维行向量，全体n维行向量构成的集合记为\(F^n\)。
• 列向量：\(n\times 1\)矩阵 \(\beta=\begin{bmatrix}a_1 \\ a_2 \\ \vdots \\ a_n\end{bmatrix}\)称为\(F\)上的n维列向量，全体n维列向量构成的集合记为\(F^{(n)}\)。

关键说明：

• 向量本质上是特殊形状的矩阵，因此所有矩阵的运算规则都适用于向量。
• 行向量和列向量可以通过转置运算相互转化：行向量的转置是列向量，列向量的转置是行向量，记为\(\alpha^T=\beta\)，\(\beta^T=\alpha\)。
• 域\(F\)通常取实数域\(\mathbb{R}\)或复数域\(\mathbb{C}\)，此时分别称为实向量和复向量。

2. 向量的线性运算

向量的加法和数乘是线性代数中最基本的运算，统称为线性运算。

• 加法：两个同维行向量的和定义为对应元素相加：
  \[(a_1,a_2,\dots,a_n)+(b_1,b_2,\dots,b_n)=(a_1+b_1,a_2+b_2,\dots,a_n+b_n) \]

• 数乘：数\(\lambda\in F\)与行向量的乘积定义为每个元素都乘以\(\lambda\)：
  \[\lambda(a_1,a_2,\dots,a_n)=(\lambda a_1,\lambda a_2,\dots,\lambda a_n) \]

核心性质：向量的线性运算满足以下8条运算律（构成\(F\)上的n维向量空间）：

1. 加法交换律：\(\alpha+\beta=\beta+\alpha\)
2. 加法结合律：\((\alpha+\beta)+\gamma=\alpha+(\beta+\gamma)\)
3. 零向量存在性：存在零向量\(0=(0,0,\dots,0)\)，使得\(\alpha+0=\alpha\)
4. 负向量存在性：对任意\(\alpha\)，存在负向量\(-\alpha=(-a_1,-a_2,\dots,-a_n)\)，使得\(\alpha+(-\alpha)=0\)
5. 数乘单位元：\(1\cdot\alpha=\alpha\)
6. 数乘结合律：\(\lambda(\mu\alpha)=(\lambda\mu)\alpha\)
7. 数乘对向量加法的分配律：\(\lambda(\alpha+\beta)=\lambda\alpha+\lambda\beta\)
8. 数乘对数加法的分配律：\((\lambda+\mu)\alpha=\lambda\alpha+\mu\alpha\)

二、方阵的分块表示（按行/列分块）

将方阵按行或列分块为向量的集合，是研究矩阵和行列式性质的核心技巧。

1. 按行分块

设n阶方阵\(A=(a_{ij})_n\)，将其第\(i\)行看作一个n维行向量\(\alpha_i=(a_{i1},a_{i2},\dots,a_{in})\)，则方阵\(A\)可以表示为行向量的列排列：

\[A=\begin{bmatrix}\alpha_1 \\ \alpha_2 \\ \vdots \\ \alpha_n\end{bmatrix} \]

2. 按列分块

同理，将方阵\(A\)的第\(j\)列看作一个n维列向量\(\beta_j=\begin{bmatrix}a_{1j} \\ a_{2j} \\ \vdots \\ a_{nj}\end{bmatrix}\)，则方阵\(A\)可以表示为列向量的行排列：

\[A=\begin{bmatrix}\beta_1 & \beta_2 & \dots & \beta_n\end{bmatrix} \]

重要意义：
分块表示将方阵转化为向量的有序集合，使得我们可以用向量的语言描述行列式的性质。例如，后续要学习的“行列式对行的线性性”，本质上就是行列式对行向量的线性性。

三、单位方阵的定义与核心性质

1. 定义

n阶单位方阵（记为\(I_n\)、\(I\)或\(I_{n\times n}\)）是主对角线元素全为1，其余元素全为0的n阶方阵：

\[I=\begin{bmatrix}1 & & & \\ & 1 & & \\ & & \ddots & \\ & & & 1\end{bmatrix} \]

2. 核心性质与严格证明

性质1：\(\det I_n=1\)

证明：
根据n阶行列式的定义，只有当列标排列为自然排列\(12\cdots n\)时，乘积\(a_{11}a_{22}\cdots a_{nn}\)中的所有元素都不为0。对于其他任何排列，至少有一个列标\(j_k\neq k\)，对应的元素\(a_{kj_k}=0\)，因此该项为0。

唯一的非零项为\(1\times1\times\cdots\times1=1\)，符号为\((-1)^{\tau(12\cdots n)}=(-1)^0=1\)。
依据：n阶行列式的定义
因此，\(\det I_n=1\)。

性质2：\(\det(\lambda I_n)=\lambda^n\)（\(\lambda\in F\)）

证明：
\(\lambda I_n\)是主对角线元素全为\(\lambda\)，其余元素全为0的对角方阵。根据对角行列式的性质，对角行列式的值等于主对角线元素的乘积。
依据：对角行列式的结论（上一节例2.3）
因此，\(\det(\lambda I_n)=\lambda\times\lambda\times\cdots\times\lambda=\lambda^n\)。

3. 补充性质（矩阵代数基础）

单位方阵是矩阵乘法的单位元，即对任意n阶方阵\(A\)，有：

\[I_n A = A I_n = A \]

这一性质使得单位方阵在矩阵代数中的地位类似于实数中的1。

四、行列式映射的本质

1. 映射的定义

对每个n阶方阵\(A\in M_n(F)\)，存在唯一的行列式值\(\det A\in F\)。因此，行列式运算实际上是一个从n阶方阵集合\(M_n(F)\)到域\(F\)的映射（函数），记为：

\[\begin{align*} \det: \quad M_n(F) &\to F \\ A &\mapsto \det A \end{align*} \]

2. 映射的核心特征

行列式映射不是线性映射（因为\(\det(A+B)\neq\det A+\det B\)，\(\det(\lambda A)\neq\lambda\det A\)），而是一个满足以下三条公理的多重线性交替函数：

1. 多重线性：对每一行（或每一列）都是线性的；
2. 交替性：交换两行（或两列），行列式的值变号；
3. 规范性：\(\det I_n=1\)。

这三条公理构成了行列式的公理化定义，可以证明：满足这三条公理的函数是唯一的，就是我们之前用排列定义的行列式。

3. 理论意义

从映射的角度理解行列式，将其看作方阵的一个数值不变量。这个不变量反映了方阵的许多本质属性：

• 方阵可逆当且仅当\(\det A\neq 0\)；
• 行列式的绝对值表示线性变换的“伸缩因子”；
• 行列式的符号表示线性变换是否改变方向。

五、知识点归纳总结表

类别	具体内容	核心要点与结论
向量定义	n维行向量	\(1\times n\)矩阵，全体记为\(F^n\)
	n维列向量	\(n\times 1\)矩阵，全体记为\(F^{(n)}\)
	转置关系	行向量的转置是列向量，列向量的转置是行向量
向量运算	加法	对应元素相加，满足交换律、结合律
	数乘	每个元素乘以数\(\lambda\)，满足分配律
方阵分块	按行分块	\(A=\begin{bmatrix}\alpha_1 \\ \vdots \\ \alpha_n\end{bmatrix}\)，\(\alpha_i\)为第\(i\)行行向量
	按列分块	\(A=\begin{bmatrix}\beta_1 & \dots & \beta_n\end{bmatrix}\)，\(\beta_j\)为第\(j\)列列向量
单位方阵	定义	主对角线全为1，其余全为0的n阶方阵
	行列式性质	\(\det I_n=1\)，\(\det(\lambda I_n)=\lambda^n\)
	乘法性质	矩阵乘法的单位元：\(IA=AI=A\)
行列式映射	本质	从n阶方阵集合\(M_n(F)\)到域\(F\)的函数
	公理化特征	多重线性、交替性、规范性
	意义	方阵的数值不变量，反映方阵的可逆性等本质属性

---

2.3 行列式的性质 深度解析与完整证明

本节是行列式理论的核心内容，它从函数性质的高度重新刻画行列式，将行列式定义为满足三条公理的唯一函数，并推导出所有实用性质。这些性质不仅是计算行列式的核心工具，更是后续线性代数理论（矩阵可逆性、线性方程组、特征值等）的基础。

一、行列式的三条基本公理（定理2.3核心）

行列式可以看作是定义在n阶方阵集合上的函数\(D:M_n(F)\to F\)，它满足以下三条基本公理，这三条公理完全决定了行列式的唯一性。

公理1：对行的多重线性性

内容：对任意\(i(1\leq i\leq n)\)及行向量\(\alpha_i,\alpha_i^*\in F^n\)，常数\(\lambda,\mu\in F\)，总有

\[\det\begin{bmatrix} \vdots \\ \lambda\alpha_i+\mu\alpha_i^* \\ \vdots \end{bmatrix} = \lambda\det\begin{bmatrix} \vdots \\ \alpha_i \\ \vdots \end{bmatrix} + \mu\det\begin{bmatrix} \vdots \\ \alpha_i^* \\ \vdots \end{bmatrix} \]

严格证明：
设\(\alpha_i=(a_{i1},\dots,a_{in})\)，\(\alpha_i^*=(b_{i1},\dots,b_{in})\)，则第\(i\)行的元素为\(\lambda a_{ij}+\mu b_{ij}\)。
根据n阶行列式的定义：

\[\begin{align*} \det\begin{bmatrix} \vdots \\ \lambda\alpha_i+\mu\alpha_i^* \\ \vdots \end{bmatrix} &= \sum_{j_1\cdots j_n} (-1)^{\tau(j_1\cdots j_n)} a_{1j_1}\cdots (\lambda a_{ij_i}+\mu b_{ij_i})\cdots a_{nj_n} \\ &= \sum_{j_1\cdots j_n} (-1)^{\tau(j_1\cdots j_n)} \lambda a_{1j_1}\cdots a_{ij_i}\cdots a_{nj_n} + \sum_{j_1\cdots j_n} (-1)^{\tau(j_1\cdots j_n)} \mu a_{1j_1}\cdots b_{ij_i}\cdots a_{nj_n} \\ &= \lambda \sum_{j_1\cdots j_n} (-1)^{\tau(j_1\cdots j_n)} a_{1j_1}\cdots a_{ij_i}\cdots a_{nj_n} + \mu \sum_{j_1\cdots j_n} (-1)^{\tau(j_1\cdots j_n)} a_{1j_1}\cdots b_{ij_i}\cdots a_{nj_n} \\ &= \lambda\det\begin{bmatrix} \vdots \\ \alpha_i \\ \vdots \end{bmatrix} + \mu\det\begin{bmatrix} \vdots \\ \alpha_i^* \\ \vdots \end{bmatrix} \end{align*} \]

证明依据：n阶行列式的定义（求和的线性性）

直观解释：行列式对每一行都是线性函数，即行的线性组合对应行列式的线性组合。

两个重要特例：

1. 行加法：\(\det\begin{bmatrix}\vdots \\ \alpha_i+\alpha_i^* \\ \vdots\end{bmatrix} = \det\begin{bmatrix}\vdots \\ \alpha_i \\ \vdots\end{bmatrix} + \det\begin{bmatrix}\vdots \\ \alpha_i^* \\ \vdots\end{bmatrix}\)（\(\lambda=\mu=1\)）
2. 行数乘：\(\det\begin{bmatrix}\vdots \\ \lambda\alpha_i \\ \vdots\end{bmatrix} = \lambda\det\begin{bmatrix}\vdots \\ \alpha_i \\ \vdots\end{bmatrix}\)（\(\mu=0\)，即教材性质6）

---

公理2：交错性（两行相同，行列式为0）

内容：若方阵\(A\)有两行完全相同，则\(\det A=0\)。

严格证明：
设\(A\)的第\(i\)行和第\(k\)行相同，即\(\alpha_i=\alpha_k\)，则\(a_{ij}=a_{kj}\)对所有\(j\)成立。
将行列式的\(n!\)项按如下方式两两配对：
对任意一个排列\(j_1\cdots j_i\cdots j_k\cdots j_n\)，考虑交换\(j_i\)和\(j_k\)得到的排列\(j_1\cdots j_k\cdots j_i\cdots j_n\)。

1. 符号相反：交换排列中的两个元素，逆序数的奇偶性改变，因此\((-1)^{\tau(j_1\cdots j_i\cdots j_k\cdots j_n)} = -(-1)^{\tau(j_1\cdots j_k\cdots j_i\cdots j_n)}\)。
2. 数值相等：由于第\(i\)行和第\(k\)行相同，\(a_{ij_i}a_{kj_k}=a_{kj_i}a_{ij_k}=a_{ij_k}a_{kj_i}\)，因此两项的乘积部分相等。

因此，每一对项的和为0，所有项的总和也为0，即\(\det A=0\)。
证明依据：对换改变排列的奇偶性（定理2.1）

---

公理3：规范性

内容：n阶单位矩阵的行列式为1，即\(\det I=1\)。

证明：
单位矩阵是主对角线元素全为1，其余元素全为0的对角矩阵。根据对角行列式的性质，其值等于主对角线元素的乘积，即\(1\times1\times\cdots\times1=1\)。
证明依据：对角行列式的结论（上一节例2.3）

二、由基本公理推导的实用性质

以下所有性质都可以由上述三条基本公理严格推导得出，无需再依赖行列式的原始定义。

性质4：对换两行，行列式变号

内容：交换方阵\(A\)的任意两行，行列式的值变为原来的相反数，即

\[\det\begin{bmatrix} \vdots \\ \alpha \\ \vdots \\ \beta \\ \vdots \end{bmatrix} = -\det\begin{bmatrix} \vdots \\ \beta \\ \vdots \\ \alpha \\ \vdots \end{bmatrix} \]

严格证明：
考虑行列式\(\det\begin{bmatrix}\vdots \\ \alpha+\beta \\ \vdots \\ \alpha+\beta \\ \vdots\end{bmatrix}\)，它有两行相同，根据公理2，其值为0。
根据公理1（多重线性性），将其展开：

\[\begin{align*} 0 &= \det\begin{bmatrix}\vdots \\ \alpha+\beta \\ \vdots \\ \alpha+\beta \\ \vdots\end{bmatrix} \\ &= \det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \alpha+\beta \\ \vdots\end{bmatrix} + \det\begin{bmatrix}\vdots \\ \beta \\ \vdots \\ \alpha+\beta \\ \vdots\end{bmatrix} \\ &= \det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \alpha \\ \vdots\end{bmatrix} + \det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \beta \\ \vdots\end{bmatrix} + \det\begin{bmatrix}\vdots \\ \beta \\ \vdots \\ \alpha \\ \vdots\end{bmatrix} + \det\begin{bmatrix}\vdots \\ \beta \\ \vdots \\ \beta \\ \vdots\end{bmatrix} \end{align*} \]

根据公理2，第一和第四项都为0，因此：

\[0 = \det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \beta \\ \vdots\end{bmatrix} + \det\begin{bmatrix}\vdots \\ \beta \\ \vdots \\ \alpha \\ \vdots\end{bmatrix} \]

移项即得：

\[\det\begin{bmatrix}\vdots \\ \beta \\ \vdots \\ \alpha \\ \vdots\end{bmatrix} = -\det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \beta \\ \vdots\end{bmatrix} \]

证明依据：公理1（多重线性性）+ 公理2（交错性）

---

性质5：一行的倍数加到另一行，行列式不变

内容：将方阵\(A\)的第\(k\)行的\(\lambda\)倍加到第\(i\)行（\(i\neq k\)），行列式的值不变，即

\[\det\begin{bmatrix} \vdots \\ \alpha_i+\lambda\alpha_k \\ \vdots \\ \alpha_k \\ \vdots \end{bmatrix} = \det\begin{bmatrix} \vdots \\ \alpha_i \\ \vdots \\ \alpha_k \\ \vdots \end{bmatrix} \]

严格证明：
根据公理1（多重线性性），将左边行列式展开：

\[\det\begin{bmatrix}\vdots \\ \alpha_i+\lambda\alpha_k \\ \vdots \\ \alpha_k \\ \vdots\end{bmatrix} = \det\begin{bmatrix}\vdots \\ \alpha_i \\ \vdots \\ \alpha_k \\ \vdots\end{bmatrix} + \lambda\det\begin{bmatrix}\vdots \\ \alpha_k \\ \vdots \\ \alpha_k \\ \vdots\end{bmatrix} \]

根据公理2，第二项有两行相同，其值为0，因此：

\[\det\begin{bmatrix}\vdots \\ \alpha_i+\lambda\alpha_k \\ \vdots \\ \alpha_k \\ \vdots\end{bmatrix} = \det\begin{bmatrix}\vdots \\ \alpha_i \\ \vdots \\ \alpha_k \\ \vdots\end{bmatrix} \]

证明依据：公理1（多重线性性）+ 公理2（交错性）

核心应用：这是计算行列式最常用的性质，通过"行倍加"变换可以将行列式化为上三角行列式，从而快速计算其值。

---

性质7：两行成比例，行列式为0

内容：若方阵\(A\)的两行成比例（即一行是另一行的\(\lambda\)倍），则\(\det A=0\)，即

\[\det\begin{bmatrix} \vdots \\ \alpha \\ \vdots \\ \lambda\alpha \\ \vdots \end{bmatrix} = 0 \]

严格证明：
根据性质6（行数乘），将比例系数\(\lambda\)提到行列式外面：

\[\det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \lambda\alpha \\ \vdots\end{bmatrix} = \lambda\det\begin{bmatrix}\vdots \\ \alpha \\ \vdots \\ \alpha \\ \vdots\end{bmatrix} \]

根据公理2，右边的行列式有两行相同，其值为0，因此左边行列式也为0。
证明依据：性质6（行数乘）+ 公理2（交错性）

---

性质8：行列式与它的转置行列式相等

内容：对任意n阶方阵\(A\)，有\(\det A = \det A^T\)，其中\(A^T\)是\(A\)的转置矩阵（即\(A^T\)的\((i,j)\)元等于\(A\)的\((j,i)\)元）。

严格证明：
根据行列式定义的等价形式，行列式可以表示为：

\[\det A = \sum_{i_1i_2\cdots i_n} (-1)^{\tau(i_1i_2\cdots i_n)+\tau(j_1j_2\cdots j_n)} a_{i_1j_1}a_{i_2j_2}\cdots a_{i_nj_n} \]

其中求和是对所有行标排列和列标排列的组合。

对于转置矩阵\(A^T=(b_{ij})\)，其中\(b_{ij}=a_{ji}\)，因此：

\[\begin{align*} \det A^T &= \sum_{j_1j_2\cdots j_n} (-1)^{\tau(j_1j_2\cdots j_n)} b_{1j_1}b_{2j_2}\cdots b_{nj_n} \\ &= \sum_{j_1j_2\cdots j_n} (-1)^{\tau(j_1j_2\cdots j_n)} a_{j_11}a_{j_22}\cdots a_{j_nn} \end{align*} \]

这正是行列式定义的另一种形式（行标为排列，列标为自然排列），其值与原行列式相等。
证明依据：行列式定义的等价形式

重要推论：行列式的行与列地位完全相同，所有对行成立的性质对列也同样成立。

三、行列式的公理化定义（定理2.4）

定理内容

定义在n阶方阵集合上，满足以下三条性质的函数\(D:M_n(F)\to F\)是唯一的，它就是行列式函数\(\det\)：

1. 多重线性性：对每一行都是线性的；
2. 交错性：若有两行相同，则\(D(A)=0\)；
3. 规范性：\(D(I)=1\)。

唯一性证明

设\(D\)是满足上述三条性质的函数，我们证明对任意方阵\(A=(a_{ij})\)，有\(D(A)=\det A\)。

1. 单位矩阵的列向量表示：
   记\(\varepsilon_j=(0,\dots,1,\dots,0)\)为第\(j\)个分量为1，其余分量为0的单位行向量，则任意行向量\(\alpha_i=(a_{i1},\dots,a_{in})\)可以表示为单位行向量的线性组合：

   \[\alpha_i = a_{i1}\varepsilon_1 + a_{i2}\varepsilon_2 + \dots + a_{in}\varepsilon_n \]

2. 用多重线性性展开\(D(A)\)：
   将\(A\)的每一行都表示为单位行向量的线性组合，然后反复应用多重线性性，得到：

   \[D(A) = D\begin{bmatrix}\sum_{j_1=1}^n a_{1j_1}\varepsilon_{j_1} \\ \vdots \\ \sum_{j_n=1}^n a_{nj_n}\varepsilon_{j_n}\end{bmatrix} = \sum_{j_1=1}^n \sum_{j_2=1}^n \dots \sum_{j_n=1}^n a_{1j_1}a_{2j_2}\cdots a_{nj_n} D\begin{bmatrix}\varepsilon_{j_1} \\ \vdots \\ \varepsilon_{j_n}\end{bmatrix} \]

3. 用交错性化简：
   根据交错性，若\(j_1,j_2,\dots,j_n\)中有两个相同，则\(D\begin{bmatrix}\varepsilon_{j_1} \\ \vdots \\ \varepsilon_{j_n}\end{bmatrix}=0\)。因此，求和只需对所有n级排列\(j_1j_2\cdots j_n\)进行。

4. 用规范性和对换性质计算\(D\begin{bmatrix}\varepsilon_{j_1} \\ \vdots \\ \varepsilon_{j_n}\end{bmatrix}\)：
   矩阵\(\begin{bmatrix}\varepsilon_{j_1} \\ \vdots \\ \varepsilon_{j_n}\end{bmatrix}\)是单位矩阵经过一系列行对换得到的。设经过\(s\)次对换，则根据性质4，有：

   \[D\begin{bmatrix}\varepsilon_{j_1} \\ \vdots \\ \varepsilon_{j_n}\end{bmatrix} = (-1)^s D(I) = (-1)^s \]

   而对换次数\(s\)的奇偶性与排列\(j_1j_2\cdots j_n\)的逆序数\(\tau(j_1j_2\cdots j_n)\)的奇偶性相同，因此：

   \[D\begin{bmatrix}\varepsilon_{j_1} \\ \vdots \\ \varepsilon_{j_n}\end{bmatrix} = (-1)^{\tau(j_1j_2\cdots j_n)} \]

5. 最终结果：
   将上述结果代入展开式，得到：

   \[D(A) = \sum_{j_1j_2\cdots j_n} (-1)^{\tau(j_1j_2\cdots j_n)} a_{1j_1}a_{2j_2}\cdots a_{nj_n} = \det A \]

证明依据：多重线性性 + 交错性 + 规范性

推论2

若函数\(f:M_n(F)\to F\)满足多重线性性和交错性，则存在常数\(c\in F\)，使得对任意方阵\(A\)，有\(f(A)=c\cdot\det A\)，其中\(c=f(I)\)。

证明：
令\(c=f(I)\)，定义函数\(D(A)=\frac{1}{c}f(A)\)（\(c\neq0\)，若\(c=0\)则\(f(A)=0\)对所有\(A\)成立），则\(D\)满足多重线性性、交错性和规范性\(D(I)=1\)。根据定理2.4，\(D(A)=\det A\)，因此\(f(A)=c\cdot\det A\)。

四、分块行列式的重要结论（例2.6）

结论

设\(A\)是n阶方阵，\(C\)是m阶方阵，\(B\)是\(n\times m\)矩阵，则分块上三角行列式满足：

\[\det\begin{bmatrix}A & B \\ 0 & C\end{bmatrix} = \det A \cdot \det C \]

证明思路：
将\(\det\begin{bmatrix}A & B \\ 0 & C\end{bmatrix}\)看作关于矩阵\(C\)的函数，验证它满足多重线性性和交错性。根据推论2，它等于\(\det C\)乘以该函数在\(C=I\)时的值，即\(\det\begin{bmatrix}A & B \\ 0 & I\end{bmatrix}\)。
再将\(\det\begin{bmatrix}A & B \\ 0 & I\end{bmatrix}\)看作关于矩阵\(A\)的函数，验证它满足多重线性性和交错性，且在\(A=I\)时的值为1，因此它等于\(\det A\)。
综上，\(\det\begin{bmatrix}A & B \\ 0 & C\end{bmatrix} = \det A \cdot \det C\)。

推论：分块下三角行列式也满足同样的性质：

\[\det\begin{bmatrix}A & 0 \\ B & C\end{bmatrix} = \det A \cdot \det C \]

五、行列式性质归纳总结表

性质类别	具体内容	证明依据	核心应用
基本公理	1. 行多重线性性：\(\det(\dots,\lambda\alpha+\mu\beta,\dots)=\lambda\det(\dots,\alpha,\dots)+\mu\det(\dots,\beta,\dots)\)	行列式原始定义	推导其他所有性质
	2. 交错性：两行相同，行列式为0	排列配对法+对换改变奇偶性	推导对换行变号、两行成比例为0
	3. 规范性：\(\det I=1\)	对角行列式性质	公理化定义的基准
实用性质	4. 对换两行，行列式变号	公理1+公理2	调整行列式行顺序
	5. 行倍加变换：一行的倍数加到另一行，行列式不变	公理1+公理2	化行列式为上三角形式（最常用）
	6. 行数乘：某行乘以\(\lambda\)，行列式乘以\(\lambda\)	公理1（\(\mu=0\)）	提取行列式中的公因子
	7. 两行成比例，行列式为0	性质6+公理2	判断行列式是否为0
	8. 转置不变性：\(\det A=\det A^T\)	行列式定义的等价形式	所有行性质对列成立
公理化定义	满足多重线性、交错性、规范性的函数唯一，就是行列式	单位向量展开+性质推导	从本质上刻画行列式
分块行列式	分块上/下三角行列式等于对角块行列式的乘积	公理化定义+推论2	计算高阶分块行列式

---

2.4 Laplace展开 深度解析与完整证明

Laplace展开定理是行列式理论中最核心的计算工具之一，它将n阶行列式的计算转化为更低阶行列式的计算，是连接高阶与低阶行列式的桥梁。本节从子式与代数余子式的定义出发，严格证明Laplace展开定理，并推导其最重要的两个特例：按一行（列）展开公式和分块行列式公式。

一、基本概念：子式、余子式与代数余子式

1. 定义2.4 完整解析

设\(A=(a_{ij})\)是n阶方阵，\(1\leq i_1<i_2<\dots<i_p\leq n\)，\(1\leq j_1<j_2<\dots<j_p\leq n\)。

概念	定义	符号表示
p阶子方阵	位于第\(i_1,\dots,i_p\)行和第\(j_1,\dots,j_p\)列交叉处的元素按原顺序排成的p阶方阵	\(A\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix}\)
p阶子式	p阶子方阵的行列式	\(\det A\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix}\)
余子方阵	从\(A\)中删去第\(i_1,\dots,i_p\)行和第\(j_1,\dots,j_p\)列后，剩余元素按原顺序排成的\(n-p\)阶方阵	\(A^c\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix}=A\begin{pmatrix}i_{p+1}\cdots i_n \\ j_{p+1}\cdots j_n\end{pmatrix}\) （其中\(i_{p+1}<\dots<i_n\)，\(j_{p+1}<\dots<j_n\)是剩余的行标和列标）
余子式	余子方阵的行列式	\(\det A^c\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix}\)
代数余子式	余子式乘以符号因子\((-1)^{i_1+\dots+i_p+j_1+\dots+j_p}\)	\(A^\text{ac}\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix}=(-1)^{i_1+\dots+i_p+j_1+\dots+j_p}\det A^c\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix}\)

2. 关键说明

• 符号因子的意义：\((-1)^{i_1+\dots+i_p+j_1+\dots+j_p}\)恰好等于将第\(i_1,\dots,i_p\)行和第\(j_1,\dots,j_p\)列都换到矩阵左上角所需的对换次数的奇偶性。
• 左上角子式的特殊性：若\(i_1=1,\dots,i_p=p\)且\(j_1=1,\dots,j_p=p\)，则符号因子为\((-1)^{(1+\dots+p)+(1+\dots+p)}=(-1)^{p(p+1)}=1\)（因为\(p(p+1)\)必为偶数），因此左上角子式的代数余子式等于其余子式。

3. 重要特例：一阶子式（元素的代数余子式）

当\(p=1\)时，取第\(i\)行第\(j\)列的元素\(a_{ij}\)，其对应的：

• 一阶子式：\(\det A\begin{pmatrix}i \\ j\end{pmatrix}=a_{ij}\)
• 余子式：记为\(M_{ij}\)，即删去第\(i\)行第\(j\)列后得到的\(n-1\)阶行列式
• 代数余子式：记为\(A_{ij}=(-1)^{i+j}M_{ij}\)

这是后续按一行（列）展开的基础，也是最常用的代数余子式形式。

4. p阶子式的个数

对于固定的\(p\)行，从\(n\)列中选取\(p\)列，共有\(\mathrm{C}_n^p=\frac{n!}{p!(n-p)!}\)种选法，因此固定\(p\)行的\(p\)阶子式共有\(\mathrm{C}_n^p\)个。同理，固定\(p\)列的\(p\)阶子式也有\(\mathrm{C}_n^p\)个。

二、核心定理：Laplace展开定理

定理2.5 内容

任意取定行列式的某\(p\)行（\(1\leq p\leq n-1\)），位于这些行上的所有可能的\(\mathrm{C}_n^p\)个\(p\)阶子式与各自的代数余子式乘积的和，等于原行列式的值。即：

\[\det A = \sum_{1\leq j_1<\dots<j_p\leq n} \det A\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix} \cdot A^\text{ac}\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix} \]

同理，任意取定某\(p\)列，也有完全相同的展开式。

---

定理的严格证明

证明分两步：先证明取前\(p\)行的特殊情况，再通过行对换推广到一般情况。

第一步：特殊情况（取前\(p\)行，即\(i_1=1,\dots,i_p=p\)）

我们将行列式的定义式逐步分解，推导Laplace展开式。

等号①：行列式的原始定义

\[\det A = \sum_{t_1\cdots t_n} (-1)^{\tau(t_1\cdots t_n)} a_{1t_1}a_{2t_2}\cdots a_{nt_n} \]

依据：n阶行列式的定义

等号②：排列的分解
任意一个n级排列\(t_1\cdots t_n\)可以唯一分解为：

• 前\(p\)个元素\(t_1\cdots t_p\)是某个\(p\)元集合\(\{j_1,\dots,j_p\}\)（\(j_1<\dots<j_p\)）的一个排列
• 后\(n-p\)个元素\(t_{p+1}\cdots t_n\)是剩余集合\(\{j_{p+1},\dots,j_n\}\)（\(j_{p+1}<\dots<j_n\)）的一个排列

因此，求和可以拆分为：

\[\det A = \sum_{1\leq j_1<\dots<j_p\leq n} \left( \sum_{\substack{t_1\cdots t_p \text{是} \\ j_1\cdots j_p \text{的排列}}} \sum_{\substack{t_{p+1}\cdots t_n \text{是} \\ j_{p+1}\cdots j_n \text{的排列}}} (-1)^{\tau(t_1\cdots t_n)} a_{1t_1}\cdots a_{pt_p}a_{p+1,t_{p+1}}\cdots a_{nt_n} \right) \]

依据：排列的分类计数原理，总项数为\(\mathrm{C}_n^p \cdot p! \cdot (n-p)! = n!\)，与原定义一致。

等号③：逆序数的分解（证明的核心）
我们需要将排列\(t_1\cdots t_n\)的逆序数分解为三部分：

1. 前\(p\)个元素内部的逆序数\(\tau_p\)（相对于\(j_1<\dots<j_p\)的顺序）
2. 后\(n-p\)个元素内部的逆序数\(\tau_{n-p}\)（相对于\(j_{p+1}<\dots<j_n\)的顺序）
3. 将\(\{j_1,\dots,j_p\}\)移到前\(p\)个位置所需的对换次数的奇偶性

详细推导：
将自然排列\(12\cdots n\)变为排列\(t_1\cdots t_n\)，可分两步完成：

1. 第一步：将\(j_1\)移到第1位（需\(j_1-1\)次相邻对换），\(j_2\)移到第2位（需\(j_2-2\)次相邻对换），…，\(j_p\)移到第p位（需\(j_p-p\)次相邻对换）。总对换次数为：
   \[(j_1-1)+(j_2-2)+\dots+(j_p-p) = (j_1+\dots+j_p) - (1+\dots+p) \]
   其奇偶性与\((j_1+\dots+j_p)+(1+\dots+p)\)相同（因为\(-k\equiv k \pmod{2}\)）。
2. 第二步：将前\(p\)个元素\(j_1\cdots j_p\)排列为\(t_1\cdots t_p\)（逆序数为\(\tau_p\)），将后\(n-p\)个元素\(j_{p+1}\cdots j_n\)排列为\(t_{p+1}\cdots t_n\)（逆序数为\(\tau_{n-p}\)）。

因此，总逆序数满足：

\[\tau(t_1\cdots t_n) \equiv (1+\dots+p + j_1+\dots+j_p) + \tau_p + \tau_{n-p} \pmod{2} \]

代入符号因子得：

\[(-1)^{\tau(t_1\cdots t_n)} = (-1)^{1+\dots+p + j_1+\dots+j_p} \cdot (-1)^{\tau_p} \cdot (-1)^{\tau_{n-p}} \]

将其代入等号②的表达式，可将乘积拆分为两部分：

\[\begin{align*} \det A &= \sum_{1\leq j_1<\dots<j_p\leq n} (-1)^{1+\dots+p + j_1+\dots+j_p} \\ &\quad \cdot \left( \sum_{t_1\cdots t_p} (-1)^{\tau_p} a_{1t_1}\cdots a_{pt_p} \right) \cdot \left( \sum_{t_{p+1}\cdots t_n} (-1)^{\tau_{n-p}} a_{p+1,t_{p+1}}\cdots a_{nt_n} \right) \end{align*} \]

等号④：行列式定义的逆用

• 第一个括号内的和正是p阶子式\(\det A\begin{pmatrix}1\cdots p \\ j_1\cdots j_p\end{pmatrix}\)
• 第二个括号内的和正是余子式\(\det A\begin{pmatrix}p+1\cdots n \\ j_{p+1}\cdots j_n\end{pmatrix}\)

因此：

\[\det A = \sum_{1\leq j_1<\dots<j_p\leq n} \det A\begin{pmatrix}1\cdots p \\ j_1\cdots j_p\end{pmatrix} \cdot (-1)^{1+\dots+p + j_1+\dots+j_p} \det A\begin{pmatrix}p+1\cdots n \\ j_{p+1}\cdots j_n\end{pmatrix} \]

这正是前\(p\)行的Laplace展开式。

---

第二步：一般情况（取任意\(p\)行\(i_1<\dots<i_p\)）

通过行对换将第\(i_1,\dots,i_p\)行换到前\(p\)行：

• 将\(i_1\)换到第1行，需\(i_1-1\)次相邻对换
• 将\(i_2\)换到第2行，需\(i_2-2\)次相邻对换
• ……
• 将\(i_p\)换到第p行，需\(i_p-p\)次相邻对换

总对换次数为：

\[(i_1-1)+(i_2-2)+\dots+(i_p-p) = (i_1+\dots+i_p) - (1+\dots+p) \]

因此，行列式的值变为：

\[\det A = (-1)^{(i_1+\dots+i_p)+(1+\dots+p)} \cdot \det A' \]

其中\(A'\)是对换后的矩阵，其前\(p\)行就是原矩阵的第\(i_1,\dots,i_p\)行。

对\(A'\)按前\(p\)行展开，每个子式的代数余子式为：

\[(-1)^{1+\dots+p + j_1+\dots+j_p} \det A'^c\begin{pmatrix}1\cdots p \\ j_1\cdots j_p\end{pmatrix} \]

而\(A'\)的余子式与原矩阵\(A\)的余子式完全相同，因此：

\[\begin{align*} \det A &= (-1)^{(i_1+\dots+i_p)+(1+\dots+p)} \cdot \sum_{j_1<\dots<j_p} \det A\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix} \cdot (-1)^{1+\dots+p + j_1+\dots+j_p} \det A^c\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix} \\ &= \sum_{j_1<\dots<j_p} \det A\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix} \cdot (-1)^{i_1+\dots+i_p + j_1+\dots+j_p} \det A^c\begin{pmatrix}i_1\cdots i_p \\ j_1\cdots j_p\end{pmatrix} \end{align*} \]

这正是一般情况的Laplace展开式。定理得证。

三、两个最重要的推论（系）

系1：按一行（列）展开公式与异乘变零定理

这是Laplace展开当\(p=1\)时的特例，是计算行列式最常用的方法。

（1）按第\(i\)行展开

\[\det A = \sum_{j=1}^n a_{ij} A_{ij} \]

其中\(A_{ij}=(-1)^{i+j}M_{ij}\)是元素\(a_{ij}\)的代数余子式。

证明：取定第\(i\)行（\(p=1\)），共有\(\mathrm{C}_n^1=n\)个一阶子式\(a_{ij}\)，对应的代数余子式为\(A_{ij}\)，代入Laplace展开式即得。

（2）异乘变零定理

\[\sum_{j=1}^n a_{kj} A_{ij} = 0 \quad (k\neq i) \]

即行列式某一行的元素与另一行对应元素的代数余子式乘积之和为0。

证明：构造一个新的行列式\(B\)，它的第\(i\)行与第\(k\)行完全相同（均为\(A\)的第\(k\)行），其余行与\(A\)相同。由于\(B\)有两行相同，故\(\det B=0\)。

将\(B\)按第\(i\)行展开，第\(i\)行的元素是\(a_{k1},\dots,a_{kn}\)，而它们对应的代数余子式与\(A\)中第\(i\)行元素的代数余子式完全相同（因为删去第\(i\)行后，\(B\)与\(A\)的余子式一致）。因此：

\[0 = \det B = \sum_{j=1}^n a_{kj} A_{ij} \]

依据：两行相同行列式为0 + 按行展开公式

同理，按列展开也有完全相同的结论：

\[\det A = \sum_{i=1}^n a_{ij} A_{ij}, \quad \sum_{i=1}^n a_{ik} A_{ij} = 0 \quad (k\neq j) \]

---

系2：分块三角行列式公式

设\(A\)是\(n\)阶方阵，\(C\)是\(m\)阶方阵，\(B\)是\(n\times m\)矩阵，则：

\[\det\begin{bmatrix}A & B \\ 0 & C\end{bmatrix} = \det A \cdot \det C \]

同理，分块下三角行列式也满足：

\[\det\begin{bmatrix}A & 0 \\ B & C\end{bmatrix} = \det A \cdot \det C \]

证明：对分块上三角行列式按前\(n\)行进行Laplace展开。所有\(n\)阶子式中，只有选取前\(n\)列的子式\(\det A\)可能非零（若选取任何一列来自后\(m\)列，则子式中会包含全零行，行列式为0）。

该子式的代数余子式为：

\[(-1)^{(1+\dots+n)+(1+\dots+n)} \cdot \det C = \det C \]

因此：

\[\det\begin{bmatrix}A & B \\ 0 & C\end{bmatrix} = \det A \cdot \det C \]

依据：Laplace展开定理

四、Laplace展开的应用要点

1. 按一行（列）展开：适用于大多数行列式计算，尤其是某一行（列）有较多零元素的情况。应优先选择零元素最多的行（列）展开，以减少计算量。
2. p>1的Laplace展开：仅适用于有大块零元素的行列式，特别是分块行列式。此时可以一次性降阶p级，大幅简化计算。
3. 与行列式性质结合：通常先利用行列式的行（列）倍加变换将某一行（列）化为只有一个非零元素，再按该行（列）展开，这是计算高阶行列式的标准流程。

五、知识点归纳总结表

类别	具体内容	核心公式与结论
基本概念	p阶子式	选p行p列交叉元素的行列式
	余子式	删去p行p列后剩余元素的行列式
	代数余子式	\(A^\text{ac}=(-1)^{\sum i_k+\sum j_k} \cdot \text{余子式}\)
	元素的代数余子式	\(A_{ij}=(-1)^{i+j}M_{ij}\)（\(M_{ij}\)为余子式）
核心定理	Laplace展开定理	取定p行，\(\det A=\sum \text{子式} \times \text{代数余子式}\)
重要推论	按第i行展开	\(\det A=\sum_{j=1}^n a_{ij}A_{ij}\)
	异乘变零定理	\(\sum_{j=1}^n a_{kj}A_{ij}=0 \ (k\neq i)\)
	分块三角行列式	\(\det\begin{bmatrix}A&B\\0&C\end{bmatrix}=\det A\cdot\det C\)
应用要点	优先选择零多的行/列展开；先化简再展开；p>1用于大块零行列式

---

2.5 Cramer法则与矩阵乘法 深度解析与完整证明

本节是行列式理论的重要应用，同时引入了线性代数中最核心的运算——矩阵乘法。Cramer法则给出了n元线性方程组有唯一解的条件和显式表达式，而矩阵乘法不仅将线性方程组简洁地表示为\(Ax=b\)的形式，更为后续线性变换、矩阵可逆性等理论奠定了基础。

一、Cramer法则（定理2.6）

1. 定理内容

设n个变量\(x_1,\dots,x_n\)的线性方程组为：

\[\begin{cases} a_{11}x_1 + a_{12}x_2 + \dots + a_{1n}x_n = b_1 \\ a_{21}x_1 + a_{22}x_2 + \dots + a_{2n}x_n = b_2 \\ \quad \vdots \quad \quad \vdots \quad \quad \quad \vdots \quad \quad \vdots \\ a_{n1}x_1 + a_{n2}x_2 + \dots + a_{nn}x_n = b_n \end{cases} \]

若其系数方阵\(A=(a_{ij})\)的行列式\(|A|\neq0\)，则此方程组有唯一解：

\[x_j = \frac{D_j}{|A|} \quad (j=1,2,\dots,n) \]

其中\(D_j\)是把系数矩阵\(A\)的第\(j\)列替换为常数项列\((b_1,b_2,\dots,b_n)^T\)后所得方阵的行列式。

---

2. 严格证明

证明分为存在性和唯一性两部分，核心工具是上一节的按行（列）展开公式和异乘变零定理。

（1）存在性：证明\(x_j=\frac{D_j}{|A|}\)是方程组的解

首先，将\(D_j\)按第\(j\)列展开，根据按列展开公式：

\[D_j = \sum_{k=1}^n b_k A_{kj} \]

其中\(A_{kj}\)是元素\(a_{kj}\)的代数余子式。

将\(x_j=\frac{D_j}{|A|}\)代入方程组的第\(i\)个方程左边：

\[\begin{align*} \sum_{j=1}^n a_{ij} x_j &= \sum_{j=1}^n a_{ij} \cdot \frac{D_j}{|A|} \\ &= \frac{1}{|A|} \sum_{j=1}^n a_{ij} \left( \sum_{k=1}^n b_k A_{kj} \right) \end{align*} \]

交换求和顺序（有限和的交换律）：

\[= \frac{1}{|A|} \sum_{k=1}^n b_k \left( \sum_{j=1}^n a_{ij} A_{kj} \right) \]

根据异乘变零定理：

\[\sum_{j=1}^n a_{ij} A_{kj} = \delta_{ik} |A| \]

其中\(\delta_{ik}\)是克罗内克（Kronecker）符号，定义为：

\[\delta_{ik} = \begin{cases} 1, & i=k \\ 0, & i\neq k \end{cases} \]

代入上式得：

\[\begin{align*} \sum_{j=1}^n a_{ij} x_j &= \frac{1}{|A|} \sum_{k=1}^n b_k \cdot \delta_{ik} |A| \\ &= \sum_{k=1}^n b_k \delta_{ik} \\ &= b_i \end{align*} \]

这恰好等于方程组第\(i\)个方程的右边。因此，\(x_j=\frac{D_j}{|A|}\)确实是方程组的解。
证明依据：按列展开公式 + 异乘变零定理

---

（2）唯一性：证明方程组只有这一个解

设\((x_1,\dots,x_n)\)和\((x_1',\dots,x_n')\)是方程组的任意两个解，令\(y_j = x_j - x_j'\)（\(j=1,\dots,n\)），则\(y=(y_1,\dots,y_n)^T\)满足齐次线性方程组：

\[\sum_{j=1}^n a_{ij} y_j = 0 \quad (i=1,\dots,n) \]

对任意固定的\(k\)，将上述第\(i\)个方程两边乘以\(A_{ik}\)（\(A\)的第\(i\)行第\(k\)列元素的代数余子式），然后对\(i\)从1到n求和：

\[\sum_{i=1}^n \left( \sum_{j=1}^n a_{ij} y_j \right) A_{ik} = 0 \]

交换求和顺序：

\[\sum_{j=1}^n y_j \left( \sum_{i=1}^n a_{ij} A_{ik} \right) = 0 \]

再次应用异乘变零定理：

\[\sum_{i=1}^n a_{ij} A_{ik} = \delta_{jk} |A| \]

代入得：

\[\sum_{j=1}^n y_j \cdot \delta_{jk} |A| = y_k |A| = 0 \]

由于已知\(|A|\neq0\)，因此必有\(y_k=0\)（\(k=1,\dots,n\)），即\(x_k=x_k'\)。这说明方程组的解是唯一的。
证明依据：异乘变零定理

---

3. Cramer法则的适用条件与局限性

• 适用条件：
  1. 方程组必须是n个方程n个未知数（系数矩阵是方阵）；
  2. 系数行列式\(|A|\neq0\)。
• 局限性：
  1. 计算量极大：计算一个n阶行列式需要\(O(n!)\)次运算，而Cramer法则需要计算\(n+1\)个n阶行列式，仅适用于\(n\leq3\)的小规模方程组；
  2. 无法处理\(|A|=0\)的情况（此时方程组可能无解或有无穷多解）；
  3. 主要用于理论推导，实际计算中通常使用高斯消元法。

二、矩阵乘法

为了更简洁地表示线性方程组和线性变换，我们引入矩阵乘法运算，它是线性代数中最基本、最重要的运算。

1. 预备：行向量与列向量的内积

设行向量\(\alpha=(a_1,a_2,\dots,a_n)\)，列向量\(\beta=(b_1,b_2,\dots,b_n)^T\)，定义它们的内积（或点积）为：

\[\alpha\beta = a_1b_1 + a_2b_2 + \dots + a_nb_n = \sum_{k=1}^n a_kb_k \]

内积的结果是一个数，它是矩阵乘法的基本单元。

2. 矩阵乘法的定义

定义2.5：设\(A=(a_{ij})\)是\(m\times s\)矩阵，\(B=(b_{ij})\)是\(s\times n\)矩阵，则它们的乘积\(AB\)是一个\(m\times n\)矩阵\(C=(c_{ij})\)，其中\(C\)的\((i,j)\)元是\(A\)的第\(i\)行与\(B\)的第\(j\)列的内积：

\[c_{ij} = \sum_{k=1}^s a_{ik}b_{kj} = a_{i1}b_{1j} + a_{i2}b_{2j} + \dots + a_{is}b_{sj} \]

关键说明：

• 可乘条件：只有当前一个矩阵的列数等于后一个矩阵的行数时，两个矩阵才能相乘。
• 结果矩阵的形状：\(m\times s\)矩阵乘以\(s\times n\)矩阵，结果是\(m\times n\)矩阵（"中间消去，两边保留"）。
• 行乘列法则：结果矩阵的第\(i\)行第\(j\)列元素，等于第一个矩阵的第\(i\)行与第二个矩阵的第\(j\)列对应元素乘积之和。

3. 矩阵乘法的核心性质

（1）不满足交换律（矩阵乘法的最特殊性质）

一般情况下，\(AB\neq BA\)，甚至可能\(AB\)有定义而\(BA\)无定义。

• 例1：\(A\)是\(2\times3\)矩阵，\(B\)是\(3\times4\)矩阵，则\(AB\)是\(2\times4\)矩阵，但\(BA\)无定义。

• 例2（教材例子）：

  \[\begin{bmatrix}1 & 1 \\ 0 & 0\end{bmatrix}\begin{bmatrix}0 & 1 \\ 0 & 1\end{bmatrix} = \begin{bmatrix}0 & 2 \\ 0 & 0\end{bmatrix}, \quad \begin{bmatrix}0 & 1 \\ 0 & 1\end{bmatrix}\begin{bmatrix}1 & 1 \\ 0 & 0\end{bmatrix} = \begin{bmatrix}0 & 0 \\ 0 & 0\end{bmatrix} \]

  两者不相等。

• 推论：矩阵乘法有零因子：存在非零矩阵\(A,B\)，使得\(AB=0\)。如上例中\(A\neq0,B\neq0\)但\(AB=0\)。这意味着矩阵乘法不满足消去律（即\(AB=AC\)且\(A\neq0\)不能推出\(B=C\)）。

---

（2）满足结合律

对任意\(m\times n\)矩阵\(A\)、\(n\times p\)矩阵\(B\)、\(p\times q\)矩阵\(C\)，有：

\[(AB)C = A(BC) \]

证明：
计算两边矩阵的\((i,j)\)元：

• 左边\((AB)C\)的\((i,j)\)元：\(\sum_{l=1}^p \left( \sum_{k=1}^n a_{ik}b_{kl} \right) c_{lj} = \sum_{k=1}^n \sum_{l=1}^p a_{ik}b_{kl}c_{lj}\)
• 右边\(A(BC)\)的\((i,j)\)元：\(\sum_{k=1}^n a_{ik} \left( \sum_{l=1}^p b_{kl}c_{lj} \right) = \sum_{k=1}^n \sum_{l=1}^p a_{ik}b_{kl}c_{lj}\)

两者完全相等，因此结合律成立。
证明依据：矩阵乘法的定义 + 有限和的结合律与交换律

---

（3）满足分配律

• 左分配律：\(A(B+C) = AB + AC\)（\(A\)是\(m\times n\)，\(B,C\)是\(n\times p\)）
• 右分配律：\((A+B)C = AC + BC\)（\(A,B\)是\(m\times n\)，\(C\)是\(n\times p\)）

---

（4）与数乘的交换律

对任意数\(\lambda\in F\)，任意\(m\times n\)矩阵\(A\)、\(n\times p\)矩阵\(B\)，有：

\[\lambda(AB) = (\lambda A)B = A(\lambda B) \]

---

（5）单位矩阵的作用

单位矩阵是矩阵乘法的单位元，对任意\(m\times n\)矩阵\(A\)，有：

\[I_m A = A I_n = A \]

其中\(I_m\)是m阶单位矩阵，\(I_n\)是n阶单位矩阵。

---

（6）纯量方阵

主对角线元素全为\(\lambda\)，其余元素全为0的方阵称为纯量方阵，记为\(\lambda I\)。纯量方阵与任何同阶方阵可交换：

\[(\lambda I)A = A(\lambda I) = \lambda A \]

这说明数乘运算可以看作纯量方阵与矩阵的乘法。

三、可逆矩阵与伴随矩阵

1. 可逆矩阵的定义

设\(A\)是n阶方阵，若存在n阶方阵\(B\)，使得：

\[AB = BA = I \]

则称方阵\(A\)可逆，并称\(B\)为\(A\)的逆矩阵，记为\(A^{-1}\)。

说明：若\(A\)可逆，则其逆矩阵是唯一的。因为若\(B\)和\(C\)都是\(A\)的逆矩阵，则\(B=BI=B(AC)=(BA)C=IC=C\)。

2. 伴随矩阵的定义

设\(A=(a_{ij})\)是n阶方阵，\(A_{ij}\)是元素\(a_{ij}\)的代数余子式，则称矩阵：

\[A^* = \begin{bmatrix} A_{11} & A_{21} & \dots & A_{n1} \\ A_{12} & A_{22} & \dots & A_{n2} \\ \vdots & \vdots & \ddots & \vdots \\ A_{1n} & A_{2n} & \dots & A_{nn} \end{bmatrix} \]

为\(A\)的古典伴随方阵（简称伴随矩阵）。

关键注意点：伴随矩阵\(A^*\)的\((i,j)\)元是\(A\)的\((j,i)\)元的代数余子式\(A_{ji}\)，即\(A^*\)是代数余子式矩阵的转置。这是最容易出错的地方。

3. 定理2.8：可逆矩阵的判定与逆矩阵公式

定理内容：n阶方阵\(A\)可逆的充分必要条件是\(|A|\neq0\)，且当\(A\)可逆时，其逆矩阵为：

\[A^{-1} = \frac{1}{|A|} A^* \]

严格证明：

（1）必要性：若\(A\)可逆，则\(|A|\neq0\)

若\(A\)可逆，则存在\(A^{-1}\)使得\(AA^{-1}=I\)。两边取行列式：

\[|A||A^{-1}| = |I| = 1 \]

因此\(|A|\neq0\)（否则左边为0，矛盾）。

---

（2）充分性：若\(|A|\neq0\)，则\(A\)可逆，且\(A^{-1}=\frac{1}{|A|}A^*\)

计算乘积\(AA^*\)，其\((i,j)\)元为：

\[(AA^*)_{ij} = \sum_{k=1}^n a_{ik} (A^*)_{kj} = \sum_{k=1}^n a_{ik} A_{jk} \]

根据按行展开公式和异乘变零定理：

\[\sum_{k=1}^n a_{ik} A_{jk} = \delta_{ij} |A| \]

因此：

\[AA^* = \begin{bmatrix} |A| & & & \\ & |A| & & \\ & & \ddots & \\ & & & |A| \end{bmatrix} = |A| I \]

同理可证\(A^*A = |A| I\)。

由于\(|A|\neq0\)，两边除以\(|A|\)得：

\[A \left( \frac{1}{|A|} A^* \right) = \left( \frac{1}{|A|} A^* \right) A = I \]

根据可逆矩阵的定义，\(A\)可逆，且\(A^{-1}=\frac{1}{|A|}A^*\)。
证明依据：按行展开公式 + 异乘变零定理

---

4. 重要推论

若n阶方阵\(A,B\)满足\(AB=I\)（或\(BA=I\)），则\(A\)可逆，且\(B=A^{-1}\)。

证明：由\(AB=I\)得\(|A||B|=1\)，故\(|A|\neq0\)，\(A\)可逆。两边左乘\(A^{-1}\)得\(B=A^{-1}\)。

这一推论大大简化了可逆矩阵的验证，只需验证一个方向的乘积为单位矩阵即可。

四、用矩阵乘法重新解释Cramer法则

有了矩阵乘法和逆矩阵的概念，我们可以从更高的视角重新理解Cramer法则。

1. 线性方程组的矩阵形式

n元线性方程组可以简洁地表示为：

\[Ax = b \]

其中\(A=(a_{ij})\)是\(n\times n\)系数矩阵，\(x=(x_1,x_2,\dots,x_n)^T\)是未知数列向量，\(b=(b_1,b_2,\dots,b_n)^T\)是常数项列向量。

2. 矩阵形式的解

当\(|A|\neq0\)时，\(A\)可逆，在方程两边左乘\(A^{-1}\)得：

\[x = A^{-1} b \]

这就是线性方程组解的矩阵形式，比Cramer法则更简洁、更具一般性。

3. 与Cramer法则的等价性

将\(A^{-1}=\frac{1}{|A|}A^*\)代入上式：

\[x = \frac{1}{|A|} A^* b \]

展开第\(j\)个分量：

\[x_j = \frac{1}{|A|} \sum_{k=1}^n (A^*)_{jk} b_k = \frac{1}{|A|} \sum_{k=1}^n A_{kj} b_k \]

而\(D_j\)（将\(A\)的第\(j\)列换成\(b\)的行列式）按第\(j\)列展开正是：

\[D_j = \sum_{k=1}^n b_k A_{kj} \]

因此\(x_j=\frac{D_j}{|A|}\)，这就是Cramer法则。

结论：Cramer法则本质上是逆矩阵公式的直接推论，矩阵形式不仅更简洁，还为后续研究一般线性方程组（非方阵、\(|A|=0\)的情况）提供了统一的框架。

五、知识点归纳总结表

类别	具体内容	核心公式与结论
Cramer法则	适用条件	n个方程n个未知数，系数行列式\(|A|\neq0\)
	解的公式	\(x_j=\frac{D_j}{|A|}\)，\(D_j\)是替换第j列为常数项的行列式
	证明依据	按列展开公式 + 异乘变零定理
	局限性	计算量大，仅适用于小n，主要用于理论推导
矩阵乘法	定义	\(m\times s\)矩阵乘\(s\times n\)矩阵得\(m\times n\)矩阵，\((AB)_{ij}=\sum_{k=1}^s a_{ik}b_{kj}\)
	核心性质	不满足交换律和消去律，有零因子；满足结合律、分配律
	单位矩阵	\(I_m A=A I_n=A\)，是矩阵乘法的单位元
	纯量方阵	\(\lambda I\)与同阶方阵可交换，\((\lambda I)A=\lambda A\)
可逆矩阵	定义	存在\(B\)使得\(AB=BA=I\)，则\(A\)可逆，\(B=A^{-1}\)
	伴随矩阵	\(A^*=(A_{ji})\)，是代数余子式矩阵的转置
	可逆判定	\(A\)可逆$\iff
	逆矩阵公式	$A^{-1}=\frac{1}{
	核心等式	$AA*=A*A=
联系	线性方程组的矩阵形式	\(Ax=b\)
	解的矩阵形式	$

---

2.6 矩阵的乘积与行列式 深度解析与完整证明

本节的核心是Binet-Cauchy定理，它是行列式理论中最深刻的结果之一，将方阵乘积的行列式公式推广到了非方阵的情况，不仅统一了所有矩阵乘积的行列式计算，还在不等式证明、组合数学等领域有广泛应用。

一、核心定理：Binet-Cauchy定理（定理2.9）

1. 定理内容

设\(A\)为\(n\times s\)矩阵，\(B\)为\(s\times n\)矩阵，则它们的乘积\(AB\)是\(n\)阶方阵，其行列式分三种情况：

\[\det(AB) = \begin{cases} 0, & \text{当 } n > s; \\ \det A \cdot \det B, & \text{当 } n = s; \\ \sum\limits_{1\leq k_1<k_2<\dots<k_n\leq s} \det A\begin{pmatrix}1\cdots n \\ k_1\cdots k_n\end{pmatrix} \cdot \det B\begin{pmatrix}k_1\cdots k_n \\ 1\cdots n\end{pmatrix}, & \text{当 } n < s. \end{cases} \]

2. 直观解释

• 情况1（\(n>s\)）：乘积矩阵\(AB\)的秩不超过\(\min\{\text{rank}(A),\text{rank}(B)\}\leq s < n\)，因此\(AB\)是降秩方阵，行列式必为0。
• 情况2（\(n=s\)）：这是我们最熟悉的方阵乘积的行列式公式，即两个同阶方阵乘积的行列式等于行列式的乘积。
• 情况3（\(n<s\)）：乘积矩阵的行列式等于\(A\)的所有\(n\)阶满行子式（共\(\mathrm{C}_s^n\)个）与\(B\)的对应\(n\)阶满列子式乘积之和。

3. 教材示例验证

• 例2.9：\(3\times1\)矩阵乘\(1\times3\)矩阵（\(n=3>s=1\)），结果为\(3\)阶方阵，行列式为0，符合情况1。
• 例2.10：\(2\times2\)矩阵乘\(2\times2\)矩阵（\(n=s=2\)），结果为\(\det A\cdot\det B\)，符合情况2。
• 例2.11：\(1\times3\)矩阵乘\(3\times1\)矩阵（\(n=1<s=3\)），结果为所有1阶子式乘积之和，即内积，符合情况3。
• 例2.12：\(2\times3\)矩阵乘\(3\times2\)矩阵（\(n=2<s=3\)），结果为\(\mathrm{C}_3^2=3\)个2阶子式乘积之和，符合情况3。

---

二、Binet-Cauchy定理的严格证明

教材采用构造分块矩阵+两种方法计算行列式的巧妙思路，下面逐段解析证明过程，补充教材未明确说明的关键细节。

第一步：构造辅助分块矩阵

构造\((n+s)\)阶分块矩阵：

\[M = \begin{bmatrix} A & 0 \\ -I_s & B \end{bmatrix} \]

其中\(I_s\)是\(s\)阶单位矩阵，\(0\)是\(n\times s\)零矩阵。我们将用两种不同的方法计算\(\det M\)，从而建立等式。

---

第二步：方法一（行变换+Laplace展开）

对\(M\)进行初等行变换：将第\(n+1\)行的\(a_{11}\)倍、第\(n+2\)行的\(a_{12}\)倍、…、第\(n+s\)行的\(a_{1s}\)倍加到第1行；同理，对第2到第\(n\)行进行相同操作。

变换后，前\(n\)行的前\(s\)列元素全部变为0，后\(n\)列元素恰好是乘积矩阵\(C=AB\)的元素。因此，\(M\)化为：

\[\widetilde{M} = \begin{bmatrix} 0 & C \\ -I_s & B \end{bmatrix} \]

依据：初等行变换不改变行列式的值

对\(\widetilde{M}\)的前\(n\)行进行Laplace展开：

• 前\(n\)行中，只有选取后\(n\)列（列\(s+1\)到\(s+n\)）的子式\(\det C\)非零，其他子式都包含前\(s\)列的零元素，行列式为0。
• 该子式对应的代数余子式为：\((-1)^{\text{行标和}+\text{列标和}} \cdot \det(-I_s)\)。

关键符号因子计算：

• 行标和：\(1+2+\dots+n = \frac{n(n+1)}{2}\)
• 列标和：\((s+1)+(s+2)+\dots+(s+n) = ns + \frac{n(n+1)}{2}\)
• 符号因子：\((-1)^{\frac{n(n+1)}{2} + ns + \frac{n(n+1)}{2}} = (-1)^{ns + n(n+1)}\)
• 注意：\(n(n+1)\)必为偶数（相邻两个整数必有一个是偶数），因此\((-1)^{n(n+1)}=1\)，符号因子简化为\((-1)^{ns}\)。
• \(\det(-I_s) = (-1)^s\)（\(s\)阶对角矩阵，对角线元素全为-1）。

因此，代数余子式为：

\[(-1)^{ns} \cdot (-1)^s = (-1)^{s(n+1)} \]

最终得到：

\[\det M = \det \widetilde{M} = \det C \cdot (-1)^{s(n+1)} = (-1)^{s(n+1)} \det(AB) \tag{1} \]

---

第三步：方法二（直接对前\(n\)行Laplace展开）

对原矩阵\(M\)的前\(n\)行直接进行Laplace展开，分三种情况讨论：

（1）当\(n > s\)时

前\(n\)行只有\(s\)列（\(A\)所在的列）非零，因此任何\(n\)阶子式都必须包含至少一列零元素，行列式为0。故\(\det M=0\)。
结合式(1)得：\((-1)^{s(n+1)} \det(AB)=0\)，因此\(\det(AB)=0\)。

（2）当\(n = s\)时

前\(n\)行只有一个非零子式：选取前\(n\)列的子式\(\det A\)。
其对应的代数余子式为：\((-1)^{(1+\dots+n)+(1+\dots+n)} \cdot \det B = \det B\)。
因此\(\det M = \det A \cdot \det B\)。
结合式(1)得：\((-1)^{n(n+1)} \det(AB) = \det A \cdot \det B\)。
由于\(n(n+1)\)是偶数，\((-1)^{n(n+1)}=1\)，故\(\det(AB)=\det A \cdot \det B\)。

（3）当\(n < s\)时

前\(n\)行共有\(\mathrm{C}_s^n\)个非零子式，每个子式是选取\(A\)的第\(k_1,\dots,k_n\)列（\(1\leq k_1<\dots<k_n\leq s\)）得到的\(n\)阶子式\(\det A\begin{pmatrix}1\cdots n \\ k_1\cdots k_n\end{pmatrix}\)。

该子式对应的代数余子式为：

\[(-1)^{(1+\dots+n)+(k_1+\dots+k_n)} \cdot \det\begin{pmatrix} -\widetilde{I} & B' \end{pmatrix} \]

其中\(-\widetilde{I}\)是\(-I_s\)删去第\(k_1,\dots,k_n\)列后得到的矩阵，\(B'\)是\(B\)的剩余部分。

对这个余子式再按第\(k_1,\dots,k_n\)行进行Laplace展开，只有选取\(B\)的第\(k_1,\dots,k_n\)行的子式\(\det B\begin{pmatrix}k_1\cdots k_n \\ 1\cdots n\end{pmatrix}\)非零。

经过符号因子的计算（教材中已验证\(\delta_1\delta_2\delta_3=1\)），最终得到：

\[\det M = \sum_{1\leq k_1<\dots<k_n\leq s} \det A\begin{pmatrix}1\cdots n \\ k_1\cdots k_n\end{pmatrix} \cdot \det B\begin{pmatrix}k_1\cdots k_n \\ 1\cdots n\end{pmatrix} \]

结合式(1)，两边的符号因子抵消，因此：

\[\det(AB) = \sum_{1\leq k_1<\dots<k_n\leq s} \det A\begin{pmatrix}1\cdots n \\ k_1\cdots k_n\end{pmatrix} \cdot \det B\begin{pmatrix}k_1\cdots k_n \\ 1\cdots n\end{pmatrix} \]

综上，三种情况全部得证。

---

三、推论：乘积矩阵的子式公式（定理2.10）

定理内容

设\(A\)为\(n\times s\)矩阵，\(B\)为\(s\times m\)矩阵，\(C=AB\)。则\(C\)的任意\(r\)阶子式满足：

\[\det C\begin{pmatrix}i_1\cdots i_r \\ j_1\cdots j_r\end{pmatrix} = \begin{cases} \sum\limits_{1\leq k_1<\dots<k_r\leq s} \det A\begin{pmatrix}i_1\cdots i_r \\ k_1\cdots k_r\end{pmatrix} \cdot \det B\begin{pmatrix}k_1\cdots k_r \\ j_1\cdots j_r\end{pmatrix}, & \text{当 } r \leq s; \\ 0, & \text{当 } r > s. \end{cases} \]

证明

根据矩阵乘法的定义，\(C\)的子方阵恰好等于\(A\)的对应子矩阵与\(B\)的对应子矩阵的乘积：

\[C\begin{pmatrix}i_1\cdots i_r \\ j_1\cdots j_r\end{pmatrix} = A\begin{pmatrix}i_1\cdots i_r \\ 1\cdots s\end{pmatrix} \cdot B\begin{pmatrix}1\cdots s \\ j_1\cdots j_r\end{pmatrix} \]

直接对这个乘积应用Binet-Cauchy定理，即得结论。

意义：这个定理将Binet-Cauchy定理推广到了任意子式，是研究矩阵秩、矩阵分解的重要工具。

---

四、经典应用：柯西不等式的证明（例2.13）

Binet-Cauchy定理最著名的应用之一是给出柯西不等式的一个极其简洁的代数证明。

柯西不等式

对任意实数\(a_1,a_2,\dots,a_n\)和\(b_1,b_2,\dots,b_n\)，有：

\[(a_1b_1 + a_2b_2 + \dots + a_nb_n)^2 \leq (a_1^2 + a_2^2 + \dots + a_n^2)(b_1^2 + b_2^2 + \dots + b_n^2) \]

等号当且仅当向量\((a_1,\dots,a_n)\)与\((b_1,\dots,b_n)\)线性相关（成比例）时成立。

证明

构造\(2\times n\)矩阵：

\[A = \begin{bmatrix} a_1 & a_2 & \dots & a_n \\ b_1 & b_2 & \dots & b_n \end{bmatrix} \]

考虑乘积\(AA^T\)（\(A^T\)是\(A\)的转置），它是一个2阶方阵。

方法一：直接计算行列式

\[AA^T = \begin{bmatrix} \sum_{i=1}^n a_i^2 & \sum_{i=1}^n a_ib_i \\ \sum_{i=1}^n a_ib_i & \sum_{i=1}^n b_i^2 \end{bmatrix} \]

因此：

\[\det(AA^T) = \left(\sum_{i=1}^n a_i^2\right)\left(\sum_{i=1}^n b_i^2\right) - \left(\sum_{i=1}^n a_ib_i\right)^2 \tag{2} \]

方法二：应用Binet-Cauchy定理
由于\(n\geq2\)（\(n=1\)时不等式为等式），根据Binet-Cauchy定理（\(n=2<s=n\)）：

\[\det(AA^T) = \sum_{1\leq i<j\leq n} \det A\begin{pmatrix}1 & 2 \\ i & j\end{pmatrix} \cdot \det A^T\begin{pmatrix}i & j \\ 1 & 2\end{pmatrix} \]

注意到\(\det A^T\begin{pmatrix}i & j \\ 1 & 2\end{pmatrix} = \det A\begin{pmatrix}1 & 2 \\ i & j\end{pmatrix}\)，因此：

\[\det(AA^T) = \sum_{1\leq i<j\leq n} \left( \det\begin{bmatrix}a_i & a_j \\ b_i & b_j\end{bmatrix} \right)^2 = \sum_{1\leq i<j\leq n} (a_ib_j - a_jb_i)^2 \geq 0 \tag{3} \]

结合式(2)和式(3)，立即得到柯西不等式：

\[\left(\sum_{i=1}^n a_ib_i\right)^2 \leq \left(\sum_{i=1}^n a_i^2\right)\left(\sum_{i=1}^n b_i^2\right) \]

等号条件：等号当且仅当所有2阶子式都为0，即对任意\(i<j\)，\(a_ib_j - a_jb_i=0\)，这等价于向量\((a_1,\dots,a_n)\)与\((b_1,\dots,b_n)\)成比例。

---

五、知识点归纳总结表

类别	具体内容	核心公式与结论
Binet-Cauchy定理	适用条件	\(A\)是\(n\times s\)矩阵，\(B\)是\(s\times n\)矩阵
	情况1（\(n>s\)）	\(\det(AB)=0\)（乘积矩阵降秩）
	情况2（\(n=s\)）	\(\det(AB)=\det A\cdot\det B\)（方阵乘积行列式公式）
	情况3（\(n<s\)）	\(\det(AB)=\sum\limits_{k_1<\dots<k_n} \det A\begin{pmatrix}1\cdots n \\ k_1\cdots k_n\end{pmatrix} \cdot \det B\begin{pmatrix}k_1\cdots k_n \\ 1\cdots n\end{pmatrix}\)
推论	乘积矩阵的子式	\(C=AB\)的\(r\)阶子式等于\(A\)和\(B\)对应\(r\)阶子式乘积之和（\(r\leq s\)）
经典应用	柯西不等式	\(\left(\sum a_ib_i\right)^2 \leq \left(\sum a_i^2\right)\left(\sum b_i^2\right)\)
	证明思路	构造\(2\times n\)矩阵，用Binet-Cauchy定理计算\(\det(AA^T)\)
证明方法	核心技巧	构造分块矩阵，用两种方法计算行列式建立等式
	关键工具	Laplace展开定理、初等行变换不改变行列式

---

2.7 行列式的计算 深度解析与方法总结

行列式的计算是线性代数的核心技能之一，其本质是利用行列式的性质，将复杂行列式转化为已知结果的简单行列式（如上三角行列式、Vandermonde行列式等）。本节系统介绍了6种最常用的计算方法，并通过经典例题展示了每种方法的适用场景和核心技巧。

一、基础工具：行初等变换与行列式的关系

行列式计算的核心思想是化简，而行初等变换是最基本的化简工具。域\(F\)上矩阵的三种行初等变换及其对行列式值的影响如下：

行初等变换类型	对行列式值的影响
1. 交换两行	行列式值变号（乘以\(-1\)）
2. 某行乘以非零常数\(\lambda\)	行列式值乘以\(\lambda\)
3. 某行的\(\lambda\)倍加到另一行	行列式值不变

关键说明：

• 列初等变换对行列式值的影响与行初等变换完全相同（因为\(\det A=\det A^T\)）。
• 计算行列式时，优先使用行倍加变换（不改变行列式值），尽量少用交换行（避免符号错误）和数乘行（避免倍数错误）。
• 化上三角行列式的标准流程：从第一列开始，依次将主对角线下方的元素全部化为0，最终得到上三角行列式，其值等于主对角线元素的乘积。

---

二、核心计算方法与经典例题解析

方法一：化三角法（最通用的基础方法）

适用场景：所有行列式，尤其是元素分布有规律（如各行元素和相等、循环型、箭型）的行列式。
核心思想：通过行/列初等变换将行列式化为上三角或下三角行列式，其值等于主对角线元素的乘积。

例2.14 循环型行列式

题目：计算n阶行列式

\[|A| = \begin{vmatrix} 1 & 2 & 3 & \dots & n-1 & n \\ 2 & 3 & 4 & \dots & n & 1 \\ 3 & 4 & 5 & \dots & 1 & 2 \\ \vdots & \vdots & \vdots & & \vdots & \vdots \\ n & 1 & 2 & \dots & n-2 & n-1 \end{vmatrix} \]

详细解析：

1. 第一步：所有行加到第一行（利用各行元素和相等）
   观察到每行元素的和都是\(1+2+\dots+n=\frac{n(n+1)}{2}\)，因此将第2到第n行都加到第一行：

   \[|A| \xlongequal{r_1+\sum_{i=2}^n r_i} \begin{vmatrix} \frac{n(n+1)}{2} & \frac{n(n+1)}{2} & \dots & \frac{n(n+1)}{2} \\ 2 & 3 & \dots & 1 \\ \vdots & \vdots & & \vdots \\ n & 1 & \dots & n-1 \end{vmatrix} \]

   提取第一行的公因子\(\frac{n(n+1)}{2}\)：

   \[= \frac{n(n+1)}{2} \begin{vmatrix} 1 & 1 & \dots & 1 \\ 2 & 3 & \dots & 1 \\ \vdots & \vdots & & \vdots \\ n & 1 & \dots & n-1 \end{vmatrix} \]

2. 第二步：第一行的\(-k\)倍加到第\(k\)行，化第一列下方为0
   对\(i=2,3,\dots,n\)，执行\(r_i - i \cdot r_1\)：

   \[= \frac{n(n+1)}{2} \begin{vmatrix} 1 & 1 & 1 & \dots & 1 \\ 0 & 1 & 2 & \dots & 1-n \\ 0 & 1 & 2 & \dots & 2-n \\ \vdots & \vdots & \vdots & & \vdots \\ 0 & 1-n & 2-n & \dots & -1 \end{vmatrix} \]

3. 第三步：按第一列展开，得到\(n-1\)阶行列式
   按第一列展开，行列式值等于左上角的1乘以余子式：

   \[= \frac{n(n+1)}{2} \begin{vmatrix} 1 & 2 & \dots & 1-n \\ 1 & 2 & \dots & 2-n \\ \vdots & \vdots & & \vdots \\ 1-n & 2-n & \dots & -1 \end{vmatrix} \]

4. 第四步：继续化三角，计算\(n-1\)阶行列式
   对这个\(n-1\)阶行列式，将第2到第\(n-1\)行都减去第1行，得到：

   \[\begin{vmatrix} 1 & 2 & \dots & 1-n \\ 0 & 0 & \dots & 1 \\ 0 & 0 & \dots & 1 \\ \vdots & \vdots & & \vdots \\ -n & -n & \dots & -n \end{vmatrix} \]

   最终通过行交换化为下三角行列式，得到其值为\((-1)^{\frac{n(n-1)}{2}} n^{n-2}\)。

5. 最终结果

   \[|A| = \frac{n(n+1)}{2} \cdot (-1)^{\frac{n(n-1)}{2}} n^{n-2} = \frac{n+1}{2} n^{n-1} (-1)^{\frac{n(n-1)}{2}} \]

---

方法二：Vandermonde行列式法（特殊行列式法）

适用场景：行列式的元素是某个变量的幂次，且幂次呈等差数列分布。
核心公式：n阶Vandermonde行列式

\[V_n(x_1,x_2,\dots,x_n) = \begin{vmatrix} 1 & 1 & \dots & 1 \\ x_1 & x_2 & \dots & x_n \\ x_1^2 & x_2^2 & \dots & x_n^2 \\ \vdots & \vdots & & \vdots \\ x_1^{n-1} & x_2^{n-1} & \dots & x_n^{n-1} \end{vmatrix} = \prod_{1\leq i<j\leq n} (x_j - x_i) \]

即Vandermonde行列式等于所有下标大的变量减去下标小的变量的乘积。

例2.15 标准Vandermonde行列式

证明思路：采用数学归纳法+行变换。

1. 当\(n=2\)时，\(V_2(x_1,x_2)=x_2-x_1\)，公式成立。
2. 假设对\(n-1\)阶Vandermonde行列式公式成立。
3. 对n阶行列式，从最后一行开始，依次减去上一行的\(x_1\)倍：
   \[V_n \xlongequal{r_i - x_1 r_{i-1} \ (i=n,n-1,\dots,2)} \begin{vmatrix} 1 & 1 & \dots & 1 \\ 0 & x_2-x_1 & \dots & x_n-x_1 \\ 0 & x_2(x_2-x_1) & \dots & x_n(x_n-x_1) \\ \vdots & \vdots & & \vdots \\ 0 & x_2^{n-2}(x_2-x_1) & \dots & x_n^{n-2}(x_n-x_1) \end{vmatrix} \]

4. 按第一列展开，提取每列的公因子\((x_j-x_1)\)，得到：
   \[V_n = (x_2-x_1)(x_3-x_1)\dots(x_n-x_1) \cdot V_{n-1}(x_2,\dots,x_n) \]

5. 由归纳假设，\(V_{n-1}(x_2,\dots,x_n)=\prod_{2\leq i<j\leq n}(x_j-x_i)\)，因此：
   \[V_n = \prod_{1\leq i<j\leq n}(x_j-x_i) \]
   公式得证。

例2.16 超Vandermonde行列式（缺幂次型）

题目：计算n阶行列式

\[D_n = \begin{vmatrix} 1 & 1 & \dots & 1 \\ x_1 & x_2 & \dots & x_n \\ \vdots & \vdots & & \vdots \\ x_1^{k-1} & x_2^{k-1} & \dots & x_n^{k-1} \\ x_1^{k+1} & x_2^{k+1} & \dots & x_n^{k+1} \\ \vdots & \vdots & & \vdots \\ x_1^n & x_2^n & \dots & x_n^n \end{vmatrix} \]

（缺\(x_i^k\)这一行）

核心技巧：加边法（升阶法）
构造一个\(n+1\)阶的标准Vandermonde行列式，补全缺的幂次：

\[V_{n+1}(x_1,\dots,x_n,Z) = \begin{vmatrix} 1 & 1 & \dots & 1 & 1 \\ x_1 & x_2 & \dots & x_n & Z \\ \vdots & \vdots & & \vdots & \vdots \\ x_1^k & x_2^k & \dots & x_n^k & Z^k \\ \vdots & \vdots & & \vdots & \vdots \\ x_1^n & x_2^n & \dots & x_n^n & Z^n \end{vmatrix} \]

一方面，根据Vandermonde公式：

\[V_{n+1} = (Z-x_1)(Z-x_2)\dots(Z-x_n) \cdot V_n(x_1,\dots,x_n) \]

另一方面，将\(V_{n+1}\)按最后一列展开，\(Z^k\)的系数为\((-1)^{n+1+k} D_n\)。

比较两个表达式中\(Z^k\)的系数，即可得到：

\[D_n = e_{n-k}(x_1,\dots,x_n) \cdot V_n(x_1,\dots,x_n) \]

其中\(e_{n-k}(x_1,\dots,x_n)\)是\(x_1,\dots,x_n\)的\(n-k\)次初等对称多项式。

特别地：当\(k=n-1\)时（缺倒数第二行），\(e_1(x_1,\dots,x_n)=x_1+x_2+\dots+x_n\)，因此：

\[D_n = (x_1+x_2+\dots+x_n) \cdot \prod_{1\leq i<j\leq n}(x_j-x_i) \]

---

方法三：递推法（适用于三对角/带状行列式）

适用场景：行列式的非零元素集中在主对角线及其相邻的两条对角线上（三对角行列式），或具有明显的递推结构。
核心思想：将n阶行列式按一行（列）展开，得到\(D_n\)与\(D_{n-1}\)、\(D_{n-2}\)的递推关系，然后求解递推式。

例2.17 三对角行列式

题目：计算n阶行列式

\[D_n = \begin{vmatrix} a & b & & & \\ c & a & b & & \\ & c & a & \ddots & \\ & & \ddots & \ddots & b \\ & & & c & a \end{vmatrix} \]

详细解析：

1. 建立递推关系
   按第一行展开：

   \[D_n = a \cdot D_{n-1} - b \cdot c \cdot D_{n-2} \]

   这是一个二阶线性齐次递推关系，初始条件为：

   \[D_1 = a, \quad D_2 = a^2 - bc \]

2. 求解递推式（特征方程法）
   递推式的特征方程为：

   \[\lambda^2 - a\lambda + bc = 0 \]

   解得两个特征根：

   \[\lambda_1 = \frac{a+\sqrt{a^2-4bc}}{2}, \quad \lambda_2 = \frac{a-\sqrt{a^2-4bc}}{2} \]

   • 情况1：\(\lambda_1 \neq \lambda_2\)（即\(a^2 \neq 4bc\)）
     递推式的通解为：

     \[D_n = C_1 \lambda_1^n + C_2 \lambda_2^n \]

     代入初始条件\(D_1=a\)和\(D_2=a^2-bc\)，解得\(C_1=\frac{\lambda_1}{\lambda_1-\lambda_2}\)，\(C_2=\frac{-\lambda_2}{\lambda_1-\lambda_2}\)，因此：

     \[D_n = \frac{\lambda_1^{n+1} - \lambda_2^{n+1}}{\lambda_1 - \lambda_2} \]

   • 情况2：\(\lambda_1 = \lambda_2 = \frac{a}{2}\)（即\(a^2 = 4bc\)）
     递推式的通解为：

     \[D_n = (C_1 + C_2 n) \left( \frac{a}{2} \right)^n \]

     代入初始条件，解得\(C_1=1\)，\(C_2=1\)，因此：

     \[D_n = (n+1) \left( \frac{a}{2} \right)^n \]

补充方法：母函数法
对于高阶递推关系，母函数法是一种通用的求解方法。构造母函数：

\[f(X) = \sum_{n=0}^\infty D_n X^n \]

利用递推关系\(D_n - aD_{n-1} + bcD_{n-2}=0\)（\(n\geq2\)），可以得到：

\[f(X) = \frac{1}{1 - aX + bcX^2} \]

将其展开为幂级数，\(X^n\)的系数即为\(D_n\)，结果与特征方程法一致。

---

方法四：循环行列式法（利用单位根）

适用场景：行列式的每一行都是上一行的循环移位（循环矩阵的行列式）。
核心思想：利用n次单位根构造范德蒙矩阵，将循环矩阵对角化，从而将行列式转化为对角元素的乘积。

例2.18 循环行列式

题目：计算n阶循环矩阵的行列式

\[A = \begin{vmatrix} a_0 & a_1 & a_2 & \dots & a_{n-1} \\ a_{n-1} & a_0 & a_1 & \dots & a_{n-2} \\ a_{n-2} & a_{n-1} & a_0 & \dots & a_{n-3} \\ \vdots & \vdots & \vdots & & \vdots \\ a_1 & a_2 & a_3 & \dots & a_0 \end{vmatrix} \]

详细解析：

1. 构造多项式：令\(f(x) = a_0 + a_1 x + a_2 x^2 + \dots + a_{n-1} x^{n-1}\)。

2. 利用n次单位根：设\(\omega = e^{\frac{2\pi i}{n}}\)是n次本原单位根，则\(1,\omega,\omega^2,\dots,\omega^{n-1}\)是全部n次单位根。

3. 构造范德蒙矩阵：令

   \[W = \begin{bmatrix} 1 & 1 & 1 & \dots & 1 \\ 1 & \omega & \omega^2 & \dots & \omega^{n-1} \\ 1 & \omega^2 & \omega^4 & \dots & \omega^{2(n-1)} \\ \vdots & \vdots & \vdots & & \vdots \\ 1 & \omega^{n-1} & \omega^{2(n-1)} & \dots & \omega^{(n-1)^2} \end{bmatrix} \]

   这是一个Vandermonde矩阵，其行列式\(\det W = \prod_{0\leq i<j\leq n-1} (\omega^j - \omega^i) \neq 0\)，因此\(W\)可逆。

4. 计算乘积\(AW\)：
   可以验证，\(AW\)的第\(j\)列是\(f(\omega^{j-1})\)乘以\(W\)的第\(j\)列，即：

   \[AW = W \cdot \text{diag}(f(1), f(\omega), f(\omega^2), \dots, f(\omega^{n-1})) \]

5. 两边取行列式：

   \[\det A \cdot \det W = \det W \cdot \prod_{k=0}^{n-1} f(\omega^k) \]

   由于\(\det W \neq 0\)，两边约去得：

   \[\det A = \prod_{k=0}^{n-1} f(\omega^k) = \prod_{k=0}^{n-1} (a_0 + a_1 \omega^k + a_2 \omega^{2k} + \dots + a_{n-1} \omega^{(n-1)k}) \]

---

方法五：Cauchy行列式法（分式型行列式）

适用场景：行列式的元素是分式，且分母为两个变量的和或差。
核心公式：n阶Cauchy行列式

\[D_n = \det\left( \frac{1}{a_i + b_j} \right) = \frac{\prod_{1\leq i<j\leq n} (a_j - a_i)(b_j - b_i)}{\prod_{i,j=1}^n (a_i + b_j)} \]

例2.19 Cauchy行列式

证明思路：

1. 提取公因子：对第\(i\)行提取公因子\(\frac{1}{a_i + b_1}\)，对第\(j\)列提取公因子\(\frac{1}{a_1 + b_j}\)，得到：
   \[D_n = \frac{1}{\prod_{i=1}^n (a_i + b_1) \prod_{j=1}^n (a_1 + b_j)} \cdot \det\left( \frac{(a_i + b_1)(a_1 + b_j)}{a_i + b_j} \right) \]

2. 化简行列式元素：
   \[\frac{(a_i + b_1)(a_1 + b_j)}{a_i + b_j} = a_1 + b_1 + \frac{(a_i - a_1)(b_j - b_1)}{a_i + b_j} \]

3. 行变换消元：将第1行的\(-1\)倍加到其余各行，第一列除第一个元素外全部化为0。
4. 递推：按第一列展开，得到递推关系，最终归纳证明得到上述公式。

---

方法六：三角函数行列式法（转化为Vandermonde）

适用场景：行列式的元素是三角函数（正弦、余弦），且角度成等差数列。
核心思想：利用欧拉公式\(e^{i\theta} = \cos\theta + i\sin\theta\)将三角函数转化为复数指数形式，然后转化为Vandermonde行列式。

例2.20 正弦行列式

题目：计算n阶行列式

\[D_n = \begin{vmatrix} \sin\theta_1 & \sin2\theta_1 & \dots & \sin n\theta_1 \\ \sin\theta_2 & \sin2\theta_2 & \dots & \sin n\theta_2 \\ \vdots & \vdots & & \vdots \\ \sin\theta_n & \sin2\theta_n & \dots & \sin n\theta_n \end{vmatrix} \]

解析：
利用欧拉公式\(\sin k\theta = \frac{e^{ik\theta} - e^{-ik\theta}}{2i}\)，将行列式的每个元素转化为复数指数形式，然后提取公因子，最终可以转化为两个Vandermonde行列式的差，得到结果：

\[D_n = 2^{\frac{n(n-1)}{2}} \sin\theta_1 \sin\theta_2 \dots \sin\theta_n \prod_{1\leq i<j\leq n} (\cos\theta_j - \cos\theta_i) \]

---

三、行列式计算方法总结表

方法名称	适用场景	核心思想	典型例题
化三角法	所有行列式，尤其是有规律的行列式	通过初等变换化为上/下三角行列式	例2.14（循环型）
Vandermonde法	元素为变量的幂次，幂次成等差	利用标准Vandermonde行列式公式	例2.15（标准）、例2.16（超Vandermonde）
递推法	三对角/带状行列式，有递推结构	展开得到递推关系，求解递推式	例2.17（三对角）
循环行列式法	循环矩阵的行列式	利用n次单位根对角化循环矩阵	例2.18（循环矩阵）
Cauchy法	分式型行列式，分母为两变量和/差	利用Cauchy行列式公式	例2.19（Cauchy行列式）
三角函数法	元素为三角函数，角度成等差	欧拉公式转化为复数指数，再转Vandermonde	例2.20（正弦行列式）
加边法（升阶法）	缺行/缺列的行列式，如超Vandermonde	增加一行一列，转化为已知行列式	例2.16

四、计算技巧与注意事项

1. 优先观察规律：计算行列式前，先观察元素的分布规律（各行和相等、循环、对称、分式等），选择最合适的方法，避免盲目展开。
2. 善用行倍加变换：行倍加变换不改变行列式值，是最安全的化简手段；尽量少用交换行和数乘行，避免符号和倍数错误。
3. 记住特殊行列式结果：Vandermonde行列式、三对角行列式、Cauchy行列式的结果要牢记，遇到类似结构可以直接套用。
4. 注意符号问题：交换行/列、按行/列展开、代数余子式的符号是最容易出错的地方，计算时要特别小心。