【解析几何笔记】6.三阶行列式

news2024/9/26 1:24:41

6. 三阶行列式

6.1 三阶行列式的定义

对三阶方阵 ( a 1 a 2 a 3 b 1 b 2 b 3 c 1 c 2 c 3 ) \begin{pmatrix} a_{1} & a_{2} & a_{3}\\ b_{1} & b_{2} & b_{3}\\ c_{1} & c_{2} &c_{3} \end{pmatrix} a1b1c1a2b2c2a3b3c3 ,在直角坐标系中取向量 α = ( a 1 , a 2 , a 3 ) , β = ( b 1 , b 2 , b 3 ) , γ = ( c 1 , c 2 , c 3 ) \pmb{\alpha}=(a_{1},a_{2},a_{3}),\pmb{\beta}=(b_{1},b_{2},b_{3}),\pmb{\gamma}=(c_{1},c_{2},c_{3}) α=(a1,a2,a3),β=(b1,b2,b3),γ=(c1,c2,c3)
定义三阶行列式 ∣ a 1 a 2 a 3 b 1 b 2 b 3 c 1 c 2 c 3 ∣ = V ( α , β , γ ) \begin{vmatrix} a_{1} & a_{2} & a_{3}\\ b_{1} & b_{2} & b_{3}\\ c_{1} & c_{2} &c_{3} \end{vmatrix}=V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma}) a1b1c1a2b2c2a3b3c3 =V(α,β,γ),其中 V ( α , β , γ ) V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma}) V(α,β,γ)是以 α , β , γ \pmb{\alpha},\pmb{\beta},\pmb{\gamma} α,β,γ为相邻边的平行六面体的有向体积

6.2 三阶行列式的性质

和二阶行列式的性质类似。

  • V ( α , α , γ ) = 0 V(\pmb{\alpha},\pmb{\alpha},\pmb{\gamma})=0 V(α,α,γ)=0

  • V ( α , β , γ ) = − V ( β , α , γ ) = V ( α , γ ) , β V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma})=-V(\pmb{\beta},\pmb{\alpha},\pmb{\gamma})=V(\pmb{\alpha},\pmb{\gamma}),\pmb{\beta} V(α,β,γ)=V(β,α,γ)=V(α,γ),β

  • V ( k α , β , γ ) = k V ( α , β , γ ) V(k\pmb{\alpha},\pmb{\beta},\pmb{\gamma})=kV(\pmb{\alpha},\pmb{\beta},\pmb{\gamma}) V(kα,β,γ)=kV(α,β,γ)

  • V ( α , β , γ + δ ) = V ( α , β , γ ) + V ( α , β , δ ) V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma}+\pmb{\delta})=V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma})+V(\pmb{\alpha},\pmb{\beta},\pmb{\delta}) V(α,β,γ+δ)=V(α,β,γ)+V(α,β,δ)

  • V ( α , β , k α + γ ) = V ( α , β , γ ) V(\pmb{\alpha},\pmb{\beta},k\pmb{\alpha}+\pmb{\gamma})=V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma}) V(α,β,kα+γ)=V(α,β,γ)

  • ∣ a 1 a 2 a 3 b 1 b 2 b 3 c 1 c 2 c 3 ∣ = V ( α , β , γ ) = a 1 b 2 c 3 + a 2 b 3 c 1 + a 3 b 1 c 2 − a 1 b 3 c 2 − a 2 b 1 c 3 − a 3 b 2 c 1 \begin{vmatrix} a_{1} & a_{2} & a_{3}\\ b_{1} & b_{2} & b_{3}\\ c_{1} & c_{2} &c_{3} \end{vmatrix}=V(\pmb{\alpha},\pmb{\beta},\pmb{\gamma})=a_{1}b_{2}c_{3}+a_{2}b_{3}c_{1}+a_{3}b_{1}c_{2}-a_{1}b_{3}c_{2}-a_{2}b_{1}c_{3}-a_{3}b_{2}c_{1} a1b1c1a2b2c2a3b3c3 =V(α,β,γ)=a1b2c3+a2b3c1+a3b1c2a1b3c2a2b1c3a3b2c1(可以用二阶行列式的拆0的方法证明,我这里不证明了,主对角线和减去反对角线和)
    n n n阶方阵也有类似的性质,线性代数(或者高等代数)学过,不记了。

【例】证明:在空间仿射坐标系中有 α = ( x 1 , x 2 , x 3 ) , β = ( b 1 , b 2 , b 3 ) \pmb{\alpha}=(x_{1},x_{2},x_{3}),\pmb{\beta}=(b_{1},b_{2},b_{3}) α=(x1,x2,x3),β=(b1,b2,b3),若 α / / β ⇔ ∣ x 1 x 2 y 1 y 2 ∣ = ∣ x 1 x 3 y 1 y 3 ∣ = ∣ x 2 x 3 y 2 y 3 ∣ = 0 \pmb{\alpha}//\pmb{\beta}\Leftrightarrow\begin{vmatrix} x_{1} & x_{2}\\ y_{1} & y_{2} \end{vmatrix}=\begin{vmatrix} x_{1} & x_{3}\\ y_{1} & y_{3} \end{vmatrix}=\begin{vmatrix} x_{2} & x_{3}\\ y_{2} & y_{3} \end{vmatrix}=0 α//β x1y1x2y2 = x1y1x3y3 = x2y2x3y3 =0
【证】先证必要性:由于 α / / β \pmb{\alpha}//\pmb{\beta} α//β,则 ∃ λ ∈ R \exists\lambda\in\mathbb{R} λR使得 y i = λ x i ( i = 1 , 2 , 3 ) y_{i}=\lambda x_{i}(i=1,2,3) yi=λxi(i=1,2,3),所以 ∣ x 1 x 2 y 1 y 2 ∣ = ∣ x 1 x 3 y 1 y 3 ∣ = ∣ x 2 x 3 y 2 y 3 ∣ = 0 \begin{vmatrix} x_{1} & x_{2}\\ y_{1} & y_{2} \end{vmatrix}=\begin{vmatrix} x_{1} & x_{3}\\ y_{1} & y_{3} \end{vmatrix}=\begin{vmatrix} x_{2} & x_{3}\\ y_{2} & y_{3} \end{vmatrix}=0 x1y1x2y2 = x1y1x3y3 = x2y2x3y3 =0
再证充分性, ∣ x 1 x 2 y 1 y 2 ∣ = 0 \begin{vmatrix} x_{1} & x_{2}\\ y_{1} & y_{2} \end{vmatrix}=0 x1y1x2y2 =0,则 ∃ λ \exists\lambda λ使得 y 1 = λ x 1 , y 2 = λ x 2 y_{1}=\lambda x_{1},y_{2}=\lambda x_{2} y1=λx1,y2=λx2
再由 ∣ x 2 x 3 y 2 y 3 ∣ = 0 \begin{vmatrix} x_{2} & x_{3}\\ y_{2} & y_{3} \end{vmatrix}=0 x2y2x3y3 =0可知 y 2 = λ x 2 , y 3 = λ x 3 y_{2}=\lambda x_{2},y_{3}=\lambda x_{3} y2=λx2,y3=λx3
α / / β \pmb{\alpha}//\pmb{\beta} α//β

【定理】构造平面仿射坐标系 [ 0 : e 1 , e 2 ] [0:\pmb{e}_{1},\pmb{e}_{2}] [0:e1,e2],有三个点 A = ( a 1 , a 2 ) , B = ( b 1 , b 2 ) , C = ( c 1 , c 2 ) A=(a_{1},a_{2}),B=(b_{1},b_{2}),C=(c_{1},c_{2}) A=(a1,a2),B=(b1,b2),C=(c1,c2),则 A , B , C A,B,C A,B,C三点共线 ⇔ ∣ a 1 a 2 1 b 1 b 2 1 c 1 c 2 1 ∣ = 0 \Leftrightarrow\begin{vmatrix} a_{1} & a_{2} & 1\\ b_{1} & b_{2}& 1\\ c_{1} & c_{2} & 1 \end{vmatrix}=0 a1b1c1a2b2c2111 =0
【证】若要 ∣ a 1 a 2 1 b 1 b 2 1 c 1 c 2 1 ∣ = ∣ a 1 − c 1 a 2 − c 2 0 b 1 − c 1 b 2 − c 2 0 c 1 c 2 1 ∣ = ∣ a 1 − c 1 a 2 − c 2 b 1 − c 1 b 2 − c 2 ∣ = ∣ C A ⃗ C B ⃗ ∣ = 0 \begin{vmatrix} a_{1} & a_{2} & 1\\ b_{1} & b_{2}& 1\\ c_{1} & c_{2} & 1 \end{vmatrix}=\begin{vmatrix} a_{1}-c_{1} & a_{2}-c_{2} & 0\\ b_{1}-c_{1} & b_{2}-c_{2}& 0\\ c_{1} & c_{2} & 1 \end{vmatrix}=\begin{vmatrix} a_{1}-c_{1} & a_{2}-c_{2} \\ b_{1}-c_{1} & b_{2}-c_{2} \end{vmatrix}=\begin{vmatrix} \vec{CA} \\ \vec{CB} \end{vmatrix}=0 a1b1c1a2b2c2111 = a1c1b1c1c1a2c2b2c2c2001 = a1c1b1c1a2c2b2c2 = CA CB =0
当且仅当A,B,C三点共线

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2067436.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

案例分享—国外金融软件界面设计

国外金融软件界面设计追求简洁,旨在减少用户认知负担,通过直观布局与清晰信息架构,提升操作效率与用户体验 其简洁性还源于对金融数据精准呈现的重视,避免冗余元素干扰,确保用户快速获取关键信息,做出明智决…

《机器学习》周志华-CH2(模型评估与选择)

2.1经验误差与过拟合 2.1.1典型的机器学习过程 2.1.2误差 当有 m m m个样本,其中 a a a个分类错误,则错误率为 E a / m Ea/m Ea/m;相应地, 1 − a / m 1-a/m 1−a/m称为精度。 2.1.3过拟合与欠拟合 过拟合:学习能力…

【LeetCode每日一题】——1046.最后一块石头的重量

文章目录 一【题目类别】二【题目难度】三【题目编号】四【题目描述】五【题目示例】六【题目提示】七【解题思路】八【时间频度】九【代码实现】十【提交结果】 一【题目类别】 优先队列 二【题目难度】 简单 三【题目编号】 1046.最后一块石头的重量 四【题目描述】 有…

蓝队技能-应急响应篇钓鱼攻击邮件与文件EML还原蠕虫分析线索定性

知识点: 1、应急响应-钓鱼邮件-定性&排查 2、应急响应-恶意文件-应急&分析一、演示案例-蓝队技能-钓鱼攻击-邮件&附件&分析&排查 如何分析邮件安全性: 1、看发信人地址 2、看发信内容信息 3、看发信内容附件 4、看邮件原文源码…

31套科技风PPT模版免费下载

目录 资源名称:31套科技风PPT模板合集资源简介:部分展示:适用人群:资源内容:使用指南:资源下载链接(免费,已设置0个积分下载) 资源名称:31套科技风PPT模板合集…

【人工智能】Transformers之Pipeline(十二):零样本物体检测(zero-shot-object-detection)

目录 一、引言 二、零样本物体检测(zero-shot-object-detection) 2.1 概述 2.2 技术原理 2.3 应用场景 2.4.1 pipeline对象实例化参数 2.4.2 pipeline对象使用参数 2.4 pipeline实战 2.5 模型排名 三、总结 一、引言 pipeline(管…

动态规划之买卖股票篇-代码随想录算法训练营第三十八天| 买卖股票的最佳时机ⅠⅡⅢⅣ,309.最佳买卖股票时机含冷冻期,714.买卖股票的最佳时机含手续费

121. 买卖股票的最佳时机 题目链接:. - 力扣(LeetCode) 讲解视频: 动态规划之 LeetCode:121.买卖股票的最佳时机1 题目描述: 给定一个数组 prices ,它的第 i 个元素 prices[i] 表示一支给定…

u盘加密工具哪款U盘加密工具好?6款U盘加密工具分享

数据泄露和非法拷贝成为企业面临的严峻挑战。为了保护敏感数据不被非法复制和传播,市场上涌现出了众多U盘加密工具。 本文将为您介绍六款功能强大、备受好评的U盘加密工具,帮助您选择最适合自己需求的加密解决方案。 1.安企神 它支持Windows、macOS和L…

学习大数据DAY43 Sqoop 安装,配置环境和使用

目录 sqoop 安装 配置 mysql sqoop 安装 sqoop 指令集 sqoop 使用 sqoop 创建 hive 表 sqoop 全量导入表 sqoop 增量导入表 sqoop 全量导出表 sqoop 分区表导入表 sqoop 分区表导出表 上机练习 sqoop 安装 配置 mysql create database test DEFAULT CHARACTER S…

汇编语言:adc指令 和 sbb指令

一. abc 指令 adc (add carry)是带向假想的更高位进位加法指令,它利用了标志寄存器上 CF 标志位记录的进位值。 指令格式:adc 操作对象1, 操作对象2 功能:操作对象1 操作对象1 操作对象2 CF 比如,指令…

Vue2升级Vue3填坑笔记

背景 前段时间使用Vue2完成一个流量回放的前端开发,实现了流量回放的基本功能。开发过程中,发现现主流的插件都在适配Vue3,奈何为了赶进度,只能先用自己熟悉的Vue2先顶上。恰巧最近有些许空余时间,就把项目代码逐步变…

基于单片机的人体健康监测系统的设计

本设计以STM32F103C8T6单片机作为主控,通过MAX30102采集心率、血氧值,通过MSP20血压采集模块检测血压值,通过MLX90614红外体温采集模块检测体温值。OLED屏可以显示以上检测的信息,并可以通过蓝牙模块将信息发送给手机APP。当检测值…

【QAMISRA】解决永久license文件替换后未生效的问题

【更多软件使用问题请点击亿道电子官方网站】 1、 文档目标 解决浮动版永久license文件替换后未生效的问题。 2、 问题场景 客户替换永久版license文件且重启lserv服务后,license信息还是原来临时license的信息。 3、软硬件环境 1、软件版本: QA-MIS…

Android车载蓝牙音乐实例(附Demo源码):实现手机播放音乐后车机应用显示音乐名称,歌手,专辑名。且可控制上一曲下一曲,暂停播放功能

一、功能需求 功能需求是在Android10以上设备上实现蓝牙音乐功能,细分为两个功能点: 1、手机和车载设备实现蓝牙连接 (本Demo文只做监听蓝牙连接状态,需手动到设置中连接蓝牙) 2、连接蓝牙成功后手机播放音乐时车载…

【python报错已解决】“IndexError: list index out of range”

🎬 鸽芷咕:个人主页 🔥 个人专栏: 《C干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 引言 你是否在处理Python列表时遇到了“IndexError: list index out of range”的错误?这个错误可能会让你的程序中…

51单片机最快能生成多高频率的方波?

前言 在嵌入式系统开发中,51 单片机作为一种非常非常非常经典,贯穿上下几十年的微控制器,被广泛应用于各种电子项目中。其中,生成特定频率的方波信号是一项常见的需求。 那么,51 单片机究竟能以多快的速度生成方波呢&…

STM32——GPS模块(GY-NEO-6M)

1连接 1-1 使用 USB-TTL 工具,安装好驱动,可以在”设备管理器看到对应COM”按照如下链接测试模块: USB-TTL GPS 模块 3.3V--------------------------------->VCC GND------------------------------>GND RXD--------------------…

应用程自定义协议与序列化反序列化

本篇将主要介绍在应用层中自定义的协议,自定义协议的同时还需要将我们的数据继续序列化和反序列化,所以本篇的重点为序列化、反序列化的原因以及如何自定义协议,接着探讨了关于为什么 tcp 协议可以支持全双工协议。还根据用户自定义协议结合 …

⼆⼿⻋交易系统前景分析

二手车交易系统开发小程序在当前市场中具有显著的优势和潜力。以下是对二手车交易系统小程序功能的综合分析: 车辆信息展示:小程序应提供详细的车辆信息展示,包括车辆的图片、品牌、型号、年份、里程数、价格等关键信息,方便用户…

Python爬虫—常用的网络爬虫工具推荐

以下列举几个常用的网络爬虫工具 1. 八爪鱼(Bazhuayu) 简介: 八爪鱼是一款面向非技术用户的桌面端爬虫软件,以其可视化操作和强大的模板库而受到青睐。它支持从各种网站上抓取数据,包括文本、图片、文档等&#xff…