简介这份《高等代数》考试复习资料对应中国人民大学历年期末试题覆盖行列式、矩阵逆与伴随矩阵、线性相关与无关、秩与线性方程组解结构、线性映射标准矩阵等核心考点并附有矩阵方程、分块矩阵求逆等典型题目解析。适合数学及相关专业本科生期末备考也可作为考研基础阶段刷题与自查材料。资源为单个PDF文档体积约1.5MB方便打印或导入平板做笔记。目前已有311人学习使用。除试卷原题外内容还涉及代数余子式与行列式展开、伴随矩阵性质、齐次线性方程组基础解系、通解与特解关系、矩阵幂运算及矩阵方程解法等易错重难点对照题目逐一梳理知识点有助于快速定位薄弱环节并形成系统化解题思路。1. 这份高等代数复习资料把线性代数的主线压在了四类题上拿到这份中国人民大学《高等代数》考试复习 PDF第一反应是题老第二反应是考点集中得可怕。两套期末卷子翻下来行列式按行展开、伴随矩阵与逆矩阵、线性方程组的秩判定、多项式整除与有理根几乎把所有高分值题目都串在这四条线上。对正在备考高代期末或考研数学的读者这是一份可以直接用来对答案的真题集对平时写数值代码、做矩阵运算的工程师里面反复出现的“代数余子式求和”“分块矩阵求逆”“带参方程组分类讨论”恰恰是手算和程序验证最容易出错的地方。后面的内容全部围绕这套试卷展开每类题都先讲判定依据再给可复现的代码与参数说明最后指出考场和工程里最常见的坑。2. 行列式与代数余子式先看懂替换定理再谈五阶展开2.1 代数余子式按行求和比逐项展开快一个量级的等价替换2005 级填空题第 1 题给了一个 5 阶行列式要求计算 A41 A42 A43 A44 与 A44 A45其中 A4j 是第 4 行第 j 个元素的代数余子式。很多人的第一反应是把 5 阶行列式硬展开再按定义求每个代数余子式这在小规模题目里勉强能算但既慢又容易漏符号。这里有一个更直接的结论第 i 行代数余子式的线性组合等于把原行列式第 i 行替换成对应系数后重新计算的行列式。原因是行列式按某一行展开时展开式对所有行都成立。如果想把 A41 到 A44 直接相加就相当于把第 4 行全部替换成 1此时新行列式按第 4 行展开得到的恰好是 A41 A42 A43 A44。同理A44 A45 只需要把第 4 行第 4、5 列置为 1其余位置置为 0再求行列式。这个替换技巧不但适用于求和也适用于带权求和本质上是把“逐项计算余子式”变成了“一次行列式计算”。目标表达式等价替换方式A41 A42 A43 A44第 4 行全部替换为 1其余行不变求行列式A44 A45第 4 行第 4、5 列为 1其余为 0求行列式2A41 - 3A43第 4 行替换为 (2, 0, -3, 0, 0)求行列式用这个思路处理资料里另一道“设 D 为 4 阶行列式求 A14 A24 A34 A44”的题也是一样把第 4 列全部换成 1 再算行列式答案直接读出来。实际阅卷时这类填空题的答案往往就藏在新行列式的对角线乘积里手算速度能快出不少。2.2 从扫描 PDF 到 SymPy 验证OCR 乱码是第一个坑这套 PDF 是扫描版转出来的矩阵里的 3 和 5、0 和 8 经常混在一起直接对着屏幕抄数字很容易抄错。我一般会先用命令行工具把 PDF 文本抽出来再人工对一遍行列式里的数字pdftotext -layout 高等代数考试复习.pdf 高等代数.txt grep -n 5 阶行列式 高等代数.txt-layout参数保留原始排版能让矩阵结构尽量不被拆散。抽出来的文本仍然会有大量乱码比如“51234522211273”这类连续数字需要按行列式维度手动切分。把矩阵整理干净之后再用 SymPy 做验证比较稳妥from sympy import Matrix, symbols D Matrix([ [5, 1, 2, 3, 4], [5, 2, 2, 2, 1], [1, 2, 7, 3, 4], [1, 2, 4, 5, 1], [1, 1, 2, 4, 3] ]) # 第4行替换为全1求 A41A42A43A44 row_replaced D.copy() row_replaced[3, :] [1, 1, 1, 1, 1] print(A41A42A43A44 , row_replaced.det()) # 第4行第4、5列为1求 A44A45 col_replaced D.copy() col_replaced[3, :] [0, 0, 0, 1, 1] print(A44A45 , col_replaced.det()) # 直接枚举代数余子式做交叉验证 s sum(D.cofactor(3, j) for j in range(4)) print(枚举验证 , s)Matrix构造时按行传入列表cofactor(3, j)返回第 4 行第 j1 列的代数余子式索引从 0 开始。替换行之后再det()结果与枚举求和一致说明替换定理没有用错。这里的参数说明只有一条要记住SymPy 的行列和列都是从 0 计数而试卷里从 1 计数换算时别把第 4 行写成cofactor(4, j)那会越界或者算到第 5 行。2.3 锯齿形行列式按第一行展开后只剩下一个非零项2006—2007 学年试卷里出现了一个形如0001 / 0002 / 0020 / 0500 / 2006的锯齿形行列式这类题的通用做法是连续按第一行或最后一列展开。以 5 阶为例第一行只有一个非零元素其余元素都是 0展开后剩下一个 4 阶子式而这个子式仍然保持锯齿形状于是可以递推。我一般会先写出 D_n 与 D_{n-2} 的关系再叠乘到边界条件。这样处理的好处是不需要展开完整行列式每次只保留一个非零项。工程上如果遇到上百阶的稀疏三角矩阵直接用scipy.linalg.det或numpy.linalg.det也能算但理解这个递推过程对判断稀疏矩阵的零块结构很有帮助。这里的易错点在于每展开一次符号会多一个 (-1) 的幂次叠乘时必须把每次展开的符号单独记下来。很多人在这一步丢掉负号导致最终答案差一个符号。我的习惯是先在草稿纸上写出 D_n ... D_{n-2} 的递推式再代入 n 的具体值做两层验证。2.4 代数余子式展开的常见误用与符号陷阱代数余子式 Aij 与余子式 Mij 只差一个符号因子Aij (-1)^(ij) Mij。求“第 4 行代数余子式之和”时如果直接把第 4 行替换成 1 再去计算行列式结果天然包含了符号因子不需要额外处理。但如果手算时先求 M4j 再相加就必须逐个补上 (-1)^(4j)。另一个常见的误用是混淆“某行代数余子式之和”与“某行元素乘以该行代数余子式之和”。后者才是行列式按行展开的原始形式结果等于 det(A)前者相当于做了一次行替换。这两个概念在选择题里经常成对出现判断时先看求和对象是 Aij 还是 aij Aij符号和结果完全不同。还要注意对矩阵做初等行变换之后原矩阵的代数余子式通常会发生改变不能把变换后的矩阵当成原矩阵去求余子式。如果题目明确要求某个位置的代数余子式就在原始矩阵上算不要先化简再算。3. 伴随矩阵与逆矩阵分块求逆、矩阵方程与可逆性证明3.1 伴随矩阵三大恒等式把 A* 统一化成 A 的逆伴随矩阵相关内容在试卷里出现频率很高2005 级填空第 3 题直接考察了带伴随矩阵的复杂表达式求值。核心恒等式只有一个A · A* A* · A |A| · E由这个式子可以推出三个常用结论。第一若 A 可逆则 A* |A| A^(-1)这是把伴随矩阵替换成逆矩阵的统一入口。第二|A*| |A|^(n-1)。第三A 不可逆时A·A* 0 这个结论在某些证明题里反而比可逆情形更常用。2005 级那道题给的条件是 |A| 1/3要求计算 ((1/4 A)^(-1) - 15 A*)^(-1) 的值。遇到这种题我建议先把所有伴随矩阵都换成 |A| A^(-1)再把所有常数倍数合并from sympy import symbols # |A| 1/3 detA symbols(detA) # 统一替换A* detA * A^{-1} # 原式 (4 A^{-1} - 15 * detA * A^{-1})^{-1} # ((4 - 15*detA) * A^{-1})^{-1} coef 4 - 15 * Rational(1, 3) print(系数 4 - 15|A| , coef) # 系数为 -1所以原式 -A逻辑说明(1/4 A)^(-1)等于4 A^(-1)15A* 替换为15 * (1/3) A^(-1)合并后系数是 -1所以整个逆等于 -A答案取行列式或对应元素即可。这个化简顺序比先展开括号再合并要清晰得多凡是出现 A* 与逆矩阵混合的题目都先把 A* 消掉。3.2 分块矩阵求逆先定位零块再套公式第六大题给出的分块矩阵在扫描件里排版已经乱了常见形式是 D [[A, 0], [C, B]] 或 [[A, C], [0, B]]其中 A、B 分别可逆。求逆公式可以归结为两类分块形式D 的逆矩阵[[A, 0], [C, B]][[A^(-1), 0], [-B^(-1) C A^(-1), B^(-1)]][[A, C], [0, B]][[A^(-1), -A^(-1) C B^(-1)], [0, B^(-1)]]口诀是“对角块各取逆非对角块取负的从左往右夹乘”。第二问给了一个具体 4 阶矩阵先用 SymPy 验证公式再套数字from sympy import Matrix, eye A Matrix([[1, 1], [2, 3]]) # 零块位置按 [[A, 0], [C, B]] 组织 C Matrix([[1, 0], [0, -2]]) B Matrix([[2, 5], [1, 3]]) D Matrix([[A, Matrix.zeros(2)], [C, B]]) D D.reshape(4, 4) D_inv D.inv() # 检查 D * D_inv 是否为单位阵 print((D * D_inv).evalf(3))验证时把乘回去的结果与单位矩阵做差如果每个元素绝对值小于 1e-10 就说明求逆正确。注意Matrix.zeros(2)生成 2 阶零矩阵reshape(4, 4)把分块结构展平成完整矩阵。工程里用numpy.linalg.inv也能直接算但分块公式的价值在于当 A 和 B 的规模很大时只对两个小块求逆计算量从 O(n^3) 降到 O(k^3 r^3)。3.3 矩阵方程 AXB C 的求解顺序左右乘不能换矩阵方程题的已知条件是 AXB C但扫描件里 C 矩阵的数字丢失了只保留了 A 和 B。解法本身不依赖 C 的具体值关键是操作顺序方程形式操作方法结果AX B左乘 A^(-1)X A^(-1) BXA B右乘 A^(-1)X B A^(-1)AXB C左乘 A^(-1)右乘 B^(-1)X A^(-1) C B^(-1)from sympy import Matrix A Matrix([[1, 1, 1], [0, 2, 2], [1, 1, -1]]) B Matrix([[1, -1, 1], [1, 1, 0], [2, 2, 1]]) # 假设 C 为与 A、B 同阶的单位阵 C Matrix.eye(3) X A.inv() * C * B.inv() print(X , X)左右乘的次序决定了公式的形态先左乘再右乘与先右乘再左乘结果通常不相等。如果题目里只有 AX B 而没有 C那只需要左乘如果两个逆矩阵都在就要确认哪一个在左边。检查方法是把 X 代回原方程看 AXB 是否等于 C这一步在任何数值环境里都值得做。3.4 由 A^m E 推出 B^m E转置与逆的交换顺序最后一道 8 分证明题说设 n 阶方阵 A (a_ij) 满足 A^m EB (A_ij)其中 A_ij 是行列式 A 中元素 a_ij 的代数余子式证明 B^m E。这里要特别注意 B 的定义B 的第 (i, j) 个元素是 A_ji 的代数余子式也就是 B 等于 (A*)^T 而不是 A* 本身。证明链条可以这样组织A^m E 说明 A 可逆且 det(A)^m 1。由 A* det(A) A^(-1)得 (A*)^T det(A) (A^(-1))^T。对两边取 m 次方转置与逆运算是可交换的所以 ((A^(-1))^T)^m ((A^m)^(-1))^T E。同时 det(A)^m det(A^m) det(E) 1因此 B^m E。这个结论对后续章节理解分块与可逆性很有用所以放在这里一起记忆。4. 线性相关与线性方程组解的结构秩判定法贯穿始终4.1 三个秩定性所有解的情况2005 级和 2006—2007 学年各有一道十几分的大题专门讨论参数取何值时方程组无解、有唯一解或有无穷多解。这类题的标准工具是系数矩阵的秩 r(A) 和增广矩阵的秩 r(A|b)对照关系如下条件结论r(A) r(Ab)r(A) r(Ab) nr(A) r(Ab) n第二个条件里 n 是未知量个数不是方程个数。当方程组有 n 个未知量、m 个方程时r(A) 最多是 min(m, n)。选择题里说的“有唯一解的充分必要条件”本质上是要求 r(A) n 且 β 属于 A 的列空间两者缺一不可。4.2 线性相关判定把“存在一组不全为零的系数”变成行列式2005 级填空第 6 题给了一个经典结论α1, α2, α3 线性无关那么 α1 - a α2、α2 - b α3、α3 - c α1 线性相关的充要条件是 abc 1。这类题不需要逐个试探系数而是把新向量组写成旧向量组的线性组合Beta Alpha · C其中 Beta 相关当且仅当变换矩阵 C 奇异即 det(C) 0。以这道题为例组合矩阵的行列式展开后就是 abc - 1 0。工程里判断一组数值向量是否线性相关也常用同样思路构造矩阵后求秩或条件数但手算时行列式仍然是最直接的判据。SymPy 里可以用Matrix.det()直接展开验证from sympy import symbols, Matrix a, b, c symbols(a b c) # 变换矩阵 C 的行是线性组合系数 C Matrix([[1, -a, 0], [0, 1, -b], [-c, 0, 1]]) print(det(C) , C.det().expand())输出结果是a*b*c - 1所以相关的充要条件是a*b*c - 1 0即 abc 1。这里的参数说明C的构造规则是把新向量按“哪些旧向量参与了组合”填入对应列如果顺序颠倒行列式只差符号不影响判定条件。掌握这个矩阵化流程之后无论参数怎么换都能直接套用。4.3 基础解系与通解先求特解再补零空间选择题里给了四个形如 k1γ1 k2γ2 ... 的通解表达式要求判断哪个是非齐次方程组 AX β 的通解。正确形式一定是“一个特解 导出组基础解系的线性组合”。判断选项时先检查两个条件非齐次部分是否代入后得到 β齐次部分是否线性无关且个数等于 n - r(A)。具体实现上SymPy 提供了两个现成函数一个解非齐次方程组一个求零空间from sympy import Matrix, linsolve, symbols x1, x2, x3, x4 symbols(x1 x2 x3 x4) A Matrix([[1, 1, 1, -1], [3, 2, 1, 1], [1, 1, -2, -3], [2, 1, -3, 4]]) b Matrix([2, 3, 6, -1]) # 求非齐次特解 solutions linsolve((A, b), x1, x2, x3, x4) print(通解:, solutions) # 求导出组的基础解系 null_basis A.nullspace() print(基础解系:, null_basis)linsolve返回解集的参数化表达nullspace返回一组零空间基向量。注意通解里的自由参数个数必须等于 A 的列数减秩也就是4 - A.rank()。许多错误选项就是在自由参数个数上做了手脚要么少了一个要么把特解和基础解系的系数混在一起。4.4 带参方程组用符号增广矩阵找临界值第五大题的方程组带有 a 和 b 两个参数直接代入数值消元会丢信息。正确做法是把 a、b 当作符号放到增广矩阵里做行阶梯形后观察主元位置from sympy import Matrix, symbols, solve a, b symbols(a b) A_aug Matrix([ [1, 1, 1, -1, 2], [3, 2, 1, 1, 3], [1, 1, -2, -3, 6], [2, 1, -3, a, -b] ]) rref_matrix, pivot_cols A_aug.rref() print(行最简形:) print(rref_matrix) print(主元列:, pivot_cols)rref()会返回行最简形以及主元所在的列号。如果最后一行形如[0, 0, 0, 0, f(a, b)]那么当 f(a, b) 0 时方程组有无穷多解否则无解如果主元列覆盖了全部四个未知量则方程组有唯一解。临界值就是solve(f, a, b)得到的参数组合。这里最容易踩的坑是符号矩阵做rref()时可能会除以含参数的表达式导致 a 0 或 b 的某个取值被当作默认可除条件丢掉所以拿到结果后要人工检查主元里是否出现了参数在分母的情况。5. 多项式整除与有理根综合除法、重因式与公共根的完整分析5.1 综合除法的边界只适合一次因式2006—2007 学年填空第 3 题要求用综合除法求 f(x) x^4 - 17 除以 g(x) x 2 的商式和余式。综合除法的操作是系数从高次到低次排列逐项乘加最后一个是余数。4 次式除以一次式商是 3 次式from sympy import symbols, div from sympy.abc import x f x**4 - 17 g x 2 q, r div(f, g, x) print(商式:, q) print(余式:, r)输出商式为 x^3 - 2x^2 4x - 8余式为 -1。这里的div返回 (商, 余) 两个多项式对象整个过程等价于手算综合除法。注意综合除法只适用于除式为一次因式的情况如果除式是 x^2 2 这样的二次式就不能直接把系数拿来做简单的乘加循环必须回退到多项式长除法。5.2 重因式判定求 gcd(f, f) 就能看见 n 4 的临界点思考题第一题问正整数 n 取何值时 f(x) (x1)^n - x^n - 1 有重因式并强调不要用辗转相除。重因式的判定标准是 gcd(f, f) 的次数至少为 1等价于 f 与 f 存在公共根。用 SymPy 快速扫描 n 的取值from sympy import gcd, diff, factor from sympy.abc import x for n in range(2, 9): f (x 1)**n - x**n - 1 g gcd(f, diff(f, x)) print(n , n, gcd 次数:, g.as_poly().degree())当 n 4 时f (x1)^4 - x^4 - 1 展开为 4x^3 6x^2 4xgcd(f, f) 是一次多项式说明存在重因式其它 n 值 gcd 降到 0 次说明没有重根。这题的快速手算思路是设公共根为 r联立 f(r) 0 与 f(r) 0消去指数项后得到一个关于 n 的方程解出 n 4。5.3 公共有理根的试根表先枚举后验证第二道思考题给出两个整系数多项式要求找出使它们有公共有理根的整数 a、b。有理根定理支持用枚举法缩小范围若既约分数 p/q 是整系数多项式的根则 p 整除常数项q 整除首项系数。题目里 f 和 g 的常数项分别是 -1 和 -4c首项系数是 6 和 1候选根范围非常有限。from itertools import product from sympy.abc import x from sympy import symbols, Poly, Rational a, b 5, 2 # 已知答案用于验证枚举逻辑 f 6*x**4 3*x**3 a*x**2 b*x - 1 g x**4 - 2*a*x**3 Rational(3, 4)*x**2 - 5*b*x - 4 # 常数项因数为 p首项系数因数为 q p_candidates [1, -1] q_candidates [1, -1, 2, -2, 3, -3, 6, -6] roots [] for p, q in product(p_candidates, q_candidates): r Rational(p, q) if f.subs(x, r) 0 and g.subs(x, r) 0: roots.append(r) print(公共有理根:, roots)实际执行时先代入每个候选根只有同时让 f 和 g 为零的候选才保留。a 5、b 2 是题目给的目标值枚举结果会与预期一致。这里的参数说明product生成 p 和 q 的全部组合候选集合越小枚举速度越快。真正的工程技巧是不要一上来就调 SymPy 的roots先把候选根缩到十来个再逐个代入速度更快而且不容易漏解。5.4 把带参多项式问题收敛成一个可复用流程上面几节的方法可以统一成一个流程先确定有理根候选集合再代入参数表达式验证公共根最后用 gcd(f, f) 检查重因式。对这道思考题把 a、b 设成符号做一次完整扫描from sympy import symbols, Poly, Rational from sympy.abc import x a_sym, b_sym symbols(a b) p_candidates [1, -1] q_candidates [1, -1, 2, -2, 3, -3, 6, -6] results [] for p, q in product(p_candidates, q_candidates): r Rational(p, q) f_val Poly(6*x**4 3*x**3 a_sym*x**2 b_sym*x - 1, x) g_val Poly(x**4 - 2*a_sym*x**3 Rational(3, 4)*x**2 - 5*b_sym*x - 4, x) eq1 f_val.eval(r).as_expr() eq2 g_val.eval(r).as_expr() solutions solve([eq1, eq2], [a_sym, b_sym], dictTrue) for sol in solutions: if sol[a_sym].is_integer and sol[b_sym].is_integer: results.append((r, sol[a_sym], sol[b_sym])) print(整数参数与公共根:, results)Poly(...).eval(r)计算多项式在 r 处的取值得到的是包含 a、b 的表达式。solve返回满足 f(r) 0 且 g(r) 0 的参数组合再用is_integer过滤出整数解。对扫描得到的每个公共根做代入验证与直接用gcd判断重因式的结论互为印证。n 从 2 换成 5 时 gcd 次数回到 0这说明重因式只出现在参数取值恰好使公共根成立的那些点上而不是一个持续存在的结构性质。本文还有配套的精品资源点击获取
高等代数核心考点：行列式、矩阵与方程组解题全攻略
简介这份《高等代数》考试复习资料对应中国人民大学历年期末试题覆盖行列式、矩阵逆与伴随矩阵、线性相关与无关、秩与线性方程组解结构、线性映射标准矩阵等核心考点并附有矩阵方程、分块矩阵求逆等典型题目解析。适合数学及相关专业本科生期末备考也可作为考研基础阶段刷题与自查材料。资源为单个PDF文档体积约1.5MB方便打印或导入平板做笔记。目前已有311人学习使用。除试卷原题外内容还涉及代数余子式与行列式展开、伴随矩阵性质、齐次线性方程组基础解系、通解与特解关系、矩阵幂运算及矩阵方程解法等易错重难点对照题目逐一梳理知识点有助于快速定位薄弱环节并形成系统化解题思路。1. 这份高等代数复习资料把线性代数的主线压在了四类题上拿到这份中国人民大学《高等代数》考试复习 PDF第一反应是题老第二反应是考点集中得可怕。两套期末卷子翻下来行列式按行展开、伴随矩阵与逆矩阵、线性方程组的秩判定、多项式整除与有理根几乎把所有高分值题目都串在这四条线上。对正在备考高代期末或考研数学的读者这是一份可以直接用来对答案的真题集对平时写数值代码、做矩阵运算的工程师里面反复出现的“代数余子式求和”“分块矩阵求逆”“带参方程组分类讨论”恰恰是手算和程序验证最容易出错的地方。后面的内容全部围绕这套试卷展开每类题都先讲判定依据再给可复现的代码与参数说明最后指出考场和工程里最常见的坑。2. 行列式与代数余子式先看懂替换定理再谈五阶展开2.1 代数余子式按行求和比逐项展开快一个量级的等价替换2005 级填空题第 1 题给了一个 5 阶行列式要求计算 A41 A42 A43 A44 与 A44 A45其中 A4j 是第 4 行第 j 个元素的代数余子式。很多人的第一反应是把 5 阶行列式硬展开再按定义求每个代数余子式这在小规模题目里勉强能算但既慢又容易漏符号。这里有一个更直接的结论第 i 行代数余子式的线性组合等于把原行列式第 i 行替换成对应系数后重新计算的行列式。原因是行列式按某一行展开时展开式对所有行都成立。如果想把 A41 到 A44 直接相加就相当于把第 4 行全部替换成 1此时新行列式按第 4 行展开得到的恰好是 A41 A42 A43 A44。同理A44 A45 只需要把第 4 行第 4、5 列置为 1其余位置置为 0再求行列式。这个替换技巧不但适用于求和也适用于带权求和本质上是把“逐项计算余子式”变成了“一次行列式计算”。目标表达式等价替换方式A41 A42 A43 A44第 4 行全部替换为 1其余行不变求行列式A44 A45第 4 行第 4、5 列为 1其余为 0求行列式2A41 - 3A43第 4 行替换为 (2, 0, -3, 0, 0)求行列式用这个思路处理资料里另一道“设 D 为 4 阶行列式求 A14 A24 A34 A44”的题也是一样把第 4 列全部换成 1 再算行列式答案直接读出来。实际阅卷时这类填空题的答案往往就藏在新行列式的对角线乘积里手算速度能快出不少。2.2 从扫描 PDF 到 SymPy 验证OCR 乱码是第一个坑这套 PDF 是扫描版转出来的矩阵里的 3 和 5、0 和 8 经常混在一起直接对着屏幕抄数字很容易抄错。我一般会先用命令行工具把 PDF 文本抽出来再人工对一遍行列式里的数字pdftotext -layout 高等代数考试复习.pdf 高等代数.txt grep -n 5 阶行列式 高等代数.txt-layout参数保留原始排版能让矩阵结构尽量不被拆散。抽出来的文本仍然会有大量乱码比如“51234522211273”这类连续数字需要按行列式维度手动切分。把矩阵整理干净之后再用 SymPy 做验证比较稳妥from sympy import Matrix, symbols D Matrix([ [5, 1, 2, 3, 4], [5, 2, 2, 2, 1], [1, 2, 7, 3, 4], [1, 2, 4, 5, 1], [1, 1, 2, 4, 3] ]) # 第4行替换为全1求 A41A42A43A44 row_replaced D.copy() row_replaced[3, :] [1, 1, 1, 1, 1] print(A41A42A43A44 , row_replaced.det()) # 第4行第4、5列为1求 A44A45 col_replaced D.copy() col_replaced[3, :] [0, 0, 0, 1, 1] print(A44A45 , col_replaced.det()) # 直接枚举代数余子式做交叉验证 s sum(D.cofactor(3, j) for j in range(4)) print(枚举验证 , s)Matrix构造时按行传入列表cofactor(3, j)返回第 4 行第 j1 列的代数余子式索引从 0 开始。替换行之后再det()结果与枚举求和一致说明替换定理没有用错。这里的参数说明只有一条要记住SymPy 的行列和列都是从 0 计数而试卷里从 1 计数换算时别把第 4 行写成cofactor(4, j)那会越界或者算到第 5 行。2.3 锯齿形行列式按第一行展开后只剩下一个非零项2006—2007 学年试卷里出现了一个形如0001 / 0002 / 0020 / 0500 / 2006的锯齿形行列式这类题的通用做法是连续按第一行或最后一列展开。以 5 阶为例第一行只有一个非零元素其余元素都是 0展开后剩下一个 4 阶子式而这个子式仍然保持锯齿形状于是可以递推。我一般会先写出 D_n 与 D_{n-2} 的关系再叠乘到边界条件。这样处理的好处是不需要展开完整行列式每次只保留一个非零项。工程上如果遇到上百阶的稀疏三角矩阵直接用scipy.linalg.det或numpy.linalg.det也能算但理解这个递推过程对判断稀疏矩阵的零块结构很有帮助。这里的易错点在于每展开一次符号会多一个 (-1) 的幂次叠乘时必须把每次展开的符号单独记下来。很多人在这一步丢掉负号导致最终答案差一个符号。我的习惯是先在草稿纸上写出 D_n ... D_{n-2} 的递推式再代入 n 的具体值做两层验证。2.4 代数余子式展开的常见误用与符号陷阱代数余子式 Aij 与余子式 Mij 只差一个符号因子Aij (-1)^(ij) Mij。求“第 4 行代数余子式之和”时如果直接把第 4 行替换成 1 再去计算行列式结果天然包含了符号因子不需要额外处理。但如果手算时先求 M4j 再相加就必须逐个补上 (-1)^(4j)。另一个常见的误用是混淆“某行代数余子式之和”与“某行元素乘以该行代数余子式之和”。后者才是行列式按行展开的原始形式结果等于 det(A)前者相当于做了一次行替换。这两个概念在选择题里经常成对出现判断时先看求和对象是 Aij 还是 aij Aij符号和结果完全不同。还要注意对矩阵做初等行变换之后原矩阵的代数余子式通常会发生改变不能把变换后的矩阵当成原矩阵去求余子式。如果题目明确要求某个位置的代数余子式就在原始矩阵上算不要先化简再算。3. 伴随矩阵与逆矩阵分块求逆、矩阵方程与可逆性证明3.1 伴随矩阵三大恒等式把 A* 统一化成 A 的逆伴随矩阵相关内容在试卷里出现频率很高2005 级填空第 3 题直接考察了带伴随矩阵的复杂表达式求值。核心恒等式只有一个A · A* A* · A |A| · E由这个式子可以推出三个常用结论。第一若 A 可逆则 A* |A| A^(-1)这是把伴随矩阵替换成逆矩阵的统一入口。第二|A*| |A|^(n-1)。第三A 不可逆时A·A* 0 这个结论在某些证明题里反而比可逆情形更常用。2005 级那道题给的条件是 |A| 1/3要求计算 ((1/4 A)^(-1) - 15 A*)^(-1) 的值。遇到这种题我建议先把所有伴随矩阵都换成 |A| A^(-1)再把所有常数倍数合并from sympy import symbols # |A| 1/3 detA symbols(detA) # 统一替换A* detA * A^{-1} # 原式 (4 A^{-1} - 15 * detA * A^{-1})^{-1} # ((4 - 15*detA) * A^{-1})^{-1} coef 4 - 15 * Rational(1, 3) print(系数 4 - 15|A| , coef) # 系数为 -1所以原式 -A逻辑说明(1/4 A)^(-1)等于4 A^(-1)15A* 替换为15 * (1/3) A^(-1)合并后系数是 -1所以整个逆等于 -A答案取行列式或对应元素即可。这个化简顺序比先展开括号再合并要清晰得多凡是出现 A* 与逆矩阵混合的题目都先把 A* 消掉。3.2 分块矩阵求逆先定位零块再套公式第六大题给出的分块矩阵在扫描件里排版已经乱了常见形式是 D [[A, 0], [C, B]] 或 [[A, C], [0, B]]其中 A、B 分别可逆。求逆公式可以归结为两类分块形式D 的逆矩阵[[A, 0], [C, B]][[A^(-1), 0], [-B^(-1) C A^(-1), B^(-1)]][[A, C], [0, B]][[A^(-1), -A^(-1) C B^(-1)], [0, B^(-1)]]口诀是“对角块各取逆非对角块取负的从左往右夹乘”。第二问给了一个具体 4 阶矩阵先用 SymPy 验证公式再套数字from sympy import Matrix, eye A Matrix([[1, 1], [2, 3]]) # 零块位置按 [[A, 0], [C, B]] 组织 C Matrix([[1, 0], [0, -2]]) B Matrix([[2, 5], [1, 3]]) D Matrix([[A, Matrix.zeros(2)], [C, B]]) D D.reshape(4, 4) D_inv D.inv() # 检查 D * D_inv 是否为单位阵 print((D * D_inv).evalf(3))验证时把乘回去的结果与单位矩阵做差如果每个元素绝对值小于 1e-10 就说明求逆正确。注意Matrix.zeros(2)生成 2 阶零矩阵reshape(4, 4)把分块结构展平成完整矩阵。工程里用numpy.linalg.inv也能直接算但分块公式的价值在于当 A 和 B 的规模很大时只对两个小块求逆计算量从 O(n^3) 降到 O(k^3 r^3)。3.3 矩阵方程 AXB C 的求解顺序左右乘不能换矩阵方程题的已知条件是 AXB C但扫描件里 C 矩阵的数字丢失了只保留了 A 和 B。解法本身不依赖 C 的具体值关键是操作顺序方程形式操作方法结果AX B左乘 A^(-1)X A^(-1) BXA B右乘 A^(-1)X B A^(-1)AXB C左乘 A^(-1)右乘 B^(-1)X A^(-1) C B^(-1)from sympy import Matrix A Matrix([[1, 1, 1], [0, 2, 2], [1, 1, -1]]) B Matrix([[1, -1, 1], [1, 1, 0], [2, 2, 1]]) # 假设 C 为与 A、B 同阶的单位阵 C Matrix.eye(3) X A.inv() * C * B.inv() print(X , X)左右乘的次序决定了公式的形态先左乘再右乘与先右乘再左乘结果通常不相等。如果题目里只有 AX B 而没有 C那只需要左乘如果两个逆矩阵都在就要确认哪一个在左边。检查方法是把 X 代回原方程看 AXB 是否等于 C这一步在任何数值环境里都值得做。3.4 由 A^m E 推出 B^m E转置与逆的交换顺序最后一道 8 分证明题说设 n 阶方阵 A (a_ij) 满足 A^m EB (A_ij)其中 A_ij 是行列式 A 中元素 a_ij 的代数余子式证明 B^m E。这里要特别注意 B 的定义B 的第 (i, j) 个元素是 A_ji 的代数余子式也就是 B 等于 (A*)^T 而不是 A* 本身。证明链条可以这样组织A^m E 说明 A 可逆且 det(A)^m 1。由 A* det(A) A^(-1)得 (A*)^T det(A) (A^(-1))^T。对两边取 m 次方转置与逆运算是可交换的所以 ((A^(-1))^T)^m ((A^m)^(-1))^T E。同时 det(A)^m det(A^m) det(E) 1因此 B^m E。这个结论对后续章节理解分块与可逆性很有用所以放在这里一起记忆。4. 线性相关与线性方程组解的结构秩判定法贯穿始终4.1 三个秩定性所有解的情况2005 级和 2006—2007 学年各有一道十几分的大题专门讨论参数取何值时方程组无解、有唯一解或有无穷多解。这类题的标准工具是系数矩阵的秩 r(A) 和增广矩阵的秩 r(A|b)对照关系如下条件结论r(A) r(Ab)r(A) r(Ab) nr(A) r(Ab) n第二个条件里 n 是未知量个数不是方程个数。当方程组有 n 个未知量、m 个方程时r(A) 最多是 min(m, n)。选择题里说的“有唯一解的充分必要条件”本质上是要求 r(A) n 且 β 属于 A 的列空间两者缺一不可。4.2 线性相关判定把“存在一组不全为零的系数”变成行列式2005 级填空第 6 题给了一个经典结论α1, α2, α3 线性无关那么 α1 - a α2、α2 - b α3、α3 - c α1 线性相关的充要条件是 abc 1。这类题不需要逐个试探系数而是把新向量组写成旧向量组的线性组合Beta Alpha · C其中 Beta 相关当且仅当变换矩阵 C 奇异即 det(C) 0。以这道题为例组合矩阵的行列式展开后就是 abc - 1 0。工程里判断一组数值向量是否线性相关也常用同样思路构造矩阵后求秩或条件数但手算时行列式仍然是最直接的判据。SymPy 里可以用Matrix.det()直接展开验证from sympy import symbols, Matrix a, b, c symbols(a b c) # 变换矩阵 C 的行是线性组合系数 C Matrix([[1, -a, 0], [0, 1, -b], [-c, 0, 1]]) print(det(C) , C.det().expand())输出结果是a*b*c - 1所以相关的充要条件是a*b*c - 1 0即 abc 1。这里的参数说明C的构造规则是把新向量按“哪些旧向量参与了组合”填入对应列如果顺序颠倒行列式只差符号不影响判定条件。掌握这个矩阵化流程之后无论参数怎么换都能直接套用。4.3 基础解系与通解先求特解再补零空间选择题里给了四个形如 k1γ1 k2γ2 ... 的通解表达式要求判断哪个是非齐次方程组 AX β 的通解。正确形式一定是“一个特解 导出组基础解系的线性组合”。判断选项时先检查两个条件非齐次部分是否代入后得到 β齐次部分是否线性无关且个数等于 n - r(A)。具体实现上SymPy 提供了两个现成函数一个解非齐次方程组一个求零空间from sympy import Matrix, linsolve, symbols x1, x2, x3, x4 symbols(x1 x2 x3 x4) A Matrix([[1, 1, 1, -1], [3, 2, 1, 1], [1, 1, -2, -3], [2, 1, -3, 4]]) b Matrix([2, 3, 6, -1]) # 求非齐次特解 solutions linsolve((A, b), x1, x2, x3, x4) print(通解:, solutions) # 求导出组的基础解系 null_basis A.nullspace() print(基础解系:, null_basis)linsolve返回解集的参数化表达nullspace返回一组零空间基向量。注意通解里的自由参数个数必须等于 A 的列数减秩也就是4 - A.rank()。许多错误选项就是在自由参数个数上做了手脚要么少了一个要么把特解和基础解系的系数混在一起。4.4 带参方程组用符号增广矩阵找临界值第五大题的方程组带有 a 和 b 两个参数直接代入数值消元会丢信息。正确做法是把 a、b 当作符号放到增广矩阵里做行阶梯形后观察主元位置from sympy import Matrix, symbols, solve a, b symbols(a b) A_aug Matrix([ [1, 1, 1, -1, 2], [3, 2, 1, 1, 3], [1, 1, -2, -3, 6], [2, 1, -3, a, -b] ]) rref_matrix, pivot_cols A_aug.rref() print(行最简形:) print(rref_matrix) print(主元列:, pivot_cols)rref()会返回行最简形以及主元所在的列号。如果最后一行形如[0, 0, 0, 0, f(a, b)]那么当 f(a, b) 0 时方程组有无穷多解否则无解如果主元列覆盖了全部四个未知量则方程组有唯一解。临界值就是solve(f, a, b)得到的参数组合。这里最容易踩的坑是符号矩阵做rref()时可能会除以含参数的表达式导致 a 0 或 b 的某个取值被当作默认可除条件丢掉所以拿到结果后要人工检查主元里是否出现了参数在分母的情况。5. 多项式整除与有理根综合除法、重因式与公共根的完整分析5.1 综合除法的边界只适合一次因式2006—2007 学年填空第 3 题要求用综合除法求 f(x) x^4 - 17 除以 g(x) x 2 的商式和余式。综合除法的操作是系数从高次到低次排列逐项乘加最后一个是余数。4 次式除以一次式商是 3 次式from sympy import symbols, div from sympy.abc import x f x**4 - 17 g x 2 q, r div(f, g, x) print(商式:, q) print(余式:, r)输出商式为 x^3 - 2x^2 4x - 8余式为 -1。这里的div返回 (商, 余) 两个多项式对象整个过程等价于手算综合除法。注意综合除法只适用于除式为一次因式的情况如果除式是 x^2 2 这样的二次式就不能直接把系数拿来做简单的乘加循环必须回退到多项式长除法。5.2 重因式判定求 gcd(f, f) 就能看见 n 4 的临界点思考题第一题问正整数 n 取何值时 f(x) (x1)^n - x^n - 1 有重因式并强调不要用辗转相除。重因式的判定标准是 gcd(f, f) 的次数至少为 1等价于 f 与 f 存在公共根。用 SymPy 快速扫描 n 的取值from sympy import gcd, diff, factor from sympy.abc import x for n in range(2, 9): f (x 1)**n - x**n - 1 g gcd(f, diff(f, x)) print(n , n, gcd 次数:, g.as_poly().degree())当 n 4 时f (x1)^4 - x^4 - 1 展开为 4x^3 6x^2 4xgcd(f, f) 是一次多项式说明存在重因式其它 n 值 gcd 降到 0 次说明没有重根。这题的快速手算思路是设公共根为 r联立 f(r) 0 与 f(r) 0消去指数项后得到一个关于 n 的方程解出 n 4。5.3 公共有理根的试根表先枚举后验证第二道思考题给出两个整系数多项式要求找出使它们有公共有理根的整数 a、b。有理根定理支持用枚举法缩小范围若既约分数 p/q 是整系数多项式的根则 p 整除常数项q 整除首项系数。题目里 f 和 g 的常数项分别是 -1 和 -4c首项系数是 6 和 1候选根范围非常有限。from itertools import product from sympy.abc import x from sympy import symbols, Poly, Rational a, b 5, 2 # 已知答案用于验证枚举逻辑 f 6*x**4 3*x**3 a*x**2 b*x - 1 g x**4 - 2*a*x**3 Rational(3, 4)*x**2 - 5*b*x - 4 # 常数项因数为 p首项系数因数为 q p_candidates [1, -1] q_candidates [1, -1, 2, -2, 3, -3, 6, -6] roots [] for p, q in product(p_candidates, q_candidates): r Rational(p, q) if f.subs(x, r) 0 and g.subs(x, r) 0: roots.append(r) print(公共有理根:, roots)实际执行时先代入每个候选根只有同时让 f 和 g 为零的候选才保留。a 5、b 2 是题目给的目标值枚举结果会与预期一致。这里的参数说明product生成 p 和 q 的全部组合候选集合越小枚举速度越快。真正的工程技巧是不要一上来就调 SymPy 的roots先把候选根缩到十来个再逐个代入速度更快而且不容易漏解。5.4 把带参多项式问题收敛成一个可复用流程上面几节的方法可以统一成一个流程先确定有理根候选集合再代入参数表达式验证公共根最后用 gcd(f, f) 检查重因式。对这道思考题把 a、b 设成符号做一次完整扫描from sympy import symbols, Poly, Rational from sympy.abc import x a_sym, b_sym symbols(a b) p_candidates [1, -1] q_candidates [1, -1, 2, -2, 3, -3, 6, -6] results [] for p, q in product(p_candidates, q_candidates): r Rational(p, q) f_val Poly(6*x**4 3*x**3 a_sym*x**2 b_sym*x - 1, x) g_val Poly(x**4 - 2*a_sym*x**3 Rational(3, 4)*x**2 - 5*b_sym*x - 4, x) eq1 f_val.eval(r).as_expr() eq2 g_val.eval(r).as_expr() solutions solve([eq1, eq2], [a_sym, b_sym], dictTrue) for sol in solutions: if sol[a_sym].is_integer and sol[b_sym].is_integer: results.append((r, sol[a_sym], sol[b_sym])) print(整数参数与公共根:, results)Poly(...).eval(r)计算多项式在 r 处的取值得到的是包含 a、b 的表达式。solve返回满足 f(r) 0 且 g(r) 0 的参数组合再用is_integer过滤出整数解。对扫描得到的每个公共根做代入验证与直接用gcd判断重因式的结论互为印证。n 从 2 换成 5 时 gcd 次数回到 0这说明重因式只出现在参数取值恰好使公共根成立的那些点上而不是一个持续存在的结构性质。本文还有配套的精品资源点击获取
