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”。

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 A41+A42+A43+A44 row_replaced = D.copy() row_replaced[3, :] = [1, 1, 1, 1, 1] print("A41+A42+A43+A44 =", row_replaced.det()) # 第4行第4、5列为1，求 A44+A45 col_replaced = D.copy() col_replaced[3, :] = [0, 0, 0, 1, 1] print("A44+A45 =", 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 j+1 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)^(i+j) 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)^(4+j)。

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：

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：

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 = E，B = (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：

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) = (x+1)^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 = (x+1)^4 - x^4 - 1 展开为 4x^3 + 6x^2 + 4x，gcd(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], dict=True) 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