考研数学学习心得(5)

【来源：易教网 更新时间：2026-07-01】

行列式：那个让无数人栽跟头的“小透明”

提到行列式，大部分同学的第一反应是：这玩意儿高考又不考，大学期末也就是算算二三阶，考研至于这么大阵仗吗？

没错，行列式在整个线性代数体系里，确实不算什么“核心角色”。它更像是一个藏在幕后的配角——平时不起眼，关键时刻却能决定你的成败。

为什么这么说？因为行列式本质上就是一个数，一个实实在在的实数。这个看似简单的认知，恰恰是很多同学最容易忽略的盲点。我带过的学生里，有不少人做行列式题目时算着算着就忘了自己在算什么东西，最后结果出现负号或者数值明显不对，自己还浑然不觉。

如果你一开始就能意识到“我在算一个数”，很多低级错误根本不会发生。

行列式的计算：方法不在多，在于精

谈到行列式的计算方法，很多同学的状态是：收藏了满满一堆技巧，做题时依然一脸茫然。

其实对于考研而言，下面几种方法足够了：

加边法——这是处理高阶行列式的一把利器，尤其适用于那些看起来千疮百孔、不知道从哪儿下手的题目。核心思路是给原行列式“加一行一列”，让它变成一个更容易处理的形式。

数学归纳法——当题目中出现“证明对任意n阶行列式成立”这类表述时，归纳法就是你的首选武器。用数学归纳法证明行列式命题，关键在于把n阶的问题巧妙地转化为n-1阶的问题。

降阶法——这是最朴素也最常用的方法。先利用行列式的性质进行恒等变形——行变换、列变换、把某行（列）的倍数加到另一行（列）——把行列式化简成一个包含大量零的形态，然后按行或列展开。展开时要学会观察，选择零元素最多的行或列进行展开，能让计算量骤减。

范德蒙行列式——这个特定形态的行是必须记住的。考试中一旦出现范德蒙行列式，那就是送分题，记住公式直接套用即可。

从真题的出题方式来看，行列式的考查主要有三种形态：低阶的数字型矩阵（直接算）、高阶抽象行列式的计算（用性质）、含参数的行列式的计算（需要分类讨论）。每种形态的解题套路都不一样，建议分别专项训练。

矩阵：看似简单，实则暗流涌动

如果说行列式是配角，那矩阵妥妥的主角光环。

但很多同学对矩阵的理解，仅限于“会做加法乘法求逆”——这远远不够。考研数学中，矩阵部分的精华在于三个词：逆矩阵、伴随矩阵、矩阵方程。

伴随矩阵，这个看似只是“把矩阵转一下再取转置”的小透明，其实藏着不少门道。它的行列式等于原矩阵行列式的n-1次方，它的逆矩阵等于自身除以原矩阵的行列式……这些性质用对了是神器，用错了就是灾难。

我特别想强调矩阵方程这个题型。什么叫矩阵方程？就是未知矩阵藏在一个等式里，比如AXB=C，要求你求X。这种题目近年出现频率极高，核心思路是把方程变形，暴露出X，然后用求逆矩阵的方法解决。

矩阵的秩，这才是真正的大boss。向量组的秩、矩阵等价、向量组等价、方程组的解……所有这些概念的连接点都是秩。很多同学学到这里时感觉各个知识点是散装的，根本串不起来。原因很简单：你没有抓住“秩”这个核心。

怎么破？把秩的定义再仔仔细细读三遍，然后做足够量的习题，让“秩”这个概念真正长在你的思维里。

向量：线性相关——线性代数的“心脏”

向量，是整个线性代数体系中最抽象的部分，也是最能拉开差距的部分。

线性相关、线性无关——这两个概念如果你只是死记硬背“存在不全为零的数使得α1+α2+…+αn=0则是线性相关”，那恭喜你，你已经成功把自己绕晕了。

理解线性相关性的正确姿势是：从方程组的角度看。如果一个向量组线性相关，意味着什么？意味着方程组有非零解。反过来说，如果方程组只有零解，那这个向量组就线性无关。

这个视角的转换，价值千金。

向量部分的重头戏还包括：判定向量组的线性相关性、证明向量组线性相关/无关、判定一个向量能否由向量组线性表出、向量组的秩和极大无关组的求法、有关秩的证明、有关矩阵与向量组等价的命题。

这些题型看似繁杂，其实万变不离其宗：把向量问题翻译成矩阵问题或者方程组问题，然后用你已经掌握的工具去解决。

线性方程组：考研的“兵家必争之地”

线性方程组，是考研线代每年必考的大题型。

齐次方程组有非零解的充要条件是什么？系数矩阵的秩小于未知数的个数。非齐次方程组有解的充要条件是什么？系数矩阵的秩等于增广矩阵的秩。这些基本结论必须倒背如流。

通解怎么求？步骤其实很固定：先把方程组写成矩阵形式，然后对增广矩阵做初等行变换，化成行阶梯形矩阵，判断解的情况，如果有解则继续化简成行最简形，最后写出通解。

带参数的方程组是每年的保留节目参数的不同取值会导致秩的变化，进而影响解的个数。这种题目没有捷径，只能分情况讨论，把每一种可能都考虑到。

齐次方程组的基础解系怎么求？这里有一个小技巧：先求出方程组的基础解系，然后验证基础解系线性无关，最后通解就是基础解系的线性组合。

特征值与特征向量：连接矩阵与空间的桥梁

这一部分可以分成三个板块：特征值和特征向量的概念及计算、方阵的相似对角化、实对称矩阵的正交相似对角化。

特征值和特征向量的定义必须彻底理解：Ax=λx，x是非零向量。这不是死记硬背的东西，而是要想象几何含义——一个矩阵作用在一个向量上，只改变了这个向量的长度（λ倍），方向不变，这就是特征向量。

数值矩阵的特征值怎么求？解特征方程|λE-A|=0。抽象矩阵呢？用定义，或者利用特征值的性质。

重点来了：矩阵的相似对角化。判断一个矩阵能否相似对角化，标准很简单：有n个线性无关的特征向量。实对称矩阵就更nice了——它一定可以正交相似对角化，而且不同特征值对应的特征向量天然正交。

二次型：收官之作

二次型本质上就是n元二次齐次多项式。它可以写成x^TAx的形式，其中A是对称矩阵。

所以二次型的问题，核心就是对称矩阵的问题。

这一部分的考点包括：二次型化为标准形（配方法、正交变换法）、正定矩阵的判别、规范形和惯性定理。

正定矩阵的判别是重点中的重点。一个实对称矩阵正定，等价于所有特征值大于零，等价于所有顺序主子式大于零，等价于存在可逆矩阵C使得A=C^TC。这几个条件要会根据题目条件灵活选用。

线性代数这门课，最大的特点是“抽象”。但抽象不意味着无迹可寻，它只是把很多具体的计算过程包装了一下。解题的时候，碰到向量问题就往矩阵和方程组上靠，碰到矩阵问题就考虑它的秩和特征值，碰到二次型问题就想着对称矩阵——这条线索捋清楚了，整本书的知识点就串起来了。

学习线代急不得。你需要做的，是把每一个概念都理解到位，把每一种题型的解题步骤都练到形成肌肉记忆。剩下的，就是水到渠成。