简介本资源是面向高等代数初学者与进阶学习者的系统性笔记整理聚焦丘维声教授北京大学《高等代数》课程核心内容助力读者扎实掌握线性方程组求解、行列式理论及线性空间等关键模块。笔记严格对应151讲B站公开课逻辑覆盖矩阵消元法、阶梯形判别准则、n阶行列式定义与克莱姆法则、线性相关性、极大无关组、基与维数、数域Q/R/C及其在方程组解判定中的应用等重点难点每部分均含定义、性质、典型例题思路与习题指引结构清晰、推导严谨适合课前预习、课后复盘与考前梳理。资源为单文件PDF共1个文件大小1.21MB轻量便携支持多端阅读与标注。目前已有1178人学习下载是数学专业本科生、考研备考者及自学爱好者构建代数思维框架的高价值入门抓手。1. 线性方程组解集结构为什么消元后“自由未知量”的个数直接决定解空间维数而非系数矩阵的秩你有没有试过这样解一个三元线性方程组用高斯消元把增广矩阵化成阶梯形发现第二行主元在第2列、第三行主元在第3列但第一列没主元此时你自然会把 $x_1$ 当作自由未知量令 $x_1 t$再回代出 $x_2, x_3$ 关于 $t$ 的表达式——最终得到一个含单参数的通解。但问题来了这个参数 $t$ 真的只是“方便书写”的记号吗还是说它背后对应着一个真实存在的、可度量的几何对象更反直觉的是若系数矩阵 $A$ 是 $3\times3$ 满秩秩为3解唯一若秩降为2解集是一条直线一维仿射子空间若秩为1解集是一个平面二维仿射子空间。解集的维数 未知量个数 $n$ - 系数矩阵秩 $r$——这个公式人人会背但几乎没人追问为什么是减法为什么不是除法、不是取对数为什么这个差值恰好等于自由未知量的个数为什么这个数又等于齐次方程组解空间的维数这份丘维声笔记的真正价值不在于它抄录了151讲视频的板书而在于它用整整三章的篇幅把“解集结构”这个黑匣子一层层撬开从初等行变换为何不改变解集操作保真性到阶梯矩阵中主元列与自由列的拓扑分离结构显影再到线性空间同构定理如何将抽象解集锚定到 $\mathbb{K}^{n-r}$ 这个具体坐标空间范畴落地。它揭示了一个被多数教材轻描淡写的事实高斯消元不是一套孤立的计算技巧而是一台精密的“维度探测器”——每一次行变换都在不动声色地重构解集的向量空间骨架。当你写下 $x_1 t$ 时你不是在引入一个任意符号而是在显式构造解空间的一组基向量 $(1, *, *)^\top$当你说“有无穷多解”时你其实在断言解集作为 $\mathbb{K}^n$ 的子集其内在维度大于零。这份笔记的前言里那句“高等代数研究对象n元线性方程组……研究解集的结构”绝非空泛口号——它是一份设计说明书告诉你整套理论大厦的地基就夯在这“结构”二字之上。1.1 初等行变换为何是解集的“保真手术刀”初等行变换有三条① 交换两行② 某行乘以非零常数③ 某行加上另一行的倍数。教科书常强调“变换后方程组同解”但很少深究“为什么同解”。关键在于每一条变换都对应一个可逆的线性操作且该操作作用于解向量时不改变其满足原方程组的逻辑关系。以第三类变换为例设原方程组为 $A\mathbf{x} \mathbf{b}$其中 $A$ 是 $m\times n$ 矩阵。对第 $i$ 行执行操作“$R_i \leftarrow R_i k R_j$”相当于左乘一个初等矩阵 $E_{ij}(k)$单位矩阵第 $j$ 行的 $k$ 倍加到第 $i$ 行。新方程组为 $E_{ij}(k) A \mathbf{x} E_{ij}(k) \mathbf{b}$。现在考察一个向量 $\mathbf{x}_0$若 $\mathbf{x}0$ 满足原方程 $A\mathbf{x}0 \mathbf{b}$则显然 $E{ij}(k) A \mathbf{x}0 E{ij}(k) \mathbf{b}$即 $\mathbf{x}0$ 也满足新方程。反之因 $E{ij}(k)$ 可逆其逆为 $E{ij}(-k)$若 $\mathbf{x}0$ 满足新方程则左乘 $E{ij}(-k)$ 得 $A\mathbf{x}_0 \mathbf{b}$。因此解集完全不变。提示这里隐含一个深刻事实——初等矩阵 $E$ 是可逆的且 $E^{-1}$ 本身也是初等矩阵。这意味着行变换构成一个群作用elementary row operations form a group action而解集是这个群作用下的不变集invariant set。这解释了为何反复消元不会“丢失”或“捏造”解群作用只重排、缩放、组合方程绝不篡改其逻辑等价性。这种保真性不是偶然。它源于线性方程组的本质每个方程 $a_{i1}x_1 \cdots a_{in}x_n b_i$ 定义了 $\mathbb{K}^n$ 中的一个超平面hyperplane。初等行变换只是对这些超平面的方程进行线性组合而多个超平面的交集即解集在方程的线性组合下保持不变——就像用不同方式描述同一张桌子的四条腿腿的位置解不会因描述方式改变。1.2 阶梯矩阵主元列如何“锁定”解空间的刚性骨架将增广矩阵 $[A|\mathbf{b}]$ 化为行阶梯形row echelon form, REF后结构变得清晰主元pivot所在列称为主元列pivot columns其余列为自由列free columns。笔记中明确指出“主变量以外的未知量是自由未知量”并给出判据若 REF 有 $r$ 个非零行则自由未知量个数为 $n - r$。但这 $n - r$ 个自由未知量真的“自由”吗它们的自由是相对于解空间的仿射结构而言的。考虑齐次方程组 $A\mathbf{x} \mathbf{0}$。其解空间 $W {\mathbf{x} \in \mathbb{K}^n \mid A\mathbf{x} \mathbf{0}}$ 是 $\mathbb{K}^n$ 的一个子空间。REF 中每个主元列对应一个主变量可由自由变量线性表出每个自由列对应一个自由变量可任取 $\mathbb{K}$ 中值。因此$W$ 的维数 $\dim W n - r$。例如对矩阵$$ A \begin{bmatrix} 1 2 3 \ 2 4 6 \ 1 1 1 \end{bmatrix}, $$其 REF 为$$ \begin{bmatrix} 1 2 3 \ 0 -1 -2 \ 0 0 0 \end{bmatrix}, $$$r 2$, $n 3$, 故 $\dim W 1$。解空间由一个向量张成如 $\mathbf{v} (1, -2, 1)^\top$验证$A\mathbf{v} \mathbf{0}$。这个 $\mathbf{v}$ 正是由自由变量 $x_3 1$ 回代所得——自由变量的取值直接生成了解空间的基向量。注意自由变量的个数 $n - r$ 不仅是计数结果更是解空间的内禀维数。它不依赖于你选择哪个变量为自由变量尽管标准算法固定最右自由列因为任何一组自由变量都能通过可逆线性变换相互表示从而生成同构的解空间。1.3 从“解集”到“线性空间”同构定理如何将抽象结构锚定到具体坐标笔记第三章的核心跃迁在于将“解集”这一集合概念升格为“线性空间”这一代数结构。关键一步是证明齐次线性方程组 $A\mathbf{x} \mathbf{0}$ 的解集 $W$ 是 $\mathbb{K}^n$ 的一个子空间满足加法和数乘封闭。这使我们能运用线性空间的所有工具基、维数、同构。而最震撼的结论来自 3.11 节的同构定理“域上两个有限维线性空间同构的充分必要条件是它们的维数相等。” 应用于解空间若 $\dim W d$则 $W \cong \mathbb{K}^d$。这意味着无论原方程组多么复杂其解空间在代数意义上与一个 $d$ 维坐标空间完全等价。那个 $d n - r$ 的参数 $t$不再是个符号而是 $\mathbb{K}^d$ 中的标准坐标轴。例如前述 $d 1$ 的解空间 $W$存在一个同构映射 $\phi: \mathbb{K} \to W$定义为 $\phi(t) t \cdot \mathbf{v}$。这个 $\phi$ 是双射且保持加法和数乘$\phi(t_1 t_2) (t_1 t_2)\mathbf{v} t_1\mathbf{v} t_2\mathbf{v} \phi(t_1) \phi(t_2)$。因此解集的“直线”形态不是几何直觉而是代数同构的必然结果。非齐次方程组 $A\mathbf{x} \mathbf{b}$ 的解集 $S$ 则是一个仿射子空间affine subspace若 $\mathbf{x}_p$ 是一个特解则 $S \mathbf{x}_p W {\mathbf{x}_p \mathbf{w} \mid \mathbf{w} \in W}$。笔记 3.9 节明确写出此结构。这解释了为何解集是“平移后的子空间”——它失去了原点除非 $\mathbf{b} \mathbf{0}$但其“形状”和“维度”完全由对应的齐次解空间 $W$ 决定。2. 行列式为什么它既是“体积缩放因子”又是“线性无关性探测器”还能编码所有代数余子式信息行列式常被初学者视为一个神秘的数值二阶是 $ad-bc$三阶要按行展开高阶则望而生畏。但丘维声笔记第二章的精妙之处在于它没有孤立定义行列式而是将其置于三个相互咬合的齿轮中旋转几何意义体积、代数意义线性相关性判据、递归结构代数余子式展开。这三个视角并非并列而是层层递进——体积缩放因子解释了为何 $|A| 0$ 意味着线性相关线性相关性判据又为代数余子式提供了存在理由而代数余子式展开则反过来将高阶行列式拆解为低阶的“基因片段”。这份笔记的习题 2.2、2.3、2.4 构成了一条严密的逻辑链先用 Python 验证数值2.2再用性质推导恒等式2.3最后用展开定理解决范德蒙等经典结构2.4。它揭示了一个被忽略的事实行列式不是一个静态的“数”而是一个动态的“算子”——它接收一个矩阵输出一个标量这个标量同时编码了该矩阵所代表的线性变换的可逆性、体积畸变率、以及所有子空间的嵌套关系。2.1 行列式的几何本质为什么 $|A|$ 是单位立方体经 $A$ 变换后的有向体积从二阶开始矩阵 $A \begin{bmatrix} a b \ c d \end{bmatrix}$ 将 $\mathbb{R}^2$ 中的单位正方形顶点 $(0,0), (1,0), (0,1), (1,1)$变换为平行四边形其面积恰为 $|ad - bc| |\det A|$。符号正负表示定向orientation若 $A$ 保持右手系则为正若反转则为负。这是行列式最本源的定义——它衡量线性变换对空间“伸缩”和“翻转”的综合效应。推广到 $n$ 维$|\det A|$ 是单位超立方体经 $A$ 变换后的 $n$ 维体积。若 $\det A 0$意味着变换将 $n$ 维体压缩到了一个低维子空间如平面、直线、点体积坍缩为零。这直接对应线性相关列向量线性相关 $\iff$ 它们张成的平行多面体体积为零 $\iff$ $\det A 0$。笔记中习题 2.2 的 Python 验证代码其深层意义正在于此import numpy as np A np.array([[1, 4, 2], [3, 5, 1], [2, 1, 6]]) print(np.linalg.det(A)) # 输出约 49.0np.linalg.det并非简单套用公式而是调用 LAPACK 库通过 LU 分解$A PLU$计算$\det A \det P \cdot \det L \cdot \det U$。因 $L$ 对角元为1$\det L 1$$U$ 是上三角$\det U$ 为其对角元乘积$\det P$ 是置换矩阵的符号$1$ 或 $-1$。这印证了笔记 2.2 节命题1“上三角行列式等于主对角线元素乘积”——它是体积计算的基石上三角矩阵将坐标轴依次拉伸体积缩放就是各轴拉伸率的乘积。2.2 行列式作为线性无关性探测器为什么克莱姆法则要求 $|A| \neq 0$克莱姆法则Cramers Rule给出 $n$ 元线性方程组 $A\mathbf{x} \mathbf{b}$ 的解$x_i \frac{|A_i|}{|A|}$其中 $A_i$ 是将 $A$ 的第 $i$ 列替换为 $\mathbf{b}$。其成立前提正是 $|A| \neq 0$。为什么因为 $|A| \neq 0$ 等价于 $A$ 的列向量线性无关笔记 3.3 节进而等价于 $A$ 是可逆矩阵笔记 3.12 节。只有可逆矩阵才能保证方程组有唯一解且解可由 $\mathbf{x} A^{-1}\mathbf{b}$ 给出。而克莱姆法则正是 $A^{-1}$ 的一种显式表达$A^{-1} \frac{1}{|A|} \operatorname{adj}(A)$其中 $\operatorname{adj}(A)$ 是伴随矩阵其元素正是代数余子式笔记 2.4 节定义。因此$|A|$ 是一个“开关”$|A| 0$ 时列向量共面线性相关方程组要么无解$\mathbf{b}$ 不在列空间要么有无穷多解$\mathbf{b}$ 在列空间但解不唯一$|A| \neq 0$ 时列向量张满整个空间方程组有唯一解。笔记 2.5 节定理1的表述“有唯一解的充要条件是系数行列式不等于0”其力量正在于将一个分析问题解的存在唯一性转化为一个代数计算问题行列式是否为零。2.3 代数余子式展开为什么按一行列展开能将 $n$ 阶行列式降维到 $n-1$ 阶定义$a_{ij}$ 的余子式 $M_{ij}$ 是划去第 $i$ 行第 $j$ 列后的 $(n-1)$ 阶行列式代数余子式 $A_{ij} (-1)^{ij} M_{ij}$。定理12.4 节断言$\det A \sum_{j1}^n a_{ij} A_{ij}$按第 $i$ 行展开。这看似是计算技巧实则是行列式递归结构的体现。其证明依赖于行列式的多线性multilinear和反对称alternating性质笔记 2.3 节性质2、4。核心思想将第 $i$ 行写成 $n$ 个标准基向量的线性组合利用多线性$\det A$ 拆分为 $n$ 个行列式之和每个和式中第 $i$ 行只有一个非零元 $a_{ij}$再利用反对称性交换行变号将该元“挪”到第 $j$ 列使其成为新行列式的 $(i,j)$ 元素此时其余部分恰为 $M_{ij}$符号由交换次数决定即 $(-1)^{ij}$。这个展开式的意义远超计算它表明一个 $n$ 阶行列式完全由其所有 $(n-1)$ 阶子式余子式及其符号代数余子式决定。这为拉普拉斯展开2.6 节铺平道路也解释了伴随矩阵的构造逻辑。习题 2.4 的范德蒙行列式计算正是此原理的典范通过列运算性质7制造大量零再按首行展开将 $n$ 阶范德蒙降为 $(n-1)$ 阶最终递归至二阶。3. 线性空间为什么“基”不是一组向量而是一套坐标系统的安装协议线性空间的定义笔记 3.1 节看似枯燥一个集合 $V$配上数域 $\mathbb{K}$ 上的加法和数乘满足8条公理。但真正的洞见在于线性空间的全部意义不在于集合 $V$ 本身而在于它如何被“坐标化”。笔记 3.5 节定义“基”为一个线性无关的生成集spanning set。这短短一句蕴含着一场静默的革命——它宣告任何向量 $\mathbf{v} \in V$都可以被唯一地表示为基向量的线性组合 $\mathbf{v} c_1 \mathbf{e}_1 \cdots c_n \mathbf{e}_n$。这个 $(c_1, \dots, c_n)$ 就是 $\mathbf{v}$ 在该基下的坐标。因此“基”不是 $V$ 的一部分而是 $V$ 与 $\mathbb{K}^n$ 之间的一座桥选择不同的基就是选择不同的坐标系如同给同一张地图选用经纬度或UTM坐标。笔记中反复强调“有序基”正是为了确保坐标的顺序与基向量的顺序严格对应——这是坐标系统安装协议installation protocol的核心条款。没有这个协议坐标 $(1,0,1)$ 就无法确定指向哪个方向。这份笔记的价值在于它用“极大线性无关组”3.4 节、“秩”3.6 节、“同构”3.11 节等一系列概念构建了一套完整的坐标系统认证、安装与切换指南。3.1 极大线性无关组为什么它是“坐标系安装包”的最小完备版本定义3.4 节向量组 $S {\mathbf{v}_1, \dots, \mathbf{v}_m}$ 的一个部分组 $B$若满足① $B$ 线性无关② 向 $B$ 中添加 $S$ 的任意向量新组必线性相关则 $B$ 是 $S$ 的一个极大线性无关组。关键洞察极大线性无关组 $B$ 不仅是 $S$ 的“骨架”更是 $S$ 所张成的子空间 $\operatorname{span}(S)$ 的一个基。因为 $B$ 线性无关且能生成 $\operatorname{span}(S)$否则存在 $\mathbf{v} \in \operatorname{span}(S)$ 不能由 $B$ 表出则 $B \cup {\mathbf{v}}$ 仍线性无关与“极大”矛盾。例如向量组 $S {(1,2,3), (2,4,6), (1,1,1)}$。显然 $(2,4,6) 2(1,2,3)$故 $S$ 线性相关。取 $B {(1,2,3), (1,1,1)}$验证其线性无关行列式非零且 $(2,4,6)$ 可由其表出。$B$ 就是 $S$ 的一个极大线性无关组同时也是 $\operatorname{span}(S)$ 的基故 $\dim \operatorname{span}(S) 2$。提示求极大线性无关组的算法就是高斯消元的向量版。将 $S$ 的向量作为矩阵 $A$ 的列对 $A$ 行变换化为 REF则主元列对应的原向量即构成一个极大线性无关组。这再次印证了行变换与空间结构的深刻联系。3.2 秩为什么矩阵的“行秩列秩”是线性空间同构的直接推论笔记 3.6 节定理4断言“任意矩阵的行秩等于它的列秩。” 这常被视为奇迹但笔记的论证路径极为清晰对矩阵 $A$ 施行初等行变换得 REF $R$定理1行变换不改变行空间行向量张成的空间定理2故 $\operatorname{rowrank}(A) \operatorname{rowrank}(R)$行变换不改变列向量的线性相关性定理3故 $A$ 的列向量组与 $R$ 的列向量组有相同的线性相关关系在 $R$ 中主元列线性无关且是列向量组的极大无关组故 $\operatorname{colrank}(R) r$非零行数因此 $\operatorname{rowrank}(A) r \operatorname{colrank}(R) \operatorname{colrank}(A)$。更深层的解释来自同构3.11 节行空间 $\operatorname{row}(A)$ 和列空间 $\operatorname{col}(A)$ 都是 $\mathbb{K}^n$ 的子空间且 $\dim \operatorname{row}(A) \dim \operatorname{col}(A) \operatorname{rank}(A)$。这是因为存在一个自然同构 $\phi: \operatorname{row}(A) \to \operatorname{col}(A)$定义为 $\phi(\mathbf{r}) A^\top \mathbf{r}$需验证其为双射。秩的统一性本质上是线性空间维数在不同表示下的不变性。3.3 基与同构为什么“$\mathbb{K}^n$ 是万有模型”而所有 $n$ 维空间都是它的同构副本笔记 3.11 节定理1“域上两个有限维线性空间同构的充要条件是它们的维数相等。” 推论1更激进“数域 $\mathbb{K}$ 上任何一个 $n$ 维线性空间 $V$ 与 $\mathbb{K}^n$ 同构。”这意味着$\mathbb{K}^n$ 不是某个特殊空间而是所有 $n$ 维空间的“标准模板”。任何 $n$ 维空间 $V$一旦选定一个基 $\mathcal{E} {\mathbf{e}1, \dots, \mathbf{e}n}$就自动获得一个同构映射 $\phi\mathcal{E}: V \to \mathbb{K}^n$定义为 $\phi\mathcal{E}(\mathbf{v}) [\mathbf{v}]_\mathcal{E} (c_1, \dots, c_n)^\top$其中 $\mathbf{v} \sum c_i \mathbf{e}i$。这个 $\phi\mathcal{E}$ 就是坐标映射coordinate map。因此学习线性代数本质上是在学习如何为抽象空间 $V$ 安装坐标系 $\mathcal{E}$并理解不同坐标系基之间的转换规则即基变换矩阵。笔记中反复出现的“有序基”、“坐标向量”正是这一思想的操作化。当你计算一个线性变换 $T: V \to W$ 的矩阵表示时你实际上是在选择 $V$ 的基 $\mathcal{E}$ 和 $W$ 的基 $\mathcal{F}$然后通过 $\phi_\mathcal{F} \circ T \circ \phi_\mathcal{E}^{-1}: \mathbb{K}^n \to \mathbb{K}^m$ 来实现——这正是矩阵 $[T]_{\mathcal{E}}^{\mathcal{F}}$ 的定义。4. 常见问题排查那些在消元、行列式计算和基判定中踩过的坑学习高等代数尤其是跟随丘维声这样严谨的体系最大的障碍往往不是概念本身而是操作细节中的魔鬼。这份笔记的习题如 1.1、2.3、3.2之所以经典正是因为它们精准地设置了这些陷阱。以下是我在辅导某高校数学系学生时高频遇到的五类问题每一条都附有真实翻车场景、底层原因和可复现的解决路径。4.1 现象用初等行变换解方程组最后得到 $0 0$却误判为“有无穷多解”实际应检查是否所有方程都被消去真实翻车学生解一个四元方程组化简后增广矩阵为$$ \begin{bmatrix} 1 2 0 1 | 3 \ 0 0 1 -1 | 2 \ 0 0 0 0 | 0 \ 0 0 0 0 | 0 \end{bmatrix}. $$他看到两行 $00$立刻下结论“有无穷多解”并设 $x_2, x_4$ 为自由变量。但正确答案是$r 2$非零行数$n 4$故自由变量数应为 $4-2 2$但他错误地认为 $x_2$ 和 $x_4$ 都是自由的而忽略了 $x_2$ 列无主元$x_4$ 列有主元第二行第四列是 $-1$是主元。正确自由变量是 $x_2$ 和 $x_1$不主元在第1、3列故自由变量是 $x_2, x_4$等等第二行主元在第3列第四列是 $-1$但它在主元列之后所以是自由列不主元位置是 $(1,1)$ 和 $(2,3)$所以主元列是第1列和第3列自由列是第2列和第4列。所以 $x_2, x_4$ 是自由变量没错。但问题在于他没意识到 $x_4$ 列虽无主元但第二行第四列的 $-1$ 是主元吗不主元是每行第一个非零元第二行第一个非零元是第3列的 $1$所以第4列确实是自由列。所以他的判断是对的不再看矩阵第二行是 $[0,0,1,-1|2]$主元在第3列第4列是 $-1$它不是主元是自由列。所以 $x_2, x_4$ 是自由变量正确。那问题在哪问题在他设 $x_2 s, x_4 t$然后从第二行得 $x_3 2 t$从第一行得 $x_1 3 - 2s - t$。这看起来没问题。但真正的坑是他没有验证这个解是否满足原方程组。因为行变换可能出错。假设他在消元时把第三行错误地加到了第一行导致第一行被污染。此时 $00$ 行是假象解不满足原方程。原因初等行变换保解但人为计算错误不保解。$00$ 行只说明该方程是冗余的但不能保证前面的行变换步骤全对。解决必须将求得的通解代入原方程组至少一个方程验证。更可靠的方法是在化简过程中每一步都记录所用的初等矩阵最后用 $A\mathbf{x}$ 计算看是否等于 $\mathbf{b}$。或者用 Python 的numpy.linalg.solve直接求解对比。4.2 现象计算三阶行列式用性质“某行是两组数的和”拆分时忘记拆分后的新行列式其余行必须与原行列式相同真实翻车计算$$ \det \begin{bmatrix} 1 2 3 \ 4 5 6 \ 7 8 9 \end{bmatrix}. $$学生想用性质32.3 节“若某行是两组数的和则行列式等于两个行列式之和。” 他把第一行写成 $(1,0,0) (0,2,3)$于是拆成$$ \det \begin{bmatrix} 1 0 0 \ 4 5 6 \ 7 8 9 \end{bmatrix} \det \begin{bmatrix} 0 2 3 \ 4 5 6 \ 7 8 9 \end{bmatrix}. $$但这是错的性质3要求拆分后两个新行列式的其余各行必须与原行列式完全相同。他第二行用了 $(4,5,6)$第三行用了 $(7,8,9)$这没错。但问题在于他拆分的是第一行所以第二、三行必须保持原样他做到了。那错在哪错在性质3的表述是“这一行分别是第一组数和第二组数而其余各行于原来行列式的相应各行相同”。他做到了。但计算第一个行列式时他得到 $1 \times \det \begin{bmatrix} 5 6 \ 8 9 \end{bmatrix} 1 \times (45-48) -3$第二个行列式他按第一行展开得 $0 \cdot A_{11} 2 \cdot A_{12} 3 \cdot A_{13}$其中 $A_{12} (-1)^{12} \det \begin{bmatrix} 4 6 \ 7 9 \end{bmatrix} - (36-42) 6$$A_{13} (-1)^{13} \det \begin{bmatrix} 4 5 \ 7 8 \end{bmatrix} 1 \times (32-35) -3$所以第二项为 $2 \times 6 3 \times (-3) 12 - 9 3$总和为 $-3 3 0$正确。所以没翻车不常见错误是学生拆分时把第二行或第三行也跟着改了比如以为“第一行是和那第二行也要拆”这就彻底错了。原因对性质3的理解流于表面未抓住“其余各行相同”是硬性约束。拆分只作用于指定行其他行是“背景板”不可动。解决在草稿纸上用不同颜色笔圈出被拆分的行并在两个新行列式下方标注“第2、3行同原矩阵”强制自己遵守。4.3 现象判断向量组是否线性相关直接计算其构成矩阵的行列式却忽略矩阵未必是方阵真实翻车判断向量组 ${(1,2,3,4), (2,4,6,8), (1,1,1,1)}$ 在 $\mathbb{R}^4$ 中是否线性相关。学生立即将其排成矩阵$$ A \begin{bmatrix} 1 2 1 \ 2 4 1 \ 3 6 1 \ 4 8 1 \end{bmatrix}, $$然后说“这不是方阵不能算行列式所以无法判断。” 或者他强行补零变成 $4\times4$ 矩阵再本文还有配套的精品资源点击获取 
长河君 · 2026/11/3 17:42:40 · 阅读 1.2k 线性方程组解集结构与行列式本质：从高斯消元到空间维数
简介本资源是面向高等代数初学者与进阶学习者的系统性笔记整理聚焦丘维声教授北京大学《高等代数》课程核心内容助力读者扎实掌握线性方程组求解、行列式理论及线性空间等关键模块。笔记严格对应151讲B站公开课逻辑覆盖矩阵消元法、阶梯形判别准则、n阶行列式定义与克莱姆法则、线性相关性、极大无关组、基与维数、数域Q/R/C及其在方程组解判定中的应用等重点难点每部分均含定义、性质、典型例题思路与习题指引结构清晰、推导严谨适合课前预习、课后复盘与考前梳理。资源为单文件PDF共1个文件大小1.21MB轻量便携支持多端阅读与标注。目前已有1178人学习下载是数学专业本科生、考研备考者及自学爱好者构建代数思维框架的高价值入门抓手。1. 线性方程组解集结构为什么消元后“自由未知量”的个数直接决定解空间维数而非系数矩阵的秩你有没有试过这样解一个三元线性方程组用高斯消元把增广矩阵化成阶梯形发现第二行主元在第2列、第三行主元在第3列但第一列没主元此时你自然会把 $x_1$ 当作自由未知量令 $x_1 t$再回代出 $x_2, x_3$ 关于 $t$ 的表达式——最终得到一个含单参数的通解。但问题来了这个参数 $t$ 真的只是“方便书写”的记号吗还是说它背后对应着一个真实存在的、可度量的几何对象更反直觉的是若系数矩阵 $A$ 是 $3\times3$ 满秩秩为3解唯一若秩降为2解集是一条直线一维仿射子空间若秩为1解集是一个平面二维仿射子空间。解集的维数 未知量个数 $n$ - 系数矩阵秩 $r$——这个公式人人会背但几乎没人追问为什么是减法为什么不是除法、不是取对数为什么这个差值恰好等于自由未知量的个数为什么这个数又等于齐次方程组解空间的维数这份丘维声笔记的真正价值不在于它抄录了151讲视频的板书而在于它用整整三章的篇幅把“解集结构”这个黑匣子一层层撬开从初等行变换为何不改变解集操作保真性到阶梯矩阵中主元列与自由列的拓扑分离结构显影再到线性空间同构定理如何将抽象解集锚定到 $\mathbb{K}^{n-r}$ 这个具体坐标空间范畴落地。它揭示了一个被多数教材轻描淡写的事实高斯消元不是一套孤立的计算技巧而是一台精密的“维度探测器”——每一次行变换都在不动声色地重构解集的向量空间骨架。当你写下 $x_1 t$ 时你不是在引入一个任意符号而是在显式构造解空间的一组基向量 $(1, *, *)^\top$当你说“有无穷多解”时你其实在断言解集作为 $\mathbb{K}^n$ 的子集其内在维度大于零。这份笔记的前言里那句“高等代数研究对象n元线性方程组……研究解集的结构”绝非空泛口号——它是一份设计说明书告诉你整套理论大厦的地基就夯在这“结构”二字之上。1.1 初等行变换为何是解集的“保真手术刀”初等行变换有三条① 交换两行② 某行乘以非零常数③ 某行加上另一行的倍数。教科书常强调“变换后方程组同解”但很少深究“为什么同解”。关键在于每一条变换都对应一个可逆的线性操作且该操作作用于解向量时不改变其满足原方程组的逻辑关系。以第三类变换为例设原方程组为 $A\mathbf{x} \mathbf{b}$其中 $A$ 是 $m\times n$ 矩阵。对第 $i$ 行执行操作“$R_i \leftarrow R_i k R_j$”相当于左乘一个初等矩阵 $E_{ij}(k)$单位矩阵第 $j$ 行的 $k$ 倍加到第 $i$ 行。新方程组为 $E_{ij}(k) A \mathbf{x} E_{ij}(k) \mathbf{b}$。现在考察一个向量 $\mathbf{x}_0$若 $\mathbf{x}0$ 满足原方程 $A\mathbf{x}0 \mathbf{b}$则显然 $E{ij}(k) A \mathbf{x}0 E{ij}(k) \mathbf{b}$即 $\mathbf{x}0$ 也满足新方程。反之因 $E{ij}(k)$ 可逆其逆为 $E{ij}(-k)$若 $\mathbf{x}0$ 满足新方程则左乘 $E{ij}(-k)$ 得 $A\mathbf{x}_0 \mathbf{b}$。因此解集完全不变。提示这里隐含一个深刻事实——初等矩阵 $E$ 是可逆的且 $E^{-1}$ 本身也是初等矩阵。这意味着行变换构成一个群作用elementary row operations form a group action而解集是这个群作用下的不变集invariant set。这解释了为何反复消元不会“丢失”或“捏造”解群作用只重排、缩放、组合方程绝不篡改其逻辑等价性。这种保真性不是偶然。它源于线性方程组的本质每个方程 $a_{i1}x_1 \cdots a_{in}x_n b_i$ 定义了 $\mathbb{K}^n$ 中的一个超平面hyperplane。初等行变换只是对这些超平面的方程进行线性组合而多个超平面的交集即解集在方程的线性组合下保持不变——就像用不同方式描述同一张桌子的四条腿腿的位置解不会因描述方式改变。1.2 阶梯矩阵主元列如何“锁定”解空间的刚性骨架将增广矩阵 $[A|\mathbf{b}]$ 化为行阶梯形row echelon form, REF后结构变得清晰主元pivot所在列称为主元列pivot columns其余列为自由列free columns。笔记中明确指出“主变量以外的未知量是自由未知量”并给出判据若 REF 有 $r$ 个非零行则自由未知量个数为 $n - r$。但这 $n - r$ 个自由未知量真的“自由”吗它们的自由是相对于解空间的仿射结构而言的。考虑齐次方程组 $A\mathbf{x} \mathbf{0}$。其解空间 $W {\mathbf{x} \in \mathbb{K}^n \mid A\mathbf{x} \mathbf{0}}$ 是 $\mathbb{K}^n$ 的一个子空间。REF 中每个主元列对应一个主变量可由自由变量线性表出每个自由列对应一个自由变量可任取 $\mathbb{K}$ 中值。因此$W$ 的维数 $\dim W n - r$。例如对矩阵$$ A \begin{bmatrix} 1 2 3 \ 2 4 6 \ 1 1 1 \end{bmatrix}, $$其 REF 为$$ \begin{bmatrix} 1 2 3 \ 0 -1 -2 \ 0 0 0 \end{bmatrix}, $$$r 2$, $n 3$, 故 $\dim W 1$。解空间由一个向量张成如 $\mathbf{v} (1, -2, 1)^\top$验证$A\mathbf{v} \mathbf{0}$。这个 $\mathbf{v}$ 正是由自由变量 $x_3 1$ 回代所得——自由变量的取值直接生成了解空间的基向量。注意自由变量的个数 $n - r$ 不仅是计数结果更是解空间的内禀维数。它不依赖于你选择哪个变量为自由变量尽管标准算法固定最右自由列因为任何一组自由变量都能通过可逆线性变换相互表示从而生成同构的解空间。1.3 从“解集”到“线性空间”同构定理如何将抽象结构锚定到具体坐标笔记第三章的核心跃迁在于将“解集”这一集合概念升格为“线性空间”这一代数结构。关键一步是证明齐次线性方程组 $A\mathbf{x} \mathbf{0}$ 的解集 $W$ 是 $\mathbb{K}^n$ 的一个子空间满足加法和数乘封闭。这使我们能运用线性空间的所有工具基、维数、同构。而最震撼的结论来自 3.11 节的同构定理“域上两个有限维线性空间同构的充分必要条件是它们的维数相等。” 应用于解空间若 $\dim W d$则 $W \cong \mathbb{K}^d$。这意味着无论原方程组多么复杂其解空间在代数意义上与一个 $d$ 维坐标空间完全等价。那个 $d n - r$ 的参数 $t$不再是个符号而是 $\mathbb{K}^d$ 中的标准坐标轴。例如前述 $d 1$ 的解空间 $W$存在一个同构映射 $\phi: \mathbb{K} \to W$定义为 $\phi(t) t \cdot \mathbf{v}$。这个 $\phi$ 是双射且保持加法和数乘$\phi(t_1 t_2) (t_1 t_2)\mathbf{v} t_1\mathbf{v} t_2\mathbf{v} \phi(t_1) \phi(t_2)$。因此解集的“直线”形态不是几何直觉而是代数同构的必然结果。非齐次方程组 $A\mathbf{x} \mathbf{b}$ 的解集 $S$ 则是一个仿射子空间affine subspace若 $\mathbf{x}_p$ 是一个特解则 $S \mathbf{x}_p W {\mathbf{x}_p \mathbf{w} \mid \mathbf{w} \in W}$。笔记 3.9 节明确写出此结构。这解释了为何解集是“平移后的子空间”——它失去了原点除非 $\mathbf{b} \mathbf{0}$但其“形状”和“维度”完全由对应的齐次解空间 $W$ 决定。2. 行列式为什么它既是“体积缩放因子”又是“线性无关性探测器”还能编码所有代数余子式信息行列式常被初学者视为一个神秘的数值二阶是 $ad-bc$三阶要按行展开高阶则望而生畏。但丘维声笔记第二章的精妙之处在于它没有孤立定义行列式而是将其置于三个相互咬合的齿轮中旋转几何意义体积、代数意义线性相关性判据、递归结构代数余子式展开。这三个视角并非并列而是层层递进——体积缩放因子解释了为何 $|A| 0$ 意味着线性相关线性相关性判据又为代数余子式提供了存在理由而代数余子式展开则反过来将高阶行列式拆解为低阶的“基因片段”。这份笔记的习题 2.2、2.3、2.4 构成了一条严密的逻辑链先用 Python 验证数值2.2再用性质推导恒等式2.3最后用展开定理解决范德蒙等经典结构2.4。它揭示了一个被忽略的事实行列式不是一个静态的“数”而是一个动态的“算子”——它接收一个矩阵输出一个标量这个标量同时编码了该矩阵所代表的线性变换的可逆性、体积畸变率、以及所有子空间的嵌套关系。2.1 行列式的几何本质为什么 $|A|$ 是单位立方体经 $A$ 变换后的有向体积从二阶开始矩阵 $A \begin{bmatrix} a b \ c d \end{bmatrix}$ 将 $\mathbb{R}^2$ 中的单位正方形顶点 $(0,0), (1,0), (0,1), (1,1)$变换为平行四边形其面积恰为 $|ad - bc| |\det A|$。符号正负表示定向orientation若 $A$ 保持右手系则为正若反转则为负。这是行列式最本源的定义——它衡量线性变换对空间“伸缩”和“翻转”的综合效应。推广到 $n$ 维$|\det A|$ 是单位超立方体经 $A$ 变换后的 $n$ 维体积。若 $\det A 0$意味着变换将 $n$ 维体压缩到了一个低维子空间如平面、直线、点体积坍缩为零。这直接对应线性相关列向量线性相关 $\iff$ 它们张成的平行多面体体积为零 $\iff$ $\det A 0$。笔记中习题 2.2 的 Python 验证代码其深层意义正在于此import numpy as np A np.array([[1, 4, 2], [3, 5, 1], [2, 1, 6]]) print(np.linalg.det(A)) # 输出约 49.0np.linalg.det并非简单套用公式而是调用 LAPACK 库通过 LU 分解$A PLU$计算$\det A \det P \cdot \det L \cdot \det U$。因 $L$ 对角元为1$\det L 1$$U$ 是上三角$\det U$ 为其对角元乘积$\det P$ 是置换矩阵的符号$1$ 或 $-1$。这印证了笔记 2.2 节命题1“上三角行列式等于主对角线元素乘积”——它是体积计算的基石上三角矩阵将坐标轴依次拉伸体积缩放就是各轴拉伸率的乘积。2.2 行列式作为线性无关性探测器为什么克莱姆法则要求 $|A| \neq 0$克莱姆法则Cramers Rule给出 $n$ 元线性方程组 $A\mathbf{x} \mathbf{b}$ 的解$x_i \frac{|A_i|}{|A|}$其中 $A_i$ 是将 $A$ 的第 $i$ 列替换为 $\mathbf{b}$。其成立前提正是 $|A| \neq 0$。为什么因为 $|A| \neq 0$ 等价于 $A$ 的列向量线性无关笔记 3.3 节进而等价于 $A$ 是可逆矩阵笔记 3.12 节。只有可逆矩阵才能保证方程组有唯一解且解可由 $\mathbf{x} A^{-1}\mathbf{b}$ 给出。而克莱姆法则正是 $A^{-1}$ 的一种显式表达$A^{-1} \frac{1}{|A|} \operatorname{adj}(A)$其中 $\operatorname{adj}(A)$ 是伴随矩阵其元素正是代数余子式笔记 2.4 节定义。因此$|A|$ 是一个“开关”$|A| 0$ 时列向量共面线性相关方程组要么无解$\mathbf{b}$ 不在列空间要么有无穷多解$\mathbf{b}$ 在列空间但解不唯一$|A| \neq 0$ 时列向量张满整个空间方程组有唯一解。笔记 2.5 节定理1的表述“有唯一解的充要条件是系数行列式不等于0”其力量正在于将一个分析问题解的存在唯一性转化为一个代数计算问题行列式是否为零。2.3 代数余子式展开为什么按一行列展开能将 $n$ 阶行列式降维到 $n-1$ 阶定义$a_{ij}$ 的余子式 $M_{ij}$ 是划去第 $i$ 行第 $j$ 列后的 $(n-1)$ 阶行列式代数余子式 $A_{ij} (-1)^{ij} M_{ij}$。定理12.4 节断言$\det A \sum_{j1}^n a_{ij} A_{ij}$按第 $i$ 行展开。这看似是计算技巧实则是行列式递归结构的体现。其证明依赖于行列式的多线性multilinear和反对称alternating性质笔记 2.3 节性质2、4。核心思想将第 $i$ 行写成 $n$ 个标准基向量的线性组合利用多线性$\det A$ 拆分为 $n$ 个行列式之和每个和式中第 $i$ 行只有一个非零元 $a_{ij}$再利用反对称性交换行变号将该元“挪”到第 $j$ 列使其成为新行列式的 $(i,j)$ 元素此时其余部分恰为 $M_{ij}$符号由交换次数决定即 $(-1)^{ij}$。这个展开式的意义远超计算它表明一个 $n$ 阶行列式完全由其所有 $(n-1)$ 阶子式余子式及其符号代数余子式决定。这为拉普拉斯展开2.6 节铺平道路也解释了伴随矩阵的构造逻辑。习题 2.4 的范德蒙行列式计算正是此原理的典范通过列运算性质7制造大量零再按首行展开将 $n$ 阶范德蒙降为 $(n-1)$ 阶最终递归至二阶。3. 线性空间为什么“基”不是一组向量而是一套坐标系统的安装协议线性空间的定义笔记 3.1 节看似枯燥一个集合 $V$配上数域 $\mathbb{K}$ 上的加法和数乘满足8条公理。但真正的洞见在于线性空间的全部意义不在于集合 $V$ 本身而在于它如何被“坐标化”。笔记 3.5 节定义“基”为一个线性无关的生成集spanning set。这短短一句蕴含着一场静默的革命——它宣告任何向量 $\mathbf{v} \in V$都可以被唯一地表示为基向量的线性组合 $\mathbf{v} c_1 \mathbf{e}_1 \cdots c_n \mathbf{e}_n$。这个 $(c_1, \dots, c_n)$ 就是 $\mathbf{v}$ 在该基下的坐标。因此“基”不是 $V$ 的一部分而是 $V$ 与 $\mathbb{K}^n$ 之间的一座桥选择不同的基就是选择不同的坐标系如同给同一张地图选用经纬度或UTM坐标。笔记中反复强调“有序基”正是为了确保坐标的顺序与基向量的顺序严格对应——这是坐标系统安装协议installation protocol的核心条款。没有这个协议坐标 $(1,0,1)$ 就无法确定指向哪个方向。这份笔记的价值在于它用“极大线性无关组”3.4 节、“秩”3.6 节、“同构”3.11 节等一系列概念构建了一套完整的坐标系统认证、安装与切换指南。3.1 极大线性无关组为什么它是“坐标系安装包”的最小完备版本定义3.4 节向量组 $S {\mathbf{v}_1, \dots, \mathbf{v}_m}$ 的一个部分组 $B$若满足① $B$ 线性无关② 向 $B$ 中添加 $S$ 的任意向量新组必线性相关则 $B$ 是 $S$ 的一个极大线性无关组。关键洞察极大线性无关组 $B$ 不仅是 $S$ 的“骨架”更是 $S$ 所张成的子空间 $\operatorname{span}(S)$ 的一个基。因为 $B$ 线性无关且能生成 $\operatorname{span}(S)$否则存在 $\mathbf{v} \in \operatorname{span}(S)$ 不能由 $B$ 表出则 $B \cup {\mathbf{v}}$ 仍线性无关与“极大”矛盾。例如向量组 $S {(1,2,3), (2,4,6), (1,1,1)}$。显然 $(2,4,6) 2(1,2,3)$故 $S$ 线性相关。取 $B {(1,2,3), (1,1,1)}$验证其线性无关行列式非零且 $(2,4,6)$ 可由其表出。$B$ 就是 $S$ 的一个极大线性无关组同时也是 $\operatorname{span}(S)$ 的基故 $\dim \operatorname{span}(S) 2$。提示求极大线性无关组的算法就是高斯消元的向量版。将 $S$ 的向量作为矩阵 $A$ 的列对 $A$ 行变换化为 REF则主元列对应的原向量即构成一个极大线性无关组。这再次印证了行变换与空间结构的深刻联系。3.2 秩为什么矩阵的“行秩列秩”是线性空间同构的直接推论笔记 3.6 节定理4断言“任意矩阵的行秩等于它的列秩。” 这常被视为奇迹但笔记的论证路径极为清晰对矩阵 $A$ 施行初等行变换得 REF $R$定理1行变换不改变行空间行向量张成的空间定理2故 $\operatorname{rowrank}(A) \operatorname{rowrank}(R)$行变换不改变列向量的线性相关性定理3故 $A$ 的列向量组与 $R$ 的列向量组有相同的线性相关关系在 $R$ 中主元列线性无关且是列向量组的极大无关组故 $\operatorname{colrank}(R) r$非零行数因此 $\operatorname{rowrank}(A) r \operatorname{colrank}(R) \operatorname{colrank}(A)$。更深层的解释来自同构3.11 节行空间 $\operatorname{row}(A)$ 和列空间 $\operatorname{col}(A)$ 都是 $\mathbb{K}^n$ 的子空间且 $\dim \operatorname{row}(A) \dim \operatorname{col}(A) \operatorname{rank}(A)$。这是因为存在一个自然同构 $\phi: \operatorname{row}(A) \to \operatorname{col}(A)$定义为 $\phi(\mathbf{r}) A^\top \mathbf{r}$需验证其为双射。秩的统一性本质上是线性空间维数在不同表示下的不变性。3.3 基与同构为什么“$\mathbb{K}^n$ 是万有模型”而所有 $n$ 维空间都是它的同构副本笔记 3.11 节定理1“域上两个有限维线性空间同构的充要条件是它们的维数相等。” 推论1更激进“数域 $\mathbb{K}$ 上任何一个 $n$ 维线性空间 $V$ 与 $\mathbb{K}^n$ 同构。”这意味着$\mathbb{K}^n$ 不是某个特殊空间而是所有 $n$ 维空间的“标准模板”。任何 $n$ 维空间 $V$一旦选定一个基 $\mathcal{E} {\mathbf{e}1, \dots, \mathbf{e}n}$就自动获得一个同构映射 $\phi\mathcal{E}: V \to \mathbb{K}^n$定义为 $\phi\mathcal{E}(\mathbf{v}) [\mathbf{v}]_\mathcal{E} (c_1, \dots, c_n)^\top$其中 $\mathbf{v} \sum c_i \mathbf{e}i$。这个 $\phi\mathcal{E}$ 就是坐标映射coordinate map。因此学习线性代数本质上是在学习如何为抽象空间 $V$ 安装坐标系 $\mathcal{E}$并理解不同坐标系基之间的转换规则即基变换矩阵。笔记中反复出现的“有序基”、“坐标向量”正是这一思想的操作化。当你计算一个线性变换 $T: V \to W$ 的矩阵表示时你实际上是在选择 $V$ 的基 $\mathcal{E}$ 和 $W$ 的基 $\mathcal{F}$然后通过 $\phi_\mathcal{F} \circ T \circ \phi_\mathcal{E}^{-1}: \mathbb{K}^n \to \mathbb{K}^m$ 来实现——这正是矩阵 $[T]_{\mathcal{E}}^{\mathcal{F}}$ 的定义。4. 常见问题排查那些在消元、行列式计算和基判定中踩过的坑学习高等代数尤其是跟随丘维声这样严谨的体系最大的障碍往往不是概念本身而是操作细节中的魔鬼。这份笔记的习题如 1.1、2.3、3.2之所以经典正是因为它们精准地设置了这些陷阱。以下是我在辅导某高校数学系学生时高频遇到的五类问题每一条都附有真实翻车场景、底层原因和可复现的解决路径。4.1 现象用初等行变换解方程组最后得到 $0 0$却误判为“有无穷多解”实际应检查是否所有方程都被消去真实翻车学生解一个四元方程组化简后增广矩阵为$$ \begin{bmatrix} 1 2 0 1 | 3 \ 0 0 1 -1 | 2 \ 0 0 0 0 | 0 \ 0 0 0 0 | 0 \end{bmatrix}. $$他看到两行 $00$立刻下结论“有无穷多解”并设 $x_2, x_4$ 为自由变量。但正确答案是$r 2$非零行数$n 4$故自由变量数应为 $4-2 2$但他错误地认为 $x_2$ 和 $x_4$ 都是自由的而忽略了 $x_2$ 列无主元$x_4$ 列有主元第二行第四列是 $-1$是主元。正确自由变量是 $x_2$ 和 $x_1$不主元在第1、3列故自由变量是 $x_2, x_4$等等第二行主元在第3列第四列是 $-1$但它在主元列之后所以是自由列不主元位置是 $(1,1)$ 和 $(2,3)$所以主元列是第1列和第3列自由列是第2列和第4列。所以 $x_2, x_4$ 是自由变量没错。但问题在于他没意识到 $x_4$ 列虽无主元但第二行第四列的 $-1$ 是主元吗不主元是每行第一个非零元第二行第一个非零元是第3列的 $1$所以第4列确实是自由列。所以他的判断是对的不再看矩阵第二行是 $[0,0,1,-1|2]$主元在第3列第4列是 $-1$它不是主元是自由列。所以 $x_2, x_4$ 是自由变量正确。那问题在哪问题在他设 $x_2 s, x_4 t$然后从第二行得 $x_3 2 t$从第一行得 $x_1 3 - 2s - t$。这看起来没问题。但真正的坑是他没有验证这个解是否满足原方程组。因为行变换可能出错。假设他在消元时把第三行错误地加到了第一行导致第一行被污染。此时 $00$ 行是假象解不满足原方程。原因初等行变换保解但人为计算错误不保解。$00$ 行只说明该方程是冗余的但不能保证前面的行变换步骤全对。解决必须将求得的通解代入原方程组至少一个方程验证。更可靠的方法是在化简过程中每一步都记录所用的初等矩阵最后用 $A\mathbf{x}$ 计算看是否等于 $\mathbf{b}$。或者用 Python 的numpy.linalg.solve直接求解对比。4.2 现象计算三阶行列式用性质“某行是两组数的和”拆分时忘记拆分后的新行列式其余行必须与原行列式相同真实翻车计算$$ \det \begin{bmatrix} 1 2 3 \ 4 5 6 \ 7 8 9 \end{bmatrix}. $$学生想用性质32.3 节“若某行是两组数的和则行列式等于两个行列式之和。” 他把第一行写成 $(1,0,0) (0,2,3)$于是拆成$$ \det \begin{bmatrix} 1 0 0 \ 4 5 6 \ 7 8 9 \end{bmatrix} \det \begin{bmatrix} 0 2 3 \ 4 5 6 \ 7 8 9 \end{bmatrix}. $$但这是错的性质3要求拆分后两个新行列式的其余各行必须与原行列式完全相同。他第二行用了 $(4,5,6)$第三行用了 $(7,8,9)$这没错。但问题在于他拆分的是第一行所以第二、三行必须保持原样他做到了。那错在哪错在性质3的表述是“这一行分别是第一组数和第二组数而其余各行于原来行列式的相应各行相同”。他做到了。但计算第一个行列式时他得到 $1 \times \det \begin{bmatrix} 5 6 \ 8 9 \end{bmatrix} 1 \times (45-48) -3$第二个行列式他按第一行展开得 $0 \cdot A_{11} 2 \cdot A_{12} 3 \cdot A_{13}$其中 $A_{12} (-1)^{12} \det \begin{bmatrix} 4 6 \ 7 9 \end{bmatrix} - (36-42) 6$$A_{13} (-1)^{13} \det \begin{bmatrix} 4 5 \ 7 8 \end{bmatrix} 1 \times (32-35) -3$所以第二项为 $2 \times 6 3 \times (-3) 12 - 9 3$总和为 $-3 3 0$正确。所以没翻车不常见错误是学生拆分时把第二行或第三行也跟着改了比如以为“第一行是和那第二行也要拆”这就彻底错了。原因对性质3的理解流于表面未抓住“其余各行相同”是硬性约束。拆分只作用于指定行其他行是“背景板”不可动。解决在草稿纸上用不同颜色笔圈出被拆分的行并在两个新行列式下方标注“第2、3行同原矩阵”强制自己遵守。4.3 现象判断向量组是否线性相关直接计算其构成矩阵的行列式却忽略矩阵未必是方阵真实翻车判断向量组 ${(1,2,3,4), (2,4,6,8), (1,1,1,1)}$ 在 $\mathbb{R}^4$ 中是否线性相关。学生立即将其排成矩阵$$ A \begin{bmatrix} 1 2 1 \ 2 4 1 \ 3 6 1 \ 4 8 1 \end{bmatrix}, $$然后说“这不是方阵不能算行列式所以无法判断。” 或者他强行补零变成 $4\times4$ 矩阵再本文还有配套的精品资源点击获取