---

0. 前言

在线性代数的解题过程中，盲目进行常规计算往往浪费时间且容易出错。本文总结了考研数学中关于行列式计算、代数余子式性质以及矩阵幂运算的几个“秒杀”模型，帮助大家在考场上快速突破。

---

1. 行列式计算：递推模型与特殊值法

1.1 选择填空题的“核武器”：特殊值代入法

针对含有参数的行列式，在选择填空题中，不需要进行复杂的展开推导。

示例模型：
$$D_3=\left|\begin{array}{ccc}1-a& a& 0\\ -1& 1-a& a\\ 0& -1& 1-a\end{array}\right|$$

• 方法建议： 可令 $a=0$ 或 $a=1$，通过计算特定值行列式，与选项逐一比对。

1.2 递推型行列式（三线型/夹板型）

这类行列式的元素分布极具规律，可以通过观察低阶行列式的值来归纳通项。

模型 A：标准三线型

$$D_n=\left|\begin{array}{ccccc}2& 1& 0& \dots & 0\\ 1& 2& 1& \dots & 0\\ 0& 1& 2& \dots & 0\\ ⋮& ⋮& ⋮& \ddots & 1\\ 0& 0& 0& 1& 2\end{array}\right|$$

• 推导规律：
  • $D_1=|2|=2$
  • $D_2=\left|\begin{array}{cc}2& 1\\ 1& 2\end{array}\right|=3$
  • $D_3=\left|\begin{array}{ccc}2& 1& 0\\ 1& 2& 1\\ 0& 1& 2\end{array}\right|=4$
• 通项结论： $D_n=n+1$

模型 B：带阶/参数变体

$$D_n=\left|\begin{array}{cccc}2a& 1& 0& \dots \\ a^2& 2a& 1& \dots \\ 0& a^2& 2a& \dots \\ ⋮& ⋮& ⋮& \ddots \end{array}\right|$$

• 通项结论： $D_n=(n+1)a^n$

---

2. 代数余子式的“异乘变零”性质

2.1 核心性质

设 $A=(a_{ij}{)}_{n\times n}$，则有：
$$\sum _{j=1}^n{a}_{ij}{A}_{kj}=\{\begin{array}{ll}|A|,& i=k\\ 0,& i\ne k\end{array}$$
即：某行元素与另一行元素的代数余子式乘积之和必为 0。

2.2 实战例题

题目： 设 $A$ 为三阶矩阵，其第 1 行元素为 $2,5,6$。已知第 2 行各元素的代数余子式分别为 $x+1,x-1,x+5$，求 $x$。

解析：
根据“异乘变零”原理，第 1 行元素与第 2 行代数余子式的乘积和为 0：
$$2(x+1)+5(x-1)+6(x+5)=0$$
展开计算：
$$2x+2+5x-5+6x+30=0$$
$$13x+27=0⟹13x=-27$$
结论： $x=-\frac{27}{13}$

---

3. 矩阵运算与幂运算 $A^n$ 特殊模型

3.1 逆矩阵转化技巧：E 代换

在处理含有逆矩阵的求和式时（如 $A^{-1}+B^{-1}$），常用单位阵 $E$ 进行代换转化：

• 思路： 利用 $E=A{A}^{-1}$ 或 $E=B{B}^{-1}$ 将逆阵转化为普通矩阵的组合，简化计算。

3.2 秩为 1 矩阵的幂运算

若 $A=\alpha {\beta }^T$（其中 $\alpha ,\beta$ 为列向量，即 $rank(A)=1$）：

• 推导： $A^2=(\alpha {\beta }^T)(\alpha {\beta }^T)=\alpha ({\beta }^T\alpha ){\beta }^T$
• 通项： $A^n=\alpha ({\beta }^T\alpha {)}^{n-1}{\beta }^T$
• 注：${\beta }^T\alpha$ 即为矩阵的迹 $tr(A)$。

3.3 准对角/若尔当块矩阵的幂

针对形如下方的矩阵 $A$：
$$A=\left(\begin{array}{ccc}\lambda & 1& 0\\ 0& \lambda & 1\\ 0& 0& \lambda \end{array}\right)$$
其 $n$ 次幂 $A^n$ 的排布规律如下：

• 主对角线： ${\lambda }^n$
• 第 2 线（上方第一斜线）： $C_n^1{\lambda }^{n-1}$
• 第 3 线（右上角）： $C_n^2{\lambda }^{n-2}$

即：
$$A^n=\left(\begin{array}{ccc}{\lambda }^n& C_n^1{\lambda }^{n-1}& C_n^2{\lambda }^{n-2}\\ 0& {\lambda }^n& C_n^1{\lambda }^{n-1}\\ 0& 0& {\lambda }^n\end{array}\right)$$

---

结语

以上模型涵盖了线性代数考试中常见的“坑点”与“快点”。建议大家在复习时不仅要记住结论，更要通过手动推导加深印象，将其转化为自己的“肌肉记忆”。

---