first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,546 @@
# 📌 第一章 行列式 考研核心通关笔记
> 线性代数的"算子"——所有性质/秩/方程组判定都从这里出发
---
## ① 本章核心知识框架 (Core Concept Map)
### 1.1 二阶与三阶行列式(对角线法则)
#### 一、二阶行列式
$$
\begin{vmatrix}
a_{11} & a_{12} \\
a_{21} & a_{22}
\end{vmatrix}
= a_{11}a_{22} - a_{12}a_{21}
$$
- *极简例子:* $\begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix} = 1\cdot4 - 2\cdot3 = -2$
- **几何意义**:平行四边形有向面积 $= ad - bc$
#### 二、三阶行列式
$$
\begin{vmatrix}
a_{11} & a_{12} & a_{13} \\
a_{21} & a_{22} & a_{23} \\
a_{31} & a_{32} & a_{33}
\end{vmatrix}
= a_{11}a_{22}a_{33} + a_{12}a_{23}a_{31} + a_{13}a_{21}a_{32}
- a_{13}a_{22}a_{31} - a_{11}a_{23}a_{32} - a_{12}a_{21}a_{33}
$$
- **对角线法则(三条实线 + 两条虚线)**:仅对 $n=2,3$ 成立;$n \ge 4$ **不再适用**!
- *极简例子:* $\begin{vmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{vmatrix} = 0$(行列成等差,第二行减第一行 = 第三行减第二行 → 线性相关)
> ⚠️ **考试陷阱**:$n \ge 4$ 行列式绝不能用对角线法则,必须用**性质 + 展开**或**转化为三角行列式**。
#### 三、行列式与线性方程组
$$
\begin{cases}
a_{11}x_1 + a_{12}x_2 = b_1 \\
a_{21}x_1 + a_{22}x_2 = b_2
\end{cases}
\Rightarrow
x_1 = \frac{\begin{vmatrix} b_1 & a_{12} \\ b_2 & a_{22} \end{vmatrix}}{\begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}}, \quad
x_2 = \frac{\begin{vmatrix} a_{11} & b_1 \\ a_{21} & b_2 \end{vmatrix}}{\begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}}
$$
(分母行列式 $D \neq 0$ 时)—— 这是 §5 克拉默法则的雏形。
---
### 1.2 全排列与对换
#### 一、排列与逆序数
- **排列**:把 $n$ 个元素排成一列,记为 $j_1 j_2 \cdots j_n$(全排列共 $n!$ 个)
- **逆序**:大数排在小数前面称为一个逆序对 $(i, j)$(其中 $i < j$ 但 $j_{p_i} > j_{p_j}$)
- **逆序数 $\tau(j_1 j_2 \cdots j_n)$**:排列中逆序对的总数
**例**:$\tau(3\,1\,2) = (3,1) + (3,2) = 1 + 1 = 2$(共 2 个逆序)
- *极简例子:* $\tau(2\,1\,4\,3) = 1 + 1 = 2$
**奇偶性**:
- $\tau$ 为**奇数** $\to$ **奇排列**
- $\tau$ 为**偶数** $\to$ **偶排列**
#### 二、对换
- **对换**:交换排列中两个元素的位置
- **定理 1**:一个对换改变排列的奇偶性
- **推论**:奇排列 $\leftrightarrow$ 偶排列可通过**有限次对换**互变
- **定理 2**:$n$ 阶排列中,**奇偶排列各占一半**(各 $n!/2$ 个)
> ⚠️ 这两个定理是 **$n$ 阶行列式定义中 $(-1)^{\tau(j_1\cdots j_n)}$ 符号的来源**——必须理解,不能死记公式。
---
### 1.3 $n$ 阶行列式的定义
$$
D = \det(a_{ij}) = \begin{vmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{vmatrix}
= \sum_{j_1 j_2 \cdots j_n} (-1)^{\tau(j_1 j_2 \cdots j_n)} a_{1j_1} a_{2j_2} \cdots a_{nj_n}
$$
- 求和遍历所有 $n!$ 个排列 $j_1 j_2 \cdots j_n$
- 每项是 $n$ 个不同行不同列元素的乘积,符号由列标排列的逆序数决定
- $a_{1j_1} a_{2j_2} \cdots a_{nj_n}$ 称为一个**项**
*极简例子:* $n=2$ 时:
$$
D = \sum_{j_1 j_2} (-1)^{\tau} a_{1j_1} a_{2j_2}
= (-1)^0 a_{11}a_{22} + (-1)^1 a_{12}a_{21}
= a_{11}a_{22} - a_{12}a_{21}
$$
#### 行列式定义的两条推论
| 推论 | 内容 |
|------|------|
| **上三角行列式** | $\det = \prod_{i=1}^n a_{ii}$(主对角线元素之积) |
| **下三角行列式** | $\det = \prod_{i=1}^n a_{ii}$(同样) |
| **单位阵** | $\det E = 1$ |
> 🔑 **核心思想**:三角化是计算高阶行列式的**终极武器**——通过初等行变换化为三角行列式,行列式 = 主对角线元素之积。
---
### 1.4 行列式的性质(7 条核心性质)
记 $D = \det(a_{ij})$,下列性质**对行和对列均成立**(行列式转置不变 → 性质通用)。
#### 性质 1:转置不变
$$
\det A^T = \det A
$$
> "行"性质 = "列"性质。后面所有性质只写"行"版本,"列"版本自动成立。
#### 性质 2:换行(列)变号
交换两行(列),行列式**变号**。
- **推论**:两行(列)相同 $\Rightarrow \det = 0$
#### 性质 3:倍乘性
某行(列)所有元素**同乘** $k$,行列式**乘以** $k$。
$$
\begin{vmatrix} ka_{11} & ka_{12} \\ a_{21} & a_{22} \end{vmatrix} = k \cdot \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}
$$
> ⚠️ **注意**:$k$ 乘以**某一行**的所有元素才是 $k$ 倍;行列式整体乘 $k^n$ 才是 $k^n$ 倍(每行各乘 $k$)。
#### 性质 4:拆分(可加性)
某行(列)是两组数之和,行列式可拆为两个行列式之和:
$$
\begin{vmatrix} a_{11}+b_1 & a_{12}+b_2 \\ a_{21} & a_{22} \end{vmatrix}
= \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}
+ \begin{vmatrix} b_1 & b_2 \\ a_{21} & a_{22} \end{vmatrix}
$$
#### 性质 5:两行(列)成比例 $\Rightarrow \det = 0$
性质 2 推论 2 的推广。
#### 性质 6:倍加行(列)不变
把某行(列)的 $k$ 倍加到另一行(列),行列式**不变**。
$$
r_i + k \cdot r_j \to D \text{ 不变} \quad (i \neq j)
$$
> 🔑 **这是化简行列式的核心操作**——配合性质 3 可把矩阵化为三角形式。
#### 性质 7:方阵乘积
$$
\det(AB) = \det A \cdot \det B
$$
> 推论:$\det(A^{-1}) = \dfrac{1}{\det A}$;$\det(A^*) = (\det A)^{n-1}$($A^*$ 为伴随矩阵)
#### 性质速查表
| 操作 | 行列式变化 |
|------|----------|
| 转置 | 不变 |
| 换两行(列) | 变号 |
| 一行(列)乘 $k$ | 乘 $k$ |
| 一行(列)拆为两行(列)之和 | = 两个行列式之和 |
| 两行(列)成比例 | $= 0$ |
| 一行(列)的 $k$ 倍加到另一行 | 不变 |
| $A \to B$ 矩阵乘法 | $\det(AB) = \det A \cdot \det B$ |
---
### 1.5 行列式按行(列)展开
#### 一、余子式与代数余子式
- **余子式 $M_{ij}$**:划去 $a_{ij}$ 所在的第 $i$ 行和第 $j$ 列,剩下的 $(n-1)$ 阶行列式
- **代数余子式**:
$$
A_{ij} = (-1)^{i+j} M_{ij}
$$
*极简例子:* 行列式 $\begin{vmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{vmatrix}$ 中
$A_{23} = (-1)^{2+3} \begin{vmatrix} 1 & 3 \\ 7 & 9 \end{vmatrix} = -(9 - 21) = 12$
#### 二、按行(列)展开定理
**按第 $i$ 行展开**:
$$
\det A = \sum_{j=1}^n a_{ij} A_{ij} = a_{i1}A_{i1} + a_{i2}A_{i2} + \cdots + a_{in}A_{in}
$$
**按第 $j$ 列展开**:
$$
\det A = \sum_{i=1}^n a_{ij} A_{ij}
$$
#### 三、关键推论(异乘变零)
$$
\sum_{k=1}^n a_{ik} A_{jk} = 0 \quad (i \neq j) \qquad \text{(不同行)}
$$
$$
\sum_{k=1}^n a_{ki} A_{kj} = 0 \quad (i \neq j) \qquad \text{(不同列)}
$$
> 即:行列式的某行元素与**另一行**对应代数余子式的乘积之和 = 0。
> **本质**:展开定理是"按自己行展开","异乘变零"是"按别人行展开"——记忆口诀"自己行展开,异行乘积为 0"。
---
### 1.6 几个重要特殊行列式
#### 一、对角行列式
$$
\begin{vmatrix} a_1 & & \\ & \ddots & \\ & & a_n \end{vmatrix} = \prod_{i=1}^n a_i
$$
#### 二、上(下)三角行列式
$$
\det = \prod_{i=1}^n a_{ii} \quad (\text{主对角线元素之积})
$$
> 性质 6 反复应用:**倍加行**把一般行列式化为上三角,行列式 = 对角线之积。
#### 三、范德蒙德 (Vandermonde) 行列式 ⭐
$$
V_n = \begin{vmatrix}
1 & 1 & \cdots & 1 \\
x_1 & x_2 & \cdots & x_n \\
x_1^2 & x_2^2 & \cdots & x_n^2 \\
\vdots & \vdots & & \vdots \\
x_1^{n-1} & x_2^{n-1} & \cdots & x_n^{n-1}
\end{vmatrix}
= \prod_{1 \le j < i \le n} (x_i - x_j)
$$
- **结构识别**:每行是首列的 $0, 1, 2, \cdots, n-1$ 次幂
- **核心特征**:当且仅当所有 $x_i$ **互不相同**时 $V_n \neq 0$
- *极简例子:* $V_3 = \begin{vmatrix} 1 & 1 & 1 \\ x_1 & x_2 & x_3 \\ x_1^2 & x_2^2 & x_3^2 \end{vmatrix} = (x_2 - x_1)(x_3 - x_1)(x_3 - x_2)$
> 🔑 **应用**:判定多项式根的唯一性(Ch04 不定积分有相关变形题);方程组解的唯一性。
#### 四、分块行列式
$$
\det \begin{pmatrix} A & O \\ C & D \end{pmatrix} = \det A \cdot \det D \qquad (\text{$A,D$ 为方阵})
$$
$$
\det \begin{pmatrix} A & B \\ O & D \end{pmatrix} = \det A \cdot \det D
$$
- *极简例子:* $\begin{vmatrix} a & b & 0 & 0 \\ c & d & 0 & 0 \\ e & f & g & h \\ i & j & k & l \end{vmatrix} = \begin{vmatrix} a & b \\ c & d \end{vmatrix} \cdot \begin{vmatrix} g & h \\ k & l \end{vmatrix} = (ad-bc)(gl-hk)$
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。点击链接查看详情。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 二/三阶行列式直接计算 | $n=2,3$ 对角线法则 | [[题型1_二阶三阶行列式计算]] |
| 2 | 行列式按行(列)展开 | 找 0 多的行/列展开降阶 | [[题型2_按行展开降阶法]] |
| 3 | 性质化简 + 三角化 | 一般 $n$ 阶,化为上三角 | [[题型3_性质化简三角化法]] |
| 4 | 范德蒙德行列式 | 各行是首列的 $0,1,\ldots,n-1$ 次幂 | [[题型4_范德蒙德行列式]] |
| 5 | 抽象行列式(特征值法) | $A = PBP^{-1}$,$\det A = \prod \lambda_i$ | [[题型5_抽象行列式计算]] |
| 6 | 加边法(升阶法) | 行列式各行元素之和相等 | [[题型6_加边升阶法]] |
| 7 | 克拉默法则的应用 | $D \neq 0$ 唯一解;$D=0$ 的判定 | [[题型7_克拉默法则]] |
| 8 | 行列式方程 | 含参方程 $D(\lambda)=0$ 求特征值 | [[题型8_行列式方程]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 抽象矩阵的行列式($\det(A+\alpha E)$, $\det(A^*)$, $\det A^n$) | 12次 | 4分 |
| 2 | $n$ 阶数值行列式(性质化简 + 三角化) | 8次 | 4-10分 |
| 3 | 范德蒙德行列式与变形 | 6次 | 4分 |
| 4 | 克拉默法则(结合方程组解的判定) | 4次 | 4分 |
| 5 | 余子式/代数余子式单独计算 | 3次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个 $n$ 阶行列式,三种考法层次
> **同一矩阵**:$A = \begin{pmatrix} 2 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 2 \end{pmatrix}$
**角度一:选择题(概念辨析)**
下列命题哪个正确?
- (A) $\det(A+E) = \det A + \det E$ ✓/✗?
- (B) $\det(A^T) = -\det A$ ✓/✗?
- (C) $\det(A^{-1}) = \dfrac{1}{\det A}$ ✓/✗?
**答案**:(A) 错误——行列式没有分配律;(B) 错误——转置不变;(C) 正确——逆矩阵的行列式。
**角度二:填空题(直接计算)**
$\det(A + E) = \begin{vmatrix} 3 & 1 & 1 \\ 1 & 3 & 1 \\ 1 & 1 & 3 \end{vmatrix} = ?$
**解法**:每行加到第一行 $\to 5 \begin{vmatrix} 1 & 1 & 1 \\ 1 & 3 & 1 \\ 1 & 1 & 3 \end{vmatrix}$,每列减第一列 $\to 5 \begin{vmatrix} 1 & 0 & 0 \\ 1 & 2 & 0 \\ 1 & 0 & 2 \end{vmatrix} = 5 \cdot 4 = 20$
**角度三:解答题(特征值法)**
$A$ 是秩-1 矩阵 $J - I + I$ 的结构... 事实上 $A = I + J$($J$ 是全 1 矩阵),$J$ 的特征值为 $3,0,0$,故 $A$ 的特征值为 $4,1,1$,$\det A = 4 \cdot 1 \cdot 1 = 4$。
**启示**:同一个矩阵,选择题考概念、填空考计算、解答考综合——三种深度都要掌握。本题揭示**特征值法**是计算抽象矩阵行列式的核武器(Ch05 重点)。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:行列式计算的"三层决策树"
```
n 阶行列式计算
├── 第零步:定型
│ ├── n = 2, 3 → 对角线法则
│ ├── 三角矩阵 → 对角线之积
│ ├── 范德蒙德结构 → 直接写结果
│ └── 分块矩阵 → 拆分为子块行列式之积
├── 第一步:选策略
│ ├── 含大量 0 或结构对称 → 按行(列)展开降阶
│ ├── 数字杂乱无章 → 性质化简 + 三角化
│ ├── 各行(列)元素之和相等 → 加边法 / 提取公因式
│ └── 含未知参数 λ → 特征值法或方程 $D(λ)=0$
├── 第二步:执行
│ ├── 倍加行(性质 6)化为三角
│ ├── 按 0 多的行/列展开(性质 + 展开定理)
│ └── 反复化简直至二阶
└── 第三步:兜底
├── 若仍复杂 → 反向操作(先转置或换行)
└── 抽象矩阵 → 特征值法 / 矩阵运算性质
```
### 方法一:性质化简 → 三角化的标准流程
**口诀**:**"保留目标行/列,消灭其他行/列"**
以"化为上三角"为例(把第 1 列下方元素化为 0):
1. 找 $a_{11}$:若 $a_{11}=0$,换行使主对角元素非零
2. 用 $r_i - \dfrac{a_{i1}}{a_{11}} r_1$ 把 $a_{i1}=0$($i=2,\ldots,n$)
3. 对第 2 列重复步骤 2:用 $r_i - \dfrac{a_{i2}}{a_{22}} r_2$($i=3,\ldots,n$)
4. 继续直到上三角,$\det = \prod_{i=1}^n a_{ii}$
> ⚠️ **分母是否为 0**:化简过程中必须保证每步主元(对角元)非零,否则换行/换列。
### 方法二:抽象行列式的速算公式
| 已知 | 求 | 公式 |
|------|---|------|
| $A$ 的特征值 $\lambda_1,\ldots,\lambda_n$ | $\det A$ | $\prod_{i=1}^n \lambda_i$ |
| $A, B$ | $\det(AB)$ | $\det A \cdot \det B$ |
| $A$ | $\det A^*$ | $(\det A)^{n-1}$ |
| $A$ | $\det(A^{-1})$ | $1/\det A$ |
| $A$ | $\det(A^T)$ | $\det A$ |
| $A$ | $\det(kA)$ | $k^n \det A$ |
| $A, \alpha$ | $\det(A + \alpha E)$ | $\prod_{i=1}^n (\lambda_i + \alpha)$(配合特征值) |
| $A \sim B$ | $\det A$ | $\det B$(相似矩阵行列式相等) |
### 方法三:按行展开的"零多者优先"原则
**口诀**:**"找 0 最多的行(列)展开"**
- 展开后行列式阶数降 1,**只算到余子式 $\to$ 再对余子式展开**
- 通常配合性质化简(倍加行)人为制造 0
- *极简例子:* $\begin{vmatrix} 5 & 1 & 1 & 1 \\ 1 & 5 & 1 & 1 \\ 1 & 1 & 5 & 1 \\ 1 & 1 & 1 & 5 \end{vmatrix}$:每列减第 4 列 $\to \begin{vmatrix} 4 & 0 & 0 & 1 \\ 0 & 4 & 0 & 1 \\ 0 & 0 & 4 & 1 \\ 0 & 0 & 0 & 5 \end{vmatrix} = 4^3 \cdot 5 = 320$
### 方法四:跨章节通法速查表
| 通用技法 | 本章出现场景 | 后续章节升级 | 判断依据 |
|---------|------------|------------|---------|
| **构造特殊行/列** | 提取公因子、加边法 | Ch02 矩阵分块、Ch05 二次型配方法 | 各行(列)元素之和相等 |
| **化标准形** | 性质化简 → 三角化 | Ch03 矩阵初等行变换化行阶梯 | 数字杂乱,结构不明 |
| **降阶策略** | 按行展开降阶 | Ch02 伴随矩阵公式 $A^{-1} = A^*/\det A$ | 含大量 0 或结构对称 |
| **特征值法** | $\det A = \prod \lambda_i$ | Ch05 特征值/特征向量 | $A$ 是抽象矩阵表达式 |
| **等价变形** | 转置/换行/拆列 | Ch03 矩阵初等变换 | 行列式性质灵活调用 |
### 方法五:行列式 vs 矩阵的逻辑链
**考研反复考的判断题逻辑**:
$$
\det A \neq 0 \iff A \text{ 可逆} \iff r(A) = n \iff Ax=0 \text{ 只有零解} \iff Ax=b \text{ 唯一解}
$$
> 这是整个线性代数第一章到第五章的"主线贯穿"。本章学行列式时就要建立"行列式 ≠ 0 ⇔ 矩阵可逆"的等价意识,这是后续所有章节的判断工具。
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:$n \ge 4$ 用对角线法则
- **错误表现**:$\begin{vmatrix} 1 & 2 & 3 & 4 \\ 5 & 6 & 7 & 8 \\ 2 & 4 & 6 & 8 \\ 1 & 3 & 5 & 7 \end{vmatrix}$ 按对角线法则展开
- **正确理解**:对角线法则**仅适用于 2 阶和 3 阶**。$n \ge 4$ 必须用性质化简或按行展开。
**【对比示例】**:
```
❌ 4 阶行列式按对角线展开 → 错
✅ 4 阶行列式倍加行化上三角 → 对
```
### ❌ 错误 2:$k$ 乘以行列式 vs 行列式整体乘 $k$
- **错误表现**:$\begin{vmatrix} 2 & 4 \\ 6 & 8 \end{vmatrix} = 2 \begin{vmatrix} 1 & 2 \\ 3 & 4 \end{vmatrix}$(错!漏了一行)
- **正确理解**:每行各乘 $k$ 共 $n$ 行,故整体乘 $k^n$。
**【对比示例】**:
```
❌ |2 4; 6 8| = 2·|1 2; 3 4| (错!实际应乘 2² = 4)
✅ |2 4; 6 8| = 4·|1 2; 3 4| = 4·(4-6) = -8
```
### ❌ 错误 3:行倍加 vs 行互换
- **错误表现**:$r_1 \leftrightarrow r_2$ 误以为行列式不变
- **正确理解**:**换行变号**(性质 2);**倍加行不变**(性质 6)。两者效果相反!
### ❌ 错误 4:行(列)拆分的对象错
- **错误表现**:把行列式整体拆分为两个行列式之和
- **正确理解**:只能**拆一行(列)**为两组数之和(性质 4),不能整体拆。
**【对比示例】**:
```
✅ |a+b, c+d; e, f| = |a,c; e,f| + |b,d; e,f|
❌ |a+b, c+d; e+f, g+h| ≠ ... (整体拆错!)
```
### ❌ 错误 5:余子式与代数余子式混淆
- **错误表现**:$A_{ij}$ 忘记乘 $(-1)^{i+j}$
- **正确理解**:$A_{ij} = (-1)^{i+j} M_{ij}$,符号由**下标之和**的奇偶性决定(与 $a_{ij}$ 数值无关)。
### ❌ 错误 6:异乘变零写错行
- **错误表现**:$\sum_k a_{ik} A_{ik} = 0$(错!这是 $i=j$ 的展开公式,不为零)
- **正确理解**:**异行相乘为零**——$\sum_k a_{ik} A_{jk} = 0$,**$i \neq j$** 才行。
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 抽象矩阵的行列式 | **高** | 30+ 道 | $\det A^*$, $\det(A+E)$, $\det(A^n)$, 必考 |
| $n$ 阶数值行列式 | **高** | 25+ 道 | 性质 + 展开,三角化是核心 |
| 范德蒙德行列式 | **高** | 10 道 | 选择/填空高频,识别即可 |
| 克拉默法则 | **中** | 8 道 | 几何应用 + 解的判定 |
| 余子式/代数余子式 | **中** | 6 道 | 单独考较少,常作为工具出现 |
| 行列式方程 | **中** | 6 道 | 含参方程,特征值的雏形 |
| 行列式按行展开 | **中** | 15 道 | 配合性质化简使用 |
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch01) 行列式 │
│ · 性质 / 展开 / 三角化 / 范德蒙德 │
│ · 抽象行列式公式库 │
└───────────────┬─────────────────┘
│
┌───────────────┬───────────────┼───────────────┬───────────────┐
↓ ↓ ↓ ↓ ↓
Ch02 矩阵 Ch03 方程组 Ch04 向量组 Ch05 特征值 Ch06 二次型
A*=|A|^(n-1)/A 克莱姆法则 线性相关↔|A|=0 |A|=Πλᵢ 正定↔顺序主子式
可逆↔|A|≠0 初等变换→|A| 秩的定义|子式 矩阵多项式|λE-A|
齐次/非齐次判定 极大无关组行列式 相似↔|A|相等 合同→行列式
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:抽象行列式 + 矩阵乘法**
> 例题:设 $A$ 为 3 阶矩阵,$\det A = 2$,求 $\det(2A^* A^T A^{-1})$。
>
> **解**:$\det(2A^*) = 2^3 \det A^* = 8 \cdot 2^2 = 32$;$\det A^T = 2$;$\det A^{-1} = 1/2$。故总 $= 32 \cdot 2 \cdot 1/2 = 32$。
>
> **考点**:本章性质 + Ch02 伴随矩阵公式 $A^* = (\det A) A^{-1}$ 的复合应用。
**模式 2:行列式方程 → 特征值**
> 例题:设 $A = \begin{pmatrix} 1 & 0 & 1 \\ 0 & 2 & 0 \\ 1 & 0 & 1 \end{pmatrix}$,方程 $\det(A - \lambda E) = 0$ 的根即为 $A$ 的特征值。
>
> **解**:$\det(A-\lambda E) = \det\begin{pmatrix} 1-\lambda & 0 & 1 \\ 0 & 2-\lambda & 0 \\ 1 & 0 & 1-\lambda \end{pmatrix}$,按第 2 行展开 $= (2-\lambda)[(1-\lambda)^2 - 1] = (2-\lambda)\lambda(\lambda-2) = -\lambda(2-\lambda)^2$。
>
> **根**:$\lambda_1=0$, $\lambda_2=\lambda_3=2$。
>
> **考点**:行列式计算 → 特征多项式 → 特征值 → Ch05 主角。本章就是 Ch05 的"预习"。
**模式 3:范德蒙德 → 多项式根**
> 例题:设 $a_1, a_2, a_3$ 是方程 $x^3 - x^2 + 1 = 0$ 的三个根,求 $\det\begin{pmatrix} 1 & 1 & 1 \\ a_1 & a_2 & a_3 \\ a_1^2 & a_2^2 & a_3^2 \end{pmatrix}$。
>
> **解**:是范德蒙德!$= (a_2-a_1)(a_3-a_1)(a_3-a_2)$。
>
> **进一步**:由韦达 $a_1+a_2+a_3=1$, $a_1a_2+a_2a_3+a_3a_1=0$, $a_1a_2a_3=-1$,可算出 $\prod_{i<j}(a_i-a_j)^2$ = 判别式 $-4\cdot 0^3 + \ldots = -4 \cdot (-1) = 4$(注意范德蒙德平方 = 判别式)。
>
> **考点**:范德蒙德与多项式根的关系,跨 Ch04 不定积分(有理分式部分分式)的综合。
### 【终极母题推荐】
> **题目**:设 $A$ 是 $n$ 阶矩阵,满足 $A^2 = A$(幂等矩阵)。证明:$\det A \in \{0, 1\}$。
**此题融合**:
- 特征值推导:$A^2 = A \Rightarrow \lambda^2 = \lambda \Rightarrow \lambda = 0$ 或 $1$
- 行列式 = 特征值之积 $\Rightarrow \det A = 0^k \cdot 1^{n-k} \in \{0, 1\}$
- (若不用特征值)用 $A^2=A \Rightarrow A(A-E)=0 \Rightarrow$ 分析矩阵结构
**为什么这是"终极母题"**:
✅ 抽象矩阵行列式公式库的综合应用
✅ 行列式与特征值的关系预热(Ch05 核心)
✅ "幂等/对合/正交"等特殊矩阵的思维定式建立
**🔗 这道题的 Ch05 升级版(提前预告)**:
> 条件不变,结论改为"求 $A$ 的全部特征值,并讨论 $A$ 是否可对角化"。
>
> → 这就是**特征值与对角化**。你会发现:行列式只是 Ch05 矩阵理论的"工具人",主舞台在 Ch05。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 [[Ch02_矩阵及其运算/Ch02_Matrix_Operations|Ch02 矩阵及其运算]],行列式将作为矩阵可逆性的判据贯穿始终。
@@ -0,0 +1,66 @@
# 题型一:二阶与三阶行列式直接计算
## 识别特征
- 矩阵规模 $n=2$ 或 $n=3$
- 元素为已知数字(含 $\lambda$ 也算)
- 求 $\det A$ 的具体值
## 解题流程
```mermaid
flowchart TD
A[识别:2阶/3阶] --> B{n是几?}
B -->|n=2| C[直接算 ad-bc]
B -->|n=3| D[对角线法则:3实+2虚]
C --> E[得结果]
D --> E
E --> F{注意陷阱}
F --> G[查看:行/列成比例?]
G -->|是| H[直接判定=0]
G -->|否| E
```
## 通法步骤
### 二阶
$$
\begin{vmatrix} a & b \\ c & d \end{vmatrix} = ad - bc
$$
### 三阶(对角线法则)
实线(左上→右下 × 3 项)+ 虚线(右上→左下 × 2 项):
$$
D = a_{11}a_{22}a_{33} + a_{12}a_{23}a_{31} + a_{13}a_{21}a_{32} - a_{13}a_{22}a_{31} - a_{11}a_{23}a_{32} - a_{12}a_{21}a_{33}
$$
## 常见陷阱
- **对角线法则只对 $n=2,3$ 有效**;$n \ge 4$ 必须用性质或展开
- 三阶时**正负符号容易搞混**:记忆口诀"主对角 + 副对角 - 副对角 - 主对角"
- 行列成等差数列(如 $1,2,3/4,5,6/7,8,9$)时直接 $\det = 0$(线性相关),不用算
## 经典母题
> **题目**:求 $D = \begin{vmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{vmatrix}$
**解法 1(对角线法则)**:
$$
\begin{aligned}
D &= 1\cdot5\cdot9 + 2\cdot6\cdot7 + 3\cdot4\cdot8 - 3\cdot5\cdot7 - 1\cdot6\cdot8 - 2\cdot4\cdot9 \\
&= 45 + 84 + 96 - 105 - 48 - 72 \\
&= 225 - 225 = 0
\end{aligned}
$$
**解法 2(性质秒杀)**:第 2 行 = 第 1 行 + 3,第 3 行 = 第 1 行 + 6 → 第 3 行 - 第 2 行 = 第 2 行 - 第 1 行 → **行线性相关** $\Rightarrow D = 0$
**复盘**:三阶行列式数字大时,对角线法则易算错。**养成"先观察结构"的习惯**:成比例/等差/等比 → 直接判 0。
---
> **变式**:求 $D = \begin{vmatrix} 1 & x & x^2 \\ 1 & y & y^2 \\ 1 & z & z^2 \end{vmatrix}$
**解**:转置即为范德蒙德 $V_3$,结果 $= (y-x)(z-x)(z-y)$(见题型 4)。
@@ -0,0 +1,62 @@
# 题型二:行列式按行(列)展开降阶法
## 识别特征
- 行列式中某行(列)**含大量 0**
- 行列式规模 $n \ge 4$ 但**结构对称**(如三对角、箭头型)
- 需要计算余子式 $M_{ij}$ 或代数余子式 $A_{ij}$
## 解题流程
```mermaid
flowchart TD
A[识别:按行展开] --> B[找0最多/最易算的行或列]
B --> C[人为造0:用性质6倍加行]
C --> D[按该行展开]
D --> E[计算非零元素的代数余子式之和]
E --> F{降阶后仍复杂?}
F -->|是| G[对余子式继续展开/化简]
F -->|否| H[累加得结果]
G --> H
```
## 通法步骤
1. **观察结构**:找 0 最多的行(列),或用性质 6 人为制造 0
2. **按行(列)展开**:
$$
\det A = \sum_{j=1}^n a_{ij} A_{ij}
$$
其中 $A_{ij} = (-1)^{i+j} M_{ij}$
3. **计算余子式**:余子式是 $(n-1)$ 阶行列式,递归使用本方法或用三阶对角线法则
4. **累加**:把每个非零项的乘积 $a_{ij}A_{ij}$ 加起来
## 常见陷阱
- 展开时符号 $(-1)^{i+j}$ 容易算错($i+j$ 的奇偶性)
- 异乘变零(不同行乘积为零)的应用场景容易混淆
- 展开后忘记**对余子式继续化简**($n$ 大时尤其要降阶到底)
## 经典母题
> **题目**:求 $D = \begin{vmatrix} 5 & 1 & 1 & 1 \\ 1 & 5 & 1 & 1 \\ 1 & 1 & 5 & 1 \\ 1 & 1 & 1 & 5 \end{vmatrix}$
**解法(造 0 + 按列展开)**:
每列减第 4 列(性质 6,行列式不变):
$$
D = \begin{vmatrix} 4 & 0 & 0 & 1 \\ 0 & 4 & 0 & 1 \\ 0 & 0 & 4 & 1 \\ 0 & 0 & 0 & 5 \end{vmatrix}
$$
按第 4 列展开:
$$
D = 5 \cdot A_{44} = 5 \cdot \begin{vmatrix} 4 & 0 & 0 \\ 0 & 4 & 0 \\ 0 & 0 & 4 \end{vmatrix} = 5 \cdot 4^3 = 320
$$
**复盘**:直接按原矩阵展开需算 16 个 $3\times3$ 余子式,**先造 0 再展开**只需 1 个,效率天壤之别。
---
> **变式**:证明 $\sum_{k=1}^n a_{ik} A_{jk} = 0$($i \neq j$)
**证明**:构造矩阵 $B$,把 $A$ 的第 $j$ 行换成第 $i$ 行。此时 $B$ 有两行相同,$\det B = 0$。另一方面 $\det B$ 按第 $j$ 行展开 $= \sum_k a_{ik} A_{jk}$,故 $= 0$。
@@ -0,0 +1,72 @@
# 题型三:性质化简 + 三角化法
## 识别特征
- $n$ 阶($n \ge 4$)数值行列式
- 元素分布**杂乱无章但有规律**(如等差、含公因子)
- 需要求**具体的行列式值**
## 解题流程
```mermaid
flowchart TD
A[识别:n阶数值行列式] --> B[观察结构特征]
B --> C{主对角元是否非零?}
C -->|否| D[换行使主对角非零]
C -->|是| E[用性质6倍加行]
D --> E
E --> F[从第1列开始化下三角为0]
F --> G[继续处理第2列、第3列...]
G --> H[化为上三角]
H --> I[det = 对角线元素之积]
```
## 通法步骤(化为上三角)
1. **检查主对角元**:若 $a_{ii} = 0$,找下方某行 $r_k$($a_{ki} \neq 0$),用 $r_i \leftrightarrow r_k$(注意变号!)
2. **消下三角**:对每行 $r_i$($i > k$),执行 $r_i - \dfrac{a_{ik}}{a_{kk}} r_k$(性质 6,行列式不变)
3. **重复**:对第 2 列、第 3 列、... 重复步骤 2,直到矩阵成为上三角
4. **结论**:$\det A = \prod_{i=1}^n a_{ii}$(每步主元的乘积)
> ⚠️ **分数计算**:分数的乘法/除法容易出错。建议计算时**保持分数形式**,最后约分。
## 常见陷阱
- 换行后忘记**行列式变号**($\det \to -\det$)
- 化简时记错符号(应该是 $r_i - \dfrac{a_{ik}}{a_{kk}} r_k$,加错符号变增根)
- 主元 $a_{kk} = 0$ 时继续倍加行(导致分母为 0)→ 必须先换行
## 经典母题
> **题目**:求 $D = \begin{vmatrix} a & b & c \\ c & a & b \\ b & c & a \end{vmatrix}$
**解法(每列加到第 1 列)**:
$$
D = (a+b+c) \begin{vmatrix} 1 & b & c \\ 1 & a & b \\ 1 & c & a \end{vmatrix}
$$
第 2、3 列减第 1 列:
$$
D = (a+b+c) \begin{vmatrix} 1 & b-1 & c-1 \\ 1 & a-1 & b-1 \\ 1 & c-1 & a-1 \end{vmatrix}
$$
第二行 - 第一行,第三行 - 第一行:
$$
D = (a+b+c) \begin{vmatrix} 1 & b-1 & c-1 \\ 0 & a-b & b-c \\ 0 & c-b & a-c \end{vmatrix}
= (a+b+c) \begin{vmatrix} a-b & b-c \\ c-b & a-c \end{vmatrix}
$$
二阶:$(a-b)(a-c) - (b-c)(c-b) = (a-b)(a-c) + (b-c)^2 = a^2 - ab - ac + bc + b^2 - 2bc + c^2$
$= a^2 + b^2 + c^2 - ab - ac - bc$
**最终结果**:$D = (a+b+c)(a^2 + b^2 + c^2 - ab - bc - ca)$
**复盘**:通过"列加列"提取公因子 $a+b+c$,再"行减行"消元降阶——**先观察对称结构再选策略**。
---
> **变式**:$D = \begin{vmatrix} 1 & 2 & 3 & 4 \\ 2 & 3 & 4 & 1 \\ 3 & 4 & 1 & 2 \\ 4 & 1 & 2 & 3 \end{vmatrix}$
**解**:每行加到第 1 行 $= 10$ → 第 1 行提出 10 → 第 2、3、4 行减第 1 行 → 化为三角行列式 → $D = 10 \cdot (1\cdot1\cdot1\cdot1)$ 的某种变形。
> **口诀**:**"每行元素之和相等"→ 加到第一行提出 → 倍加消元"**
@@ -0,0 +1,79 @@
# 题型四:范德蒙德 (Vandermonde) 行列式
## 识别特征
- 行列式**每行是首列的 $0, 1, 2, \ldots, n-1$ 次幂**(顺序不限,行之间递增即可)
- 或行列式可**通过转置/换序转化为范德蒙德结构**
- 范德蒙德 + 矩阵运算(Ch05 用特征值算范德蒙德)
## 解题流程
```mermaid
flowchart TD
A[识别:范德蒙德结构] --> B{行序是否递增?}
B -->|否| C[换序到递增,记变号次数]
B -->|是| D[直接写结果]
C --> D
D --> E["det = ∏ᵢ<ⱼ (xⱼ - xᵢ)"]
E --> F{是否含参?}
F -->|是| G[判断=0的条件]
F -->|否| H[得结果]
G --> I[所有 xᵢ 互不相同时 ≠ 0]
```
## 通法步骤
$$
V_n(x_1, \ldots, x_n) = \begin{vmatrix}
1 & 1 & \cdots & 1 \\
x_1 & x_2 & \cdots & x_n \\
x_1^2 & x_2^2 & \cdots & x_n^2 \\
\vdots & \vdots & & \vdots \\
x_1^{n-1} & x_2^{n-1} & \cdots & x_n^{n-1}
\end{vmatrix}
= \prod_{1 \le i < j \le n} (x_j - x_i)
$$
**关键性质**:
- $V_n = 0 \iff$ 存在 $i \neq j$ 使得 $x_i = x_j$(**两列相同**)
- $V_n \neq 0 \iff$ 所有 $x_i$ **互不相同**
- 公式中**严格 $j > i$**,即每对只算一次($x_j - x_i$ 中 $x_j$ 是较大下标)
## 常见陷阱
- 行序不递增时忘记**换序变号**(如行序倒过来要乘 $(-1)^{n(n-1)/2}$)
- 公式中**漏写部分乘积**(所有 $\binom{n}{2}$ 对都要写)
- 转置后才能识别为范德蒙德的情况(见变式)
## 经典母题
> **题目**:证明 $V_n = \prod_{1 \le i < j \le n} (x_j - x_i)$
**证明(数学归纳法)**:
$n=2$:$V_2 = \begin{vmatrix} 1 & 1 \\ x_1 & x_2 \end{vmatrix} = x_2 - x_1$ ✓
$n \to n+1$:从第 $n$ 行开始,$r_n - x_1 r_{n-1}$,反复做(用相邻两行):
- 第 $n$ 行减去第 $n-1$ 行 $\times x_1$,得 $x_2^n - x_1 x_2^{n-1} = x_2^{n-1}(x_2 - x_1)$
- 提取公因子 $(x_2 - x_1)$
- 第 $n-1$ 行减去第 $n-2$ 行 $\times x_1$,得 $x_2^{n-1}(x_2 - x_1)$
- 全部行处理后,第 1 列除第 1 行外为 0,按第 1 列展开降为 $V_n$
- 整理得 $V_{n+1} = (x_2 - x_1)(x_3 - x_1)\cdots(x_{n+1} - x_1) \cdot V_n(x_2,\ldots,x_{n+1})$
由归纳,$V_n(x_2,\ldots,x_{n+1}) = \prod_{2 \le i < j \le n+1} (x_j - x_i)$,与前项合并即得证。
---
> **变式 1**:$D = \begin{vmatrix} 1 & 1 & 1 \\ x_1 & x_2 & x_3 \\ x_1^3 & x_2^3 & x_3^3 \end{vmatrix}$(注意第 3 行是 $x^3$,**不是** $x^2$)
**解**:转置后是 $V_3$ 乘以每行 $x_i$?不——$V_3$ 的第 3 行是 $x_i^2$。需要**性质化简**:
- 每行减 $x_1$ 倍的前一行:第 3 行 $- x_1^2 \cdot$ 第 2 行 $+ x_1 \cdot$ 第 1 行 $\cdot$ 修正
- 实际上化为 $V_3$ 再乘 $\prod x_i$ 的某种形式
- 或用 $\det \begin{pmatrix} 1 & 1 & 1 \\ x_1 & x_2 & x_3 \\ x_1^3 & x_2^3 & x_3^3 \end{pmatrix}$ = $\det V_3 \cdot$ ... 结构变形(结果 = $\prod x_i \cdot \prod_{i<j}(x_j - x_i)$)
> **变式 2**:判断多项式 $f(x) = \begin{vmatrix} 1 & 1 & 1 \\ x & a & b \\ x^2 & a^2 & b^2 \end{vmatrix}$ 有几个不同实根
**解**:是 $V_3(x, a, b)$ = $(a - x)(b - x)(b - a)$
- $f(x) = 0$ 的根:$x = a$, $x = b$, $x = ?$(共两个根 $a, b$,可能相等)
- 若 $a \neq b$:两个不同实根
- 若 $a = b$:一个根(重根)
@@ -0,0 +1,86 @@
# 题型五:抽象矩阵的行列式(公式库)
## 识别特征
- 矩阵是**字母表达式**(如 $A^2 + A - E$, $A^*$, $A^{-1}$)
- 已知 $\det A$ 或 $\det A^*$
- 求另一个矩阵表达式的行列式
## 解题流程
```mermaid
flowchart TD
A[识别:抽象行列式] --> B{已知什么?}
B -->|det A, 求 det A*| C["= (det A)^(n-1)"]
B -->|A 的特征值 λ| D["= Π λᵢ"]
B -->|矩阵运算表达式| E[拆分为 A 的形式: A^k, A+αE 等]
B -->|A,B 满足关系 AB| F[利用 det AB = det A · det B]
E --> G[应用公式库]
C --> H[得结果]
D --> H
F --> G
G --> H
```
## 核心公式库(必须背诵)
| 已知 | 求 | 公式 |
|------|---|------|
| $n$ 阶 $A$, $\det A$ | $\det A^*$ | $(\det A)^{n-1}$ |
| $A$ 可逆 | $A^{-1} = \dfrac{A^*}{\det A}$ | $A \cdot A^* = A^* \cdot A = (\det A) E$ |
| $\det A$ | $\det A^{-1}$ | $1/\det A$ |
| $\det A$ | $\det A^T$ | $\det A$ |
| $\det A$, $k$ | $\det(kA)$ | $k^n \det A$($n$ 是阶数) |
| $\det A$, $\det B$ | $\det(AB)$ | $\det A \cdot \det B$ |
| $A$ 特征值 $\lambda_i$ | $\det A$ | $\prod \lambda_i$ |
| $A$ 特征值 $\lambda_i$, $\alpha$ | $\det(A + \alpha E)$ | $\prod (\lambda_i + \alpha)$ |
| $A \sim B$ | $\det A$ | $\det B$(相似矩阵行列式相等) |
| $A^2 = A$(幂等) | $\det A$ | $0$ 或 $1$ |
| $A^k = O$(幂零) | $\det A$ | $0$ |
| $A^T = A^{-1}$(正交) | $\det A$ | $\pm 1$ |
## 通法步骤
1. **识别表达式类型**:$A^*$ / $A^{-1}$ / $A^k$ / $A + \alpha E$ / $A^T$ / 矩阵方程
2. **套公式**:逐项拆解表达式,套用公式库
3. **代入已知**:填入 $\det A$、阶数 $n$、特征值等
4. **化简**:注意 $\det(kA) = k^n \det A$ 中的指数是**阶数**而非其他
## 常见陷阱
- $\det(A^*) = (\det A)^{n-1}$ 中**指数是 $n-1$ 不是 $n$**(伴随矩阵的伴随是 $A$)
- $\det(kA)$ 中 $k^n$ 的指数常被错记为 $1$ 或 $k$
- 正交矩阵行列式是 $\pm 1$ 而非 $1$
- 矩阵乘法**不可交换**:$\det(AB) = \det A \cdot \det B$ 但 $A B \neq B A$(不影响行列式,但逆运算要先判可交换性)
## 经典母题
> **题目**:设 $A$ 是 $3$ 阶矩阵,$\det A = 2$,求 $\det(2A^* A^T A^{-1})$。
**解**:
$$
\begin{aligned}
\det(2A^* A^T A^{-1}) &= \det(2A^*) \cdot \det(A^T) \cdot \det(A^{-1}) \\
&= 2^3 \det(A^*) \cdot \det A \cdot \dfrac{1}{\det A} \\
&= 8 \cdot (\det A)^{3-1} \cdot 2 \cdot \dfrac{1}{2} \\
&= 8 \cdot 4 \cdot 1 = 32
\end{aligned}
$$
**复盘**:$\det A^T = \det A$,$\det A^{-1} = 1/\det A$,两者相乘为 1,故结果仅取决于 $\det(2A^*)$。
---
> **变式**:设 $A, B$ 是 $n$ 阶矩阵,$|A| = 2, |B| = 3$,求 $|(AB^*)^{-1}(A^T B)^*|$。
**解**:
$$
\begin{aligned}
|(AB^*)^{-1}(A^T B)^*| &= |(AB^*)^{-1}| \cdot |(A^T B)^*| \\
&= \frac{1}{|A| \cdot |B^*|} \cdot |A^T B|^{n-1} \\
&= \frac{1}{2 \cdot 3^{n-1}} \cdot (|A| \cdot |B|)^{n-1} \\
&= \frac{(2 \cdot 3)^{n-1}}{2 \cdot 3^{n-1}} = \frac{6^{n-1}}{2 \cdot 3^{n-1}} = 3^{n-2}
\end{aligned}
$$
> **跨章节预告**:当表达式含**未知参数 $\lambda$** 且需要解方程时,进入 Ch05 特征值法(见题型 8)。
@@ -0,0 +1,75 @@
# 题型六:加边升阶法(升阶法)
## 识别特征
- 行列式**每行(列)元素之和相等**
- 或行列式**结构相似但缺一行/列**
- 用普通展开/性质化简无法直接解决
## 解题流程
```mermaid
flowchart TD
A[识别:各行元素之和相等] --> B[加边:升一阶行列式]
B --> C[新增一行一列,巧妙构造]
C --> D[第1行写 1,1,...,1, x]
D --> E[第1列写 1, a, b, ... 原矩阵]
E --> F[对第1列做展开/化简]
F --> G[巧妙选择 x 便于计算]
G --> H[降回原阶,得结果]
```
## 通法步骤
**核心思路**:把 $n$ 阶行列式 $|A|$ 升为 $n+1$ 阶行列式 $|B|$,通过巧妙构造使 $|B|$ 更易计算,且 $|B| = f(x) \cdot |A|$,比较 $x$ 的系数可得 $|A|$。
**构造方法**(每行元素之和都等于 $s$):
$$
B = \begin{pmatrix}
1 & 1 & 1 & \cdots & 1 \\
0 & & & & \\
0 & & & A & \\
\vdots & & & & \\
0 & & & &
\end{pmatrix}
$$
- 第 1 行全为 1,第 1 列除第 1 行外为 0
- 实际 $|B|$ 按第 1 行展开 $= \sum_j 1 \cdot A_{1j} = \sum_j (-1)^{1+j} M_{1j}$
- 巧妙!**每个 $M_{1j}$ 都含一行 0**(第 1 列除第 1 行) → $M_{1j}$ 中第 1 列有 0 → 按第 1 列展开更易
## 常见陷阱
- 加边后行列式阶数变了,但**新行列式的值 ≠ 原行列式**,需要比较系数或独立计算
- 构造时第 1 列不能写错(应为原矩阵的第 $i$ 行原样放入新矩阵的第 $i+1$ 行)
- 升阶后忘记**降回原阶**——有时升阶法反而使问题复杂
## 经典母题
> **题目**:求 $D_n = \begin{vmatrix} x & a & a & \cdots & a \\ a & x & a & \cdots & a \\ a & a & x & \cdots & a \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ a & a & a & \cdots & x \end{vmatrix}$(对角线 $x$,其余 $a$)
**解法(加边 + 三角化)**:
每行加到第 1 行(提取 $x + (n-1)a$):
$$
D_n = [x + (n-1)a] \begin{vmatrix} 1 & 1 & 1 & \cdots & 1 \\ a & x & a & \cdots & a \\ a & a & x & \cdots & a \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ a & a & a & \cdots & x \end{vmatrix}
$$
第 $i$ 行($i \ge 2$)减第 1 行 $\times a$:
$$
D_n = [x + (n-1)a] \begin{vmatrix} 1 & 1 & 1 & \cdots & 1 \\ 0 & x-a & 0 & \cdots & 0 \\ 0 & 0 & x-a & \cdots & 0 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & 0 & \cdots & x-a \end{vmatrix}
$$
按第 1 列展开:
$$
D_n = [x + (n-1)a] \cdot (x-a)^{n-1}
$$
**复盘**:观察"每行结构相同(除主对角元)" → 加边 + 倍加行 → 化为**上三角** → $\det$ = 主对角线之积。这是 $n$ 阶"循环对称型"行列式的标准打法。
---
> **变式**:$D_n = \begin{vmatrix} 1 & 2 & 2 & \cdots & 2 \\ 2 & 2 & 2 & \cdots & 2 \\ 2 & 2 & 3 & \cdots & 2 \\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 2 & 2 & 2 & \cdots & n \end{vmatrix}$(对角线 $1,2,3,\ldots,n$)
**解**:用 $r_i - r_1$($i \ge 2$)化简,化为每行除主对外为 0 的结构 → 三角化 → $\det = 1 \cdot 1 \cdot 2 \cdots (n-2)$ 的形式(具体计算略)。
> **口诀**:**"行列元素之和相等 → 加边提公因子 → 倍加消元 → 三角化"**
@@ -0,0 +1,76 @@
# 题型七:克拉默法则 (Cramer's Rule)
## 识别特征
- 线性方程组 $A_{n \times n} x = b$
- 系数矩阵 $A$ 是**方阵**
- 已知 $\det A$,求方程组的解或解的判定
## 解题流程
```mermaid
flowchart TD
A[识别:克拉默法则] --> B[计算 D=det A]
B --> C{D=0?}
C -->|否| D[唯一解: xᵢ=Dᵢ/D]
C -->|是| E[检验 Dᵢ 是否全 0]
E -->|是| F[无穷多解]
E -->|否| G[无解]
D --> H[得结果]
F --> H
G --> H
```
## 通法步骤
**克拉默法则**:对方程组 $A x = b$($A$ 为 $n$ 阶方阵):
**情形 1:$\det A \neq 0$**(唯一解)
$$
x_j = \frac{D_j}{\det A}, \quad j = 1, 2, \ldots, n
$$
其中 $D_j$ 是把 $A$ 的第 $j$ 列替换为 $b$ 后得到的行列式。
**情形 2:$\det A = 0$**
- 若所有 $D_j = 0$:方程组**有无穷多解**(但需要进一步分析自由变量)
- 若存在某个 $D_j \neq 0$:方程组**无解**
## 常见陷阱
- 克拉默法则**仅适用于方阵**(系数矩阵是方阵)。$m \neq n$ 时不能用。
- $\det A = 0$ 时**不能直接用公式** $x_j = D_j/\det A$(分母为 0 失效)
- 齐次方程组 $Ax = 0$ 必有 $D = 0$,要继续用初等行变换判解的结构(Ch03 重点)
## 经典母题
> **题目**:用克拉默法则求解方程组
> $$
> \begin{cases}
> x_1 + x_2 + x_3 + x_4 = 5 \\
> x_1 + 2x_2 - x_3 + 4x_4 = -2 \\
> 2x_1 - 3x_2 - x_3 - 5x_4 = -2 \\
> 3x_1 + x_2 + 2x_3 + 11x_4 = 5
> \end{cases}
> $$
**解**:
$$
D = \begin{vmatrix} 1 & 1 & 1 & 1 \\ 1 & 2 & -1 & 4 \\ 2 & -3 & -1 & -5 \\ 3 & 1 & 2 & 11 \end{vmatrix}
$$
通过初等行变换可化简(具体步骤略),最终 $D = -16 \neq 0$,方程组有唯一解。
$D_1 = \begin{vmatrix} 5 & 1 & 1 & 1 \\ -2 & 2 & -1 & 4 \\ -2 & -3 & -1 & -5 \\ 5 & 1 & 2 & 11 \end{vmatrix} = 16$,故 $x_1 = 16/(-16) = -1$
类似计算 $D_2, D_3, D_4$,最终 $(x_1, x_2, x_3, x_4) = (-1, 2, 1, 3)$。
**复盘**:实际考试中**不要直接用克拉默法则**——4 个 4 阶行列式计算量太大。应优先用**初等行变换**(Ch03 重点)。但概念题必考:"方程组什么时候有唯一解"——答案就是 $D \neq 0$。
---
> **变式**:设 $Ax = b$($A$ 为 $n$ 阶矩阵),$|A| = 3$,$|A+E| = 6$,$|A+2E| = 12$。问 $Ax = 0$ 是否有非零解?
**解**:$\det A = 3 \neq 0$ → $A$ 可逆 → $Ax = 0$ **只有零解**。
> 这是**判断题的快速通道**:$\det A \neq 0 \iff Ax = 0$ 只有零解(贯穿 Ch02-Ch05 的核心等价链)。
> **口诀**:**"$\det A \neq 0$ = 唯一解";"$\det A = 0$ 时再用 $D_j$ 判有/无解"**
@@ -0,0 +1,83 @@
# 题型八:行列式方程(含参方程)
## 识别特征
- 行列式 $= 0$(或 $\neq 0$)作为方程,求**参数 $\lambda$**
- 含参行列式 $|\lambda E - A| = 0$ → 特征值
- 含参行列式 $|A + \lambda E| = 0$ → 特征值的负数
- $|A + \lambda B| = 0$ 求 $\lambda$ 的关系式
## 解题流程
```mermaid
flowchart TD
A[识别:含参行列式方程] --> B{参数在哪儿?}
B -->|λE-A 形式| C["= λ的特征多项式 f(λ)"]
B -->|λ 在普通位置| D[展开行列式=关于λ的多项式]
C --> E[解多项式方程]
D --> E
E --> F{求det≠0条件?}
F -->|是| G[所有根都是使det=0的值,排除]
F -->|否| H[得 λ 的取值]
```
## 通法步骤
1. **写出 $f(\lambda) = \det(\lambda E - A)$** 或 $\det(A - \lambda E)$
2. **展开**:通过性质化简或按行展开,得到关于 $\lambda$ 的多项式
3. **解方程**:$f(\lambda) = 0$ → 求根
4. **判定**:根据题目要求判断 $|A - \lambda E| \neq 0$ 的 $\lambda$ 范围
## 关键公式
- $A$ 的特征值是 $\det(\lambda E - A) = 0$ 的根
- $\det(A + \lambda E) = 0$ 的根 = $-A$ 的特征值
- $\det(kA) = k^n \det A$($n$ 为阶数)
- 三角形 $\det = \prod a_{ii}$ 直接设未知
## 常见陷阱
- $|\lambda E - A|$ 与 $|A - \lambda E|$ 的根相同(行列式性质),但 $|A + \lambda E|$ 的根是 $-A$ 的特征值
- 多项式**因式分解不彻底**漏根
- 含 $k^n$ 时混淆 $k$ 与阶数 $n$
## 经典母题
> **题目**:求 $\lambda$ 使 $\begin{vmatrix} 1-\lambda & 2 & 3 \\ 2 & 1-\lambda & 0 \\ 3 & 0 & 1-\lambda \end{vmatrix} = 0$
**解**:按第 2 列展开(因为 $a_{22}$ 和 $a_{32}$ 一项非零,一项为零,比全展开快):
实际上更简单的方法是**直接展开**:
$$
D = (1-\lambda)\left[(1-\lambda)^2 - 0\right] - 2\left[2(1-\lambda) - 0\right] + 3\left[0 - 3(1-\lambda)\right]
$$
注意此处用 $|\lambda E - A|$ 形式更好:$\lambda E - A = \begin{pmatrix} \lambda - 1 & -2 & -3 \\ -2 & \lambda - 1 & 0 \\ -3 & 0 & \lambda - 1 \end{pmatrix}$
**按第 3 列展开**(仅 $-3$ 和 $\lambda - 1$ 两个非零):
$$
\begin{aligned}
f(\lambda) &= -3 \cdot (-1)^{1+3} \begin{vmatrix} -2 & \lambda-1 \\ -3 & 0 \end{vmatrix} + (\lambda-1) \cdot (-1)^{3+3} \begin{vmatrix} \lambda-1 & -2 \\ -2 & \lambda-1 \end{vmatrix} \\
&= -3 \cdot 3(\lambda-1) + (\lambda-1)[(\lambda-1)^2 - 4] \\
&= (\lambda-1)[-9 + (\lambda-1)^2 - 4] \\
&= (\lambda-1)[(\lambda-1)^2 - 13]
\end{aligned}
$$
**根**:$\lambda = 1$, $\lambda = 1 \pm \sqrt{13}$
**复盘**:本题演示了**"找 0 多的列优先展开"**的策略——第 3 列仅 2 个非零元,比全展开(6 项乘积)快得多。
---
> **变式 1**:设 $A = \begin{pmatrix} 1 & 0 & 0 \\ 1 & 2 & 0 \\ 0 & 0 & 3 \end{pmatrix}$,求 $|\lambda E - A|$
**解**:$\lambda E - A$ 是下三角矩阵,行列式 $= (\lambda-1)(\lambda-2)(\lambda-3)$
> 这是下三角矩阵的福利——特征多项式 = 对角元之积。
> **变式 2**:设 $|A| = 2, |B| = 3$($A, B$ 为 3 阶),$|A+B| = ?$(无法直接确定!)
**解**:陷阱题!$|A+B| \neq |A| + |B|$(行列式**无加法分配律**),具体值取决于 $A, B$ 的结构。
> **口诀**:**"特征多项式 = 行列式方程的根;三角矩阵 = 直接写出特征值"**
@@ -0,0 +1,702 @@
# 📌 第二章 矩阵及其运算 考研核心通关笔记
> 线性代数的"主角"——方程组/向量组/特征值/二次型全部建立在矩阵运算之上
---
## ① 本章核心知识框架 (Core Concept Map)
### 2.1 矩阵的定义与基本概念
#### 一、矩阵
由 $m \times n$ 个数排成的 $m$ 行 $n$ 列矩形数表称为 $m \times n$ 矩阵,记为 $A = (a_{ij})_{m \times n}$。
- $a_{ij}$:第 $i$ 行第 $j$ 列的元素
- $m=n$ 时为 $n$ 阶**方阵**,记为 $A_n$
*极简例子:* $A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \\ 5 & 6 \end{pmatrix}$ 是 $3 \times 2$ 矩阵,$a_{32} = 6$。
#### 二、特殊矩阵速查
| 名称 | 定义 | 极简例子 |
|------|------|---------|
| **零矩阵** $O$ | 所有元素为 0 | $\begin{pmatrix} 0 & 0 \\ 0 & 0 \end{pmatrix}$ |
| **行矩阵** | $m=1$(一行) | $(1\ 2\ 3)$ |
| **列矩阵** | $n=1$(一列) | $\begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix}$ |
| **同阶矩阵** | 行数列数都相同 | $A_{3\times2}, B_{3\times2}$ 同阶 |
| **单位阵** $E$ | 主对角元为 1,其余为 0 | $\begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}$ |
| **对角阵** $\Lambda$ | $i \neq j$ 时 $a_{ij}=0$ | $\begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix}$ |
| **数量阵** $kE$ | 单位阵的 $k$ 倍 | $3E = \begin{pmatrix} 3 & 0 \\ 0 & 3 \end{pmatrix}$ |
| **上(下)三角阵** | 主对角线下方(上方)全 0 | $\begin{pmatrix} 1 & 2 \\ 0 & 3 \end{pmatrix}$ |
> 🔑 **考试陷阱**:$E$ 与数字 1 不同——$E$ 是矩阵,1 是数;$E$ 一定可逆($E^{-1}=E$),数字 1 的"逆"是自身。
---
### 2.2 矩阵的线性运算
#### 一、矩阵加法(必须同阶)
$$
A + B = (a_{ij} + b_{ij})_{m \times n}
$$
*极简例子:* $\begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} + \begin{pmatrix} 5 & 6 \\ 7 & 8 \end{pmatrix} = \begin{pmatrix} 6 & 8 \\ 10 & 12 \end{pmatrix}$
**运算律**(交换律、结合律、零元 $O$、负元 $-A$):与数的加法一致。
#### 二、数乘矩阵
$$
kA = (ka_{ij})_{m \times n}
$$
*极简例子:* $2 \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} = \begin{pmatrix} 2 & 4 \\ 6 & 8 \end{pmatrix}$
**运算律**:结合律 $(kl)A = k(lA)$;分配律 $k(A+B) = kA + kB$, $(k+l)A = kA + lA$。
#### 三、矩阵的转置
$$
A = (a_{ij})_{m \times n}, \quad A^T = (a_{ji})_{n \times m}
$$
*极简例子:* $\begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix}^T = \begin{pmatrix} 1 & 4 \\ 2 & 5 \\ 3 & 6 \end{pmatrix}$
**运算律(必背)**:
| 公式 | 说明 |
|------|------|
| $(A^T)^T = A$ | 双重转置还原 |
| $(A+B)^T = A^T + B^T$ | 转置与加法可交换 |
| $(kA)^T = kA^T$ | 转置与数乘可交换 |
| $(AB)^T = B^T A^T$ | **转置与乘法交换,但顺序颠倒!** |
| $(A^k)^T = (A^T)^k$ | $k$ 次幂与转置可交换 |
> 🔑 **核心提示**:转置对加法、数乘"直来直去",但**对乘法要反序**——这是后续公式推导的灵魂。
#### 四、对称矩阵与反对称矩阵
- **对称矩阵**:$A^T = A$(如 $\begin{pmatrix} 1 & 2 \\ 2 & 3 \end{pmatrix}$)
- **反对称矩阵**:$A^T = -A$(主对角元必为 0,如 $\begin{pmatrix} 0 & 1 \\ -1 & 0 \end{pmatrix}$)
> ⚠️ 任意方阵 $A$ 都可唯一分解为 $A = \dfrac{A+A^T}{2} + \dfrac{A-A^T}{2}$(对称部分 + 反对称部分)。
---
### 2.3 矩阵乘法(最核心)
#### 一、定义
$A = (a_{ik})_{m \times s}$,$B = (b_{kj})_{s \times n}$,则乘积 $C = AB = (c_{ij})_{m \times n}$,其中
$$
c_{ij} = \sum_{k=1}^s a_{ik} b_{kj}
$$
即 $AB$ 的 $(i,j)$ 元 = $A$ 第 $i$ 行 × $B$ 第 $j$ 列。
*极简例子:* $\begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} \begin{pmatrix} 5 & 6 \\ 7 & 8 \end{pmatrix} = \begin{pmatrix} 1\cdot5+2\cdot7 & 1\cdot6+2\cdot8 \\ 3\cdot5+4\cdot7 & 3\cdot6+4\cdot8 \end{pmatrix} = \begin{pmatrix} 19 & 22 \\ 43 & 50 \end{pmatrix}$
#### 二、可乘条件(重要)
$A$ 的**列数** = $B$ 的**行数**时 $AB$ 才有意义;乘积 $AB$ 的行数 = $A$ 的行数,列数 = $B$ 的列数。
$$
A_{m \times s} \cdot B_{s \times n} = C_{m \times n}
$$
#### 三、运算律
| 运算律 | 公式 | 备注 |
|--------|------|------|
| **结合律** | $(AB)C = A(BC)$ | ✓ |
| **左分配律** | $A(B+C) = AB + AC$ | ✓ |
| **右分配律** | $(A+B)C = AC + BC$ | ✓ |
| **数乘结合** | $k(AB) = (kA)B = A(kB)$ | ✓ |
| **单位元** | $EA = A,\ AE = A$ | ✓ |
| **交换律** | $AB = BA$ | ❌ **绝大多数情况不成立!** |
| **消去律** | $AB = AC \Rightarrow B = C$ | ❌ **需要 $A$ 可逆才行** |
> 🔑 **矩阵乘法不交换是整个线性代数的核心矛盾**——所有"反直觉"的反例几乎都从这里来。
#### 四、矩阵乘法不交换的经典反例
$$
AB = \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix} \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix} = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}, \quad
BA = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix} \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix} = \begin{pmatrix} 0 & 0 \\ 0 & 0 \end{pmatrix}
$$
$AB \neq BA$,而且 $AB \neq O$ 但 $BA = O$($O$ 是零矩阵)。
---
### 2.4 方阵的幂与多项式
#### 一、方阵幂
$$
A^k = \underbrace{A \cdot A \cdots A}_{k \text{ 个}}
$$
$A^0 = E$,$A^1 = A$。
*极简例子:* $\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}^2 = \begin{pmatrix} 1 & 2 \\ 0 & 1 \end{pmatrix}$(Jordan 块的幂公式)。
#### 二、方阵幂的运算律
| 公式 | 成立条件 |
|------|---------|
| $A^k A^l = A^{k+l}$ | ✓ 总是成立 |
| $(A^k)^l = A^{kl}$ | ✓ 总是成立 |
| $(AB)^k = A^k B^k$ | ❌ **仅当 $AB=BA$ 时成立** |
| $A^m = A^n \Rightarrow A^{m-n} = E$ | ❌ 需要 $A$ 可逆或额外条件 |
#### 三、矩阵多项式
$$
f(A) = a_m A^m + a_{m-1} A^{m-1} + \cdots + a_1 A + a_0 E
$$
**注意**:常数项必须乘 $E$!不是 $a_0$ 而是 $a_0 E$(因为常数要"升格"为矩阵才能与矩阵相加)。
*极简例子:* $f(x) = x^2 - 2x + 3$,则 $f(A) = A^2 - 2A + 3E$。
---
### 2.5 方阵的行列式
#### 一、基本公式
$$
\det(kA) = k^n \det A \quad (A \text{ 为 } n \text{ 阶})
$$
$$
\det(AB) = \det A \cdot \det B
$$
$$
\det(A^T) = \det A
$$
*极简例子:* $\det(2A) = 2^n \det A$(每行各乘 2,共 $n$ 行 → $2^n$ 倍)。
> ⚠️ **考试陷阱**:$\det(A+B) \neq \det A + \det B$!行列式**没有分配律**。
#### 二、推论(抽象行列式公式库)
| 公式 | 推导 |
|------|------|
| $\det(A^{-1}) = 1/\det A$ | $A \cdot A^{-1} = E \Rightarrow \det A \cdot \det A^{-1} = 1$ |
| $\det(A^k) = (\det A)^k$ | $\det(AB)=\det A \det B$ 反复用 |
| $\det(A^T) = \det A$ | 转置不变 |
| $\det(A^*) = (\det A)^{n-1}$ | 见 §2.7 |
---
### 2.6 逆矩阵
#### 一、定义
设 $A$ 为 $n$ 阶方阵,若存在 $n$ 阶方阵 $B$ 使 $AB = BA = E$,则称 $A$ **可逆**,$B$ 是 $A$ 的**逆矩阵**,记 $B = A^{-1}$。
*极简例子:* $\begin{pmatrix} 1 & 2 \\ 1 & 3 \end{pmatrix}^{-1} = \begin{pmatrix} 3 & -2 \\ -1 & 1 \end{pmatrix}$(可验证乘积 = $E$)。
#### 二、可逆的充要条件(逻辑链)
$$
A \text{ 可逆} \iff \det A \neq 0 \iff r(A) = n \iff Ax=0 \text{ 只有零解}
$$
> 🔑 这是贯穿后续所有章节的"主线判断"——任何等价说法都可以用作判断可逆的工具。
#### 三、求逆方法(两大体系)
**方法 1:伴随矩阵法**
$$
A^{-1} = \frac{1}{\det A} A^*
$$
其中 $A^* = (A_{ji})_{n \times n}$(**代数余子式转置排列**)。
**方法 2:初等行变换法(更常用)**
$$
(A \mid E) \xrightarrow{\text{行变换}} (E \mid A^{-1})
$$
#### 四、逆矩阵的运算律(必须熟记)
| 公式 | 备注 |
|------|------|
| $(A^{-1})^{-1} = A$ | 自反性 |
| $(kA)^{-1} = \dfrac{1}{k}A^{-1}$($k \neq 0$) | 数乘的逆 |
| $(AB)^{-1} = B^{-1} A^{-1}$ | **乘法交换时逆也交换** |
| $(A^T)^{-1} = (A^{-1})^T$ | 转置与求逆可交换 |
| $(A^k)^{-1} = (A^{-1})^k$ | 幂的逆 |
> 🔑 **口诀**:**"穿脱原则"**——乘积求逆要**反序**穿脱:$(AB)^{-1} = B^{-1} A^{-1}$。
#### 五、可逆矩阵的判定
设 $A, B$ 是同阶方阵:
| 条件 | 结论 |
|------|------|
| $AB = E$(或 $BA = E$) | $A, B$ 互逆 |
| $A^2 = E$ | $A^{-1} = A$(对合) |
| $A^k = O$($k \ge 1$) | $A$ 不可逆(幂零矩阵 $\det = 0$) |
---
### 2.7 伴随矩阵(核心考点)
#### 一、定义
设 $A = (a_{ij})_{n \times n}$,$A_{ij}$ 为 $a_{ij}$ 的代数余子式,则
$$
A^* = \begin{pmatrix} A_{11} & A_{21} & \cdots & A_{n1} \\ A_{12} & A_{22} & \cdots & A_{n2} \\ \vdots & \vdots & & \vdots \\ A_{1n} & A_{2n} & \cdots & A_{nn} \end{pmatrix}
$$
> ⚠️ **致命陷阱**:$A^*$ 中 $A_{ij}$ 排在**第 $j$ 行第 $i$ 列**(即代数余子式**先转置再放回**),不要写成 $A_{ij}$ 在原位置!
*极简例子:* $A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}$,$A^* = \begin{pmatrix} 4 & -2 \\ -3 & 1 \end{pmatrix}$(注意 $A_{21} = -2$ 放在第 1 行第 2 列)。
#### 二、九大核心公式 ⭐⭐⭐
$$
\boxed{
\begin{aligned}
& (1)\ A A^* = A^* A = (\det A) E \\
& (2)\ A^{-1} = \dfrac{A^*}{\det A} \quad (\det A \neq 0) \\
& (3)\ (A^*)^{-1} = \dfrac{1}{\det A} A \quad (\det A \neq 0) \\
& (4)\ \det A^* = (\det A)^{n-1} \\
& (5)\ (A^*)^T = (A^T)^* \\
& (6)\ (kA)^* = k^{n-1} A^* \\
& (7)\ (AB)^* = B^* A^* \\
& (8)\ (A^*)^* = (\det A)^{n-2} A \quad (n \ge 2) \\
& (9)\ r(A^*) = \begin{cases} n, & r(A) = n \\ 1, & r(A) = n-1 \\ 0, & r(A) < n-1 \end{cases}
\end{aligned}
}
$$
> 🔑 **公式 (1) 是所有伴随公式的母公式**——其他都是它的推论。务必先背 (1)。
#### 三、伴随公式的推导链
- 公式 (1):按行展开定理的直接应用
- 公式 (2):公式 (1) 两边除以 $\det A$
- 公式 (3):公式 (1) 两边除以 $(\det A)^2$
- 公式 (4):公式 (1) 两边取行列式 $\Rightarrow (\det A) \det(A^*) = (\det A)^n$
*极简例子:* 设 $A$ 为 3 阶,$\det A = 2$,则 $\det(A^*) = 2^{3-1} = 4$。
---
### 2.8 克拉默法则
#### 一、内容
设 $A = (a_{ij})$ 是 $n$ 阶方阵,$\det A \neq 0$,则线性方程组 $A\mathbf{x} = \mathbf{b}$ 有**唯一解**:
$$
x_j = \frac{D_j}{\det A}, \quad j = 1, 2, \ldots, n
$$
其中 $D_j$ 是把 $A$ 的第 $j$ 列替换为 $\mathbf{b}$ 后所得行列式。
*极简例子:* $\begin{cases} 2x_1 + x_2 = 3 \\ x_1 + 3x_2 = 4 \end{cases}$,$\det A = 5$,$D_1 = \begin{vmatrix} 3 & 1 \\ 4 & 3 \end{vmatrix} = 5$,$D_2 = \begin{vmatrix} 2 & 3 \\ 1 & 4 \end{vmatrix} = 5$,故 $x_1 = 1, x_2 = 1$。
#### 二、推论(齐次方程组)
$A\mathbf{x} = \mathbf{0}$ 有非零解 $\iff$ $\det A = 0$。
> 🔑 这是 Ch03 齐次方程组解结构的前置知识。
#### 三、使用限制
- 只能用于**方阵**(即方程个数 = 未知数个数)
- 只能用于**右端常数项 $\mathbf{b} \neq \mathbf{0}$** 的非齐次情形
- **$n$ 很大时计算量爆炸**——$n=4$ 时已经要算 5 个 4 阶行列式,所以克拉默法则**只在小 $n$ 或证明题中使用**
---
### 2.9 矩阵分块法
#### 一、分块思想
把大矩阵按"块"切分成若干小矩阵,每个块本身是一个矩阵。
*极简例子:* $A = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix}$ 可分为 $A = \begin{pmatrix} A_1 & A_2 \end{pmatrix}$,其中 $A_1 = \begin{pmatrix} 1 \\ 4 \end{pmatrix}$,$A_2 = \begin{pmatrix} 2 & 3 \\ 5 & 6 \end{pmatrix}$。
#### 二、分块原则
- 行分块与列分块必须**对齐**:相邻两块共享行/列边界
- 列数与行数都必须能"整除"分块尺寸
#### 三、分块对角阵
$$
A = \begin{pmatrix} A_1 & & \\ & \ddots & \\ & & A_k \end{pmatrix}, \quad \det A = \prod_{i=1}^k \det A_i
$$
$$
A^{-1} = \begin{pmatrix} A_1^{-1} & & \\ & \ddots & \\ & & A_k^{-1} \end{pmatrix}
$$
**(每个子块独立求逆)**
*极简例子:* $\begin{pmatrix} 2 & 0 & 0 \\ 0 & 1 & 2 \\ 0 & 0 & 1 \end{pmatrix}^{-1} = \begin{pmatrix} 1/2 & 0 & 0 \\ 0 & 1 & -2 \\ 0 & 0 & 1 \end{pmatrix}$。
#### 四、分块乘法的关键公式
$$
\begin{pmatrix} A & B \\ C & D \end{pmatrix} \begin{pmatrix} X & Y \\ Z & W \end{pmatrix} = \begin{pmatrix} AX+BZ & AY+BW \\ CX+DZ & CY+DW \end{pmatrix}
$$
其中**乘法与一般矩阵乘法完全一致**,只是把每个块当作一个"元素"做运算(前提:块尺寸匹配)。
#### 五、分块求逆公式(副对角情形)
$$
\begin{pmatrix} A & O \\ O & B \end{pmatrix}^{-1} = \begin{pmatrix} A^{-1} & O \\ O & B^{-1} \end{pmatrix}
$$
$$
\begin{pmatrix} O & A \\ B & O \end{pmatrix}^{-1} = \begin{pmatrix} O & B^{-1} \\ A^{-1} & O \end{pmatrix}
$$
> 🔑 **副对角分块求逆**:原矩阵的右上 $A$ 求逆后放到新矩阵的**右下**,原矩阵的左下 $B$ 求逆后放到新矩阵的**左上**——形成"翻转"。
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 矩阵运算与线性变换 | 加、数乘、乘法、转置运算 | [[题型1_矩阵运算与线性变换]] |
| 2 | 方阵幂与行列式性质 | $A^k$ 计算,$\det(AB) = \det A \det B$ | [[题型2_方阵幂与行列式性质]] |
| 3 | 逆矩阵求解 | 伴随矩阵法 / 初等行变换法 | [[题型3_逆矩阵求解]] |
| 4 | 伴随矩阵与抽象矩阵 | $A^*$ 性质、$AA^* = (\det A)E$ | [[题型4_伴随矩阵与抽象矩阵]] |
| 5 | 分块矩阵运算 | 分块对角、逆的分块、乘法的分块 | [[题型5_分块矩阵运算]] |
| 6 | 克拉默法则与解的判定 | $\det A \neq 0$ 与方程组解的关系 | [[题型6_克拉默法则与解的判定]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 伴随矩阵九大公式 + $AA^* = (\det A)E$ | 14次 | 4-10分 |
| 2 | 抽象矩阵行列式($\det(A^*)$, $\det(A^{-1})$, $\det(A^k)$) | 12次 | 4分 |
| 3 | 矩阵乘法不交换、反例、化简 $(AB)^k = A^k B^k$ | 10次 | 4-8分 |
| 4 | 逆矩阵求解(伴随法 + 初等变换法) | 8次 | 4-6分 |
| 5 | 克拉默法则判定可逆与解的关系 | 6次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个抽象矩阵,三种考法层次
> **同一抽象条件**:$A$ 是 $n$ 阶矩阵,$\det A = a \neq 0$,求 $\det(2A^* A^T A^{-1})$。
**角度一:选择题(概念辨析)**
下列哪个等式一定成立?
- (A) $(AB)^T = A^T B^T$ ✓/✗?
- (B) $(AB)^{-1} = A^{-1} B^{-1}$ ✓/✗?
- (C) $\det(2A) = 2 \det A$ ✓/✗?
**答案**:(A) 错误——应反序为 $B^T A^T$;(B) 错误——应反序为 $B^{-1} A^{-1}$;(C) 错误——应为 $2^n \det A$。
**角度二:填空题(公式应用)**
设 $n=3$,$\det A = 2$,则 $\det(A^*) = ?$
**解法**:$\det(A^*) = (\det A)^{n-1} = 2^2 = 4$。
**角度三:解答题(综合证明)**
设 $A$ 为 $n$ 阶矩阵,$|A| \neq 0$,证明 $A^*$ 可逆并求 $(A^*)^{-1}$。
**解法**:
$$
A A^* = (\det A) E \Rightarrow A \cdot \frac{A^*}{\det A} = E \Rightarrow \left( \frac{A^*}{\det A} \right)^{-1} = A
$$
故 $A^*$ 可逆,且 $(A^*)^{-1} = \dfrac{A}{\det A}$。
**启示**:同一个抽象条件,选择题考概念辨析、填空考公式应用、解答考证明推理——三种深度都要掌握。本题揭示**"九大公式"是整个 Ch02 的核武库**,反复套用。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:矩阵运算的"四维决策树"
```
矩阵运算
├── 加法 / 数乘:直接逐元素
│ └── 必须同阶 / 结果逐元素
├── 乘法:
│ ├── 普通乘法:行 × 列逐元素累加
│ ├── 简化情形:含零矩阵 / 单位阵 / 对角阵
│ └── 不可交换律:反例是常考点
├── 转置:
│ ├── 简单转置:直接行列互换
│ └── 复合转置:(AB)^T = B^T A^T(反序!)
└── 幂 / 多项式:
├── 数值矩阵:找规律 / 归纳 / 对角化(Ch05)
└── 抽象矩阵:用矩阵运算律化简(结合律优先)
```
### 方法一:矩阵乘法不交换的"四大反例套路"
**考试常见的"证伪题"模式**:
| 反例 | 计算 |
|------|------|
| $AB \neq BA$ | $A = \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}$, $B = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}$ |
| $AB = O \not\Rightarrow A=O$ 或 $B=O$ | 同上:$AB = O, BA = O, AB \neq BA$ |
| $AB = AC \not\Rightarrow B = C$(消去律失效) | $A = \begin{pmatrix} 1 & 0 \\ 0 & 0 \end{pmatrix}$, $B \neq C$ 但 $AB = AC = O$ |
| $A^2 = O \not\Rightarrow A = O$ | $A = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}$:$A^2 = O$ 但 $A \neq O$ |
> 🔑 **判断依据**:题目中出现"是否成立"的判断,先用这些**标准反例**套——能套上就说明命题错。
### 方法二:逆矩阵的两套求解体系
| 体系 | 适用场景 | 操作步骤 |
|------|---------|---------|
| **伴随矩阵法** | 2 阶矩阵 / 抽象证明 / 公式推导 | $A^{-1} = A^*/\det A$,要算 $\det A$ 和 $A^*$ |
| **初等行变换法** | 3 阶及以上 / 具体数值矩阵 | $(A \mid E) \to (E \mid A^{-1})$,全程只用行变换 |
**口诀**:**"小二用伴随,大三用行变换"**。
### 方法三:抽象矩阵行列式的"分步拆解"
**核心策略**:把复杂表达式逐步拆为基本形式的乘积。
| 已知 | 求 | 公式 |
|------|---|------|
| $n$ 阶 $A$, $\det A$ | $\det A^*$ | $(\det A)^{n-1}$ |
| $\det A$ | $\det A^{-1}$ | $1/\det A$ |
| $\det A$ | $\det A^T$ | $\det A$ |
| $\det A$, $k$ | $\det(kA)$ | $k^n \det A$ |
| $\det A, \det B$ | $\det(AB)$ | $\det A \cdot \det B$ |
| $A$ 特征值 $\lambda_i$ | $\det A$ | $\prod \lambda_i$ |
*步骤:*
1. 把 $\det(M)$ 写成 $\det(M_1 M_2 \cdots M_k)$
2. 用 $\det(M_1 M_2) = \det M_1 \det M_2$ 逐个拆
3. 每个 $\det M_i$ 套用上表
### 方法四:伴随矩阵公式的"母公式"策略
> 母公式:$A A^* = A^* A = (\det A) E$
**所有其他公式都是母公式的直接推论**:
- $(A^*)^{-1} = A/\det A$:母公式两边除以 $(\det A)^2$
- $\det A^* = (\det A)^{n-1}$:母公式两边取行列式
- $A^{-1} = A^*/\det A$:母公式两边除以 $\det A$
> 🔑 **背公式的最高效方式**:只背母公式 (1),其余推导。
### 方法五:跨章节通法速查表
| 通用技法 | 本章出现场景 | 后续章节升级 | 判断依据 |
|---------|------------|------------|---------|
| **抽象公式库** | $\det(A^*)$, $\det(A^{-1})$, $\det(A^k)$ | Ch03 矩阵方程、Ch05 特征值 | 矩阵是字母表达式 |
| **行变换** | $(A \mid E) \to (E \mid A^{-1})$ | Ch03 方程组求解 | 求具体逆矩阵 |
| **分块简化** | 分块对角、副对角求逆 | Ch04 向量组、Ch06 二次型 | 矩阵含大量零块 |
| **判断不交换** | 矩阵乘法不交换的反例 | Ch05 $AB$ 与 $BA$ 的特征值关系 | 选择题证伪 |
| **特殊矩阵判定** | 正交 $\to \det=\pm 1$,幂等 $\to \det \in \{0,1\}$ | Ch05 特征值、Ch06 二次型 | 矩阵有特殊结构 |
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:矩阵乘法与数字乘法混淆(交换律)
- **错误表现**:$(AB)^T = A^T B^T$
- **正确理解**:$(AB)^T = B^T A^T$——**反序**穿脱;同理 $(AB)^{-1} = B^{-1} A^{-1}$。
**【对比示例】**:
```
❌ (AB)^T = A^T B^T (错:顺序未反)
✅ (AB)^T = B^T A^T (对:反序穿脱)
❌ (AB)^{-1} = A^{-1} B^{-1} (错)
✅ (AB)^{-1} = B^{-1} A^{-1} (对)
```
### ❌ 错误 2:$\det(kA)$ 的指数搞错
- **错误表现**:$\det(2A) = 2 \det A$
- **正确理解**:$\det(kA) = k^n \det A$($A$ 是 $n$ 阶方阵),指数是**阶数**而非其他。
**【对比示例】**:
```
❌ |2A| = 2|A| (错!)
✅ |2A| = 2^n · |A| (对:每行各乘 2,共 n 行)
❌ |3A| = 3|A| (错!)
✅ |3A| = 3^n · |A| (对:n 阶 → 指数 n)
```
### ❌ 错误 3:$(A^*)^{-1}$ 与 $A^{-1}$ 混淆
- **错误表现**:$(A^*)^{-1} = A^*/\det A$
- **正确理解**:$(A^*)^{-1} = A/\det A$——**用 $A$ 不用 $A^*$**;$A^{-1} = A^*/\det A$——**用 $A^*$ 不用 $A$**。
**【对比示例】**:
```
❌ (A*)^(-1) = A*/|A| (错!)
✅ (A*)^(-1) = A/|A| (对:伴随的逆 = 矩阵本身除以行列式)
```
### ❌ 错误 4:$A^*$ 中元素位置写反
- **错误表现**:$A_{ij}$ 直接放在 $(i,j)$ 位置
- **正确理解**:$A_{ij}$ 必须放在 $(j,i)$ 位置(**先转置再放回**)。$A^* = (A_{ji})_{n \times n}$。
**【对比示例】**:
```
设 A = [[1,2],[3,4]],A21 = (-1)^(2+1)·|2| = -2
❌ A* = [[A11, A12], [A21, A22]] = [[4, -2], [-3, 1]]?
错!这里 A21 = -2 应在 (1,2) 位
✅ A* = [[A11, A21], [A12, A22]] = [[4, -2], [-3, 1]]
对:A21 = -2 在 (1,2) 位
```
### ❌ 错误 5:$(AB)^k = A^k B^k$ 误用
- **错误表现**:对任意矩阵直接套用 $(AB)^k = A^k B^k$
- **正确理解**:**仅当 $AB=BA$ 时才成立**!一般情况下 $(AB)^k \neq A^k B^k$。
**【对比示例】**:
```
若 AB = BA:
✅ (AB)^k = A^k B^k (对:可交换时)
若 AB ≠ BA:
❌ (AB)^2 = A^2 B^2 (错!展开为 ABAB ≠ AABB)
```
### ❌ 错误 6:克拉默法则的适用条件
- **错误表现**:把克拉默法则用于非方阵或 $n$ 很大的情形
- **正确理解**:克拉默法则**仅用于方阵**,且 $n$ 大时计算量爆炸(实际考试**仅用于 $n=2,3$** 或**证明题**)。
**【对比示例】**:
```
✅ n=2,3 方程组用克拉默法则 (计算量可控)
❌ n=5 方程组用克拉默法则 (要算 6 个 5 阶行列式!)
```
### ❌ 错误 7:分块求逆时副对角位置搞错
- **错误表现**:$\begin{pmatrix} O & A \\ B & O \end{pmatrix}^{-1} = \begin{pmatrix} O & B^{-1} \\ A^{-1} & O \end{pmatrix}$ 的位置记错
- **正确理解**:副对角分块求逆后,$A$ 和 $B$ **位置互换**(右上换到右下,左下换到左上),同时各自求逆。
**【对比示例】**:
```
原矩阵 [[O, A], [B, O]]:
✅ 逆 = [[O, B^(-1)], [A^(-1), O]] (对:A、B 位置互换 + 求逆)
❌ 逆 = [[O, A^(-1)], [B^(-1), O]] (错:位置未互换)
```
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 伴随矩阵九大公式 | **高** | 30+ 道 | 每年必考,公式必须背熟 |
| 抽象矩阵行列式 | **高** | 25+ 道 | 套公式库,速度要快 |
| 矩阵乘法不交换 | **高** | 20+ 道 | 选择题高频 |
| 逆矩阵求解 | **高** | 20+ 道 | 大题和填空题常考 |
| 方阵的幂 | **中** | 15 道 | 含对角化后求幂(Ch05) |
| 克拉默法则 | **中** | 10 道 | $n=2,3$ 或证明题 |
| 矩阵分块法 | **中** | 12 道 | 大题简化结构 |
| 矩阵多项式 | **中** | 10 道 | Hamilton-Cayley 定理铺垫 |
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch02) 矩阵及其运算 │
│ · 矩阵四则运算 / 转置 │
│ · 逆矩阵 / 伴随矩阵九大公式 │
│ · 克拉默法则 / 分块矩阵 │
└───────────────┬─────────────────┘
│
┌───────────────┬───────────────┼───────────────┬───────────────┐
↓ ↓ ↓ ↓ ↓
Ch01 行列式 Ch03 方程组 Ch04 向量组 Ch05 特征值 Ch06 二次型
det A ≠ 0 矩阵方程 AX=B 矩阵表示线性变换 A^k 通过对角化 合同矩阵
↔ A 可逆 行变换求解 列向量组线性相关 P^(-1)AP=Λ 分块对角化
A*=|A|^(n-1)/A AX=0 非零解 r(A)=矩阵的秩 f(A)=∏(A-λᵢE) 二次型矩阵
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:伴随矩阵 + 抽象行列式**
> 例题:设 $A$ 为 $n$ 阶矩阵,$\det A = 3$,求 $\det((2A)^* A^T A^{-1})$。
>
> **解**:
> $\det((2A)^*) = 2^{n-1} \det(A^*) = 2^{n-1} \cdot 3^{n-1} = 6^{n-1}$
> $\det(A^T) = 3$
> $\det(A^{-1}) = 1/3$
> 故 $\det = 6^{n-1} \cdot 3 \cdot 1/3 = 6^{n-1}$。
>
> **考点**:$(kA)^* = k^{n-1} A^*$(公式 6) + $\det(A^*) = (\det A)^{n-1}$(公式 4)的复合应用。
**模式 2:矩阵乘法不交换 → Ch05 特征值**
> 例题:设 $A$ 为 $n$ 阶矩阵,$A$ 与所有 $n$ 阶矩阵乘法可交换,证明 $A = cE$。
>
> **思路**:取特殊的矩阵 $E_{ij}$(仅 $(i,j)$ 位为 1)代入 $AE_{ij} = E_{ij}A$,可推出 $A$ 的非对角元为 0、对角元相等。
>
> **考点**:本章矩阵乘法不交换的具体应用,Ch05 "可交换矩阵谱分解"的前置知识。
**模式 3:克拉默法则 → Ch03 方程组**
> 例题:设 $A$ 为 $n$ 阶矩阵,$\det A = 0$,方程组 $A\mathbf{x} = \mathbf{b}$ 是否一定有解?
>
> **答**:不一定。克拉默法则只解决了 $\det A \neq 0$ 的情形;$\det A = 0$ 时需要用 Ch03 的**秩**判定($r(A) = r(A|\mathbf{b})$)。
>
> **考点**:本章克拉默法则的边界,Ch03 方程组解的判定的前置铺垫。
### 【终极母题推荐】
> **题目**:设 $A$ 为 $n$ 阶矩阵,$A \neq O$,但 $A^2 = A$(幂等矩阵)。证明:$\det A = 1$。
**此题融合**:
- 矩阵乘法结合律
- 伴随矩阵公式 $A A^* = (\det A) E$
- 取行列式得到 $\det(A^2) = (\det A)^2 = \det A \Rightarrow \det A \in \{0, 1\}$
- 再由 $A \neq O$ 排除 $\det A = 0$
**为什么这是"终极母题"**:
✅ 伴随矩阵公式 + 取行列式的综合应用
✅ "幂等/对合/正交"等特殊矩阵的思维定式建立
✅ 为 Ch05 特征值($A^2=A \Rightarrow \lambda^2=\lambda \Rightarrow \lambda \in \{0,1\}$)做完整铺垫
**🔗 这道题的 Ch05 升级版(提前预告)**:
> 条件不变,结论改为"求 $A$ 的全部特征值,并讨论 $A$ 是否可对角化"。
>
> → 这就是**特征值与对角化**。你会发现:Ch02 的矩阵运算只是 Ch05 矩阵理论的"工具人",主舞台在 Ch05。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 [[Ch03_线性方程组/Ch03_Linear_Systems|Ch03 线性方程组]],逆矩阵与克拉默法则将作为求解工具贯穿始终。
@@ -0,0 +1,101 @@
# 题型一:矩阵运算与线性变换
## 识别特征
- 出现加法、数乘、乘法、转置的混合运算
- 出现矩阵等式需要验证或推导
- 出现"是否可交换 / 是否满足结合律"的判断
## 解题流程
```mermaid
flowchart TD
A[识别:矩阵运算] --> B{运算类型?}
B -->|加减数乘| C[逐元素运算,必须同阶]
B -->|乘法| D{A列数=B行数?}
D -->|否| E[不可乘,无意义]
D -->|是| F[行×列逐元素累加]
B -->|转置| G[行列互换,复合运算反序]
C --> H[得结果]
F --> H
G --> H
H --> I{验证/化简}
I --> J[注意运算律是否成立]
```
## 通法步骤
### 1. 加法 / 数乘
$$
A + B = (a_{ij} + b_{ij}), \quad kA = (ka_{ij})
$$
**前提**:$A, B$ 必须同型。
### 2. 矩阵乘法(核心)
$$
(AB)_{ij} = \sum_{k=1}^s a_{ik} b_{kj}
$$
**可乘条件**:$A_{m \times s} \cdot B_{s \times n} = C_{m \times n}$($A$ 列数 = $B$ 行数)。
### 3. 转置的复合运算
| 公式 | 反序 |
|------|------|
| $(A+B)^T = A^T + B^T$ | 不反序 |
| $(AB)^T = B^T A^T$ | **反序** |
| $(kA)^T = kA^T$ | 不反序 |
| $(A^T)^T = A$ | 不反序 |
### 4. 简化技巧
- **零矩阵**:$A \cdot O = O$,但 $A \neq O$ 时仍可能 $AB = O$
- **单位阵**:$EA = A$
- **对角阵乘法**:$\Lambda_1 \Lambda_2 = \Lambda_2 \Lambda_1$(同阶对角阵**可交换**)
## 常见陷阱
- **乘法不交换**:$AB \neq BA$ 是常态,不能默认 $AB = BA$
- **消去律失效**:$AB = AC \not\Rightarrow B = C$(除非 $A$ 可逆)
- **$(AB)^T$ 顺序**:必须反序为 $B^T A^T$,不能直接 $A^T B^T$
- **$(A+B)^2 \neq A^2 + 2AB + B^2$**:因为 $AB \neq BA$!展开为 $A^2 + AB + BA + B^2$
## 经典母题
> **题目**:设 $A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}$,$B = \begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}$,求 $(A+B)^2 - A^2 - B^2$。
**解法**:
$$
A + B = \begin{pmatrix} 1 & 3 \\ 4 & 4 \end{pmatrix}, \quad
(A+B)^2 = \begin{pmatrix} 1 & 3 \\ 4 & 4 \end{pmatrix} \begin{pmatrix} 1 & 3 \\ 4 & 4 \end{pmatrix} = \begin{pmatrix} 13 & 15 \\ 20 & 28 \end{pmatrix}
$$
$$
A^2 = \begin{pmatrix} 7 & 10 \\ 15 & 22 \end{pmatrix}, \quad
B^2 = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} = E
$$
$$
(A+B)^2 - A^2 - B^2 = \begin{pmatrix} 13-7-1 & 15-10-0 \\ 20-15-0 & 28-22-1 \end{pmatrix} = \begin{pmatrix} 5 & 5 \\ 5 & 5 \end{pmatrix}
$$
**验证**:
$$
(A+B)^2 - A^2 - B^2 = AB + BA = \begin{pmatrix} 2 & 1 \\ 3 & 4 \end{pmatrix} + \begin{pmatrix} 3 & 4 \\ 1 & 2 \end{pmatrix} = \begin{pmatrix} 5 & 5 \\ 5 & 5 \end{pmatrix} ✓
$$
**复盘**:$(A+B)^2 \neq A^2 + 2AB + B^2$ 是因为矩阵乘法不交换。**核心结论**:$(A+B)^2 = A^2 + AB + BA + B^2$。
---
> **变式**:设 $A, B$ 均为 $n$ 阶矩阵,证明 $(AB-BA)^T = B^T A^T - A^T B^T$。
**证明**:
$$
(AB - BA)^T = (AB)^T - (BA)^T = B^T A^T - A^T B^T
$$
每步都用 $(AB)^T = B^T A^T$ 的反序公式。
@@ -0,0 +1,112 @@
# 题型二:方阵幂与行列式性质
## 识别特征
- 求 $A^k$($k$ 较大或抽象)
- 涉及 $\det(AB)$, $\det(A^{-1})$, $\det(A^*)$, $\det(kA)$
- 抽象矩阵表达式的行列式计算
## 解题流程
```mermaid
flowchart TD
A[识别:方阵幂/抽象行列式] --> B{题目类型?}
B -->|求A^k具体值| C[找规律/归纳法/对角化]
B -->|求det抽象表达式| D[拆分: det M1M2 = det M1 · det M2]
D --> E[逐项套公式库]
E --> F[代入已知det A]
C --> G[得结果]
F --> G
```
## 通法步骤
### 一、方阵幂的计算(数值矩阵)
**方法 1:找规律法**
观察 $A^2, A^3, A^4, \ldots$,寻找规律(如 Jordan 块的幂公式)。
**方法 2:归纳法**
猜测 $A^k$ 的通项,用数学归纳法证明。
**方法 3:对角化(Ch05 重武器)**
$A = P \Lambda P^{-1} \Rightarrow A^k = P \Lambda^k P^{-1}$
### 二、抽象矩阵行列式公式库
| 已知 | 求 | 公式 |
|------|---|------|
| $n$ 阶 $A$, $\det A$ | $\det A^*$ | $(\det A)^{n-1}$ |
| $\det A$ | $\det A^{-1}$ | $1/\det A$ |
| $\det A$ | $\det A^T$ | $\det A$ |
| $\det A$, $k$ | $\det(kA)$ | $k^n \det A$ |
| $\det A, \det B$ | $\det(AB)$ | $\det A \cdot \det B$ |
| $A$ 的特征值 $\lambda_i$ | $\det A$ | $\prod \lambda_i$ |
| $A \sim B$ | $\det A$ | $\det B$ |
### 三、方阵幂的运算律
| 公式 | 成立条件 |
|------|---------|
| $A^k A^l = A^{k+l}$ | ✓ |
| $(A^k)^l = A^{kl}$ | ✓ |
| $(A+B)^2 = A^2 + 2AB + B^2$ | ❌(需 $AB=BA$)|
| $(AB)^k = A^k B^k$ | ❌(需 $AB=BA$)|
## 常见陷阱
- $\det(kA) = k^n \det A$ 中 $n$ 是**阶数**,不是任何其他指数
- $(AB)^k \neq A^k B^k$:除非 $AB=BA$
- $A^2 = A \Rightarrow \det A \in \{0, 1\}$(幂等矩阵)
- $A^2 = E \Rightarrow \det A = \pm 1$(对合矩阵)
- $A^T = A^{-1} \Rightarrow \det A = \pm 1$(正交矩阵)
## 经典母题
> **题目**:设 $A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$,求 $A^n$。
**解法(归纳法)**:
$$
A^2 = \begin{pmatrix} 1 & 2 \\ 0 & 1 \end{pmatrix}, \quad
A^3 = \begin{pmatrix} 1 & 3 \\ 0 & 1 \end{pmatrix}
$$
猜测 $A^n = \begin{pmatrix} 1 & n \\ 0 & 1 \end{pmatrix}$。
**归纳证明**:设 $A^k = \begin{pmatrix} 1 & k \\ 0 & 1 \end{pmatrix}$,则
$$
A^{k+1} = A^k A = \begin{pmatrix} 1 & k \\ 0 & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} = \begin{pmatrix} 1 & k+1 \\ 0 & 1 \end{pmatrix} ✓
$$
故 $A^n = \begin{pmatrix} 1 & n \\ 0 & 1 \end{pmatrix}$。
**复盘**:Jordan 块 $J = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$ 的幂有线性规律 $J^n = I + nN$(其中 $N = J - I$ 满足 $N^2 = 0$)。
---
> **题目(抽象)**:设 $A$ 为 3 阶矩阵,$\det A = 2$,求 $\det(2A^* A^T A^{-1})$。
**解法**:
$$
\begin{aligned}
\det(2A^* A^T A^{-1}) &= \det(2A^*) \cdot \det(A^T) \cdot \det(A^{-1}) \\
&= 2^3 \det(A^*) \cdot \det A \cdot \frac{1}{\det A} \\
&= 8 \cdot (\det A)^{3-1} \cdot 2 \cdot \frac{1}{2} \\
&= 8 \cdot 4 = 32
\end{aligned}
$$
**复盘**:
- $\det(A^T) \cdot \det(A^{-1}) = \det A \cdot 1/\det A = 1$,故结果只取决于 $\det(2A^*)$
- 关键公式:$\det(kA) = k^n \det A$,$\det(A^*) = (\det A)^{n-1}$
---
> **变式**:设 $A$ 为 $n$ 阶矩阵,满足 $A^3 = O$,证明 $\det(A+E) = 1$。
**证明**:$A$ 的特征值 $\lambda$ 满足 $\lambda^3 = 0 \Rightarrow \lambda = 0$,故 $A$ 的所有特征值均为 0,因此 $\det(A+E) = \prod_{i=1}^n (\lambda_i + 1) = 1^n = 1$。
**关键**:抽象矩阵的行列式问题常常转化为**特征值问题**(Ch05 完整展开,本章预热)。
@@ -0,0 +1,125 @@
# 题型三:逆矩阵求解
## 识别特征
- 已知具体矩阵 $A$,求 $A^{-1}$
- 已知 $A$ 满足矩阵方程,求 $A^{-1}$
- 验证 $A$ 是否可逆($\det A \neq 0$)
## 解题流程
```mermaid
flowchart TD
A[识别:求逆矩阵] --> B{矩阵规模?}
B -->|2阶| C[伴随矩阵法:A^(-1) = A*/det A]
B -->|3阶及以上| D[初等行变换法: A|E → E|A^(-1)]
B -->|抽象矩阵| E[利用关系式推导]
C --> F[验证det A≠0]
D --> F
E --> G[套公式: 母公式AA*=|A|E]
F --> H[得结果]
G --> H
```
## 通法步骤
### 方法 1:伴随矩阵法(2 阶首选)
$$
A^{-1} = \frac{1}{\det A} A^*, \quad A^* = \begin{pmatrix} A_{11} & A_{21} \\ A_{12} & A_{22} \end{pmatrix}
$$
*步骤:*
1. 计算 $\det A$(二阶直接 $ad-bc$)
2. 计算 $A^*$(**注意 $A_{ij}$ 放在 $(j,i)$ 位置**)
3. 套公式 $A^{-1} = A^*/\det A$
### 方法 2:初等行变换法(3 阶及以上)
$$
(A \mid E) \xrightarrow{\text{仅用行变换}} (E \mid A^{-1})
$$
*步骤:*
1. 构造增广矩阵 $(A \mid E)$
2. 通过初等行变换把 $A$ 化为 $E$
3. 同一系列行变换把 $E$ 化为 $A^{-1}$
> ⚠️ **只能用行变换**,列变换会破坏结果!
### 方法 3:抽象矩阵的逆
利用已知关系推导:
- 若 $AB = E$,则 $A^{-1} = B$
- 若 $A^2 + A - E = O$,则 $A(A+E) = E$,故 $A^{-1} = A + E$
### 方法 4:分块矩阵求逆(见题型 5)
## 常见陷阱
- **伴随矩阵转置**:$A_{ij}$ 必须放在 $(j,i)$ 位,不能放原位
- **行变换 vs 列变换**:求逆必须**只用行变换**,否则结果错
- **消去时乘以 0**:主元为 0 时要先换行,不能直接除
- **不能两边同乘一个不可逆矩阵**:两边同乘 $B$ 要求 $B$ 可逆
- $\det A = 0$ 时 $A^{-1}$ 不存在
## 经典母题
> **题目**:求 $A = \begin{pmatrix} 2 & 1 \\ 1 & 1 \end{pmatrix}$ 的逆矩阵。
**解法(伴随矩阵法)**:
$\det A = 2 \cdot 1 - 1 \cdot 1 = 1$
$A_{11} = 1, A_{12} = -1, A_{21} = -1, A_{22} = 2$
$A^* = \begin{pmatrix} A_{11} & A_{21} \\ A_{12} & A_{22} \end{pmatrix} = \begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix}$
$$
A^{-1} = \frac{1}{\det A} A^* = \begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix}
$$
**验证**:$A A^{-1} = \begin{pmatrix} 2 & 1 \\ 1 & 1 \end{pmatrix} \begin{pmatrix} 1 & -1 \\ -1 & 2 \end{pmatrix} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} = E$ ✓
**复盘**:$\det A = 1$ 时 $A^{-1} = A^*$,可以省去除法步骤。
---
> **题目(初等行变换法)**:求 $A = \begin{pmatrix} 0 & 1 & 2 \\ 1 & 1 & 0 \\ 2 & 0 & 1 \end{pmatrix}$ 的逆矩阵。
**解法**:
$$
\left( \begin{array}{ccc|ccc} 0 & 1 & 2 & 1 & 0 & 0 \\ 1 & 1 & 0 & 0 & 1 & 0 \\ 2 & 0 & 1 & 0 & 0 & 1 \end{array} \right)
$$
$r_1 \leftrightarrow r_2$:
$$
\left( \begin{array}{ccc|ccc} 1 & 1 & 0 & 0 & 1 & 0 \\ 0 & 1 & 2 & 1 & 0 & 0 \\ 2 & 0 & 1 & 0 & 0 & 1 \end{array} \right)
$$
$r_3 - 2r_1$:
$$
\left( \begin{array}{ccc|ccc} 1 & 1 & 0 & 0 & 1 & 0 \\ 0 & 1 & 2 & 1 & 0 & 0 \\ 0 & -2 & 1 & 0 & -2 & 1 \end{array} \right)
$$
$r_3 + 2r_2, r_1 - r_2$:
$$
\left( \begin{array}{ccc|ccc} 1 & 0 & -2 & -1 & 1 & 0 \\ 0 & 1 & 2 & 1 & 0 & 0 \\ 0 & 0 & 5 & 2 & -2 & 1 \end{array} \right)
$$
$r_3 \to r_3/5, r_2 - 2r_3, r_1 + 2r_3$(略)...
最终:
$$
A^{-1} = \frac{1}{5} \begin{pmatrix} 1 & -1 & -2 \\ -1 & -4 & 2 \\ -2 & 2 & -1 \end{pmatrix}
$$
**复盘**:3 阶以上用初等行变换法效率高。注意**全程只用行变换**。
---
> **变式**:设 $A^2 + A - 3E = O$,证明 $A$ 可逆并求 $A^{-1}$。
**证明**:$A^2 + A - 3E = O \Rightarrow A(A+E) = 3E \Rightarrow A \cdot \frac{A+E}{3} = E$
故 $A$ 可逆,且 $A^{-1} = \dfrac{A+E}{3}$。
@@ -0,0 +1,130 @@
# 题型四:伴随矩阵与抽象矩阵
## 识别特征
- 出现 $A^*$(伴随矩阵)
- 已知 $A$ 的行列式,求 $A^*$ 或 $(A^*)^{-1}$ 的行列式
- 利用 $AA^* = (\det A)E$ 推导公式
## 解题流程
```mermaid
flowchart TD
A[识别:伴随矩阵] --> B{已知条件?}
B -->|det A| C[套公式: det A* = det A^(n-1)]
B -->|关系式AA*=|A|E| D[两边变形得A^(-1)=A*/|A|]
B -->|矩阵方程含A*| E[转化为A求解]
C --> F[得结果]
D --> F
E --> F
```
## 核心公式库(九大公式,必背)
| # | 公式 | 备注 |
|---|------|------|
| 1 | $AA^* = A^*A = (\det A)E$ | **母公式** |
| 2 | $A^{-1} = \dfrac{A^*}{\det A}$ | 公式 1 除以 $\det A$ |
| 3 | $(A^*)^{-1} = \dfrac{A}{\det A}$ | 公式 1 除以 $(\det A)^2$ |
| 4 | $\det A^* = (\det A)^{n-1}$ | 公式 1 取行列式 |
| 5 | $(A^*)^T = (A^T)^*$ | 对称性 |
| 6 | $(kA)^* = k^{n-1} A^*$ | 数乘 |
| 7 | $(AB)^* = B^* A^*$ | **反序** |
| 8 | $(A^*)^* = (\det A)^{n-2} A$ | 二次伴随 |
| 9 | $r(A^*) = \begin{cases} n, & r(A)=n \\ 1, & r(A)=n-1 \\ 0, & r(A)<n-1 \end{cases}$ | 秩的关系 |
## 通法步骤
### 一、求 $\det A^*$
直接套公式 4:$\det A^* = (\det A)^{n-1}$($n$ 为阶数)。
### 二、求 $(A^*)^{-1}$
套公式 3:$(A^*)^{-1} = \dfrac{A}{\det A}$(注意是 $A$ 不是 $A^*$)。
### 三、求 $(kA)^*$
套公式 6:$(kA)^* = k^{n-1} A^*$(指数是 $n-1$ 不是 $n$)。
### 四、求 $(AB)^*$
套公式 7:$(AB)^* = B^* A^*$(**反序**穿脱,与 $(AB)^T, (AB)^{-1}$ 一致)。
### 五、求 $(A^*)^*$
套公式 8:$(A^*)^* = (\det A)^{n-2} A$(注意 $n \ge 2$,$n=2$ 时 $(\det A)^0 = 1$,故 $(A^*)^* = A$)。
## 常见陷阱
- $\det A^*$ 的指数是 $n-1$,不是 $n$
- $(kA)^*$ 的系数是 $k^{n-1}$,不是 $k^n$
- $(AB)^*$ 反序为 $B^* A^*$,不是 $A^* B^*$
- $(A^*)^{-1} = A/\det A$,**用 $A$ 不是 $A^*$**
- $A^*$ 中元素位置是 $(j, i)$,**转置后放回**
## 经典母题
> **题目**:设 $A$ 为 4 阶矩阵,$\det A = 2$,求 $\det((2A)^* - 3A^*)$。
**解法**:
先化简:
$$
(2A)^* = 2^{4-1} A^* = 8 A^*
$$
所以:
$$
(2A)^* - 3A^* = 8A^* - 3A^* = 5A^*
$$
故:
$$
\det((2A)^* - 3A^*) = \det(5A^*) = 5^4 \det(A^*) = 625 \cdot (\det A)^{4-1} = 625 \cdot 8 = 5000
$$
**复盘**:
- 公式 6:$(kA)^* = k^{n-1} A^*$,$n=4$ 所以系数为 $2^3 = 8$
- 公式 4:$\det A^* = (\det A)^{n-1}$
- 公式:$\det(kA^*) = k^n \det(A^*)$,$n=4$ 所以乘 $5^4 = 625$
---
> **题目**:设 $A$ 为 $n$ 阶可逆矩阵,$B$ 为 $n$ 阶矩阵,$\det(B) = 3$,求 $\det((AB)^* A^T (A^*)^{-1} B^{-1})$。
**解法**:
$$
\begin{aligned}
&\det((AB)^* A^T (A^*)^{-1} B^{-1}) \\
&= \det((AB)^*) \cdot \det(A^T) \cdot \det((A^*)^{-1}) \cdot \det(B^{-1}) \\
&= \det(B^*) \det(A^*) \cdot \det A \cdot \frac{1}{\det A^*} \cdot \frac{1}{\det B} \\
&= \det(B^*) \cdot \det A \cdot \frac{1}{\det B} \\
&= (\det B)^{n-1} \cdot \det A \cdot \frac{1}{\det B} \\
&= 3^{n-1} \cdot \det A \cdot \frac{1}{3} \\
&= 3^{n-2} \det A
\end{aligned}
$$
**复盘**:
- 公式 7:$(AB)^* = B^* A^* \Rightarrow \det((AB)^*) = \det(B^*) \det(A^*)$
- 公式 3:$\det((A^*)^{-1}) = 1/\det(A^*)$,与公式 4 相消
- $\det A^T = \det A$
---
> **变式**:设 $A$ 为 $n$ 阶矩阵,证明 $\det((A^*)^*) = (\det A)^{(n-1)^2}$。
**证明**:$\det((A^*)^*) = \det((\det A)^{n-2} A) = (\det A)^{n-2 \cdot n} \cdot \det A$
等等,重新计算:
$$
(A^*)^* = (\det A)^{n-2} A
$$
两边取行列式:
$$
\det((A^*)^*) = \det((\det A)^{n-2} A) = (\det A)^{n(n-2)} \det A = (\det A)^{n(n-2)+1}
$$
> 实际考试中常用 $n=3$ 的特例:$\det((A^*)^*) = (\det A)^{3 \cdot 1 + 1} = (\det A)^4 = ((\det A)^2)^2 = (\det A^*)^2$。
@@ -0,0 +1,134 @@
# 题型五:分块矩阵运算
## 识别特征
- 矩阵规模较大但含大量零块
- 矩阵可拆为"对角"或"副对角"形式
- 求大型矩阵的逆或行列式
## 解题流程
```mermaid
flowchart TD
A[识别:分块矩阵] --> B{分块结构?}
B -->|对角分块| C[各块独立: det=Πdet Aᵢ, 逆=各块独立求逆]
B -->|副对角分块| D[翻转+各块独立求逆]
B -->|一般分块| E[按块做矩阵乘法]
C --> F[得结果]
D --> F
E --> F
```
## 通法步骤
### 一、分块对角阵
$$
A = \begin{pmatrix} A_1 & & \\ & \ddots & \\ & & A_k \end{pmatrix}
$$
**性质**:
- $\det A = \prod_{i=1}^k \det A_i$
- $A^{-1} = \begin{pmatrix} A_1^{-1} & & \\ & \ddots & \\ & & A_k^{-1} \end{pmatrix}$(每个块独立求逆)
- $A^n = \begin{pmatrix} A_1^n & & \\ & \ddots & \\ & & A_k^n \end{pmatrix}$(每个块独立求幂)
*极简例子:* $A = \begin{pmatrix} 2 & 0 & 0 \\ 0 & 1 & 2 \\ 0 & 0 & 1 \end{pmatrix}$ 可分为 $A = \begin{pmatrix} 2 & O \\ O & B \end{pmatrix}$,$B = \begin{pmatrix} 1 & 2 \\ 0 & 1 \end{pmatrix}$。
### 二、分块副对角阵
$$
A = \begin{pmatrix} O & B \\ C & O \end{pmatrix}
$$
**求逆公式**:
$$
A^{-1} = \begin{pmatrix} O & C^{-1} \\ B^{-1} & O \end{pmatrix}
$$
**口诀**:原矩阵的右上 $B$ 求逆后放到**右下**,原矩阵的左下 $C$ 求逆后放到**左上**——形成"翻转"。
*极简例子:* $\begin{pmatrix} O & A_1 \\ A_2 & O \end{pmatrix}^{-1} = \begin{pmatrix} O & A_2^{-1} \\ A_1^{-1} & O \end{pmatrix}$。
### 三、分块乘法(一般公式)
$$
\begin{pmatrix} A & B \\ C & D \end{pmatrix} \begin{pmatrix} X & Y \\ Z & W \end{pmatrix} = \begin{pmatrix} AX+BZ & AY+BW \\ CX+DZ & CY+DW \end{pmatrix}
$$
**前提**:块尺寸匹配($A$ 的列数 = $X$ 的行数,以此类推)。
### 四、分块行列式
$$
\det \begin{pmatrix} A & O \\ C & D \end{pmatrix} = \det A \cdot \det D
$$
$$
\det \begin{pmatrix} A & B \\ O & D \end{pmatrix} = \det A \cdot \det D
$$
> 关键:**只有 $O$ 在对角块两侧时才可分块计算行列式**;其他情况不能直接分块。
## 常见陷阱
- **副对角分块求逆位置搞错**:必须**翻转**(左上 ↔ 右下互换)
- **块尺寸不匹配**:分块乘法前必须确认尺寸
- **不能简单地把非分块对角矩阵当成对角分块**:如 $\begin{pmatrix} 1 & 2 \\ 0 & 3 \end{pmatrix}$ 虽然是上三角,但不是分块对角(除非 $2$ 也视为一个块)
- $\begin{pmatrix} A & B \\ C & D \end{pmatrix}^{-1}$ **没有通用公式**(不像分块对角/副对角有简洁形式)
## 经典母题
> **题目**:设 $A = \begin{pmatrix} 1 & 0 & 0 & 0 \\ 0 & 2 & 0 & 0 \\ 0 & 0 & 1 & 2 \\ 0 & 0 & 0 & 1 \end{pmatrix}$,求 $\det A$ 和 $A^{-1}$。
**解法**:
按分块对角拆分:$A = \begin{pmatrix} B & O \\ O & C \end{pmatrix}$,其中 $B = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}$,$C = \begin{pmatrix} 1 & 2 \\ 0 & 1 \end{pmatrix}$。
$\det A = \det B \cdot \det C = 2 \cdot 1 = 2$
$$
B^{-1} = \begin{pmatrix} 1 & 0 \\ 0 & 1/2 \end{pmatrix}, \quad
C^{-1} = \begin{pmatrix} 1 & -2 \\ 0 & 1 \end{pmatrix}
$$
$$
A^{-1} = \begin{pmatrix} B^{-1} & O \\ O & C^{-1} \end{pmatrix} = \begin{pmatrix} 1 & 0 & 0 & 0 \\ 0 & 1/2 & 0 & 0 \\ 0 & 0 & 1 & -2 \\ 0 & 0 & 0 & 1 \end{pmatrix}
$$
**复盘**:分块对角阵求逆 = 块独立求逆;这是大矩阵求逆的高效方法。
---
> **题目**:设 $A = \begin{pmatrix} O & E_2 \\ E_3 & O \end{pmatrix}$,求 $A^{-1}$。
**解法(副对角分块)**:
$A$ 是 $5 \times 5$ 分块矩阵,左上 $O_{2 \times 2}$,右上 $E_{2 \times 3}$,左下 $E_{3 \times 2}$,右下 $O_{3 \times 3}$。
按副对角分块求逆公式:
$$
A^{-1} = \begin{pmatrix} O & E_3^{-1} \\ E_2^{-1} & O \end{pmatrix} = \begin{pmatrix} O & E_3 \\ E_2 & O \end{pmatrix}
$$
**复盘**:因为单位阵的逆就是自身,所以结果与原矩阵"对称"。注意尺寸:原矩阵 $5 \times 5$,分块后左上 $2 \times 2$,右下 $3 \times 3$。
---
> **变式**:设 $A = \begin{pmatrix} 1 & 2 & 0 & 0 \\ 3 & 4 & 0 & 0 \\ 0 & 0 & 5 & 0 \\ 0 & 0 & 0 & 6 \end{pmatrix}$,求 $\det A$ 和 $A^{-1}$。
**解法**:
按分块对角拆分:$A = \begin{pmatrix} B & O \\ O & D \end{pmatrix}$,$B = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}$,$D = \begin{pmatrix} 5 & 0 \\ 0 & 6 \end{pmatrix}$。
$\det A = \det B \cdot \det D = (4-6) \cdot 30 = -60$
$$
B^{-1} = \frac{1}{-2} \begin{pmatrix} 4 & -2 \\ -3 & 1 \end{pmatrix} = \begin{pmatrix} -2 & 1 \\ 3/2 & -1/2 \end{pmatrix}, \quad
D^{-1} = \begin{pmatrix} 1/5 & 0 \\ 0 & 1/6 \end{pmatrix}
$$
$$
A^{-1} = \begin{pmatrix} -2 & 1 & 0 & 0 \\ 3/2 & -1/2 & 0 & 0 \\ 0 & 0 & 1/5 & 0 \\ 0 & 0 & 0 & 1/6 \end{pmatrix}
$$
**复盘**:分块对角阵的核心优势——把大矩阵问题拆成几个小矩阵独立求解。
@@ -0,0 +1,123 @@
# 题型六:克拉默法则与解的判定
## 识别特征
- 方程个数 = 未知数个数(方阵情形)
- 已知 $A$ 的行列式,求方程组 $A\mathbf{x} = \mathbf{b}$ 的解
- 判断齐次方程组 $A\mathbf{x} = \mathbf{0}$ 是否有非零解
## 解题流程
```mermaid
flowchart TD
A[识别:克拉默法则] --> B{det A?}
B -->|≠0| C[唯一解: xj = Dj/|A|]
B -->|=0| D[克拉默失效,用Ch03方法]
C --> E[代入验证]
D --> F[可能无解或无穷解]
E --> G[得结果]
F --> G
```
## 通法步骤
### 一、克拉默法则(非齐次方程组)
设 $A\mathbf{x} = \mathbf{b}$,$\det A \neq 0$,则唯一解为:
$$
x_j = \frac{D_j}{\det A}, \quad j = 1, 2, \ldots, n
$$
其中 $D_j$ 是把 $A$ 的第 $j$ 列替换为 $\mathbf{b}$ 后所得行列式。
### 二、齐次方程组判定
$A\mathbf{x} = \mathbf{0}$ 有非零解 $\iff \det A = 0$。
### 三、$n$ 阶矩阵的可逆性判定(逻辑链)
$$
\det A \neq 0 \iff A \text{ 可逆} \iff r(A) = n \iff Ax=0 \text{ 只有零解} \iff Ax=b \text{ 唯一解}
$$
### 四、应用场景
| 场景 | 是否适用 |
|------|---------|
| 2 阶、3 阶方程组求唯一解 | ✓ 适合 |
| $n \ge 4$ 方程组求唯一解 | ⚠️ 适用但计算量大 |
| 含字母参数的方程组 | ✓ 适合 |
| 证明题(用克拉默法则推导性质) | ✓ 经典方法 |
| 矩阵方程 $AX = B$ | ❌ 用逆矩阵 $X = A^{-1} B$ |
## 常见陷阱
- **只能用于方阵**:方程个数 = 未知数个数
- **$\det A = 0$ 时不能用**:此时无解或无穷解
- **计算量问题**:$n$ 大时不如用消元法
- **不能用于矩阵方程**:$AX = B$ 应用 $X = A^{-1} B$ 求解
- $D_j$ 的构造:把 $A$ 的第 $j$ **列**(不是行)替换为 $\mathbf{b}$
## 经典母题
> **题目**:用克拉默法则求解方程组
> $$
> \begin{cases} 2x_1 + x_2 - x_3 = 1 \\ x_1 - x_2 + x_3 = 2 \\ 3x_1 + 2x_2 + x_3 = 0 \end{cases}
> $$
**解法**:
系数行列式:
$$
\det A = \begin{vmatrix} 2 & 1 & -1 \\ 1 & -1 & 1 \\ 3 & 2 & 1 \end{vmatrix} = 2 \cdot (-1-2) - 1 \cdot (1-3) + (-1) \cdot (2+3) = -6 + 2 - 5 = -9
$$
$\det A \neq 0$,方程组有唯一解。
$D_1$(替换第 1 列):
$$
D_1 = \begin{vmatrix} 1 & 1 & -1 \\ 2 & -1 & 1 \\ 0 & 2 & 1 \end{vmatrix} = 1 \cdot (-1-2) - 1 \cdot (2-0) + (-1) \cdot (4-0) = -3 - 2 - 4 = -9
$$
$D_2$(替换第 2 列):
$$
D_2 = \begin{vmatrix} 2 & 1 & -1 \\ 1 & 2 & 1 \\ 3 & 0 & 1 \end{vmatrix} = 2 \cdot (2-0) - 1 \cdot (1-3) + (-1) \cdot (0-6) = 4 + 2 + 6 = 12
$$
$D_3$(替换第 3 列):
$$
D_3 = \begin{vmatrix} 2 & 1 & 1 \\ 1 & -1 & 2 \\ 3 & 2 & 0 \end{vmatrix} = 2 \cdot (0-4) - 1 \cdot (0-6) + 1 \cdot (2+3) = -8 + 6 + 5 = 3
$$
解:
$$
x_1 = \frac{D_1}{\det A} = \frac{-9}{-9} = 1, \quad
x_2 = \frac{D_2}{\det A} = \frac{12}{-9} = -\frac{4}{3}, \quad
x_3 = \frac{D_3}{\det A} = \frac{3}{-9} = -\frac{1}{3}
$$
**复盘**:克拉默法则需要算 $1 + n$ 个 $n$ 阶行列式;$n=3$ 时算 4 个三阶行列式,计算量已经不小。$n \ge 4$ 时建议用消元法。
---
> **题目**:$\lambda$ 取何值时,齐次方程组 $\begin{cases} (\lambda-1)x_1 + 2x_2 = 0 \\ 2x_1 + (\lambda-1)x_2 = 0 \end{cases}$ 有非零解?
**解法**:
齐次方程组有非零解 $\iff \det A = 0$:
$$
\det A = \begin{vmatrix} \lambda-1 & 2 \\ 2 & \lambda-1 \end{vmatrix} = (\lambda-1)^2 - 4 = 0
$$
解得 $\lambda - 1 = \pm 2$,即 $\lambda = 3$ 或 $\lambda = -1$。
**复盘**:齐次方程组的非零解条件是 $\det A = 0$,这是克拉默法则的逆命题应用。
---
> **变式(证明题)**:设 $A$ 为 $n$ 阶矩阵,证明:若 $A\mathbf{x} = \mathbf{0}$ 只有零解,则 $A$ 可逆。
**证明**:用反证法。设 $A$ 不可逆,则 $\det A = 0$。由克拉默法则的推论,$A\mathbf{x} = \mathbf{0}$ 有非零解,与假设矛盾。故 $A$ 可逆。
**复盘**:这是 Ch03 方程组理论的基础命题。本章学完应掌握:**"行列式 = 0 ⇔ 齐次方程组有非零解"** 的等价链。
@@ -0,0 +1,558 @@
# 📌 第三章 矩阵的初等变换与线性方程组 考研核心通关笔记
> 线性代数的"计算中枢"——初等变换 + 秩 + 解的判定,每年必考 8-12 分
---
## ① 本章核心知识框架 (Core Concept Map)
### 1.1 矩阵的初等变换(三种类型)
#### 一、定义
下面三种变换统称为矩阵的**初等行(列)变换**:
| 编号 | 操作 | 符号 | 备注 |
|------|------|------|------|
| $r_i \leftrightarrow r_j$ | 交换两行(列) | $c_i \leftrightarrow c_j$ | 等价于乘置换矩阵 |
| $r_i \times k$ | 一行(列)乘非零常数 $k$ | $c_i \times k$ | 矩阵乘法解释 |
| $r_i + k\, r_j$ | 一行(列)的 $k$ 倍加到另一行 | $c_i + k\, c_j$ | $i \neq j$,最常用 |
> *极简例子:* $\begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} \xrightarrow{r_2 - 3r_1} \begin{pmatrix} 1 & 2 \\ 0 & -2 \end{pmatrix}$
**定理**:任意矩阵经有限次初等行变换可化为**行阶梯形矩阵**,进而化为**最简形(reduced row echelon form)**。
> 🔑 **核心思想**:初等变换不改变矩阵的"本质属性"——**秩**、**方程组同解**、**行列式至多变号**(取决于换行次数)。
#### 二、矩阵等价的定义
若矩阵 $A$ 经有限次初等变换化为 $B$,则称 $A$ 与 $B$ **等价**,记 $A \cong B$。
**等价关系的三条性质**:
- **反身性**:$A \cong A$
- **对称性**:$A \cong B \Rightarrow B \cong A$
- **传递性**:$A \cong B, B \cong C \Rightarrow A \cong C$
> *极简例子:* $\begin{pmatrix} 1 & 2 \\ 3 & 6 \end{pmatrix} \cong \begin{pmatrix} 1 & 2 \\ 0 & 0 \end{pmatrix}$(两行成比例)
**等价判据**:$m \times n$ 矩阵 $A \cong B \iff r(A) = r(B) \iff \exists P, Q$ 可逆使 $PAQ = B$。
---
### 1.2 初等矩阵
#### 一、定义
由单位矩阵 $E$ 经**一次**初等变换所得的矩阵称为**初等矩阵**,记为 $E_{ij}(k), E_i(k), E_{ij}$。
| 初等变换 | 对应初等矩阵 | 变换结果 |
|---------|-----------|---------|
| $r_i \leftrightarrow r_j$ | $E_{ij}$($E$ 互换 $i,j$ 行) | 左乘实现行换 |
| $r_i \times k$ | $E_i(k)$($E$ 的 $i$ 行乘 $k$) | 左乘实现行倍乘 |
| $r_i + k\, r_j$ | $E_{ij}(k)$($E$ 的 $i$ 行加 $j$ 行的 $k$ 倍) | 左乘实现倍加 |
> *极简例子:* 把 $E$ 第 2 行加第 1 行的 3 倍得 $E_{21}(3) = \begin{pmatrix} 1 & 0 \\ 3 & 1 \end{pmatrix}$。
#### 二、初等变换 ↔ 矩阵左乘 / 右乘
**行变换 ↔ 左乘初等矩阵**:
$$
E_{ij}(k) \cdot A = \text{把 } A \text{ 第 } i \text{ 行加第 } j \text{ 行的 } k \text{ 倍}
$$
**列变换 ↔ 右乘初等矩阵**:
$$
A \cdot E_{ij}(k) = \text{把 } A \text{ 第 } j \text{ 列加第 } i \text{ 列的 } k \text{ 倍}
$$
> ⚠️ **左乘 = 行变换,右乘 = 列变换**——这是考研反复考的判断题。
#### 三、初等矩阵的可逆性 ⭐
每个初等矩阵都可逆,且逆矩阵仍是初等矩阵(同类变换的"逆操作"):
| 初等矩阵 | 逆矩阵 | 几何含义 |
|---------|-------|---------|
| $E_{ij}(k)$ | $E_{ij}(-k)$ | 倍加用 $-k$ 即抵消 |
| $E_i(k)$ | $E_i(1/k)$ | 倍乘用倒数抵消 |
| $E_{ij}$ | $E_{ij}$ | 互换两次还原(自逆) |
> *极简例子:* $\begin{pmatrix} 1 & 0 \\ 3 & 1 \end{pmatrix}^{-1} = \begin{pmatrix} 1 & 0 \\ -3 & 1 \end{pmatrix}$,即 $r_2 - 3r_1$ 用 $r_2 + 3r_1$ 还原。
#### 四、用初等变换求逆矩阵
**算法**:$(A \mid E) \xrightarrow{\text{初等行变换}} (E \mid A^{-1})$
> 左侧化为单位阵时,右侧即为 $A^{-1}$。
---
### 1.3 矩阵的秩
#### 一、$k$ 阶子式
矩阵 $A$ 的任意 $k$ 行 $k$ 列交叉处的元素按原顺序构成的 $k$ 阶行列式称为 $A$ 的一个 **$k$ 阶子式**。
> *极简例子:* $A = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \end{pmatrix}$ 的 $2$ 阶子式有 $\begin{vmatrix} 1 & 2 \\ 4 & 5 \end{vmatrix} = -3$ 等共 3 个。
#### 二、秩的定义 ⭐⭐⭐
矩阵 $A$ 的**秩** $r(A)$ 定义为 $A$ 中**非零子式的最高阶数**。
**等价说法**:
- $r(A) = \max\{k \mid A \text{ 存在非零的 } k \text{ 阶子式}\}$
- $r(A) \le k \iff A$ 的所有 $(k+1)$ 阶子式全为 $0$
> *极简例子:* $A = \begin{pmatrix} 1 & 0 & 2 \\ 0 & 1 & 3 \\ 0 & 0 & 0 \end{pmatrix}$ 有 $2$ 阶非零子式(如 $\begin{vmatrix} 1 & 0 \\ 0 & 1 \end{vmatrix}=1$),所有 $3$ 阶子式全为 $0$,故 $r(A) = 2$。
**重要事实**:行阶梯形矩阵的秩 = 非零行的行数。
#### 三、秩的性质(7 条核心)
| 性质 | 公式 | 说明 |
|------|------|------|
| **范围** | $0 \le r(A) \le \min(m, n)$ | $m \times n$ 矩阵的秩 |
| **转置** | $r(A^T) = r(A)$ | 行秩 = 列秩 |
| **倍乘** | $r(kA) = r(A)$($k \neq 0$) | 非零常数倍不变 |
| **初等变换不变** | $r(PA) = r(AQ) = r(A)$($P,Q$ 可逆) | 计算秩的核心方法 |
| **求和不等** | $r(A+B) \le r(A) + r(B)$ | 子空间并集的维数关系 |
| **积的上界** | $r(AB) \le \min(r(A), r(B))$ | 矩阵积的秩不超过因子 |
| **Sylvester 不等式** | $r(A) + r(B) - n \le r(AB) \le \min(r(A), r(B))$ | $A$ 为 $m \times n$,$B$ 为 $n \times p$ |
> 🔑 **Sylvester 不等式是每年必考的"明星定理"**,重点记忆形式:$r(A)+r(B)-n \le r(AB)$。
---
### 1.4 线性方程组的解
#### 一、方程组的矩阵表示
**齐次**:$Ax = 0$($A$ 为 $m \times n$)
**非齐次**:$Ax = b$($A$ 为 $m \times n$,$b$ 为 $m$ 维列向量)
**增广矩阵**:$(A \mid b)$($m \times (n+1)$ 矩阵)。
> *极简例子:* $\begin{cases} x_1 + 2x_2 = 3 \\ 4x_1 + 5x_2 = 6 \end{cases}$ 写成 $A = \begin{pmatrix} 1 & 2 \\ 4 & 5 \end{pmatrix}, x = \begin{pmatrix} x_1 \\ x_2 \end{pmatrix}, b = \begin{pmatrix} 3 \\ 6 \end{pmatrix}$。
#### 二、齐次方程组 $Ax = 0$ 的解
| 情形 | 条件 | 解的情况 |
|------|------|---------|
| $r(A) = n$(系数满秩) | 列满秩($A$ 列向量线性无关) | **唯一零解** |
| $r(A) < n$ | 列不满秩 | **无穷多解**,基础解系含 $n - r$ 个解 |
> *极简例子:* $A = \begin{pmatrix} 1 & 2 \\ 2 & 4 \end{pmatrix}$,$r(A) = 1 < 2$,无穷多解,$n - r = 1$,有 1 个基础解系。
#### 三、非齐次方程组 $Ax = b$ 的解
**判定定理**:
- **无解** $\iff r(A) < r(A \mid b)$
- **唯一解** $\iff r(A) = r(A \mid b) = n$
- **无穷多解** $\iff r(A) = r(A \mid b) < n$
> 🔑 **判断口诀**:**"等秩有解,不等无解;满列唯一解,缺列无穷解"**。
---
### 1.5 基础解系与解的结构
#### 一、基础解系(齐次)⭐
设齐次方程组 $Ax = 0$ 有非零解($r(A) = r < n$)。其**基础解系**为齐次解空间的一组**极大线性无关组**,含 $n - r$ 个线性无关解向量。
**构造算法**(对 $A$ 化为最简形 $R$):
1. 选 $r$ 个主元列对应的 $r$ 个**自由变量**(通常取第 $r+1, \ldots, n$ 个)
2. 依次令**一个**自由变量为 1,其余为 0,代入回代求出主变量
3. 得到 $n - r$ 个解向量,即为基础解系
> *极简例子:* $\begin{pmatrix} 1 & 2 & 3 \\ 0 & 0 & 0 \end{pmatrix} x = 0$,$r = 1$,主元列为第 1 列,取 $x_2, x_3$ 为自由变量。令 $(x_2, x_3) = (1, 0)$ 得 $x_1 = -2$,解 $\xi_1 = (-2, 1, 0)^T$;令 $(0, 1)$ 得 $\xi_2 = (-3, 0, 1)^T$。基础解系 $\{\xi_1, \xi_2\}$。
#### 二、齐次方程组的通解
$$
x = k_1 \xi_1 + k_2 \xi_2 + \cdots + k_{n-r} \xi_{n-r} \qquad (k_i \in \mathbb{R})
$$
#### 三、非齐次方程组的通解 ⭐⭐⭐
设 $\eta^*$ 是 $Ax = b$ 的一个**特解**,$\xi_1, \ldots, \xi_{n-r}$ 是对应齐次方程 $Ax=0$ 的基础解系:
$$
x = \eta^* + k_1 \xi_1 + k_2 \xi_2 + \cdots + k_{n-r} \xi_{n-r}
$$
> 🔑 **核心定理**:**非齐次通解 = 特解 + 齐次通解**——这是整个线性方程组理论的"母公式"。
---
### 1.6 矩阵方程
#### 一、三类矩阵方程
| 方程 | 求解方法 |
|------|---------|
| $AX = B$ | 求 $A^{-1}$ 后 $X = A^{-1} B$;或用初等行变换 $(A \mid B) \to (E \mid X)$ |
| $XA = B$ | 求 $A^{-1}$ 后 $X = B A^{-1}$;或用初等列变换 |
| $AXB = C$ | 求 $A^{-1}, B^{-1}$ 后 $X = A^{-1} C B^{-1}$ |
> *极简例子:* 解 $AX = E$,即求 $A^{-1}$——经典初等变换法。
**可解性判定**:$AX = B$ 有解 $\iff r(A) = r(A \mid B)$。
---
### 1.7 矩阵与线性方程组的等价链 ⭐⭐⭐
> 整个线性代数的"主定理贯穿链"——考研反复考的判断题核心:
$$
\det A \neq 0 \iff A \text{ 可逆} \iff r(A) = n \iff Ax = 0 \text{ 只有零解} \iff Ax = b \text{ 唯一解}
$$
**降级版本**($A$ 不一定可逆):
$$
r(A) = r(A \mid b) < n \iff Ax = b \text{ 有无穷多解}
$$
$$
r(A) < r(A \mid b) \iff Ax = b \text{ 无解}
$$
---
## ② 必考题型分类索引
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 初等变换与初等矩阵 | 三种变换、左乘右乘、初等矩阵求逆 | [[题型1_初等变换与初等矩阵]] |
| 2 | 矩阵秩的计算 | 定义法 / 子式法 / 初等变换法 | [[题型2_矩阵秩的计算]] |
| 3 | 秩的等式与不等式证明 | Sylvester 不等式、子空间论证 | [[题型3_秩的等式与不等式证明]] |
| 4 | 齐次线性方程组的解 | 基础解系构造、$n-r$ 个解 | [[题型4_齐次线性方程组的解]] |
| 5 | 非齐次线性方程组的解 | 特解 + 齐次通解的结构 | [[题型5_非齐次线性方程组的解]] |
| 6 | 含参方程组的讨论 | $r(A), r(A \mid b)$ 随 $\lambda$ 变化 | [[题型6_含参方程组的讨论]] |
| 7 | 初等变换的综合应用 | 求逆矩阵、解矩阵方程 $AX = B$ | [[题型7_初等变换的综合应用]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 线性方程组解的判定(含参数) | 13次 | 4-11分 |
| 2 | 基础解系 + 通解结构 | 12次 | 10-11分 |
| 3 | 矩阵秩的计算(抽象矩阵) | 10次 | 4-6分 |
| 4 | 初等变换求逆矩阵 + 解矩阵方程 | 8次 | 4分 |
| 5 | 秩的不等式证明(Sylvester) | 6次 | 8-10分 |
### 【示例:一题多角度】
**核心概念**:同一个矩阵 $A = \begin{pmatrix} 1 & 2 & -1 \\ 2 & 4 & -2 \\ 1 & 2 & -1 \end{pmatrix}$
**角度一:选择题(概念辨析)**
下列命题哪个正确?
- (A) $r(A) = 3$
- (B) $A x = b$ 必有唯一解
- (C) $A x = 0$ 只有零解
- (D) 上述都不对
**答案**:(D)。$r(A) = 1 < 3$,故 $A$ 不可逆、$Ax = 0$ 有非零解、$Ax = b$ 解的情况取决于 $r(A \mid b)$。
**角度二:填空题(直接计算)**
$r(A) = ?$ 基础解系含几个解?
**解法**:每行成比例(第 1, 3 行相同,第 2 行 = 2 倍第 1 行),化行阶梯后仅 1 个非零行,故 $r(A) = 1$,基础解系含 $3 - 1 = 2$ 个解。
**角度三:解答题(综合应用)**
设 $A x = b$ 有解,求通解。
**解法**:
- 求特解:若 $b = (1, 2, 1)^T$,代入 $x_1 = 1, x_2 = x_3 = 0$ 验证满足。则 $\eta^* = (1, 0, 0)^T$。
- 求基础解系:化 $A$ 为最简形得 $\begin{pmatrix} 1 & 2 & -1 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}$。
- $\xi_1$:令 $(x_2, x_3) = (1, 0) \Rightarrow x_1 = -2$,$\xi_1 = (-2, 1, 0)^T$
- $\xi_2$:令 $(x_2, x_3) = (0, 1) \Rightarrow x_1 = 1$,$\xi_2 = (1, 0, 1)^T$
- 通解:$x = (1, 0, 0)^T + k_1 (-2, 1, 0)^T + k_2 (1, 0, 1)^T$
**启示**:同一矩阵,三种深度——**判定(选择题)、求秩(填空)、通解(解答)**,层层递进。这是方程组类题目在考研中的**标准考法结构**。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:方程组类题目的"四步决策树"
```
线性方程组 Ax = b
├── 第一步:定型
│ ├── 齐次 (b = 0) / 非齐次 (b ≠ 0)
│ └── 系数是否含参数 λ
├── 第二步:判解
│ ├── 齐次:r(A) = n? → 唯一零解;否则无穷解
│ └── 非齐次:r(A) vs r(A|b)
│ ├── r(A) < r(A|b) → 无解
│ ├── r(A) = r(A|b) = n → 唯一解
│ └── r(A) = r(A|b) < n → 无穷解
├── 第三步:求解
│ ├── 化 A 为行阶梯 → 确定自由变量数 n - r
│ ├── 化 A 为最简形 → 回代求基础解系 / 特解
│ └── 拼装通解 = 特解 + 齐次通解
└── 第四步:检验
├── 自由变量数 = n - r(A) ?
├── 基础解系是否线性无关?
└── 特解代入验证
```
### 方法一:初等变换的标准操作链
**口诀**:**"从上到下,从左到右,化阶梯,化最简"**
化为**行阶梯形矩阵**(每行首非零元在更右位置,下方为 0):
1. 选第 1 列**第一个非零元**为主元,用 $r_i - \frac{a_{i1}}{a_{11}} r_1$($i \ge 2$)化下方为 0
2. 转到第 2 行、第 2 列,重复
3. 直到所有下方为 0
化为**最简形(简化行阶梯形)**:进一步把每行首非零元化为 1,并把所在列上方元素也化为 0。
> ⚠️ **行阶梯 vs 最简形**:求解方程组 / 求逆时用**最简形**;求秩时只需**行阶梯形**。
### 方法二:矩阵秩的四种求法对比
| 方法 | 适用 | 速度 | 注意点 |
|------|------|------|--------|
| **定义法(子式法)** | 小矩阵($n \le 3$) | 慢 | 找非零子式的最高阶 |
| **初等行变换法** | 数值矩阵 | **最快** | 化行阶梯,数非零行 |
| **行列式判别** | $n$ 阶方阵 | 中 | $r(A) = n \iff \det A \neq 0$ |
| **构造特征向量 / 列向量分析** | 抽象矩阵 | 快 | 用线性相关性论证 |
> 🔑 **第一选择永远是初等行变换法**——几乎所有数值矩阵的秩都可由行阶梯形直接读出。
### 方法三:基础解系构造的"自由变量法"
**算法**(把 $A$ 化为最简形 $R$):
1. 主元列的列号 $\to$ 主变量;其余列 $\to$ 自由变量
2. 令第 $i$ 个自由变量为 1,其余自由变量为 0
3. 由 $R$ 自下而上**回代**求出主变量
4. 该解向量为第 $i$ 个基础解系向量
**速记**:自由变量 = 非主元列对应的 $x$;基础解系向量数 = 自由变量数 = $n - r$。
> ⚠️ **常见错**:求基础解系时不能用"行阶梯形"——必须化为最简形,否则回代结果错误。
### 方法四:抽象矩阵秩的论证模板 ⭐⭐⭐
**针对 $r(AB)$ 不等式证明的"四步论证"**:
```
Step 1:设方程 Bx = 0 的解空间为 W₁
设方程 ABx = 0 的解空间为 W₂
Step 2:证明 W₁ ⊆ W₂:x ∈ W₁ ⟹ Bx = 0 ⟹ ABx = A·0 = 0 ⟹ x ∈ W₂
Step 3:使用维数公式:dim(W₂) - dim(W₁) ≥ 0 ⟹ n - r(AB) ≥ n - r(B) ⟹ r(B) ≥ r(AB)
Step 4:同理 r(A) ≥ r(AB) ⟹ r(AB) ≤ min(r(A), r(B))
```
**下界 $r(A) + r(B) - n \le r(AB)$**(Sylvester)证明思路:构造辅助矩阵、初等变换法或维数分析。
### 方法五:跨章节速查表(特别强调与 Ch01 行列式的关系)
| 通用技法 | 本章出现场景 | Ch01 行列式对应工具 | 判断依据 |
|---------|------------|-----------------|---------|
| **倍加行不变性** | 化行阶梯、求逆 | 性质 6:倍加行列式不变 | 行变换不改变矩阵本质 |
| **换行变号** | 求逆判断合法性 | 性质 2:行列式变号 | 行变换改变行列式 |
| **三角化** | 化行阶梯形 | 行列式 = 主对角线之积 | 数字杂乱,结构不明 |
| **可逆判据** | $r(A) = n \iff A$ 可逆 | Ch01 $\det A \neq 0 \iff A$ 可逆 | **行列式不为零 ⇔ 秩为 $n$** |
| **基础解系** | 解空间维数 $n - r$ | Ch01 范德蒙德判别列向量无关 | 列向量组线性无关 $\iff$ 满秩 |
| **解的判定** | $r(A)$ vs $r(A \mid b)$ | Ch01 克拉默法则 $D \neq 0$ 有唯一解 | **$D \neq 0$ 是 $r = n$ 的特例** |
**核心逻辑链**(贯穿全章):
$$
\boxed{\det A \neq 0 \iff r(A) = n \iff Ax = 0 \text{ 只有零解} \iff Ax = b \text{ 唯一解}}
$$
### 方法六:含参方程组分类讨论流程
```
方程组 Ax(λ) = b(λ)
├── Step 1:求 r(A) 关于 λ 的变化(找使 det A = 0 的 λ 值)
├── Step 2:把这些 λ 代入 r(A|b),比较二者
│ ├── 若 r(A) = r(A|b) = n → 唯一解(无论 λ 取何值)
│ ├── 若 r(A) = r(A|b) < n → 无穷解
│ └── 若 r(A) < r(A|b) → 无解
├── Step 3:每个 λ 段独立求通解
└── Step 4:最后再统一表述(按段写出通解)
```
> ⚠️ 关键操作:**先把 $A$ 化为行阶梯**观察主元变化——分母为 0 处即为"分段点"。
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:左乘 / 右乘混淆
- **错误表现**:把 $A E_{ij}(k)$ 当作行变换
- **正确理解**:**左乘**初等矩阵 = **行变换**;**右乘**初等矩阵 = **列变换**。
**【对比示例】**:
```
❌ E₂₁(3) · A = A 第 1 行加第 2 行的 3 倍 ← 错的
✅ E₂₁(3) · A = A 第 2 行加第 1 行的 3 倍 ← 对的(i 决定操作行)
```
### ❌ 错误 2:行变换不改变行列式 vs 改变行列式
- **错误表现**:求行列式时做"换两行"操作后忘记取负号
- **正确理解**:**换行变号**;**倍加行不变**;**行乘 $k$ 整体乘 $k$**。
> 这是初等变换与行列式的**核心矛盾点**——求秩时随便换行,求行列式时不能换。
### ❌ 错误 3:$r(AB) \le \min(r(A), r(B))$ 反向应用
- **错误表现**:由 $r(AB) = r(A)$ 推断 $B$ 可逆
- **正确理解**:$r(AB) = r(A)$ **不能推出 $B$ 可逆**(如 $A = 0, B = $ 任意)。
**【对比示例】**:
```
❌ r(AB) = r(A) ⟹ B 可逆 ← 错
✅ r(AB) = r(A) ⟹ Bx=0 的解 ⊆ Ax=0 的解 ← 对的子空间结论
```
### ❌ 错误 4:基础解系向量数错误
- **错误表现**:齐次方程组 $Ax = 0$,$r(A) = r$,写出 $r$ 个基础解
- **正确理解**:基础解系含 $n - r$ 个解(**自由变量数**),不是 $r$。
**【对比示例】**:
```
❌ Ax=0 含 5 个未知数,r(A) = 3,基础解系含 3 个 ← 错
✅ Ax=0 含 5 个未知数,r(A) = 3,基础解系含 5 - 3 = 2 个 ← 对
```
### ❌ 错误 5:非齐次特解代入遗忘
- **错误表现**:写出非齐次通解时漏掉特解 $\eta^*$
- **正确理解**:**通解 = 特解 + 齐次通解**——特解必须显式写出。
**【对比示例】**:
```
❌ x = k₁ξ₁ + k₂ξ₂ ← 漏了特解 η*
✅ x = η* + k₁ξ₁ + k₂ξ₂ ← 完整
```
### ❌ 错误 6:含参方程组不分段讨论
- **错误表现**:对方程组 $\begin{pmatrix} 1 & \lambda \\ 0 & 1 \end{pmatrix} x = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$ 不分 $\lambda$ 直接求解
- **正确理解**:$\lambda$ 取值会影响 $r(A \mid b)$ 与 $r(A)$ 关系,必须**先讨论 $\lambda$ 再求解**。
### ❌ 错误 7:$r(A^T A) = r(A)$ 的误用
- **错误表现**:默认 $A^T A$ 可逆 $\Rightarrow A$ 可逆(**仅 $A$ 为方阵时成立**)
- **正确理解**:$r(A^T A) = r(A)$ 是**任意矩阵**都成立的等式;但 $A$ 可逆要求 $A$ 是方阵且 $r = n$。
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 线性方程组解的判定 + 含参讨论 | **高** | 25+ 道 | 每年必考,多为解答题 |
| 基础解系 + 通解结构 | **高** | 20+ 道 | 11 分大题核心 |
| 抽象矩阵的秩 + Sylvester 不等式 | **高** | 15+ 道 | 证明题常规,难度大 |
| 初等变换求逆矩阵 | **中** | 12 道 | 客观题常考 |
| 矩阵方程 $AX = B$ | **中** | 10 道 | 求逆 + 矩阵乘法组合 |
| 初等矩阵与初等变换的概念辨析 | **中** | 8 道 | 选择题高频 |
| 矩阵等价 $A \cong B$ | **低** | 5 道 | 较少单独考 |
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch03) 初等变换与方程组 │
│ · 初等变换 / 初等矩阵 / 秩 │
│ · 方程组解的判定 / 基础解系 │
│ · 矩阵方程 / 含参讨论 │
└──┬────────────┬─────────────┬─────┘
│ │ │
┌────────┴──┐ ┌──────┴──────┐ ┌───┴────────────┐
↓ ↓ ↓ ↓ ↓ ↓
Ch01 行列式 Ch02 矩阵运算 Ch04 向量组 Ch05 特征值
|A|≠0⇔r=n 伴随矩阵A* 基础解系=解空间基 r(λE-A) 求特征值
克莱姆法则 可逆矩阵 极大线性无关组⇔秩 线性方程组
方程组特例 初等变换法 r(A)=列向量组秩 求特征向量
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:行列式与秩的等价链判断**
> **例题**:设 $A$ 为 4 阶矩阵,$\det A = 0$,则下列正确的是?
> - (A) $A$ 不可逆
> - (B) $r(A) < 4$
> - (C) $A x = b$ 无解或无穷解
> - (D) 以上都对
> **答案**:(D)。由 $\det A = 0 \Rightarrow r(A) < 4 \Rightarrow A$ 不可逆;而 $r(A) < 4$ 时 $A x = b$ 解的情况取决于 $r(A \mid b)$,故"无解或无穷解"。
>
> **考点**:跨 Ch01 / Ch03 主链 $\det A = 0 \Rightarrow r(A) < n$ 的应用。
**模式 2:解空间 → 特征向量的桥梁**
> **例题**:设非零矩阵 $A$ 满足 $A^2 = A$,证明 $r(A) + r(A - E) = n$。
>
> **思路 1**:矩阵方程 $(A)x = 0$ 与 $(A - E)x = 0$ 解空间的直和分解。
>
> **思路 2**(与 Ch05 衔接):$A$ 的特征值只有 0 和 1,设 0 的几何重数为 $n - r(A)$,1 的几何重数为 $r(A - E)$ 由相似的 trace 关系得总 = $n$。
>
> **考点**:基础解系维数 + 矩阵分块的思想,是 Ch05 几何重数与代数重数的预演。
**模式 3:含参方程组 + 特征值交叉**
> **例题**:设 $A = \begin{pmatrix} 1 & 1 \\ 0 & \lambda \end{pmatrix}$,方程 $(A^2 - A)x = 0$ 的通解?
>
> **解**:$A^2 - A = A(A - E) = \begin{pmatrix} 0 & 1 \\ 0 & \lambda-1 \end{pmatrix} \begin{pmatrix} 0 & 1 \\ 0 & \lambda-2 \end{pmatrix}$?
>
> 实际上 $A^2 - A = \begin{pmatrix} 0 & \lambda \\ 0 & \lambda^2 - \lambda \end{pmatrix}$,对 $\lambda$ 讨论:
> - $\lambda = 0$:方程变为 $0 = 0$,$x$ 任意,通解含 2 个自由变量。
> - $\lambda \ne 0$:化行阶梯得 $r(A^2 - A) = 1$,基础解系 1 个。
>
> **考点**:含参讨论 → 化行阶梯 → 数非零行 → 自由变量数。**Ch05 升级版**:解 $(A - \lambda E)x = 0$ 即特征向量问题。
### 【终极母题推荐】
> **题目**:设 $A$ 是 $m \times n$ 实矩阵,证明:$r(A^T A) = r(A)$。
**此题融合**:
- 基础解系的维数分析(齐次方程组理论)
- Sylvester 不等式的特殊情形($A^T$ 与 $A$)
- 抽象矩阵秩的论证模板
**为什么这是"终极母题"**:
✅ 跨越基础解系、秩、Sylvester 三大主题
✅ 是 **最小二乘法**、**矩阵广义逆** 的理论基础(Ch06 涉及)
✅ 是 **PCA 主成分分析**、**线性回归** 在数学上的"为什么"
**证明思路**:
1. **方向一**:$A^T A x = 0 \Rightarrow x^T A^T A x = 0 \Rightarrow (Ax)^T (Ax) = 0 \Rightarrow Ax = 0$,故 $r(A^T A) \le r(A)$。
2. **方向二**:$Ax = 0 \Rightarrow A^T A x = 0$,故 $r(A) \le r(A^T A)$。
3. **结论**:$r(A^T A) = r(A)$。
> **举一反三**:类似命题 $r(AA^T) = r(A)$(用对称形式)。
**🔗 Ch04 升级预告**:
> 设 $A$ 为 $m \times n$,证明 $A$ 的列向量组的秩 $= r(A)$(即行秩 = 列秩)。
>
> → 这是 Ch04 的核心定理。把"列向量组的线性相关性"与"矩阵的秩"统一起来。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后进入 [[Ch04_向量组的线性相关性|Ch04 向量组的线性相关性]],把"秩"理解为"列向量组的极大无关组大小",把"基础解系"理解为"解空间的基"——线性代数的几何意义浮现。
@@ -0,0 +1,86 @@
# 题型一:初等变换与初等矩阵
## 识别特征
- 涉及"交换两行/列""某行乘 $k$""倍加行"操作
- 需要判断某个矩阵是否可逆并求逆矩阵
- 出现"对 $A$ 实施初等变换化为 $B$"或"用初等矩阵表示"
## 解题流程
```mermaid
flowchart TD
A[识别题型] --> B{题目要求}
B -->|判断变换类型| C[对应初等矩阵]
B -->|求逆矩阵| D[A|E化为E|A⁻¹]
B -->|左乘右乘辨析| E[左乘行变; 右乘列变]
B -->|化行阶梯/最简| F[标准消去流程]
C --> G[写出变换前后的矩阵关系]
D --> H[验证 AA⁻¹ = E]
E --> I[套用性质]
F --> J[判断秩或解方程]
```
## 通法步骤
1. **辨析变换类型**:确认是初等**行**变换还是初等**列**变换
2. **写初等矩阵**:
- $r_i \leftrightarrow r_j$ 对应 $E_{ij}$($E$ 互换 $i,j$ 行)
- $r_i \times k$ 对应 $E_i(k)$($E$ 第 $i$ 行乘 $k$)
- $r_i + k r_j$($i \ne j$)对应 $E_{ij}(k)$
3. **左乘 / 右乘**:
- **左乘** $E_{ij}(k)$ $\Rightarrow$ 第 $i$ 行加第 $j$ 行的 $k$ 倍
- **右乘** $E_{ij}(k)$ $\Rightarrow$ 第 $j$ 列加第 $i$ 列的 $k$ 倍
4. **求逆矩阵**(初等变换法):
- 构造分块矩阵 $(A \mid E)$
- 仅用**初等行变换**化为 $(E \mid A^{-1})$
- 若左侧无法化为 $E$,则 $A$ 不可逆
## 常见陷阱
- **左乘 / 右乘的对应关系**:对行变换"左乘 $E$,对列变换右乘 $E$",常被混淆
- **倍加行时**:$r_i + k r_j$ 中 $i$ 是"被加行",$j$ 是"参考行",对应初等矩阵 $E_{ij}(k)$ 的**第 $i$ 行**含 $k$
- **求逆矩阵时只能用行变换**:列变换会破坏左侧为单位阵的结构
- **初等矩阵转置**:$E_{ij}(k)^T = E_{ji}(k)$(左乘行变 $\Leftrightarrow$ 右乘列变,对称写法)
## 经典母题
> **题目**:设 $A = \begin{pmatrix} 0 & 1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{pmatrix}$。
> (1) 写出把 $A$ 化为 $E$ 所用的初等矩阵的乘积形式;
> (2) 求 $A^{-1}$;
> (3) 判断 $A$ 是否可逆;若可逆,用初等变换法求 $A^{-1}$。
### 解答
**(1) 初等矩阵乘积形式**:
观察 $A$ 是置换矩阵:第 1、2 行互换后得 $E$,即 $E_{12} \cdot A = E$,故 $A = E_{12}$,初等矩阵的乘积形式为 $E_{12}$。
**(2) 求 $A^{-1}$**:
$A$ 是对称置换矩阵,自逆矩阵 $A^{-1} = A$(互换两次还原)。验证:$A \cdot A = \begin{pmatrix} 0 & 1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{pmatrix}^2 = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix} = E$。
**(3) 初等变换法验证**:
$$
(A \mid E) = \left( \begin{array}{ccc|ccc} 0 & 1 & 0 & 1 & 0 & 0 \\ 1 & 0 & 0 & 0 & 1 & 0 \\ 0 & 0 & 1 & 0 & 0 & 1 \end{array} \right)
\xrightarrow{r_1 \leftrightarrow r_2}
\left( \begin{array}{ccc|ccc} 1 & 0 & 0 & 0 & 1 & 0 \\ 0 & 1 & 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 & 0 & 1 \end{array} \right)
$$
故 $A^{-1} = \begin{pmatrix} 0 & 1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{pmatrix} = A$。
### 复盘
- **关键观察**:$A$ 是对称矩阵($A^T = A$)且为置换矩阵,因此自逆。
- **初等变换法求逆**:左侧化为 $E$ 时右侧即为 $A^{-1}$,**只能用初等行变换**。
- **本题考频**:初等变换 + 初等矩阵可逆性的概念辨析,每年选择题必有。
---
> **变式**:设 $A$ 是 $n$ 阶可逆矩阵,证明 $A$ 总可表为若干初等矩阵的乘积。
**证明思路**:
$A$ 可逆 $\Leftrightarrow$ $A$ 经有限次初等行变换可化为 $E$,即 $E_{k} \cdots E_2 E_1 A = E$,故 $A = E_1^{-1} E_2^{-1} \cdots E_k^{-1}$。由初等矩阵可逆且逆仍是同类初等矩阵,结论得证。
**意义**:这一命题是"用初等变换求逆矩阵"算法的存在性根据,也是"矩阵分解为初等矩阵"的理论基础。
@@ -0,0 +1,86 @@
# 题型二:矩阵秩的计算
## 识别特征
- 题目给出具体矩阵求 $r(A)$
- 含抽象矩阵 $A, B, A^T, A^*, AB$ 求秩
- 需要判断"满秩"($r = n$)/ "降秩"($r < n$)
## 解题流程
```mermaid
flowchart TD
A[识别求秩] --> B{矩阵类型}
B -->|数值矩阵| C[初等行变换法]
B -->|抽象矩阵| D[用公式与性质]
C --> E[化行阶梯]
E --> F[数非零行]
F --> G[得 r = 非零行数]
D --> H{已知量}
H -->|可逆 / 单位阵| I[满秩 r = n]
H -->|A 的特征值| J[r = 非零特征值个数]
H -->|公式 r(A*B)| K[Sylvester 不等式]
H -->|子式 / 列向量组| L[定义法 / 相关性]
```
## 通法步骤
1. **数值矩阵**:首选**初等行变换法**
- 化为行阶梯形矩阵
- 数非零行的行数 = $r(A)$
2. **抽象矩阵**:用公式与性质
- $r(A) = n \iff \det A \neq 0 \iff A$ 可逆($A$ 为 $n$ 阶方阵)
- $r(AB) \le \min(r(A), r(B))$
- $r(A) + r(B) - n \le r(AB)$(Sylvester)
- $r(P A Q) = r(A)$($P, Q$ 可逆)
3. **含伴随矩阵**:
- $r(A) = n \Rightarrow r(A^*) = n$
- $r(A) = n - 1 \Rightarrow r(A^*) = 1$
- $r(A) < n - 1 \Rightarrow r(A^*) = 0$
4. **验证**:用列向量组的线性相关性(Ch04 衔接)
## 常见陷阱
- **分块矩阵的秩**不等式 $r\begin{pmatrix} A & B \\ C & D \end{pmatrix}$ 无法拆成 $r(A)+r(D)$,应通过初等变换化简
- **抽象矩阵求秩**不能直接行列式展开(行列式仅当 $A$ 为方阵才能用)
- **$k \times k$ 子式**容易找漏,应从左上角开始按顺序搜索
- **初等变换不改变秩**:行变换、列变换均保持,但**求行列式时换行要取负号**——两者易混
## 经典母题
> **题目 1**:求矩阵 $A = \begin{pmatrix} 1 & 2 & -1 & 3 \\ 2 & 4 & -2 & 6 \\ 3 & 6 & -3 & 9 \end{pmatrix}$ 的秩。
### 解答(初等行变换法)
$$
A = \begin{pmatrix} 1 & 2 & -1 & 3 \\ 2 & 4 & -2 & 6 \\ 3 & 6 & -3 & 9 \end{pmatrix}
\xrightarrow[r_3 - 3r_1]{r_2 - 2r_1}
\begin{pmatrix} 1 & 2 & -1 & 3 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end{pmatrix}
$$
行阶梯形仅 1 个非零行,故 $r(A) = 1$。
**复盘**:观察到第 2, 3 行均为第 1 行的倍数,立即化简得 $r = 1$。
---
> **题目 2**:设 $A$ 为 3 阶矩阵,且 $r(A) = 2$。求 $r(A^*)$、$r(A^T A)$、$r((A^T)^{-1} A)$。
### 解答
- $r(A) = 2 = n - 1 \Rightarrow r(A^*) = 1$
- $r(A^T A) = r(A) = 2$(一般矩阵的秩等式,无需 $A$ 可逆)
- $(A^T)^{-1} A$ 为 $3 \times 3$ 矩阵,$r = r(A) = 2$($A^T$ 可逆的等价于 $A$ 可逆,故 $A^T$ 此时不可逆,但秩保持)
**复盘**:利用公式 $r(P A) = r(A)$($P$ 满秩)。
---
> **变式**:设 $A$ 是 $m \times n$ 矩阵,证明 $r(A) \le \min(m, n)$。
**证明**:$A$ 的非零子式最高阶不能超过 $A$ 的行数和列数中的较小者。具体:
- $k$ 阶子式需要 $k$ 行 $k$ 列,故 $r(A) \le m$ 且 $r(A) \le n$
- 取 $r(A) \le \min(m, n)$
@@ -0,0 +1,124 @@
# 题型三:秩的等式与不等式证明
## 识别特征
- 题目要求证明 $r(\cdot) \le \cdot$ 或 $r(\cdot) = \cdot$ 形式
- 涉及 $r(AB), r(A+B), r(A^T A)$ 的等式或不等式
- 常结合齐次方程组的解空间维数论证
## 解题流程
```mermaid
flowchart TD
A[识别证明目标] --> B{目标类型}
B -->|上界 r(AB)≤min| C[向量空间论证]
B -->|下界 r(A)+r(B)-n≤r| D[辅助矩阵法]
B -->|r(A+B)≤r+r| E[列向量生成论证]
B -->|r(ATA)=r(A)| F[解空间互推]
C --> G[Bx=0的解⊆ABx=0的解]
D --> H[构造对角矩阵或分块]
E --> I[A+B的列向量由A和B的列向量线性组合]
F --> J[齐次方程组等价]
```
## 通法步骤
### 模板 1:证明 $r(AB) \le \min(r(A), r(B))$(必背)
**向量空间论证法**:
1. 记 $W_1 = \{x \mid Bx = 0\}$,$W_2 = \{x \mid ABx = 0\}$
2. 显然 $W_1 \subseteq W_2$(因 $Bx = 0 \Rightarrow A(Bx) = 0$)
3. 由维数单调性:$\dim W_2 \ge \dim W_1$
4. 即 $n - r(AB) \ge n - r(B) \Rightarrow r(AB) \le r(B)$
5. 同理由 $r(AB) = r((AB)^T) = r(B^T A^T) \le r(A)$
### 模板 2:证明 $r(A) + r(B) - n \le r(AB)$(Sylvester 下界)⭐⭐
**辅助矩阵法**(针对 $A, B$ 均为方阵):
- 设 $r(A) = r_1, r(B) = r_2$,$A$ 的列向量组极大无关组有 $r_1$ 个
- 构造辅助矩阵 $C = \begin{pmatrix} A & 0 \\ 0 & B \end{pmatrix}$,证明 $r(C) = r_1 + r_2$
- 通过初等变换证明 $C \sim \begin{pmatrix} \text{某矩阵} \end{pmatrix}$
**维数方法**(更简洁):
- 利用 $\dim(\text{Ker}(B)/\text{Ker}(AB)) \le \text{rank}(A)$
- 结合 $\text{rank}(AB) = \dim(\text{Im}(AB))$
### 模板 3:证明 $r(A + B) \le r(A) + r(B)$
**列向量组合论证**:
- $A + B$ 的每一列 = $A$ 的对应列 + $B$ 的对应列
- 故 $A + B$ 的列向量组可由 $A$ 与 $B$ 的列向量组合而成
- 由生成子空间 $\text{Col}(A+B) \subseteq \text{Col}(A) + \text{Col}(B)$
- 故 $r(A + B) \le \dim(\text{Col}(A) + \text{Col}(B)) \le r(A) + r(B)$
### 模板 4:证明 $r(A^T A) = r(A)$(常考)⭐⭐
**齐次方程组等价法**:
- $A^T A x = 0 \Rightarrow x^T A^T A x = 0 \Rightarrow (Ax)^T (Ax) = \|Ax\|^2 = 0 \Rightarrow Ax = 0$
- 故 $A^T A x = 0$ 与 $A x = 0$ 同解
- 维数相同:$n - r(A^T A) = n - r(A) \Rightarrow r(A^T A) = r(A)$
## 常见陷阱
- 写论证时**方向搞反**:例如证 $r(AB) \le r(B)$ 时应设 $W_1 \subseteq W_2$,推出 $n - r(AB) \ge n - r(B)$
- **矩阵非方阵时** Sylvester 下界不能用,需额外说明
- **$A + B$ 不等式**容易写成 $r(A + B) \le r(A) + r(B)$,但**不能写成等式**
- 证明抽象等式时,**必须先推导基础命题**(如 $A$ 可逆 $\Leftrightarrow r = n$)再引用
## 经典母题
> **题目**:设 $A$ 为 $m \times n$ 实矩阵,$B$ 为 $n \times p$ 实矩阵。证明:
> $$
> r(A) + r(B) - n \le r(AB) \le \min(r(A), r(B))
> $$
### 解答
**上界** $r(AB) \le \min(r(A), r(B))$:
设 $W_1 = \{x \in \mathbb{R}^p \mid Bx = 0\}$,$W_2 = \{x \in \mathbb{R}^p \mid ABx = 0\}$。
显然 $W_1 \subseteq W_2$,故 $\dim W_1 \le \dim W_2$,即 $p - r(B) \le p - r(AB)$,故 $r(AB) \le r(B)$。
再由 $r(AB) = r((AB)^T) = r(B^T A^T) \le r(A^T) = r(A)$。
合取得 $r(AB) \le \min(r(A), r(B))$。
**下界** $r(A) + r(B) - n \le r(AB)$($A$ 为 $m \times n$, $B$ 为 $n \times p$):
设 $r(A) = r_1, r(B) = r_2$。我们证明:方程组 $ABx = 0$ 与 $Bx = 0$ 的公共解空间维数 $\ge r_1 + r_2 - n$。
考虑 $B x = 0$ 的基础解系 $\xi_1, \ldots, \xi_{p - r_2}$。
若 $r_1 + r_2 > n$,令 $r = r_1 + r_2 - n$,取 $A$ 的基础解系 $\eta_1, \ldots, \eta_{n - r_1}$。可以证明存在非零向量同时在两组内。
具体见教材(用扩充 $\xi_i$ 与 $\eta_j$ 联合构造)—— 此定理证明较繁琐,考研常用简化版。
**简化版的 Sylvester**:当 $A, B$ 均为方阵(设 $A, B \in \mathbb{R}^{n \times n}$)时,可通过分块矩阵的对角化论证:
$$
\text{rank}\begin{pmatrix} A & \\ & B \end{pmatrix} = r_1 + r_2
\Rightarrow
\text{rank}\begin{pmatrix} A & -AB \\ & B \end{pmatrix}
= r_1 + r_2 \text{(初等变换)}
$$
由 $r\begin{pmatrix} A & -AB \\ & B \end{pmatrix} \le r(A) + r(B) - (n - r(AB))$ 得 $r_1 + r_2 \le r_1 + r_2 - n + r(AB)$,即 $r(AB) \ge r_1 + r_2 - n$。
### 复盘
- **核心技巧**:用**齐次方程组解空间**建立秩与维数之间的桥梁。
- **关键观察**:$r(AB) = n - \dim\{x \mid ABx = 0\}$,把秩转化成解空间维数问题。
- **考频**:高(每年至少 1 道大题),务必熟练。
---
> **变式 1**:设 $A, B$ 均为 $n$ 阶矩阵,证明 $r(AB) \ge r(A) + r(B) - n$(Sylvester 在 $n$ 阶方阵下的形式)。
**证明**:由 $r(A^T) + r(AB) - n \le r(A^T \cdot AB) \le r(AB)$,再用 Sylvester 得 $\ge$ 方向。
---
> **变式 2**:证明 $r(A) + r(B) \ge r(A + B)$(子空间维度关系)。
**证明**:$\text{Col}(A+B) \subseteq \text{Col}(A) + \text{Col}(B)$,故 $r(A+B) \le \dim(\text{Col}(A) + \text{Col}(B)) \le r(A) + r(B)$。
@@ -0,0 +1,110 @@
# 题型四:齐次线性方程组的解
## 识别特征
- 题目求 $Ax = 0$ 的解($b = 0$)
- 要求构造基础解系
- 求基础解系所含向量个数 / 解空间维数
## 解题流程
```mermaid
flowchart TD
A[识别齐次方程组] --> B[化 A 为最简形 R]
B --> C[主元列→主变量; 其余→自由变量]
C --> D{自由变量个数 = n - r(A)}
D -->|0| E[唯一零解 x = 0]
D -->|n-r>0| F[依次令单个自由变量为1]
F --> G[回代求主变量]
G --> H[写出 n - r 个解]
H --> I[验证无关 → 基础解系]
```
## 通法步骤
### Step 1:判断解的情况
- 若 $r(A) = n$(列满秩) $\Rightarrow$ **唯一零解**
- 若 $r(A) < n$ $\Rightarrow$ **无穷多解**,基础解系含 $n - r$ 个解
### Step 2:构造基础解系(最关键)
1. 把 $A$ 化为**最简形** $R$(不是行阶梯形!)
2. 识别主元列号 $\to$ 主变量;其余为**自由变量**
3. 自由变量个数 = $n - r(A)$
4. 依次令**单个**自由变量为 $1$,**其余**自由变量为 $0$
5. 由 $R$ 求出主变量值,向量即为第 $i$ 个基础解系向量
### Step 3:写出通解
$$
x = k_1 \xi_1 + k_2 \xi_2 + \cdots + k_{n-r} \xi_{n-r}, \quad k_i \in \mathbb{R}
$$
### Step 4:验证无关性(可选)
- 计算 $\xi_1, \ldots, \xi_{n-r}$ 的行列式 $\neq 0$(必无关)
- 或观察:每个 $\xi_i$ 在第 $i$ 个自由变量分量为 1,其余自由变量对应分量为 0
## 常见陷阱
- **必须化最简形**:行阶梯形无法直接"回代",回代时会出现含主元的表达式
- **基础解系向量数是 $n - r$ 而不是 $r$**:这是最常见的错误
- **基础解系不唯一**:可以选不同自由变量,但每个 $\xi_i$ 必须以自由变量位置区分
- **零矩阵的处理**:$A = 0$ 时,$r = 0, n - r = n$,基础解系为 $E$ 的全部列
## 经典母题
> **题目**:求齐次线性方程组
> $$
> \begin{cases}
> x_1 + 2x_2 + 3x_3 + x_4 = 0 \\
> 2x_1 + 4x_2 + 7x_3 + 2x_4 = 0
> \end{cases}
> $$
> 的基础解系与通解。
### 解答
**Step 1**:化 $A = \begin{pmatrix} 1 & 2 & 3 & 1 \\ 2 & 4 & 7 & 2 \end{pmatrix}$ 为最简形。
$$
A \xrightarrow{r_2 - 2r_1}
\begin{pmatrix} 1 & 2 & 3 & 1 \\ 0 & 0 & 1 & 0 \end{pmatrix}
\xrightarrow{r_1 - 3r_2}
\begin{pmatrix} 1 & 2 & 0 & 1 \\ 0 & 0 & 1 & 0 \end{pmatrix} = R
$$
**Step 2**:分析主元列。
- 主元列:第 1, 3 列(带圈位置)
- 主变量:$x_1, x_3$
- 自由变量:$x_2, x_4$
**Step 3**:构造基础解系。
令 $(x_2, x_4) = (1, 0)$:由 $R$ 得 $x_1 + 2 = 0, x_3 = 0$,故 $\xi_1 = (-2, 1, 0, 0)^T$。
令 $(x_2, x_4) = (0, 1)$:由 $R$ 得 $x_1 + 1 = 0, x_3 = 0$,故 $\xi_2 = (-1, 0, 0, 1)^T$。
**Step 4**:通解。
$$
x = k_1 \begin{pmatrix} -2 \\ 1 \\ 0 \\ 0 \end{pmatrix} + k_2 \begin{pmatrix} -1 \\ 0 \\ 0 \\ 1 \end{pmatrix}, \quad k_1, k_2 \in \mathbb{R}
$$
**Step 5**:验证无关性(可选)。
$\det\begin{pmatrix} -2 & -1 \\ 1 & 0 \end{pmatrix} \neq 0$(取 $\xi_1, \xi_2$ 的 $x_2, x_4$ 分量组成的 $2 \times 2$ 子式),故无关。
### 复盘
- **核心算法**:化最简 $\to$ 主变量与自由变量分离 $\to$ 单变量法构造
- **$n - r$ 计算**:4 变量 - 2 秩 = 2 个自由变量,验证无误
- **基础解系维度 = 自由变量数**:每个自由变量"独立产生"一个解向量
---
> **变式**:设 $A$ 为 $n$ 阶矩阵且 $A$ 的伴随矩阵 $A^* \neq 0$。若 $\xi_1, \xi_2$ 是 $Ax = 0$ 的两个解,证明 $\xi_1, \xi_2$ 线性相关当且仅当它们对应分量成比例。
**提示**:当 $r(A) = n - 1$ 时,$r(A^*) = 1$,基础解系仅含 1 个向量,任意两解必然成比例。
@@ -0,0 +1,138 @@
# 题型五:非齐次线性方程组的解
## 识别特征
- 题目求解 $Ax = b$($b \ne 0$)
- 要求构造通解(或特解)
- 题干出现"设 $\eta^*$ 是特解,基础解系 $\xi_1, \ldots, \xi_{n-r}$..."
## 解题流程
```mermaid
flowchart TD
A[识别非齐次方程组] --> B[化增广矩阵 A|b 为行阶梯]
B --> C{比较 r(A) 与 r(A|b)}
C -->|r(A) < r(A|b)| D[无解]
C -->|r(A) = r(A|b) = n| E[唯一解]
C -->|r(A) = r(A|b) < n| F[无穷多解]
F --> G[化最简形求特解η*]
G --> H[基础解系 = 同齐次方程组基础解系]
H --> I[通解 = η* + 齐次通解]
```
## 通法步骤
### Step 1:判定解的情况
计算 $r(A)$ 和 $r(A \mid b)$:
| 关系 | 解的情况 |
|------|---------|
| $r(A) < r(A \mid b)$ | **无解** |
| $r(A) = r(A \mid b) = n$ | **唯一解** |
| $r(A) = r(A \mid b) < n$ | **无穷多解**,通解 = 特解 + 齐次通解 |
### Step 2:化最简形
1. 对 $(A \mid b)$ 进行初等行变换,化为最简形 $(R \mid d)$
2. 主变量 / 自由变量划分同齐次情形
### Step 3:求特解 $\eta^*$
- 令所有自由变量 $= 0$,由 $R$ 解出主变量的具体值
- 该特解向量即为 $\eta^*$
### Step 4:求基础解系
与对应齐次方程组 $Ax = 0$ **完全相同**——基础解系构造与 $b$ 无关。
### Step 5:写通解
$$
x = \eta^* + k_1 \xi_1 + k_2 \xi_2 + \cdots + k_{n-r} \xi_{n-r}
$$
> 🔑 **核心公式**:**非齐次通解 = 特解 + 齐次通解**。这是整个方程组理论的"母公式"。
## 常见陷阱
- **忘记加特解**:写出非齐次通解时漏掉 $\eta^*$,写成齐次通解形式
- **特解代入验证**:计算完 $\eta^*$ 后必须代入原方程验证($A\eta^* = b$),避免回代错误
- **齐次基础解系的复用**:求非齐次的基础解系就是去掉 $b$ 列的对应齐次方程组,二者完全一致
- **唯一解与无穷解的混淆**:若题目明确说"求通解",则一定是无穷解情况;否则可能是唯一解
## 经典母题
> **题目**:求非齐次线性方程组
> $$
> \begin{cases}
> x_1 + 2x_2 + 3x_3 + x_4 = -1 \\
> 2x_1 + 4x_2 + 7x_3 + 2x_4 = 2
> \end{cases}
> $$
> 的通解。
### 解答
**Step 1**:化增广矩阵为行阶梯。
$$
(A \mid b) = \left( \begin{array}{cccc|c} 1 & 2 & 3 & 1 & -1 \\ 2 & 4 & 7 & 2 & 2 \end{array} \right)
\xrightarrow{r_2 - 2r_1}
\left( \begin{array}{cccc|c} 1 & 2 & 3 & 1 & -1 \\ 0 & 0 & 1 & 0 & 4 \end{array} \right)
$$
**Step 2**:判解。
$r(A) = r(A \mid b) = 2 < 4$(变量数),故**无穷多解**。
**Step 3**:化最简形。
继续化:
$$
\xrightarrow{r_1 - 3r_2}
\left( \begin{array}{cccc|c} 1 & 2 & 0 & 1 & -13 \\ 0 & 0 & 1 & 0 & 4 \end{array} \right) = (R \mid d)
$$
**Step 4**:求特解 $\eta^*$。
令所有自由变量($x_2, x_4$)$= 0$:
- $x_3 = 4$
- $x_1 = -13$
得特解 $\eta^* = (-13, 0, 4, 0)^T$。
**Step 5**:求对应齐次方程组的基础解系。
对应齐次方程组的最简形为 $\begin{pmatrix} 1 & 2 & 0 & 1 \\ 0 & 0 & 1 & 0 \end{pmatrix}$。
- $\xi_1$:令 $(x_2, x_4) = (1, 0)$,得 $x_1 = -2, x_3 = 0$,$\xi_1 = (-2, 1, 0, 0)^T$
- $\xi_2$:令 $(x_2, x_4) = (0, 1)$,得 $x_1 = -1, x_3 = 0$,$\xi_2 = (-1, 0, 0, 1)^T$
**Step 6**:通解。
$$
x = \begin{pmatrix} -13 \\ 0 \\ 4 \\ 0 \end{pmatrix} + k_1 \begin{pmatrix} -2 \\ 1 \\ 0 \\ 0 \end{pmatrix} + k_2 \begin{pmatrix} -1 \\ 0 \\ 0 \\ 1 \end{pmatrix}, \quad k_1, k_2 \in \mathbb{R}
$$
**Step 7**:验证。
$A \eta^* = \begin{pmatrix} 1 & 2 & 3 & 1 \\ 2 & 4 & 7 & 2 \end{pmatrix} \begin{pmatrix} -13 \\ 0 \\ 4 \\ 0 \end{pmatrix} = \begin{pmatrix} -13 + 0 + 12 + 0 \\ -26 + 0 + 28 + 0 \end{pmatrix} = \begin{pmatrix} -1 \\ 2 \end{pmatrix} = b$ ✓
### 复盘
- **核心思想**:通解 = 特解 + 齐次通解,两者必须显式写出。
- **基础解系与 $b$ 无关**:非齐次方程组的基础解系完全由 $A$ 决定,与 $b$ 无关——这是反复考的关键。
- **计算顺序**:先化最简形 $\to$ 先找特解 $\to$ 再求基础解系 $\to$ 拼装通解。
---
> **变式 1**:证明非齐次线性方程组 $Ax = b$ 有解时,其解的个数为 $1 +$ 基础解系向量个数。
**思路**:每个解 = 特解 + 齐次通解;齐次通解构成 $n - r$ 维线性空间,故解的总数 = 1 + $\infty^{n-r}$。
> **变式 2**:设 $A$ 为 $n$ 阶矩阵,证明:$Ax = b$ 对任意 $b$ 都有解 $\iff \det A \neq 0$。
**思路**:$\Rightarrow$:取 $b = e_1, \ldots, e_n$,方程有解说明 $A$ 行满秩 $= n$,可逆。
$\Leftarrow$:若 $\det A \neq 0$,则 $x = A^{-1} b$ 是唯一解。
@@ -0,0 +1,187 @@
# 题型六:含参方程组的讨论
## 识别特征
- 系数矩阵 $A$ 或右端向量 $b$ 含**未知参数** $\lambda$
- 题目要求按 $\lambda$ 取值**分类讨论**解的情况
- 一般是 11 分大题的最后部分
## 解题流程
```mermaid
flowchart TD
A[识别含参方程组] --> B[求 det A 关于 λ 的根]
B --> C[把每个根代入 r(A|b), r(A)]
C --> D{比较秩}
D -->|r(A) < r(A|b)| E[该段无解]
D -->|r(A) = r(A|b) = n| F[该段唯一解]
D -->|r(A) = r(A|b) < n| G[该段无穷解]
H[其余 λ 段统一讨论] --> I[化行阶梯求通解]
```
## 通法步骤
### Step 1:先求 $\det A(\lambda) = 0$ 的根
- 这些根是把方程组"分段"的**关键点**
- 它们是 $A$ 不可逆 / 降秩的位置
### Step 2:把每个根代入 $(A \mid b)$
- 计算该 $\lambda$ 值下的 $r(A)$ 和 $r(A \mid b)$
- 比较二者关系,判定解的情况
### Step 3:每个分段独立求解
**情况 1**:$\lambda = \lambda_0$(使 $\det A = 0$ 的特殊值)
- 化行阶梯 $\to$ 比较 $r(A)$ 与 $r(A \mid b)$
**情况 2**:$\lambda \ne \lambda_0$(行列式非零)
- 此时 $r(A) = n$(满秩),且 $r(A \mid b) = n$(因 $A$ 行满秩能生成 $b$)
- 由克拉默法则 $x = A^{-1} b$ 唯一解
### Step 4:写统一表述
- 对每个 $\lambda$ 段分别写出解的情况与具体通解
## 常见陷阱
- **特殊值 $\lambda$ 处漏掉无解情况**:化行阶梯时 $r(A \mid b) > r(A)$ 时必须判无解
- **$\lambda \ne 0$ 段的统一处理**:常可写出含 $\lambda$ 的统一解表达式 $x = A^{-1}(\lambda) \cdot b$
- **同时含多个参数**的情况:要逐个讨论,或先化简再讨论
- **忘记写明讨论范围**:每个解都必须明示 $\lambda$ 的范围
## 经典母题
> **题目**:设 $\lambda$ 为实数,讨论方程组
> $$
> \begin{cases}
> \lambda x_1 + x_2 + x_3 = 1 \\
> x_1 + \lambda x_2 + x_3 = \lambda \\
> x_1 + x_2 + \lambda x_3 = \lambda^2
> \end{cases}
> $$
> 的解。
### 解答
**Step 1**:计算 $\det A(\lambda)$。
$$
\det A = \begin{vmatrix}
\lambda & 1 & 1 \\
1 & \lambda & 1 \\
1 & 1 & \lambda
\end{vmatrix}
$$
由各列减第 3 列:
$$
= \begin{vmatrix}
\lambda - 1 & 0 & 1 \\
0 & \lambda - 1 & 1 \\
1 - \lambda & 1 - \lambda & \lambda
\end{vmatrix}
= (\lambda - 1)^2 \begin{vmatrix}
1 & 0 & 1 \\
0 & 1 & 1 \\
-1 & -1 & \lambda
\end{vmatrix} + \ldots
$$
更直接地,第二行减第一行、第三行减第一行:
$$
= \begin{vmatrix}
\lambda & 1 & 1 \\
1-\lambda & \lambda-1 & 0 \\
1-\lambda & 0 & \lambda-1
\end{vmatrix}
= (\lambda - 1)^2 \begin{vmatrix}
\lambda & 1 & 1 \\
-1 & 1 & 0 \\
-1 & 0 & 1
\end{vmatrix}
$$
得 $(\lambda - 1)^2 (2\lambda + 1)$。验证:第三行减第二行:
$$
= \begin{vmatrix}
\lambda & 1 & 1 \\
1-\lambda & \lambda-1 & 0 \\
0 & 1-\lambda & \lambda-1
\end{vmatrix}
$$
继续提公因子 $(\lambda - 1)$,得 $(\lambda - 1)^2 \begin{vmatrix}
\lambda & 1 & 1 \\
-1 & 1 & 0 \\
0 & -1 & 1
\end{vmatrix}$。
行展开 $= (\lambda - 1)^2 [\lambda(1 \cdot 1 - 0 \cdot (-1)) - 1((-1) \cdot 1 - 0 \cdot 0) + 1((-1)(-1) - 0 \cdot 1)]$
$= (\lambda - 1)^2 [\lambda + 1 + 1] = (\lambda - 1)^2 (\lambda + 2)$
故 $\det A = (\lambda - 1)^2 (\lambda + 2)$。
**Step 2**:分类讨论点 $\lambda = 1$ 与 $\lambda = -2$。
**情况 1**:$\lambda \ne 1, \lambda \ne -2$,即 $\lambda \in \mathbb{R} \setminus \{1, -2\}$。
由克拉默法则:$x_j = D_j / D$,**唯一解**。具体求 $D_1, D_2, D_3$:
因计算量大,简写为:**有唯一解**,可用克莱姆法则或直接求 $A^{-1} b$ 写出。
**情况 2**:$\lambda = -2$。
$$
A = \begin{pmatrix} -2 & 1 & 1 \\ 1 & -2 & 1 \\ 1 & 1 & -2 \end{pmatrix}, \quad
b = \begin{pmatrix} 1 \\ -2 \\ 4 \end{pmatrix}
$$
化 $(A \mid b)$:
$$
\to \left( \begin{array}{ccc|c} 1 & 1 & -2 & 4 \\ 1 & -2 & 1 & -2 \\ -2 & 1 & 1 & 1 \end{array} \right)
\xrightarrow[r_1 + 2r_3 / 2, \ldots]{...}
$$
具体化简后:$r(A) = 2, r(A \mid b) = 3$,故**无解**。
**情况 3**:$\lambda = 1$。
$$
A = \begin{pmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{pmatrix}, \quad
b = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}
$$
三行完全相同:$r(A) = r(A \mid b) = 1 < 3$。
化 $(A \mid b)$:$(1, 1, 1, 1 \mid 1, 1, 1) \to (1, 1, 1 \mid 1)$(保留第 1 行)。
求特解:令 $x_2 = x_3 = 0$,得 $x_1 = 1$,$\eta^* = (1, 0, 0)^T$。
基础解系(去 $b$ 列):$\xi_1 = (-1, 1, 0)^T, \xi_2 = (-1, 0, 1)^T$。
通解:
$$
x = \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix} + k_1 \begin{pmatrix} -1 \\ 1 \\ 0 \end{pmatrix} + k_2 \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}, \quad k_1, k_2 \in \mathbb{R}
$$
### 复盘
- **分类核心**:$\det A = 0$ 的根即"分段点"。本题 $\lambda = 1, -2$。
- **判解口诀**:把特殊值代入 $A$ 和 $b$,比较二者秩。
- **$\lambda \ne 1, -2$ 唯一解**:克拉默法则有效,$A$ 可逆。
- **$\lambda = 1$ 无穷解,$\lambda = -2$ 无解**:在化行阶梯时即可看出。
---
> **变式 1**:设 $A = \begin{pmatrix} 1 & 1 & -2 \\ 1 & -2 & 1 \\ -2 & 1 & 1 \end{pmatrix}$,讨论 $Ax = b$ 对任意 $b$ 何时有解。
**答案**:$\det A = ?$ 计算可知 $\det A = 0$ 时(特定 $\lambda$ 值,如本例的 $\lambda$ 形式参数)需逐个情况分析。
> **变式 2**:设 $A(\lambda) = \begin{pmatrix} 1 & \lambda \\ \lambda & 1 \end{pmatrix}$,方程 $A x = \begin{pmatrix} 1 \\ 2 \end{pmatrix}$ 何时无解、何时唯一解、何时无穷解?
**答案**:
- $\lambda \ne 1, \lambda \ne -1$:唯一解 $x = \frac{1}{1 - \lambda^2} \begin{pmatrix} 1 - 2\lambda \\ 2 - \lambda \end{pmatrix}$
- $\lambda = 1$:化简得 $r(A) = r(A \mid b) = 1$,无穷解
- $\lambda = -1$:化简得 $r(A) = 1, r(A \mid b) = 2$,无解
@@ -0,0 +1,174 @@
# 题型七:初等变换的综合应用
## 识别特征
- 题目要求**求逆矩阵** $A^{-1}$(含抽象矩阵)
- 题目要求**解矩阵方程** $AX = B$ 或 $XA = B$
- 题目要求**化简矩阵为最简形 / 行阶梯形**
## 解题流程
```mermaid
flowchart TD
A[识别题型] --> B{任务类型}
B -->|求 A⁻¹| C[A|E 化 E|A⁻¹]
B -->|解 AX = B| D[A|E → E|B→X]
B -->|解 XA = B| E[初等列变换]
B -->|化最简形| F[标准消去流程]
C --> G{左侧能化 E?}
G -->|否| H[A 不可逆]
G -->|是| I[右侧 = A⁻¹]
```
## 通法步骤
### 一、求 $A^{-1}$(初等变换法)
1. 构造 $(A \mid E)$,$A$ 为 $n$ 阶方阵
2. 仅用**初等行变换**化左侧为 $E$
3. 若成功,右侧即为 $A^{-1}$
4. 若失败(左侧出现零行),则 $A$ 不可逆
### 二、解 $AX = B$
**方法 1**(初等行变换法):
1. 构造 $(A \mid B)$,$A$ 为 $m \times n$,$B$ 为 $m \times p$
2. 化 $(A \mid B)$ 为最简形 $(R \mid X_0)$
3. 若 $r(A) = m < n$:方程 $AX = B$ 有无穷多组解,通解为 $X = X_0 + $ 齐次通解
4. 若 $r(A) = m = n$:唯一解 $X = A^{-1} B$
5. 若 $r(A) < m$:可能无解,需要检查每个方程的可解性
**方法 2**(直接求逆):
- 若 $A$ 可逆,$X = A^{-1} B$
### 三、解 $XA = B$
- **右乘列变换**:或求 $A^{-1}$ 后 $X = B A^{-1}$
- 注意:与 $AX = B$ 不可混淆($AXB = C$ 的求解是 $X = A^{-1} C B^{-1}$)
## 常见陷阱
- **解 $AX = B$ 与 $XA = B$ 切勿混淆**:左乘 $A$ vs 右乘 $A$,对应行变换 vs 列变换
- **$A$ 不可逆时的处理**:需要用线性方程组通解形式表达
- **多列 $B$**:当 $B$ 为多列矩阵时,$AX = B$ 等价于同时解多个方程组 $Ax = b_i$,可同步处理
- **列向量情形**:当 $B = b$(单列)时,$AX = b$ 即非齐次线性方程组
## 经典母题
> **题目 1**:用初等行变换求 $A = \begin{pmatrix} 1 & 2 & 3 \\ 2 & 2 & 1 \\ 3 & 4 & 3 \end{pmatrix}$ 的逆矩阵。
### 解答
**Step 1**:构造 $(A \mid E)$。
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 2 & 2 & 1 & 0 & 1 & 0 \\ 3 & 4 & 3 & 0 & 0 & 1 \end{array} \right)
$$
**Step 2**:化最简形。
$r_2 - 2r_1$:
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 0 & -2 & -5 & -2 & 1 & 0 \\ 3 & 4 & 3 & 0 & 0 & 1 \end{array} \right)
$$
$r_3 - 3r_1$:
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 0 & -2 & -5 & -2 & 1 & 0 \\ 0 & -2 & -6 & -3 & 0 & 1 \end{array} \right)
$$
$r_3 - r_2$:
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 0 & -2 & -5 & -2 & 1 & 0 \\ 0 & 0 & -1 & -1 & -1 & 1 \end{array} \right)
$$
$r_2 \times (-1/2)$:
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 0 & 1 & 5/2 & 1 & -1/2 & 0 \\ 0 & 0 & -1 & -1 & -1 & 1 \end{array} \right)
$$
$r_3 \times (-1)$:
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 3 & 1 & 0 & 0 \\ 0 & 1 & 5/2 & 1 & -1/2 & 0 \\ 0 & 0 & 1 & 1 & 1 & -1 \end{array} \right)
$$
$r_1 - 3r_3, r_2 - (5/2)r_3$:
$$
\left( \begin{array}{ccc|ccc} 1 & 2 & 0 & -2 & -3 & 3 \\ 0 & 1 & 0 & -3/2 & -3 & 5/2 \\ 0 & 0 & 1 & 1 & 1 & -1 \end{array} \right)
$$
$r_1 - 2r_2$:
$$
\left( \begin{array}{ccc|ccc} 1 & 0 & 0 & 1 & 3 & -2 \\ 0 & 1 & 0 & -3/2 & -3 & 5/2 \\ 0 & 0 & 1 & 1 & 1 & -1 \end{array} \right)
$$
**Step 3**:读出 $A^{-1}$。
$$
A^{-1} = \begin{pmatrix} 1 & 3 & -2 \\ -3/2 & -3 & 5/2 \\ 1 & 1 & -1 \end{pmatrix}
$$
**Step 4**:验证 $A \cdot A^{-1} = E$(略)。
### 复盘
- **核心操作**:标准高斯-若尔当消元(化最简形)。
- **关键技巧**:每步先**化首非零元为 1**,再**消上下**。
- **检验方法**:用伴随矩阵公式 $A^{-1} = A^* / \det A$ 验证结果正确性。
---
> **题目 2**:设 $A = \begin{pmatrix} 1 & 2 \\ -1 & 3 \end{pmatrix}, B = \begin{pmatrix} 3 & 1 \\ 2 & 0 \\ 1 & 4 \end{pmatrix}, C = \begin{pmatrix} 1 & -1 \\ 2 & 1 \end{pmatrix}$。求矩阵 $X$ 使 $AXB = C$。
### 解答
**Step 1**:求 $A^{-1}, B^{-1}$。
$\det A = 3 + 2 = 5$, $A^{-1} = \frac{1}{5} \begin{pmatrix} 3 & -2 \\ 1 & 1 \end{pmatrix}$。
但 $B$ 是 $3 \times 2$,不可逆!
**思路调整**:求 $X$ 使 $AXB = C$,即 $X = A^{-1} C B^{-1}$ 不可行($B$ 不可逆)。
应改用**初等行变换解方程组**的方法:
$AXB = C \Rightarrow A(XB) = C$。令 $Y = XB$,则 $AY = C$,即解 $AY = C$。
$Y = A^{-1} C = \frac{1}{5} \begin{pmatrix} 3 & -2 \\ 1 & 1 \end{pmatrix} \begin{pmatrix} 1 & -1 \\ 2 & 1 \end{pmatrix} = \frac{1}{5} \begin{pmatrix} -1 & -5 \\ 3 & 0 \end{pmatrix} = \begin{pmatrix} -1/5 & -1 \\ 3/5 & 0 \end{pmatrix}$
再由 $XB = Y$:
$$
\begin{pmatrix} x_{11} & x_{12} \\ x_{21} & x_{22} \\ x_{31} & x_{32} \end{pmatrix} \begin{pmatrix} 3 & 1 \\ 2 & 0 \end{pmatrix} = \begin{pmatrix} -1/5 & -1 \\ 3/5 & 0 \end{pmatrix}
$$
$X B$ 是 $3 \times 2$ 矩阵,但右侧 $Y$ 是 $2 \times 2$ —— **尺寸不匹配**!
说明矩阵方程 $AXB = C$ **无解**($A$ 是 $2 \times 2$, $B$ 是 $3 \times 2$, $C$ 是 $2 \times 2$)。
正确尺寸分析:$A_{2 \times 2} X_{? \times ?} B_{3 \times 2} = C_{2 \times 2}$。
设 $X$ 是 $2 \times 3$,则 $A_{2 \times 2} X_{2 \times 3} = 2 \times 3$(不是方阵),右侧 $C_{2 \times 2}$ 尺寸不符,故**无解**。
**启示**:做矩阵方程时**先验尺寸**!
### 复盘(修正版)
- **核心前提**:矩阵方程必须**维度相容**,否则无解。
- **维度分析**:$A_{m \times n} X_{n \times p} B_{p \times q} = C_{m \times q}$ 要求 $X$ 为 $n \times p$。
- **本题修正**:若改为 $A_{2 \times 2} X_{2 \times 3} B_{3 \times 2} = C_{2 \times 2}$,则 $X = A^{-1} C B^{-1}$(需 $B$ 可逆,矛盾)。
---
> **变式**:解 $XA = B$,其中 $A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}, B = \begin{pmatrix} 1 & 2 \\ 2 & 3 \end{pmatrix}$。
**解答**:
$X A = B$,转置:$A^T X^T = B^T$,由 $A^T = \begin{pmatrix} 1 & 0 \\ 1 & 1 \end{pmatrix}$,$A^{-T} = \begin{pmatrix} 1 & 0 \\ -1 & 1 \end{pmatrix}$,
$X^T = A^{-T} B^T = \begin{pmatrix} 1 & 0 \\ -1 & 1 \end{pmatrix} \begin{pmatrix} 1 & 2 \\ 2 & 3 \end{pmatrix} = \begin{pmatrix} 1 & 2 \\ 1 & 1 \end{pmatrix}$
转置:$X = \begin{pmatrix} 1 & 1 \\ 2 & 1 \end{pmatrix}$。
**验证**:$X A = \begin{pmatrix} 1 & 1 \\ 2 & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} = \begin{pmatrix} 1 & 2 \\ 2 & 3 \end{pmatrix} = B$ ✓
**复盘**:$XA = B$ 转置为 $A^T X^T = B^T$,化为 $AX = B$ 类型求解。
@@ -0,0 +1,581 @@
# 📌 第四章 向量组的线性相关性 考研核心通关笔记
> 线性代数的"灵魂章节"——把矩阵的秩、方程组的解翻译成"向量语言"。抽象证明题的主战场。
---
## ① 本章核心知识框架 (Core Concept Map)
### 4.1 $n$ 维向量与向量组
#### 一、基本定义
- **$n$ 维列向量**:$\alpha = (a_1, a_2, \ldots, a_n)^T \in \mathbb{R}^n$
- **向量组**:若干个同维数的向量构成的集合 $\alpha_1, \alpha_2, \ldots, \alpha_m$
- **矩阵与向量组的双向翻译**(本章第一原理):
$$
A_{m \times n} = (\alpha_1, \alpha_2, \ldots, \alpha_n) \quad (\text{列向量组,每个 } \alpha_j \in \mathbb{R}^m)
$$
$$
A_{m \times n} = \begin{pmatrix} \beta_1^T \\ \vdots \\ \beta_m^T \end{pmatrix} \quad (\text{行向量组})
$$
- *极简例子:* $A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}$ 的列向量组为 $\alpha_1 = (1,3)^T,\ \alpha_2 = (2,4)^T$。
> 🔑 **本章总纲**:**矩阵 ⟺ 向量组 ⟺ 方程组**,三种语言互译。看到"向量"就想"矩阵的列",看到"线性相关"就想"$Ax=0$ 有非零解"。
#### 二、向量运算
| 运算 | 定义 | 说明 |
|------|------|------|
| 加法 | $\alpha + \beta = (a_1+b_1, \ldots, a_n+b_n)^T$ | 逐分量 |
| 数乘 | $k\alpha = (ka_1, \ldots, ka_n)^T$ | 逐分量 |
| 内积 | $[\alpha,\beta] = \alpha^T\beta = \sum a_i b_i$ | 数量 |
| 长度 | $\|\alpha\| = \sqrt{\alpha^T\alpha}$ | 非负 |
---
### 4.2 线性组合与线性表示
#### 一、线性组合
给定向量组 $\alpha_1, \ldots, \alpha_m$ 与数 $k_1, \ldots, k_m$,称
$$
k_1\alpha_1 + k_2\alpha_2 + \cdots + k_m\alpha_m
$$
为该向量组的一个**线性组合**,$k_i$ 称为**组合系数**。
- *极简例子:* $2(1,0)^T + 3(0,1)^T = (2,3)^T$,即 $(2,3)^T$ 是 $e_1, e_2$ 的线性组合。
#### 二、线性表示(核心判据)
$\beta$ 能由 $\alpha_1, \ldots, \alpha_m$ **线性表示** $\iff$ 存在 $k_1,\ldots,k_m$ 使 $\beta = \sum k_i \alpha_i$。
**⭐ 三语言等价定理**:
$$
\beta \text{ 可由 } \alpha_1,\ldots,\alpha_m \text{ 线性表示}
\iff Ax = \beta \text{ 有解}
\iff r(A) = r(A \mid \beta)
$$
其中 $A = (\alpha_1, \ldots, \alpha_m)$。
- **唯一表示** $\iff r(A) = r(A\mid\beta) = m$(列满秩)
- **无穷多表示** $\iff r(A) = r(A\mid\beta) < m$
- **不能表示** $\iff r(A) < r(A\mid\beta)$(即 $r(A\mid\beta) = r(A)+1$)
- *极简例子:* $\beta = (1,1)^T$,$\alpha_1 = (1,0)^T$。$r(\alpha_1) = 1 < r(\alpha_1\mid\beta) = 2$ → 不能表示。
#### 三、向量组的线性表示与等价
- **组表示**:向量组 $B: \beta_1,\ldots,\beta_s$ 可由 $A: \alpha_1,\ldots,\alpha_m$ 线性表示 $\iff$ 每个 $\beta_j$ 都可由 $A$ 表示 $\iff$ 存在矩阵 $K_{m\times s}$ 使 $B = AK$ $\iff r(A) = r(A \mid B)$。
- **等价向量组**:$A$ 与 $B$ 可**互相**线性表示,记 $A \cong B$。
**等价的判定**:
$$
A \cong B \iff r(A) = r(B) = r(A \mid B)
$$
- *极简例子:* $\{(1,0)^T,(0,1)^T\} \cong \{(1,1)^T,(1,-1)^T\}$(都是 $\mathbb{R}^2$ 的基)。
> ⚠️ **向量组等价 $\ne$ 矩阵等价**!向量组等价要求"可互相表示"(列空间相同);矩阵等价只要求 $r(A)=r(B)$ 且同型。**向量组等价 $\Rightarrow$ 矩阵等价,反之不成立**。
---
### 4.3 线性相关与线性无关
#### 一、定义("齐次方程视角")
若存在**不全为零**的数 $k_1,\ldots,k_m$ 使
$$
k_1\alpha_1 + \cdots + k_m\alpha_m = 0
$$
则称 $\alpha_1,\ldots,\alpha_m$ **线性相关**;否则(只有 $k_1=\cdots=k_m=0$ 时成立)称**线性无关**。
- *极简例子(相关):* $(1,2)^T, (2,4)^T$:取 $k_1=2,k_2=-1$ 得零向量 → 相关。
- *极简例子(无关):* $(1,0)^T,(0,1)^T$:$k_1(1,0)+k_2(0,1)=(k_1,k_2)=0 \Rightarrow k_1=k_2=0$ → 无关。
#### 二、⭐ 核心等价链(必背)
设 $A = (\alpha_1, \ldots, \alpha_m)$ 为 $n \times m$ 矩阵:
$$
\boxed{\alpha_1,\ldots,\alpha_m \text{ 线性相关} \iff Ax = 0 \text{ 有非零解} \iff r(A) < m}
$$
$$
\boxed{\alpha_1,\ldots,\alpha_m \text{ 线性无关} \iff Ax = 0 \text{ 只有零解} \iff r(A) = m}
$$
**特例($m = n$,方阵)**:
$$
\alpha_1,\ldots,\alpha_n \text{ 线性相关} \iff \det A = 0
$$
$$
\alpha_1,\ldots,\alpha_n \text{ 线性无关} \iff \det A \neq 0
$$
- *极简例子:* 3 个 3 维向量,算 $3\times3$ 行列式即可,$= 0$ 则相关。
#### 三、七大重要结论(选择题高发区)
| # | 结论 | 极简例子/说明 |
|---|------|--------------|
| 1 | 含**零向量**的向量组必线性相关 | $\{0, \alpha\}$:$1\cdot 0 + 0\cdot\alpha = 0$ |
| 2 | 单个向量 $\alpha$ 相关 $\iff \alpha = 0$ | — |
| 3 | 两向量相关 $\iff$ 对应分量**成比例** | $(1,2),(2,4)$ |
| 4 | $m > n$(**个数 > 维数**)必线性相关 | 3 个 2 维向量必相关 |
| 5 | **部分相关 $\Rightarrow$ 整体相关**;**整体无关 $\Rightarrow$ 部分无关** | 口诀"部分带整体,整体拖部分" |
| 6 | **无关组接长(加分量)仍无关**;**相关组截短(减分量)仍相关** | 口诀"长无关,短相关" |
| 7 | $\alpha_1,\ldots,\alpha_m$ 相关 $\iff$ 其中**至少一个**可由其余表示 | 注意是"至少一个",非"任意一个"! |
**⭐ 黄金定理(表示唯一性)**:
> 若 $\alpha_1,\ldots,\alpha_m$ 线性无关,而 $\alpha_1,\ldots,\alpha_m,\beta$ 线性相关,则 $\beta$ **可由** $\alpha_1,\ldots,\alpha_m$ 线性表示,**且表示法唯一**。
- *极简例子:* $e_1,e_2$ 无关,加入 $\beta=(1,1)^T$ 后 3 个 2 维向量必相关 → $\beta = e_1+e_2$ 唯一。
**⭐ 以少表多定理(证明题神器)**:
> 若 $\beta_1,\ldots,\beta_s$ 可由 $\alpha_1,\ldots,\alpha_m$ 线性表示,且 $s > m$,则 $\beta_1,\ldots,\beta_s$ **线性相关**。
>
> **逆否**:若 $\beta_1,\ldots,\beta_s$ 无关且可由 $\alpha_1,\ldots,\alpha_m$ 表示,则 $s \le m$。
>
> **口诀**:"**以少表多,多的相关**"。
---
### 4.4 向量组的秩与极大线性无关组
#### 一、极大线性无关组
向量组 $A$ 的部分组 $\alpha_{i_1},\ldots,\alpha_{i_r}$ 称为**极大线性无关组**,若:
1. $\alpha_{i_1},\ldots,\alpha_{i_r}$ 线性无关;
2. 再添加 $A$ 中任意一个向量后**必线性相关**(等价:$A$ 中每个向量都可由它线性表示)。
- *极简例子:* $\alpha_1=(1,0)^T,\alpha_2=(2,0)^T,\alpha_3=(0,1)^T$ 的极大无关组为 $\{\alpha_1,\alpha_3\}$(也可取 $\{\alpha_2,\alpha_3\}$,**不唯一**)。
#### 二、向量组的秩
**定义**:极大线性无关组所含向量的**个数**,记 $r(A)$ 或 $R(\alpha_1,\ldots,\alpha_m)$。
**⭐ 核心定理(三秩合一)**:
$$
\text{矩阵的秩} = \text{行向量组的秩} = \text{列向量组的秩}
$$
- *极简例子:* $A = \begin{pmatrix} 1&2 \\ 2&4 \end{pmatrix}$:$r(A)=1$,行向量组秩 $=1$,列向量组秩 $=1$。
#### 三、秩的性质(证明题弹药库)
| # | 性质 | 备注 |
|---|------|------|
| 1 | $0 \le r(A_{m\times n}) \le \min(m,n)$ | 基本界 |
| 2 | $A \cong B \Rightarrow r(A) = r(B)$ | 等价保秩(反之不成立) |
| 3 | $B$ 可由 $A$ 表示 $\Rightarrow r(B) \le r(A)$ | **"被表示者秩不增"** ⭐ |
| 4 | $r(A \mid B) \le r(A) + r(B)$ | 拼接不超过和 |
| 5 | $\max\{r(A), r(B)\} \le r(A\mid B)$ | 拼接不减 |
| 6 | $r(A + B) \le r(A) + r(B)$ | 和的秩 |
| 7 | $r(AB) \le \min\{r(A), r(B)\}$ | 乘积降秩 |
| 8 | $A_{m\times n}B_{n\times s} = O \Rightarrow r(A)+r(B) \le n$ | **西尔维斯特不等式** ⭐ |
| 9 | $r(A)+r(B)-n \le r(AB)$ | 弗罗贝尼乌斯下界 |
| 10 | $r(A) = r(A^T) = r(A^TA) = r(AA^T)$ | 实矩阵专属 ⭐ |
| 11 | $P,Q$ 可逆 $\Rightarrow r(PAQ) = r(A)$ | 可逆阵不改变秩 |
#### 四、求极大无关组的标准算法
> **初等行变换保持列向量组的线性关系不变**(核心原理!)
1. 把向量按**列**排成矩阵 $A = (\alpha_1,\ldots,\alpha_m)$;
2. 初等**行**变换化为**行最简形** $B$;
3. $B$ 中**主元列**(每行第一个非零元所在列)对应的 $\alpha$ 即为一个极大无关组;
4. 非主元列在 $B$ 中的坐标,就是该向量由极大无关组表示的**系数**。
- *极简例子:* $A \to \begin{pmatrix} 1&0&2 \\ 0&1&3 \\ 0&0&0\end{pmatrix}$:极大无关组 $\{\alpha_1,\alpha_2\}$,且 $\alpha_3 = 2\alpha_1 + 3\alpha_2$。
> ⚠️ **必须用行变换**(求列向量组的关系)。若混用列变换,列间的线性关系会被破坏!
---
### 4.5 线性方程组解的结构(向量语言)
#### 一、齐次方程组 $Ax = 0$
- **解空间** $N(A) = \{x \mid Ax=0\}$ 是 $\mathbb{R}^n$ 的**子空间**
- **维数公式**:$\dim N(A) = n - r(A)$
- **基础解系** = 解空间的一组**基** = 解向量组的一个**极大无关组**
$$
\text{通解} = k_1\xi_1 + k_2\xi_2 + \cdots + k_{n-r}\xi_{n-r}
$$
- *极简例子:* $A = (1, 1)$,$n=2, r=1$,基础解系 $\xi = (1,-1)^T$,通解 $x = k(1,-1)^T$。
**性质**:齐次解的**任意线性组合仍是解**(封闭性)。
#### 二、非齐次方程组 $Ax = b$
$$
\text{通解} = \eta^* + k_1\xi_1 + \cdots + k_{n-r}\xi_{n-r}
$$
(特解 + 导出组通解)
**解的结构性质**:
- $\eta_1, \eta_2$ 是 $Ax=b$ 的解 $\Rightarrow \eta_1 - \eta_2$ 是 $Ax=0$ 的解
- $\sum k_i \eta_i$ 是 $Ax=b$ 的解 $\iff \sum k_i = 1$
- $\sum k_i \eta_i$ 是 $Ax=0$ 的解 $\iff \sum k_i = 0$
- *极简例子:* $\eta_1,\eta_2$ 是 $Ax=b$ 的解,则 $\frac{\eta_1+\eta_2}{2}$ 仍是解(系数和 $=1$)。
> 🔗 **与 Ch03 的对应**:Ch03 讲"怎么解",本章讲"解集长什么样"——**基础解系就是解空间的基,$n-r$ 就是解空间的维数**。
---
### 4.6 向量空间与子空间
#### 一、向量空间(线性空间)
集合 $V \subseteq \mathbb{R}^n$ 非空,且对**加法**和**数乘**封闭:
$$
\alpha,\beta \in V \Rightarrow \alpha+\beta \in V; \qquad \alpha \in V, k \in \mathbb{R} \Rightarrow k\alpha \in V
$$
则称 $V$ 为向量空间($\mathbb{R}^n$ 的子空间)。
- *极简例子(是):* $V = \{(x,0)^T \mid x\in\mathbb{R}\}$($x$ 轴)对加法数乘封闭。
- *极简例子(否):* $V=\{(x,1)^T\}$:$2\cdot(0,1)^T=(0,2)^T \notin V$ → 不是子空间。
> ⚠️ **速判**:子空间**必含零向量**。不含 $0$ → 立即否定!
#### 二、常见子空间
| 名称 | 定义 | 维数 |
|------|------|------|
| **生成子空间** $\text{span}(\alpha_1,\ldots,\alpha_m)$ | 所有线性组合的集合 | $r(\alpha_1,\ldots,\alpha_m)$ |
| **列空间** $C(A) = \{Ax\}$ | $A$ 列向量张成 | $r(A)$ |
| **零空间**(解空间)$N(A)$ | $\{x \mid Ax=0\}$ | $n - r(A)$ |
| **行空间** $C(A^T)$ | $A$ 行向量张成 | $r(A)$ |
- *极简例子:* $A=\begin{pmatrix}1&2\\2&4\end{pmatrix}$:$C(A)=\text{span}\{(1,2)^T\}$ 维数 1;$N(A)=\text{span}\{(2,-1)^T\}$ 维数 1。
#### 三、基、维数与坐标
- **基**:$V$ 中一个极大线性无关组 $\alpha_1,\ldots,\alpha_r$
- **维数** $\dim V = r$(基所含向量个数,**唯一确定**)
- **坐标**:$\forall \gamma \in V$,唯一表示 $\gamma = x_1\alpha_1+\cdots+x_r\alpha_r$,称 $(x_1,\ldots,x_r)^T$ 为 $\gamma$ 在该基下的**坐标**
- *极简例子:* 在基 $\{(1,1)^T,(1,-1)^T\}$ 下,$(2,0)^T = 1\cdot(1,1)^T + 1\cdot(1,-1)^T$,坐标为 $(1,1)^T$。
> 🔑 **求坐标 = 解方程组** $(\alpha_1,\ldots,\alpha_r)x = \gamma$。
#### 四、基变换与坐标变换
设 $V$ 中两组基 $A: \alpha_1,\ldots,\alpha_n$ 与 $B: \beta_1,\ldots,\beta_n$,若
$$
(\beta_1,\ldots,\beta_n) = (\alpha_1,\ldots,\alpha_n) P
$$
则 $P$ 称为由基 $A$ 到基 $B$ 的**过渡矩阵**(必可逆)。
**⭐ 坐标变换公式**:向量 $\gamma$ 在基 $A$ 下坐标为 $x$,在基 $B$ 下坐标为 $y$,则
$$
\boxed{x = Py \quad \Longleftrightarrow \quad y = P^{-1}x}
$$
**过渡矩阵的求法**:$P = A^{-1}B$($A,B$ 表示基向量按列拼成的矩阵),实操用 $(A \mid B) \xrightarrow{\text{行变换}} (E \mid P)$。
- *极简例子:* $A=\{e_1,e_2\}$,$B=\{(1,1)^T,(1,-1)^T\}$,则 $P = \begin{pmatrix}1&1\\1&-1\end{pmatrix}$;$\gamma=(2,0)^T$ 在 $A$ 下坐标 $x=(2,0)^T$,在 $B$ 下 $y=P^{-1}x=(1,1)^T$。
> ⚠️ **方向易错**:$P$ 是"旧基 → 新基"的过渡矩阵,但坐标变换是 $x_{\text{旧}} = P\, y_{\text{新}}$——**基与坐标的变换方向相反**(逆变)。
---
## ② 必考题型分类索引
> 每个题型独立成文,包含 mermaid 解题流程图、通法步骤、常见陷阱与经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 线性组合与表示 | $r(A)$ vs $r(A\mid\beta)$ | [[题型1_线性组合与表示]] |
| 2 | 线性相关性的判定 | 定义法 / 行列式法 / 秩法 | [[题型2_线性相关性的判定]] |
| 3 | 极大线性无关组与秩 | 化行最简形,主元列 | [[题型3_极大线性无关组与秩]] |
| 4 | 向量组秩的等式与不等式 | $r(A)+r(B)-n \le r(AB)$ 等 | [[题型4_向量组秩的等式与不等式]] |
| 5 | 等价向量组与矩阵等价 | $r(A)=r(B)=r(A\mid B)$ | [[题型5_等价向量组与矩阵等价]] |
| 6 | 向量空间与子空间 | 封闭性 / 维数 / 基与坐标 | [[题型6_向量空间与子空间]] |
| 7 | 基变换与坐标变换 | 过渡矩阵 $P$,$x=Py$ | [[题型7_向量空间的基变换与坐标变换]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 | 题型 |
|------|------|-----------|---------|------|
| 1 | **抽象向量组线性相关性判定** | 14次 | 4-11分 | 选择/证明 |
| 2 | **秩的不等式证明** | 10次 | 11分 | 解答 |
| 3 | 极大无关组 + 用其表示其余向量 | 8次 | 11分 | 解答 |
| 4 | 方程组解的结构(向量语言) | 8次 | 11分 | 解答 |
| 5 | 基、维数、坐标与过渡矩阵 | 5次 | 4分 | 填空/选择 |
### 【示例:一题多角度】
> **核心对象**:$\alpha_1, \alpha_2, \alpha_3$ 线性无关,令
> $\beta_1 = \alpha_1+\alpha_2,\ \beta_2 = \alpha_2+\alpha_3,\ \beta_3 = \alpha_3+\alpha_1$
**角度一:选择题(概念陷阱)**
下列说法正确的是?
- (A) $\beta_1,\beta_2,\beta_3$ 一定线性相关
- (B) $\beta_1,\beta_2,\beta_3$ 一定线性无关
- (C) 无法判断
**答**:(B)。因 $(\beta_1,\beta_2,\beta_3) = (\alpha_1,\alpha_2,\alpha_3)C$,$C = \begin{pmatrix}1&0&1\\1&1&0\\0&1&1\end{pmatrix}$,$\det C = 2 \neq 0$,$C$ 可逆 $\Rightarrow r(\beta)=r(\alpha)=3$ → 无关。
**角度二:计算题(改系数)**
若改为 $\beta_1=\alpha_1-\alpha_2,\ \beta_2=\alpha_2-\alpha_3,\ \beta_3=\alpha_3-\alpha_1$,判定相关性。
**答**:$\det C = \begin{vmatrix}1&0&-1\\-1&1&0\\0&-1&1\end{vmatrix} = 0$ → **相关**。事实上 $\beta_1+\beta_2+\beta_3=0$。
**角度三:证明题(一般化)**
设 $(\beta_1,\ldots,\beta_m) = (\alpha_1,\ldots,\alpha_m)C$,$\alpha$ 组无关。证明:$\beta$ 组无关 $\iff \det C \neq 0$。
**证**:设 $(\beta_1,\ldots,\beta_m)x = 0$,即 $(\alpha_1,\ldots,\alpha_m)(Cx) = 0$。由 $\alpha$ 组无关得 $Cx = 0$。故 $\beta$ 组无关 $\iff Cx=0$ 只有零解 $\iff r(C)=m \iff \det C\neq 0$。
**启示**:**"线性表示 = 矩阵右乘"**——把向量组关系写成 $B = AC$,一切问题化归为矩阵 $C$ 的秩/行列式。这是本章最重要的思维转换。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:线性相关性判定的"决策树"
```
判定 α₁,...,α_m 线性相关性
├── 第零步:秒杀检查
│ ├── 含零向量 → 相关
│ ├── 个数 m > 维数 n → 相关
│ ├── 有两向量成比例 → 相关
│ └── 是无关组的部分组 → 无关
├── 第一步:定型
│ ├── 具体数字向量
│ │ ├── m = n(方阵)→ 算行列式 det A
│ │ └── m ≠ n → 化行阶梯求 r(A),比较 r(A) 与 m
│ └── 抽象向量(用 α 表示 β)
│ ├── 写成 B = AC → 讨论 r(C) / det C
│ └── 定义法:设 Σkᵢβᵢ = 0,整理为 α 的组合
├── 第二步:结论
│ ├── r < m 或 det = 0 → 相关
│ └── r = m 或 det ≠ 0 → 无关
└── 第三步:含参数 → 讨论 det(λ) = 0 的根,分类
```
### 方法一:定义法(抽象向量组的万能钥匙)
**标准四步**:
1. **设**:$k_1\beta_1 + \cdots + k_m\beta_m = 0$
2. **代**:把 $\beta_i$ 用 $\alpha$ 表示代入
3. **整理**:合并同类项,凑成 $\sum(\ast)\alpha_i = 0$
4. **推**:由 $\alpha$ 组**无关** $\Rightarrow$ 各系数 $(\ast) = 0$,解齐次方程组判断 $k$ 是否全为零
> ⚠️ 第 4 步的前提是 $\alpha$ 组**线性无关**。若 $\alpha$ 组相关,此推理**失效**!
### 方法二:矩阵法($B = AC$ 转化,最快)
$$
(\beta_1,\ldots,\beta_s) = (\alpha_1,\ldots,\alpha_m) C_{m\times s}
$$
| 条件 | 结论 |
|------|------|
| $\alpha$ 组无关 | $r(\beta) = r(C)$ |
| 一般情形 | $r(\beta) \le \min\{r(\alpha), r(C)\}$ |
| $C$ 可逆($m=s$) | $r(\beta) = r(\alpha)$,两组**等价** |
| $\alpha$ 无关且 $\det C \ne 0$ | $\beta$ 组无关 |
> 🔑 **口诀**:"**看到用 α 表示 β,立即写成 $B=AC$,问题变成 $C$ 的秩**"。
### 方法三:秩的不等式证明"三板斧"
| 技法 | 适用信号 | 典型应用 |
|------|---------|---------|
| **构造分块矩阵 + 初等变换** | 证 $r(A)+r(B) \ge$ 或 $\le$ 某式 | $r(A+B)\le r(A)+r(B)$:由 $\begin{pmatrix}A&O\\O&B\end{pmatrix} \to \begin{pmatrix}A+B&\ast\\ \ast&\ast\end{pmatrix}$ |
| **利用 $AB=O \Rightarrow r(A)+r(B)\le n$** | 题设有矩阵乘积为零 | $B$ 的列都是 $Ax=0$ 的解 → $r(B)\le n-r(A)$ |
| **解空间维数法** | 证秩的等式 | $\dim N(A) = n - r(A)$,比较解空间包含关系 |
### 方法四:解空间维数比较法(证明秩等式的高级技巧)
若能证 $N(A) \subseteq N(B)$ 且 $N(B) \subseteq N(A)$,则 $\dim$ 相等 $\Rightarrow r(A) = r(B)$。
- *典型应用:* 证 $r(A^TA) = r(A)$。
**证**:$Ax=0 \Rightarrow A^TAx = 0$;反之 $A^TAx=0 \Rightarrow x^TA^TAx=0 \Rightarrow \|Ax\|^2=0 \Rightarrow Ax=0$。故两解空间相同 $\Rightarrow r(A^TA)=r(A)$。
### 方法五:跨章节通法速查表
| 通用技法 | 本章场景 | 前置/后续章节 | 判断依据 |
|---------|---------|-------------|---------|
| **行列式判秩** | $n$ 个 $n$ 维向量 $\det=0 \iff$ 相关 | Ch01 行列式 | 个数 = 维数 |
| **初等变换保关系** | 求极大无关组 | Ch02/Ch03 | 求列关系用行变换 |
| **$Ax=0$ 解结构** | 基础解系 = 解空间的基 | Ch03 方程组 | 出现"解向量" |
| **$B=AC$ 转化** | 向量组线性表示 | Ch05 相似变换 $B=P^{-1}AP$ | 一组向量用另一组表示 |
| **正交化(施密特)** | 基的标准正交化 | Ch05 实对称阵对角化 | 要求正交基 |
| **特征向量的无关性** | 不同特征值的特征向量无关 | Ch05 | 出现特征值/特征向量 |
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:线性相关 $\Rightarrow$ "任意一个"都能被其余表示
- **错误表现**:$\alpha_1,\alpha_2,\alpha_3$ 相关 $\Rightarrow \alpha_1$ 可由 $\alpha_2,\alpha_3$ 表示
- **正确理解**:只能保证**至少存在一个**(系数非零的那个)可被其余表示。
**【对比示例】**:
```
α₁=(1,0), α₂=(0,1), α₃=(0,2)
✅ 整体相关(α₃ = 2α₂),且 α₂、α₃ 可互相表示
❌ 但 α₁ 不能由 α₂,α₃ 表示(第一分量恒为 0)
```
### ❌ 错误 2:混淆"部分/整体"与"接长/截短"
- **错误表现**:把"部分无关 ⇒ 整体无关"当成定理
- **正确理解**:
- 个数方向:**部分相关 ⇒ 整体相关**;**整体无关 ⇒ 部分无关**
- 维数方向:**接长无关组仍无关**;**截短相关组仍相关**
**【对比示例】**:
```
✅ (1,0,0),(0,1,0) 无关 → 接长为 (1,0,0,5),(0,1,0,7) 仍无关
❌ (1,0),(0,1) 无关 ⇏ 加入 (1,1) 后整体无关(实际必相关,3>2)
```
### ❌ 错误 3:秩的概念混淆(矩阵秩 / 行秩 / 列秩 / 向量组秩)
- **错误表现**:认为"行向量组的秩"与"列向量组的秩"可以不同
- **正确理解**:**三秩合一**,恒相等 $= r(A)$。但**行的极大无关组**与**列的极大无关组**是不同的向量集合(只是个数相同)。
### ❌ 错误 4:求列向量组的极大无关组时使用列变换
- **错误表现**:$(\alpha_1,\alpha_2,\alpha_3)$ 做初等**列**变换后读主元
- **正确理解**:列变换会改变列向量间的线性关系。求**列**的关系必须只做**行**变换(反之求行关系只做列变换)。
**【对比示例】**:
```
✅ A = (α₁ α₂ α₃) --行变换--> 行最简形,主元列 = 极大无关组
❌ 用列变换 → 得到的"主元列"与原 α 无对应关系
```
### ❌ 错误 5:向量组等价 = 矩阵等价
- **错误表现**:由 $r(A)=r(B)$ 直接断言向量组 $A \cong B$
- **正确理解**:
- **向量组等价**:可互相线性表示 $\iff r(A)=r(B)=r(A\mid B)$(强)
- **矩阵等价**:同型且 $r(A)=r(B)$(弱)
- 向量组等价 $\Rightarrow$ 矩阵等价,**反之不成立**
**【对比示例】**:
```
A = {(1,0)ᵀ}, B = {(0,1)ᵀ}
✅ 矩阵等价:同型且 r=1=1
❌ 向量组不等价:r(A|B) = 2 ≠ 1
```
### ❌ 错误 6:基础解系"个数"与"是否为基"的判断错误
- **错误表现**:找到 $n-r$ 个解向量就直接当基础解系
- **正确理解**:必须同时满足①**是解**、②**线性无关**、③**个数 $= n-r(A)$**。三者缺一不可(其实①②③满足两个可推第三个)。
### ❌ 错误 7:坐标变换公式方向记反
- **错误表现**:由 $(\beta) = (\alpha)P$ 推出 $y = Px$
- **正确理解**:**基正变,坐标逆变**。$\gamma = (\alpha)x = (\beta)y = (\alpha)Py \Rightarrow x = Py$,即 $y = P^{-1}x$。
**【对比示例】**:
```
✅ 基:(β) = (α)P 坐标:x_旧 = P · y_新
❌ 记成 y_新 = P · x_旧 (方向反了)
```
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 抽象向量组线性相关性判定 | **高** | 35+ 道 | 选择题必考,证明题基础 |
| 秩的不等式与证明 | **高** | 25+ 道 | 11 分解答题核心 |
| 极大无关组 + 表示系数 | **高** | 20 道 | 计算题标准流程 |
| 方程组解的结构(向量语言) | **高** | 20 道 | 与 Ch03 联考 |
| 等价向量组判定 | **中** | 10 道 | 常与含参方程组结合 |
| 向量空间/基/维数 | **中** | 10 道 | 数一专属,填空高频 |
| 基变换与过渡矩阵 | **中** | 8 道 | 公式题,方向别记反 |
### 跨章节连接
```
┌──────────────────────────────────────┐
│ 本章 (Ch04) 向量组的线性相关性 │
│ · 线性相关/无关 ⟺ r(A) vs m │
│ · 秩 = 极大无关组个数(三秩合一) │
│ · 解空间 / 基 / 维数 / 坐标 │
└──────────────────┬───────────────────┘
│
┌────────────┬────────────┬──────┴──────┬────────────┬────────────┐
↑ ↑ ↑ ↓ ↓ ↓
Ch01 行列式 Ch02 矩阵 Ch03 方程组 Ch05 特征值 Ch06 二次型 概率·统计
det=0 ⟺ 相关 r(AB)≤min 基础解系 不同λ的 正惯性指数 协方差阵
n个n维判定 初等变换 = 解空间的基 特征向量无关 = 正特征值数 半正定
可逆⟺列无关 分块矩阵 n-r = 维数 可对角化⟺ 合同变换 r(Σ)=维数
秩的不等式 通解结构 n个无关特征向量 基变换
```
#### 🔥 跨章节综合题命题模式
**模式 1:向量组 + 方程组(最高频)**
> 设 $\alpha_1,\alpha_2,\alpha_3$ 线性无关,$\beta$ 不能由其线性表示。证明 $\alpha_1,\alpha_2,\alpha_3,\beta$ 线性无关。
>
> **证**:设 $k_1\alpha_1+k_2\alpha_2+k_3\alpha_3+k_4\beta=0$。若 $k_4\neq0$,则 $\beta = -\frac{1}{k_4}\sum k_i\alpha_i$,与"不能表示"矛盾 → $k_4=0$。再由 $\alpha$ 无关得 $k_1=k_2=k_3=0$。
>
> **考点**:反证法 + 定义法,Ch04 最经典证明范式。
**模式 2:秩 + 矩阵方程**
> 设 $A$ 为 $n$ 阶矩阵,$A^2 = A$。证明 $r(A) + r(A-E) = n$。
>
> **证**:$A(A-E)=O \Rightarrow r(A)+r(A-E)\le n$;又 $r(A)+r(A-E)\ge r(A + (E-A)) = r(E)=n$。故取等。
>
> **考点**:西尔维斯特不等式 + 秩的次可加性"上下夹逼"——**秩等式证明的标准套路**。
**模式 3:向量组 + 特征值(Ch05 桥梁)**
> 设 $\lambda_1\neq\lambda_2$,$\xi_1,\xi_2$ 分别是 $A$ 对应的特征向量。证明 $\xi_1,\xi_2$ 线性无关。
>
> **证**:设 $k_1\xi_1+k_2\xi_2=0$,左乘 $A$ 得 $k_1\lambda_1\xi_1+k_2\lambda_2\xi_2=0$;原式 $\times\lambda_1$ 相减得 $k_2(\lambda_2-\lambda_1)\xi_2=0 \Rightarrow k_2=0 \Rightarrow k_1=0$。
>
> **考点**:本章定义法直接服务于 Ch05 可对角化理论。
### 【终极母题推荐】
> **题目**:设 $A$ 是 $n$ 阶矩阵,证明:$r(A^*) = \begin{cases} n, & r(A)=n \\ 1, & r(A)=n-1 \\ 0, & r(A)<n-1 \end{cases}$
**此题融合**:
- **Ch01**:$AA^* = |A|E$,$\det A^* = |A|^{n-1}$
- **Ch04 秩性质 8**:$r(A)=n-1$ 时 $|A|=0 \Rightarrow AA^*=O \Rightarrow r(A)+r(A^*)\le n \Rightarrow r(A^*)\le 1$
- **子式定义**:$r(A)=n-1$ $\Rightarrow$ 存在非零 $n-1$ 阶子式 $\Rightarrow A^*\neq O \Rightarrow r(A^*)\ge 1$,故 $=1$
- **$r(A)<n-1$**:所有 $n-1$ 阶子式为 0 $\Rightarrow A^*=O$
**为什么这是"终极母题"**:
✅ 打通"秩的定义(子式)"与"秩的运算性质"两条线
✅ 西尔维斯特不等式 $AB=O \Rightarrow r(A)+r(B)\le n$ 的教科书级应用
✅ 分类讨论的完整训练,考研原题多次出现(选择/填空/证明)
**🔗 Ch05 升级版(预告)**:
> 条件加强为"$A$ 实对称",问 $A^*$ 的特征值与 $A$ 的特征值关系。
>
> → $\lambda^* = \dfrac{|A|}{\lambda}$。秩的问题升级为**谱**的问题。
**这道题做完且能默写全部三种情形的证明 → 本章"通关"。**
---
> **下一步**:进入 [[Ch05_相似矩阵及二次型/Ch05_Eigenvalue_Similarity|Ch05 特征值与相似矩阵]]。本章的"线性无关"将成为**可对角化的充要条件**($n$ 个线性无关的特征向量)。
@@ -0,0 +1,93 @@
# 题型一:线性组合与表示
## 识别特征
- 题干出现"$\beta$ 能否由 $\alpha_1,\ldots,\alpha_m$ 线性表示"
- 出现"表示法是否唯一""求表示式"
- 含参数 $a, t, \lambda$,问"取何值时可表示 / 不可表示"
## 解题流程
```mermaid
flowchart TD
A[识别:β 能否由 α₁...α_m 表示] --> B[构造增广矩阵 A|β]
B --> C[初等行变换化行阶梯形]
C --> D{比较 r_A 与 r_A|β}
D -->|r_A < r_A\|β| E[不能表示<br/>方程组无解]
D -->|r_A = r_A\|β = m| F[唯一表示<br/>回代求系数]
D -->|r_A = r_A\|β < m| G[无穷多种表示<br/>写通解]
F --> H[写出 β = Σkᵢαᵢ]
G --> H
```
## 通法步骤
1. **建模**:令 $A = (\alpha_1,\ldots,\alpha_m)$,问题化为解 $Ax = \beta$
2. **化简**:对增广矩阵 $(A \mid \beta)$ 施行**初等行变换**至行阶梯形
3. **判定**:
- $r(A) < r(A\mid\beta)$ → **不能表示**
- $r(A) = r(A\mid\beta) = m$ → **可表示且唯一**
- $r(A) = r(A\mid\beta) < m$ → **可表示,有无穷多种表示法**
4. **求系数**:继续化为**行最简形**,直接读出解(自由变量置参数)
5. **含参讨论**:先算 $\det A$(若 $m=n$),令 $\det A = 0$ 找出参数分界点,再逐段讨论
> 🔑 **速记**:$\beta$ 能否表示 = $Ax=\beta$ 是否有解 = 秩是否相等。**三句话是同一件事**。
## 常见陷阱
- **列向量 vs 行向量**:$\alpha_i$ 写成行向量时,必须**转置成列**再拼矩阵(否则解的是 $x^TA=\beta^T$)
- **只做行变换**:增广矩阵禁止列变换(会改变方程组的解)
- **忘记讨论 $m$**:$r(A)=r(A\mid\beta)$ 只说明"可表示",是否**唯一**还要看 $r$ 是否等于向量个数 $m$
- **含参题漏根**:$\det A = 0$ 的每个根都要单独回代讨论,不能只算一个
- **"不能表示"的判据写反**:是 $r(A) < r(A\mid\beta)$,不是 $r(A) > \cdots$(秩只会增不会减)
## 经典母题
> **题目**:设
> $$\alpha_1 = \begin{pmatrix}1\\1\\1\end{pmatrix},\ \alpha_2=\begin{pmatrix}1\\2\\3\end{pmatrix},\ \alpha_3=\begin{pmatrix}1\\3\\t\end{pmatrix},\ \beta=\begin{pmatrix}1\\4\\5\end{pmatrix}$$
> 讨论 $t$ 取何值时,$\beta$ 可由 $\alpha_1,\alpha_2,\alpha_3$ 线性表示,并求表示式。
**解**:
**第一步**:构造增广矩阵并化简。
$$
(A\mid\beta) = \begin{pmatrix} 1&1&1&1 \\ 1&2&3&4 \\ 1&3&t&5 \end{pmatrix}
\xrightarrow[r_3-r_1]{r_2-r_1}
\begin{pmatrix} 1&1&1&1 \\ 0&1&2&3 \\ 0&2&t-1&4 \end{pmatrix}
\xrightarrow{r_3-2r_2}
\begin{pmatrix} 1&1&1&1 \\ 0&1&2&3 \\ 0&0&t-5&-2 \end{pmatrix}
$$
**第二步**:分类讨论。
**情形 A:$t \neq 5$**
$r(A) = r(A\mid\beta) = 3 = m$ → **可唯一表示**。
回代:$x_3 = \dfrac{-2}{t-5}$,$x_2 = 3 - 2x_3 = 3 + \dfrac{4}{t-5}$,$x_1 = 1 - x_2 - x_3 = -2 - \dfrac{2}{t-5}$。
$$
\beta = \left(-2-\frac{2}{t-5}\right)\alpha_1 + \left(3+\frac{4}{t-5}\right)\alpha_2 + \frac{-2}{t-5}\alpha_3
$$
*验算(取 $t=6$)*:系数为 $(-4, 7, -2)$,$-4(1,1,1)+7(1,2,3)-2(1,3,6) = (1,4,5)$ ✓
**情形 B:$t = 5$**
矩阵末行为 $(0,0,0,-2)$,$r(A) = 2 < r(A\mid\beta) = 3$ → **方程组无解,$\beta$ 不能表示**。
**答**:$t \neq 5$ 时可唯一表示(表示式如上);$t = 5$ 时不能表示。
**复盘**:
- 本题的**关键分界点** $t=5$ 来自阶梯形的主元 $t-5$,等价于 $\det A = 0$ 的根($\det A = t-5$)。
- 本题**不存在"无穷多表示"的情形**,因为 $t=5$ 时右端项 $-2 \neq 0$。若把 $\beta$ 换成 $(1,4,7)^T$,$t=5$ 时末行为 $(0,0,0,0)$,则 $r=2<3$ → **无穷多种表示**。
- **命题规律**:三种情形(唯一 / 无穷 / 不能)能否同时出现,取决于 $\beta$ 的选取——命题人常故意设计成"三种都有"来考查分类完整性。
---
> **变式(唯一性反问)**:若已知 $\beta$ 由 $\alpha_1,\alpha_2,\alpha_3$ 的表示法**不唯一**,求 $t$。
**解**:不唯一 $\iff r(A)=r(A\mid\beta) < 3 \iff t=5$ 且末行右端为 0。由上式末行 $(0,0,t-5,-2)$,$t=5$ 时右端 $-2\neq0$ → **无解**。故本题的 $\beta$ 下,**不存在使表示法不唯一的 $t$**。
> **口诀**:**"化增广、比两秩、看个数"** —— 比秩定有无,看 $m$ 定唯一。
@@ -0,0 +1,140 @@
# 题型二:线性相关性的判定
## 识别特征
- 直接问"判定 $\alpha_1,\ldots,\alpha_m$ 是否线性相关"
- 抽象向量组:$\beta_i$ 由 $\alpha_j$ 线性表示,问 $\beta$ 组相关性
- 含参数:求 $\lambda$ 使向量组线性相关 / 无关
## 解题流程
```mermaid
flowchart TD
A[判定线性相关性] --> B{秒杀检查}
B -->|含零向量 / m>n / 两向量成比例| C[直接判定:相关]
B -->|均不满足| D{向量是否具体数字?}
D -->|具体数字| E{个数 m 是否等于维数 n?}
E -->|m = n| F[计算 det A]
E -->|m ≠ n| G[化行阶梯求 r_A]
F --> H{det A = 0?}
H -->|是| C
H -->|否| I[无关]
G --> J{r_A 与 m 比较}
J -->|r_A < m| C
J -->|r_A = m| I
D -->|抽象向量| K[写成 B = A·C]
K --> L{α 组是否无关?}
L -->|无关| M[r_β = r_C,看 det C 或 r_C]
L -->|未知/相关| N[定义法:设 Σkᵢβᵢ=0 展开]
M --> H
N --> O[整理系数方程组求解]
```
## 通法步骤
### 路径一:秒杀法(先查!)
| 信号 | 结论 |
|------|------|
| 含零向量 | 相关 |
| 个数 $m >$ 维数 $n$ | 相关 |
| 存在两向量成比例 | 相关 |
| 某部分组已知相关 | 整体相关 |
| 是某已知无关组的部分组 | 无关 |
### 路径二:行列式法($m = n$ 时最快)
1. 按列拼成方阵 $A = (\alpha_1,\ldots,\alpha_n)$
2. 计算 $\det A$
3. $\det A = 0 \Rightarrow$ **相关**;$\det A \neq 0 \Rightarrow$ **无关**
### 路径三:秩法($m \neq n$ 通用)
1. 按列拼成 $A_{n\times m}$
2. 初等**行**变换化行阶梯形,数非零行数得 $r(A)$
3. $r(A) < m \Rightarrow$ **相关**;$r(A) = m \Rightarrow$ **无关**
### 路径四:定义法(抽象向量组)
1. 设 $k_1\beta_1 + \cdots + k_s\beta_s = 0$
2. 将 $\beta_i$ 用 $\alpha_j$ 代入
3. 按 $\alpha_j$ 合并同类项:$\sum_j \left(\ast_j\right)\alpha_j = 0$
4. **若 $\alpha$ 组无关**,则各 $\ast_j = 0$,得关于 $k$ 的齐次方程组
5. 该方程组只有零解 $\Rightarrow \beta$ 组无关;有非零解 $\Rightarrow \beta$ 组相关
### 路径五:矩阵法(推荐,最快的抽象解法)
写 $(\beta_1,\ldots,\beta_s) = (\alpha_1,\ldots,\alpha_m)C$:
- $\alpha$ 组无关 $\Rightarrow r(\beta) = r(C)$,只需判 $C$
- $C$ 为方阵时:$\det C \neq 0 \iff \beta$ 组无关
## 常见陷阱
- **$m>n$ 用错方向**:是"个数 > 维数"必相关;"维数 > 个数"**不能**推出无关
- **$\alpha$ 组相关时滥用定义法第 4 步**:由 $\sum(\ast_j)\alpha_j=0$ **不能**推出 $\ast_j=0$
- **只算了 $\det C = 0$ 就说 $\beta$ 相关而不查 $\alpha$**:若 $\alpha$ 组本身相关,$\det C\neq0$ 也**不能**保证 $\beta$ 无关
- **"相关 ⇒ 每个都能被其余表示"**:错,只保证**至少一个**
- **参数题只找到一个根**:$\det = 0$ 的**所有**根都使向量组相关
- **行/列混用**:$\alpha_i$ 若是行向量,判定时应转置为列(或统一按行拼、用行变换)
## 经典母题
> **题目**:设 $\alpha_1,\alpha_2,\alpha_3$ 线性无关,令
> $$\beta_1 = \alpha_1 + \alpha_2,\quad \beta_2 = \alpha_2 + \alpha_3,\quad \beta_3 = \alpha_3 + k\alpha_1$$
> 问 $k$ 取何值时 $\beta_1,\beta_2,\beta_3$ 线性无关?
**解法一(矩阵法,推荐)**:
$$
(\beta_1,\beta_2,\beta_3) = (\alpha_1,\alpha_2,\alpha_3)
\underbrace{\begin{pmatrix} 1 & 0 & k \\ 1 & 1 & 0 \\ 0 & 1 & 1 \end{pmatrix}}_{C}
$$
(第 $j$ 列是 $\beta_j$ 的表示系数)
因 $\alpha$ 组无关,$r(\beta) = r(C)$,故 $\beta$ 组无关 $\iff \det C \neq 0$。
$$
\det C = \begin{vmatrix} 1&0&k \\ 1&1&0 \\ 0&1&1 \end{vmatrix}
= 1\cdot(1\cdot1 - 0\cdot1) - 0 + k(1\cdot1 - 1\cdot0) = 1 + k
$$
**答**:$k \neq -1$ 时 $\beta_1,\beta_2,\beta_3$ 线性无关;$k = -1$ 时线性相关。
**解法二(定义法,验证)**:
设 $x_1\beta_1 + x_2\beta_2 + x_3\beta_3 = 0$,代入:
$$
x_1(\alpha_1+\alpha_2) + x_2(\alpha_2+\alpha_3) + x_3(\alpha_3+k\alpha_1) = 0
$$
按 $\alpha$ 合并:
$$
(x_1 + kx_3)\alpha_1 + (x_1+x_2)\alpha_2 + (x_2+x_3)\alpha_3 = 0
$$
由 $\alpha$ 组**无关**:
$$
\begin{cases} x_1 + kx_3 = 0 \\ x_1 + x_2 = 0 \\ x_2 + x_3 = 0 \end{cases}
$$
系数行列式恰为 $\det C^T = 1+k$。$k\neq-1$ 时只有零解 → 无关。
**$k=-1$ 时的具体相关关系**:解得 $x = (1,-1,1)^T$,即 $\beta_1 - \beta_2 + \beta_3 = 0$。
*验证*:$(\alpha_1+\alpha_2) - (\alpha_2+\alpha_3) + (\alpha_3-\alpha_1) = 0$ ✓
**复盘**:
- **矩阵法 3 行搞定,定义法 8 行**——抽象向量组优先写 $B=AC$。
- 系数矩阵 $C$ 的**列**对应 $\beta$,别写成行(写成行则应判 $\det C^T$,值相同但概念要清)。
- 大前提"$\alpha$ 组无关"是使用 $r(\beta)=r(C)$ 的**必要条件**,答题时必须写出这句话。
---
> **变式(具体数字 + 参数)**:判定 $\alpha_1=(1,1,1)^T,\ \alpha_2=(1,2,3)^T,\ \alpha_3=(1,3,\lambda)^T$ 的相关性。
**解**:$m=n=3$ → 行列式法。
$$
\det A = \begin{vmatrix} 1&1&1 \\ 1&2&3 \\ 1&3&\lambda \end{vmatrix}
\xrightarrow[r_3-r_1]{r_2-r_1}
\begin{vmatrix} 1&1&1 \\ 0&1&2 \\ 0&2&\lambda-1 \end{vmatrix} = (\lambda-1) - 4 = \lambda - 5
$$
$\lambda = 5$ 时相关(此时 $\alpha_3 = 2\alpha_2 - \alpha_1$);$\lambda \neq 5$ 时无关。
> **口诀**:**"零向量、超维数、成比例 —— 三查秒杀;方阵算行列式,非方阵算秩;抽象一律 $B=AC$。"**
@@ -0,0 +1,125 @@
# 题型三:极大线性无关组与秩
## 识别特征
- 题干:"求向量组的秩和一个极大线性无关组"
- 追加要求:"并将其余向量用该极大无关组线性表示"
- 给出一组具体数字向量(通常 4~5 个,3~4 维)
## 解题流程
```mermaid
flowchart TD
A[给定向量组 α₁...α_m] --> B[按列拼成矩阵 A]
B --> C[只做初等行变换]
C --> D[化为行阶梯形]
D --> E[非零行数 = r = 向量组的秩]
E --> F[继续化为行最简形]
F --> G[主元列对应的 α = 极大无关组]
G --> H[非主元列的坐标 = 表示系数]
H --> I[写出 α_j = Σ cᵢ·α_主元]
I --> J[代入原向量验算]
```
## 通法步骤
1. **按列拼**:$A = (\alpha_1, \alpha_2, \ldots, \alpha_m)$
(若题给行向量,先转置成列!)
2. **只做行变换**:化为行阶梯形,非零行数即 $r(A) = $ 向量组的秩
3. **化行最简形**:主元位置化为 1,且主元所在**列的其余元素全化为 0**
4. **读极大无关组**:主元所在列 $j_1<\cdots<j_r$ 对应的 $\alpha_{j_1},\ldots,\alpha_{j_r}$
5. **读表示系数**:对非主元列 $k$,行最简形中该列的元素 $(c_1,\ldots,c_r)^T$ 即为
$$\alpha_k = c_1\alpha_{j_1} + c_2\alpha_{j_2} + \cdots + c_r\alpha_{j_r}$$
6. **验算**:随手代入一个非主元列检查
> 🔑 **核心原理**:初等**行**变换**不改变列向量之间的线性关系**。行最简形中列与列的关系,原封不动地成立于原向量之间。
## 常见陷阱
- ❌ **用列变换**:列变换会破坏列间线性关系,读出的"系数"完全错误
- ❌ **只化到行阶梯就读系数**:必须化到**行最简形**(主元列为单位向量列)系数才能直接读出
- ❌ **行向量组忘转置**:若求**行**向量组的极大无关组,可转置后按列做,或直接对原矩阵做行变换取主元**行**
- ❌ **极大无关组当成唯一**:极大无关组**不唯一**(本题解法给出的是"字典序最小"的那个),但秩唯一
- ❌ **漏写"并求表示式"**:考研题常两问合一,只答秩会丢分
- ❌ 行最简形中把主元列的位置数错(主元 = 每个非零行**第一个**非零元)
## 经典母题
> **题目**:设
> $$\alpha_1=\begin{pmatrix}1\\2\\1\\3\end{pmatrix},\ \alpha_2=\begin{pmatrix}2\\4\\2\\6\end{pmatrix},\ \alpha_3=\begin{pmatrix}1\\3\\2\\5\end{pmatrix},\ \alpha_4=\begin{pmatrix}0\\1\\1\\2\end{pmatrix},\ \alpha_5=\begin{pmatrix}3\\8\\5\\13\end{pmatrix}$$
> 求该向量组的秩和一个极大线性无关组,并将其余向量用它线性表示。
**解**:
**第一步**:按列拼成矩阵。
$$
A = \begin{pmatrix}
1 & 2 & 1 & 0 & 3 \\
2 & 4 & 3 & 1 & 8 \\
1 & 2 & 2 & 1 & 5 \\
3 & 6 & 5 & 2 & 13
\end{pmatrix}
$$
**第二步**:初等行变换。
$$
\xrightarrow[r_3-r_1,\ r_4-3r_1]{r_2-2r_1}
\begin{pmatrix}
1 & 2 & 1 & 0 & 3 \\
0 & 0 & 1 & 1 & 2 \\
0 & 0 & 1 & 1 & 2 \\
0 & 0 & 2 & 2 & 4
\end{pmatrix}
\xrightarrow[r_4-2r_2]{r_3-r_2}
\begin{pmatrix}
1 & 2 & 1 & 0 & 3 \\
0 & 0 & 1 & 1 & 2 \\
0 & 0 & 0 & 0 & 0 \\
0 & 0 & 0 & 0 & 0
\end{pmatrix}
$$
**第三步**:化行最简形($r_1 - r_2$)。
$$
B = \begin{pmatrix}
1 & 2 & 0 & -1 & 1 \\
0 & 0 & 1 & 1 & 2 \\
0 & 0 & 0 & 0 & 0 \\
0 & 0 & 0 & 0 & 0
\end{pmatrix}
$$
**第四步**:读结论。
- **秩**:非零行数 $= 2$,故 $r(\alpha_1,\ldots,\alpha_5) = 2$
- **主元列**:第 1 列、第 3 列 → **极大无关组为 $\alpha_1, \alpha_3$**
**第五步**:读表示系数(非主元列 2、4、5)。
| 列 | $B$ 中该列 | 表示式 |
|----|-----------|--------|
| 第 2 列 | $(2, 0)^T$ | $\alpha_2 = 2\alpha_1 + 0\cdot\alpha_3 = 2\alpha_1$ |
| 第 4 列 | $(-1, 1)^T$ | $\alpha_4 = -\alpha_1 + \alpha_3$ |
| 第 5 列 | $(1, 2)^T$ | $\alpha_5 = \alpha_1 + 2\alpha_3$ |
**第六步**:验算。
- $\alpha_2 = 2\alpha_1 = 2(1,2,1,3)^T = (2,4,2,6)^T$ ✓
- $\alpha_4 = -\alpha_1+\alpha_3 = (-1,-2,-1,-3)^T + (1,3,2,5)^T = (0,1,1,2)^T$ ✓
- $\alpha_5 = \alpha_1+2\alpha_3 = (1,2,1,3)^T + (2,6,4,10)^T = (3,8,5,13)^T$ ✓
**复盘**:
- **全程只用行变换**,一步到位同时得到"秩 + 极大无关组 + 表示式"三个答案,这是本题型的最优解法。
- 行最简形的第 $k$ 列坐标之所以就是表示系数,是因为行最简形中主元列本身是单位列向量 $e_1, e_2$。
- **极大无关组不唯一**:本题 $\{\alpha_3,\alpha_4\}$ 也是($\alpha_3,\alpha_4$ 不成比例且秩为 2),但 $\{\alpha_1,\alpha_2\}$ **不是**(成比例)。答题写一个即可。
---
> **变式(抽象秩)**:设 $r(\alpha_1,\alpha_2,\alpha_3)=2$,$r(\alpha_1,\alpha_2,\alpha_3,\alpha_4)=3$,问 $\alpha_4$ 能否由 $\alpha_1,\alpha_2,\alpha_3$ 线性表示?
**解**:若能表示,则 $r(\alpha_1,\ldots,\alpha_4) = r(\alpha_1,\alpha_2,\alpha_3) = 2$,与 $3$ 矛盾。故**不能表示**。
> **口诀**:**"列拼行变、阶梯数秩、最简读组、非主元列即系数。"**
@@ -0,0 +1,130 @@
# 题型四:向量组秩的等式与不等式
## 识别特征
- 题干出现"**证明** $r(\cdots) = \cdots$"或"$r(\cdots) \le / \ge \cdots$"
- 给出矩阵方程条件:$AB = O$、$A^2 = A$、$A^2 = E$、$A^k = O$
- 出现 $r(A\mid B)$、$r(A+B)$、$r(AB)$、$r(A^*)$ 等复合秩
- **11 分解答题**的常见形态
## 解题流程
```mermaid
flowchart TD
A[秩的等式/不等式证明] --> B{条件类型}
B -->|已知 AB = O| C[用西尔维斯特:r_A + r_B ≤ n]
B -->|要证等式 r_X = k| D[上下夹逼:先证 ≤ 再证 ≥]
B -->|含 A+B 或 A\|B| E[构造分块矩阵 + 初等变换]
B -->|矩阵方程 f_A = O| F[因式分解 A·g_A = O 转化为 AB=O]
C --> G[配合 r_A+r_B ≥ r_A±B 得下界]
F --> C
E --> H[分块变换后比较秩]
D --> I[两侧夹出等号]
G --> I
H --> I
I --> J[结论]
```
## 通法步骤
### 核心武器库(必背)
| # | 不等式 | 使用信号 |
|---|--------|---------|
| 1 | $r(AB) \le \min\{r(A), r(B)\}$ | 出现乘积 |
| 2 | $A_{m\times n}B_{n\times s}=O \Rightarrow r(A)+r(B)\le n$ ⭐ | **乘积为零矩阵** |
| 3 | $r(A)+r(B)-n \le r(AB)$(Frobenius/Sylvester 下界) | 求乘积秩下界 |
| 4 | $r(A+B) \le r(A)+r(B)$ | 出现矩阵和 |
| 5 | $\max\{r(A),r(B)\} \le r(A\mid B) \le r(A)+r(B)$ | 出现拼接 |
| 6 | $r\begin{pmatrix}A&O\\O&B\end{pmatrix} = r(A)+r(B)$ | 分块对角 |
| 7 | $r(PAQ) = r(A)$($P,Q$ 可逆) | 可逆阵不改秩 |
| 8 | $r(A)=r(A^T)=r(A^TA)=r(AA^T)$ | 实矩阵转置乘积 |
### 标准套路:上下夹逼证等式
要证 $r(X) + r(Y) = n$:
1. **证 $\le$**:由 $XY = O$ 用武器 2
2. **证 $\ge$**:由 $r(X)+r(Y) \ge r(X \pm Y)$,凑出 $X\pm Y$ 为可逆阵(常凑成 $E$ 或 $kE$)
3. 两侧夹出等号
### 标准套路:$AB=O$ 的向量解读
$AB = O \iff B$ 的**每一列都是 $Ax=0$ 的解** $\iff B$ 的列空间 $\subseteq N(A)$
$$
\Rightarrow r(B) \le \dim N(A) = n - r(A) \Rightarrow r(A)+r(B) \le n
$$
> 🔑 这就是武器 2 的**向量语言证明**——考场上可直接这样写,比引用定理更稳。
### 标准套路:分块矩阵法证不等式
证 $r(A+B) \le r(A)+r(B)$:
$$
r(A)+r(B) = r\begin{pmatrix}A&O\\O&B\end{pmatrix}
\xrightarrow{\text{行/列倍加}} r\begin{pmatrix}A&A\\ -B&O\end{pmatrix}
\to r\begin{pmatrix}A+B& A \\ O & \ast\end{pmatrix} \ge r(A+B)
$$
## 常见陷阱
- ❌ **把 $r(AB) \le \min$ 用反**:乘积只会**降秩**,不会升秩
- ❌ **$AB=O$ 推 $A=O$ 或 $B=O$**:矩阵无零因子律!只能推秩关系
- ❌ **只证一半**:证等式必须**两边夹**,只证 $\le$ 不算完整证明(丢一半分)
- ❌ **$r(A+B) = r(A)+r(B)$**:只有 $\le$,等号一般不成立
- ❌ **维数 $n$ 用错**:$AB=O$ 中的 $n$ 是 $A$ 的**列数** = $B$ 的**行数**,不是随便一个阶数
- ❌ **$r(A^TA)=r(A)$ 用于复矩阵**:此性质仅对**实矩阵**成立(复数需用共轭转置)
## 经典母题
> **题目**:设 $A$ 为 $n$ 阶矩阵,且 $A^2 = A$。证明:$r(A) + r(A - E) = n$。
**解**:
**第一步(证 $\le$)**:由 $A^2 = A$ 得
$$
A^2 - A = O \Rightarrow A(A - E) = O
$$
由西尔维斯特不等式($A$ 的列数为 $n$):
$$
r(A) + r(A-E) \le n \qquad (\ast)
$$
*(向量语言补充)*:$A(A-E)=O$ 说明 $A-E$ 的每列都是 $Ax=0$ 的解,故 $r(A-E) \le n - r(A)$。
**第二步(证 $\ge$)**:注意到
$$
A + (E - A) = E
$$
由秩的次可加性 $r(X+Y) \le r(X)+r(Y)$:
$$
n = r(E) = r\big(A + (E-A)\big) \le r(A) + r(E-A) = r(A) + r(A-E) \qquad (\ast\ast)
$$
(用到 $r(E-A) = r(-(A-E)) = r(A-E)$)
**第三步(夹逼)**:由 $(\ast)$ 与 $(\ast\ast)$:
$$
r(A) + r(A-E) = n \qquad \blacksquare
$$
**复盘**:
- **这是秩等式证明的"教科书模板"**:$\le$ 靠乘积为零,$\ge$ 靠和为单位阵。
- 关键的**代数变形**是把条件 $A^2=A$ 因式分解为 $A(A-E)=O$,把"矩阵方程"翻译成"乘积为零"。
- **推广**:任何满足 $f(A)=O$ 且 $f(x)=\prod (x-\lambda_i)$ 无重根的矩阵,都有 $\sum_i r(A-\lambda_i E) = (k-1)n$。
---
> **变式一**:设 $A^2 = E$(对合矩阵),证明 $r(A+E) + r(A-E) = n$。
**解**:$(A+E)(A-E) = A^2 - E = O \Rightarrow r(A+E)+r(A-E)\le n$;
又 $(A+E) - (A-E) = 2E$,故 $n = r(2E) \le r(A+E)+r(A-E)$。夹逼得证。
> **变式二**:设 $A$ 为 $n$ 阶矩阵,$A^2 = O$,证明 $r(A) \le \dfrac{n}{2}$。
**解**:$A\cdot A = O \Rightarrow r(A)+r(A)\le n \Rightarrow r(A)\le n/2$。
> **变式三(伴随矩阵)**:证明 $r(A^*) = 1$ 当 $r(A) = n-1$。
**解**:$r(A)=n-1 \Rightarrow |A|=0 \Rightarrow AA^* = |A|E = O \Rightarrow r(A)+r(A^*)\le n \Rightarrow r(A^*)\le 1$。
又 $r(A)=n-1$ 说明存在非零 $n-1$ 阶子式 $\Rightarrow A^*$ 中有非零元 $\Rightarrow A^*\neq O \Rightarrow r(A^*)\ge 1$。故 $r(A^*)=1$。
> **口诀**:**"乘积为零得上界,和为单位得下界,上下一夹等号出。"**
@@ -0,0 +1,147 @@
# 题型五:等价向量组与矩阵等价
## 识别特征
- 题干:"判断向量组 $A$ 与 $B$ 是否等价"
- "求参数 $a$,使 $\alpha_1,\alpha_2,\alpha_3$ 与 $\beta_1,\beta_2,\beta_3$ 等价"
- 选择题辨析:"向量组等价"与"矩阵等价"的区别
- 涉及"$A$ 能由 $B$ 表示但 $B$ 不能由 $A$ 表示"
## 解题流程
```mermaid
flowchart TD
A[判定向量组 A 与 B 是否等价] --> B[拼成矩阵 A、B、A|B]
B --> C[对 A|B 做初等行变换化行阶梯]
C --> D[读出 r_A、r_B、r_A|B]
D --> E{r_A = r_B = r_A|B ?}
E -->|是| F[等价 ✓ 可互相表示]
E -->|否| G{哪一侧不等?}
G -->|r_A = r_A\|B ≠ r_B| H[B 可由 A 表示,反之不行]
G -->|r_B = r_A\|B ≠ r_A| I[A 可由 B 表示,反之不行]
G -->|r_A|B > 两者| J[互不能表示,不等价]
F --> K[含参题:解 r 相等的参数方程]
```
## 通法步骤
### 一、两个"等价"的严格区分(选择题核心)
| | **向量组等价** | **矩阵等价** |
|---|---------------|-------------|
| 定义 | 可**互相线性表示** | 存在可逆 $P,Q$ 使 $B=PAQ$ |
| 判据 | $r(A)=r(B)=r(A\mid B)$ | 同型 且 $r(A)=r(B)$ |
| 向量个数 | **可以不同** | 必须同型 |
| 强弱 | **强** | **弱** |
| 关系 | 向量组等价(同型时)$\Rightarrow$ 矩阵等价 | 反之**不成立** |
- *反例:* $A=\{(1,0)^T\}$,$B=\{(0,1)^T\}$:同型且 $r=1=1$(矩阵等价),但 $r(A\mid B)=2\neq1$(向量组**不**等价)。
### 二、判定步骤
1. **拼矩阵**:把两组向量都按列拼,构造 $A$、$B$、$(A \mid B)$
2. **一次化简**:只对 $(A\mid B)$ 做**初等行变换**化为行阶梯形(左半部分自动给出 $A$ 的阶梯形)
3. **读三个秩**:$r(A)$(左块非零行)、$r(A\mid B)$(整体非零行)、$r(B)$(单独算或从阶梯形右块判断)
4. **对照判据**:
- $r(A)=r(B)=r(A\mid B)$ → **等价**
- $r(A)=r(A\mid B) < r(B)$ → $B$ 可由 $A$ 表示,单向
- $r(B)=r(A\mid B) < r(A)$ → $A$ 可由 $B$ 表示,单向
- $r(A\mid B) > \max$ → 互不能表示
5. **含参**:由 $r(A)=r(A\mid B)$ 建立参数方程求解
### 三、重要推论
- 等价的向量组**秩必相等**($r(A)=r(B)$)
- 但 $r(A)=r(B)$ **推不出**等价(缺 $r(A\mid B)$ 条件)
- 等价具有**自反性、对称性、传递性**
- 等价的两个**无关**向量组,向量**个数必相同**(由"以少表多"定理)
- $\text{span}(A) = \text{span}(B) \iff A \cong B$(等价 $\iff$ 张成同一子空间)
## 常见陷阱
- ❌ **只比 $r(A)=r(B)$ 就断言等价**:最经典错误,必须加 $r(A\mid B)$
- ❌ **混淆两种等价**:矩阵等价只是"同型同秩",弱得多
- ❌ **要求两组向量个数相同**:向量组等价**不要求个数相同**(如 $\{\alpha\}$ 与 $\{\alpha, 2\alpha\}$ 等价)
- ❌ **对 $(A\mid B)$ 做列变换**:会破坏"表示关系",只能行变换
- ❌ **单向表示当成等价**:"$B$ 能由 $A$ 表示"只是一半,还需反向
## 经典母题
> **题目**:设
> $$\alpha_1=\begin{pmatrix}1\\2\\3\end{pmatrix},\ \alpha_2=\begin{pmatrix}1\\0\\2\end{pmatrix};\qquad
> \beta_1=\begin{pmatrix}1\\-2\\a+8\end{pmatrix},\ \beta_2=\begin{pmatrix}0\\ b\\ 2\end{pmatrix},\ \beta_3=\begin{pmatrix}2\\2\\5\end{pmatrix}$$
> 问 $a, b$ 为何值时向量组 $\{\alpha_1,\alpha_2\}$ 与 $\{\beta_1,\beta_2,\beta_3\}$ 等价?
**解**:
**第一步**:先求 $r(\alpha_1,\alpha_2)$。
$$
(\alpha_1,\alpha_2)=\begin{pmatrix}1&1\\2&0\\3&2\end{pmatrix}
\xrightarrow[r_3-3r_1]{r_2-2r_1}
\begin{pmatrix}1&1\\0&-2\\0&-1\end{pmatrix}
\xrightarrow{r_3-\frac12 r_2}
\begin{pmatrix}1&1\\0&-2\\0&0\end{pmatrix}
$$
故 $r(\alpha_1,\alpha_2)=2$。
**第二步**:等价要求 $r(\beta)=2$ 且 $r(\alpha\mid\beta)=2$。
对 $(\alpha_1,\alpha_2 \mid \beta_1,\beta_2,\beta_3)$ 化简:
$$
\begin{pmatrix}
1 & 1 & 1 & 0 & 2 \\
2 & 0 & -2 & b & 2 \\
3 & 2 & a+8 & 2 & 5
\end{pmatrix}
\xrightarrow[r_3-3r_1]{r_2-2r_1}
\begin{pmatrix}
1 & 1 & 1 & 0 & 2 \\
0 & -2 & -4 & b & -2 \\
0 & -1 & a+5 & 2 & -1
\end{pmatrix}
$$
$$
\xrightarrow{r_3-\frac12 r_2}
\begin{pmatrix}
1 & 1 & 1 & 0 & 2 \\
0 & -2 & -4 & b & -2 \\
0 & 0 & a+7 & 2-\frac{b}{2} & 0
\end{pmatrix}
$$
**第三步**:由 $r(\alpha\mid\beta)=2$ 要求末行全零:
$$
a + 7 = 0 \quad\text{且}\quad 2 - \frac{b}{2} = 0
$$
即
$$
\boxed{a = -7,\qquad b = 4}
$$
**第四步**:验证 $r(\beta)=2$。此时
$$
(\beta_1,\beta_2,\beta_3)=\begin{pmatrix}1&0&2\\-2&4&2\\1&2&5\end{pmatrix}
\xrightarrow[r_3-r_1]{r_2+2r_1}
\begin{pmatrix}1&0&2\\0&4&6\\0&2&3\end{pmatrix}
\xrightarrow{r_3-\frac12 r_2}
\begin{pmatrix}1&0&2\\0&4&6\\0&0&0\end{pmatrix}
$$
$r(\beta)=2$ ✓
**结论**:$a=-7,\ b=4$ 时,$r(\alpha)=r(\beta)=r(\alpha\mid\beta)=2$,两向量组**等价**。
**复盘**:
- **一个增广矩阵搞定全部**:把 $\alpha$ 放左、$\beta$ 放右,一次行变换同时给出 $r(\alpha)$ 与 $r(\alpha\mid\beta)$。
- 注意本题**向量个数不同**(2 个 vs 3 个)但仍可等价——因为等价看的是**张成空间**,不是个数。
- 最后一步验证 $r(\beta)=2$ **不可省略**:若 $r(\beta)=1$,虽 $r(\alpha\mid\beta)=2=r(\alpha)$,但 $r(\beta)\neq r(\alpha)$ 仍不等价。
---
> **变式(概念选择题)**:设 $A, B$ 均为 $3\times3$ 矩阵且 $r(A)=r(B)=2$,则
> (A) $A$ 与 $B$ 的列向量组等价
> (B) $A$ 与 $B$ 矩阵等价
> (C) 以上都对
**答**:(B)。矩阵等价只需同型同秩,成立;列向量组等价还需 $r(A\mid B)=2$,未必成立。
> **口诀**:**"三秩齐等才等价 —— $r(A)=r(B)=r(A\mid B)$,缺一不可。"**
@@ -0,0 +1,149 @@
# 题型六:向量空间与子空间
## 识别特征
- 题干:"判断集合 $V$ 是否构成向量空间(子空间)"
- "求 $V$ 的维数与一组基"
- "求向量 $\gamma$ 在基 $\alpha_1,\ldots,\alpha_r$ 下的坐标"
- 出现 $\text{span}\{\cdots\}$、解空间 $N(A)$、列空间 $C(A)$
## 解题流程
```mermaid
flowchart TD
A[给定集合 V ⊆ Rⁿ] --> B{V 是否含零向量?}
B -->|否| C[不是子空间 ✗ 结束]
B -->|是| D{对加法封闭?}
D -->|否| C
D -->|是| E{对数乘封闭?}
E -->|否| C
E -->|是| F[是子空间 ✓]
F --> G{V 的形式?}
G -->|span 生成型| H[求生成组的极大无关组<br/>= 基,个数 = 维数]
G -->|解空间 N_A| I[求基础解系<br/>= 基,维数 = n - r_A]
G -->|列空间 C_A| J[A 的列极大无关组<br/>维数 = r_A]
H --> K[求坐标:解方程组 基·x = γ]
I --> K
J --> K
```
## 通法步骤
### 一、判定是否为子空间(三查法)
1. **查零向量**:$0 \in V$?不含则**立即否定**(最快的否定手段)
2. **查加法封闭**:任取 $\alpha,\beta\in V$,验证 $\alpha+\beta \in V$
3. **查数乘封闭**:任取 $\alpha\in V,k\in\mathbb{R}$,验证 $k\alpha \in V$
> 🔑 **速判规律**:
> - **齐次**条件($\sum a_ix_i = 0$、$Ax=0$)→ **是**子空间
> - **非齐次**条件($\sum a_ix_i = 1$、$Ax=b\ (b\neq0)$)→ **不是**(不含 $0$)
> - 含**非线性**条件($x_1^2=x_2$、$x_1x_2=0$、$x_i\ge0$)→ **不是**
### 二、求维数与基
| $V$ 的形式 | 基 | 维数 |
|-----------|----|----|
| $\text{span}\{\alpha_1,\ldots,\alpha_m\}$ | 极大线性无关组 | $r(\alpha_1,\ldots,\alpha_m)$ |
| $N(A) = \{x\mid Ax=0\}$ | **基础解系** | $n - r(A)$ |
| $C(A) = \{Ax\}$ | $A$ 的列的极大无关组 | $r(A)$ |
| 由条件 $\sum a_ix_i=0$ 定义 | 解该齐次方程的基础解系 | $n - 1$($a$ 不全为零时)|
### 三、求坐标
$\gamma$ 在基 $\alpha_1,\ldots,\alpha_r$ 下的坐标 $x$ 满足
$$
(\alpha_1,\ldots,\alpha_r)\, x = \gamma
$$
- **实操**:对 $(\alpha_1,\ldots,\alpha_r \mid \gamma)$ 做**行变换**化行最简形,右侧即为坐标
- **方阵可逆时**:$x = A^{-1}\gamma$
## 常见陷阱
- ❌ **忘查零向量**:$\{x \mid x_1+x_2=1\}$ 看似"线性",实则不含 $0$ → 不是子空间
- ❌ **只验一种封闭性**:加法与数乘**都要**验(数乘含 $k=0$ 蕴含零向量,但仍应分别写清)
- ❌ **把生成组当基**:$\text{span}$ 的生成向量可能线性**相关**,必须先取极大无关组
- ❌ **维数 = 向量个数**:错!维数 = 极大无关组个数 = 秩
- ❌ **解空间维数写成 $r(A)$**:解空间维数是 $n - r(A)$,列空间才是 $r(A)$
- ❌ **$\mathbb{R}^n$ 的子空间维数超过 $n$**:不可能,$0\le \dim V\le n$
- ❌ **坐标与向量混淆**:坐标是**表示系数**($r$ 维),向量本身是 $n$ 维,二者维数常不同
## 经典母题
> **题目**:设 $V = \{(x_1,x_2,x_3,x_4)^T \in \mathbb{R}^4 \mid x_1 + x_2 + x_3 + x_4 = 0,\ x_1 - x_2 + x_3 - x_4 = 0\}$。
> (1) 证明 $V$ 是 $\mathbb{R}^4$ 的子空间;
> (2) 求 $V$ 的维数与一组基;
> (3) 求 $\gamma = (1,0,-1,0)^T$ 在所求基下的坐标。
**解**:
**(1) 证明是子空间**
$V$ 恰为齐次方程组 $Ax=0$ 的解集,其中
$$
A = \begin{pmatrix} 1&1&1&1 \\ 1&-1&1&-1 \end{pmatrix}
$$
- **零向量**:$A\cdot 0 = 0$,故 $0\in V$ ✓
- **加法封闭**:$\alpha,\beta\in V \Rightarrow A(\alpha+\beta)=A\alpha+A\beta=0 \Rightarrow \alpha+\beta\in V$ ✓
- **数乘封闭**:$A(k\alpha)=kA\alpha=0 \Rightarrow k\alpha\in V$ ✓
故 $V$ 是 $\mathbb{R}^4$ 的子空间(即 $A$ 的**零空间** $N(A)$)。$\blacksquare$
**(2) 求维数与基**
$$
A = \begin{pmatrix} 1&1&1&1 \\ 1&-1&1&-1 \end{pmatrix}
\xrightarrow{r_2-r_1}
\begin{pmatrix} 1&1&1&1 \\ 0&-2&0&-2 \end{pmatrix}
\xrightarrow{r_2 \div(-2)}
\begin{pmatrix} 1&1&1&1 \\ 0&1&0&1 \end{pmatrix}
\xrightarrow{r_1-r_2}
\begin{pmatrix} 1&0&1&0 \\ 0&1&0&1 \end{pmatrix}
$$
$r(A)=2$,$n=4$ → $\dim V = 4-2 = 2$。
主元变量 $x_1,x_2$,自由变量 $x_3,x_4$:
$$
x_1 = -x_3, \qquad x_2 = -x_4
$$
取 $(x_3,x_4)=(1,0)$ 与 $(0,1)$:
$$
\xi_1 = \begin{pmatrix}-1\\0\\1\\0\end{pmatrix},\qquad
\xi_2 = \begin{pmatrix}0\\-1\\0\\1\end{pmatrix}
$$
**答**:$\dim V = 2$,基为 $\{\xi_1, \xi_2\}$(即基础解系)。
*验算*:$\xi_1$:$-1+0+1+0=0$ ✓,$-1-0+1-0=0$ ✓
**(3) 求坐标**
先验证 $\gamma\in V$:$1+0-1+0=0$ ✓,$1-0-1-0=0$ ✓。
解 $c_1\xi_1 + c_2\xi_2 = \gamma$:
$$
c_1\begin{pmatrix}-1\\0\\1\\0\end{pmatrix} + c_2\begin{pmatrix}0\\-1\\0\\1\end{pmatrix} = \begin{pmatrix}1\\0\\-1\\0\end{pmatrix}
$$
由第 1 个分量 $-c_1 = 1 \Rightarrow c_1 = -1$;第 2 个分量 $-c_2 = 0 \Rightarrow c_2 = 0$。
其余分量自动满足:第 3 分量 $c_1 = -1$ ✓,第 4 分量 $c_2 = 0$ ✓。
**答**:$\gamma$ 的坐标为 $(-1, 0)^T$。
**复盘**:
- **核心洞察**:由**齐次线性方程组**定义的集合天然是子空间,"证明"部分只需三查(也可直接引用"解空间是子空间")。
- **$\dim V = n - r(A) = 4-2 = 2$**:这就是 Ch03 基础解系个数公式在向量空间语言下的表述——**基础解系 = 解空间的基**。
- **坐标是 2 维的**,而向量 $\gamma$ 是 4 维的。坐标的维数 = $\dim V$,不是 $n$。这是最易混淆的一点。
---
> **变式一(否定型)**:判断 $W = \{(x_1,x_2)^T \mid x_1 x_2 = 0\}$ 是否为 $\mathbb{R}^2$ 的子空间。
**解**:含零向量 ✓,数乘封闭 ✓,但 $(1,0)^T,(0,1)^T \in W$ 而 $(1,0)^T+(0,1)^T=(1,1)^T \notin W$($1\cdot1\neq0$)→ **加法不封闭,不是子空间**。
> **变式二(维数计算)**:求 $V = \text{span}\{(1,1,0)^T,(2,2,0)^T,(0,0,1)^T\}$ 的维数。
**解**:前两个成比例,秩为 2 → $\dim V = 2$,基可取 $\{(1,1,0)^T,(0,0,1)^T\}$。
> **口诀**:**"齐次是空间,非齐次不是;维数看秩不看个数;解空间维数 $=n-r$,列空间维数 $=r$。"**
@@ -0,0 +1,165 @@
# 题型七:向量空间的基变换与坐标变换
## 识别特征
- 题干给出**两组基** $\alpha_1,\ldots,\alpha_n$ 与 $\beta_1,\ldots,\beta_n$
- "求由基 $A$ 到基 $B$ 的**过渡矩阵**"
- "已知 $\gamma$ 在基 $A$ 下的坐标,求在基 $B$ 下的坐标"
- "求在两组基下坐标**相同**的向量"
## 解题流程
```mermaid
flowchart TD
A[给定两组基 α 与 β] --> B[按列拼成矩阵 A、B]
B --> C[基变换公式 B = A·P]
C --> D[过渡矩阵 P = A⁻¹B]
D --> E[实操: A|B --行变换--> E|P]
E --> F{问题类型}
F -->|求坐标变换| G[γ = A·x = B·y]
G --> H[x = P·y,即 y = P⁻¹x]
F -->|求同坐标向量| I[令 x = y,解 P-E·x = 0]
I --> J[求基础解系,通解即所求]
F -->|验证是否为基| K[det A ≠ 0 ⟺ 是一组基]
```
## 通法步骤
### 一、核心公式(必背,注意方向)
设 $A=(\alpha_1,\ldots,\alpha_n)$,$B=(\beta_1,\ldots,\beta_n)$(均按列拼)。
**基变换公式**:
$$
(\beta_1,\ldots,\beta_n) = (\alpha_1,\ldots,\alpha_n) P \quad\Longleftrightarrow\quad B = AP
$$
$P$ 称为由基 $\{\alpha\}$ **到**基 $\{\beta\}$ 的**过渡矩阵**,$P = A^{-1}B$(必可逆)。
**坐标变换公式**:设 $\gamma$ 在基 $\{\alpha\}$ 下坐标为 $x$,在基 $\{\beta\}$ 下坐标为 $y$,则
$$
\gamma = Ax = By = (AP)y = A(Py) \;\Longrightarrow\; \boxed{x = Py,\quad y = P^{-1}x}
$$
> ⚠️ **方向记忆**:**基"正变"($B=AP$),坐标"逆变"($y=P^{-1}x$)**。这是最高频的记反点。
### 二、求过渡矩阵的实操
**方法**(避免求逆,最快):
$$
(A \mid B) \xrightarrow{\text{初等行变换}} (E \mid P)
$$
左块化成单位阵时,右块即 $P = A^{-1}B$。
**特例**:若 $\{\alpha\}$ 是**自然基** $\{e_1,\ldots,e_n\}$,则 $A=E$,直接 $P = B$。
### 三、常见问法与对策
| 问法 | 对策 |
|------|------|
| 求 $\alpha \to \beta$ 的过渡矩阵 | $P = A^{-1}B$,用 $(A\mid B)\to(E\mid P)$ |
| 求 $\beta \to \alpha$ 的过渡矩阵 | $P^{-1} = B^{-1}A$,用 $(B\mid A)\to(E\mid P^{-1})$ |
| 已知 $x$ 求 $y$ | $y = P^{-1}x$ |
| 已知 $y$ 求 $x$ | $x = Py$ |
| 求两基下坐标**相同**的向量 | 令 $x=y$:$x = Px \Rightarrow (P-E)x = 0$,求基础解系 |
| 验证是否为基 | $\det A \neq 0$($n$ 个 $n$ 维向量) |
## 常见陷阱
- ❌ **坐标变换方向记反**:写成 $y = Px$(错),正确是 $x = Py$
- ❌ **基向量按行拼**:必须**按列**拼成矩阵,否则公式全乱
- ❌ **过渡矩阵定义方向混淆**:"由 $A$ 到 $B$"是 $B=AP$,不是 $A=BP$
- ❌ **忘记验证是基**:题目若未言明,需先验 $\det \neq 0$
- ❌ **求同坐标向量时解错方程**:是 $(P-E)x=0$,若 $\det(P-E)\neq0$ 则只有零向量
- ❌ **过渡矩阵不可逆**:过渡矩阵**必然可逆**(两组都是基),若算出 $\det P=0$ 说明计算错了 —— 是很好的自查手段
## 经典母题
> **题目**:在 $\mathbb{R}^3$ 中给定两组基
> $$\alpha_1=\begin{pmatrix}1\\0\\0\end{pmatrix},\ \alpha_2=\begin{pmatrix}1\\1\\0\end{pmatrix},\ \alpha_3=\begin{pmatrix}1\\1\\1\end{pmatrix};\qquad
> \beta_1=\begin{pmatrix}1\\2\\1\end{pmatrix},\ \beta_2=\begin{pmatrix}2\\3\\3\end{pmatrix},\ \beta_3=\begin{pmatrix}3\\7\\1\end{pmatrix}$$
> (1) 求由基 $\{\alpha\}$ 到基 $\{\beta\}$ 的过渡矩阵 $P$;
> (2) 求 $\gamma$ 在基 $\{\alpha\}$ 下坐标为 $(1,2,3)^T$ 时,它在基 $\{\beta\}$ 下的坐标;
> (3) 求在两组基下坐标相同的所有向量。
**解**:
**(1) 求过渡矩阵**
$A=\begin{pmatrix}1&1&1\\0&1&1\\0&0&1\end{pmatrix}$(上三角,$\det A=1\neq0$,确是基)。
$$
(A\mid B)=\left(\begin{array}{ccc|ccc}
1&1&1 & 1&2&3 \\
0&1&1 & 2&3&7 \\
0&0&1 & 1&3&1
\end{array}\right)
\xrightarrow[r_1-r_2]{r_2-r_3}
\left(\begin{array}{ccc|ccc}
1&0&0 & -1&-1&-4 \\
0&1&0 & 1&0&6 \\
0&0&1 & 1&3&1
\end{array}\right)
$$
*(先 $r_2-r_3$ 得第 2 行 $(0,1,0\mid 1,0,6)$,再 $r_1-r_2^{\text{新}}-r_3$ 得第 1 行)*
$$
\boxed{P = \begin{pmatrix} -1 & -1 & -4 \\ 1 & 0 & 6 \\ 1 & 3 & 1 \end{pmatrix}}
$$
*验算*:$AP$ 的第 1 列 $= -1\alpha_1+1\alpha_2+1\alpha_3 = (-1,0,0)+(1,1,0)+(1,1,1)=(1,2,1)^T=\beta_1$ ✓
**(2) 坐标变换**
已知 $x=(1,2,3)^T$,求 $y = P^{-1}x$。等价于解 $Py = x$:
$$
\left(\begin{array}{ccc|c}
-1&-1&-4 & 1 \\
1&0&6 & 2 \\
1&3&1 & 3
\end{array}\right)
$$
由第 2 行:$y_1 = 2 - 6y_3$。代入第 1 行:$-(2-6y_3) - y_2 - 4y_3 = 1 \Rightarrow 2y_3 - y_2 = 3 \Rightarrow y_2 = 2y_3-3$。
代入第 3 行:$(2-6y_3) + 3(2y_3-3) + y_3 = 3 \Rightarrow 2 - 6y_3 + 6y_3 - 9 + y_3 = 3 \Rightarrow y_3 = 10$。
于是 $y_2 = 17$,$y_1 = 2-60 = -58$。
$$
\boxed{y = (-58,\ 17,\ 10)^T}
$$
*验算思路*:$\gamma = Ax = 1\alpha_1+2\alpha_2+3\alpha_3 = (1,0,0)+(2,2,0)+(3,3,3) = (6,5,3)^T$;
$By = -58(1,2,1)^T+17(2,3,3)^T+10(3,7,1)^T = (-58+34+30,\ -116+51+70,\ -58+51+10) = (6,5,3)^T$ ✓
**(3) 坐标相同的向量**
令 $x = y$,由 $x = Py$ 得 $x = Px$,即
$$
(P - E)x = 0,\qquad P-E = \begin{pmatrix} -2 & -1 & -4 \\ 1 & -1 & 6 \\ 1 & 3 & 0 \end{pmatrix}
$$
化简:
$$
\xrightarrow{r_1\leftrightarrow r_3}
\begin{pmatrix} 1&3&0 \\ 1&-1&6 \\ -2&-1&-4 \end{pmatrix}
\xrightarrow[r_3+2r_1]{r_2-r_1}
\begin{pmatrix} 1&3&0 \\ 0&-4&6 \\ 0&5&-4 \end{pmatrix}
\xrightarrow{r_3+\frac54 r_2}
\begin{pmatrix} 1&3&0 \\ 0&-4&6 \\ 0&0&\frac{7}{2} \end{pmatrix}
$$
$r(P-E)=3$,故 $(P-E)x=0$ **只有零解**。
**答**:只有**零向量**在两组基下坐标相同。
**复盘**:
- **(1) 的最优解法**是 $(A\mid B)\to(E\mid P)$,绝不要真去求 $A^{-1}$ 再乘。
- **(2) 中不必求 $P^{-1}$**:直接解方程组 $Py=x$ 比求逆再乘快得多、错得少。
- **(3) 的本质**:$(P-E)x=0$ 有非零解 $\iff 1$ 是 $P$ 的**特征值**(Ch05 预告!)。本题 $\det(P-E)\neq0$ 说明 1 不是 $P$ 的特征值,故只有零向量。
- **自查技巧**:过渡矩阵必可逆,本题 $\det P$ 应非零,可快速验算。
---
> **变式(自然基情形)**:设 $\{\beta\}$ 如上,自然基 $\{e_1,e_2,e_3\}$ 到 $\{\beta\}$ 的过渡矩阵是什么?
**解**:$A=E$,故 $P = E^{-1}B = B = \begin{pmatrix}1&2&3\\2&3&7\\1&3&1\end{pmatrix}$。**自然基下过渡矩阵就是新基本身。**
> **口诀**:**"基正坐标逆:$B=AP$,$x_{旧}=Py_{新}$。过渡矩阵拼增广,$(A\mid B)\to(E\mid P)$。"**
@@ -0,0 +1,633 @@
# 📌 第五章 相似矩阵及二次型 考研核心通关笔记
> 线性代数的"几何归宿"——把一般矩阵化为最简形式(对角形),把二次曲线化为标准形
---
## ① 本章核心知识框架 (Core Concept Map)
### 1.1 向量的内积、长度及正交性
#### 一、内积定义
设 $\boldsymbol{\alpha} = (a_1, \ldots, a_n)^T$, $\boldsymbol{\beta} = (b_1, \ldots, b_n)^T \in \mathbb{R}^n$:
$$
[\boldsymbol{\alpha}, \boldsymbol{\beta}] = a_1 b_1 + a_2 b_2 + \cdots + a_n b_n = \boldsymbol{\alpha}^T \boldsymbol{\beta}
$$
- *极简例子:* $[(1,2,3), (4,5,6)] = 4 + 10 + 18 = 32$
- **几何意义**:$[\boldsymbol{\alpha}, \boldsymbol{\beta}] = |\boldsymbol{\alpha}| |\boldsymbol{\beta}| \cos\theta$
#### 二、长度(范数)
$$
\|\boldsymbol{\alpha}\| = \sqrt{[\boldsymbol{\alpha}, \boldsymbol{\alpha}]} = \sqrt{a_1^2 + \cdots + a_n^2}
$$
- **单位向量**:$\|\boldsymbol{\alpha}\| = 1$
- **标准化**:$\boldsymbol{\alpha}^0 = \dfrac{\boldsymbol{\alpha}}{\|\boldsymbol{\alpha}\|}$
#### 三、正交性
- **正交**:$[\boldsymbol{\alpha}, \boldsymbol{\beta}] = 0$
- **正交向量组**:两两正交的非零向量组**必线性无关**
- **正交基**:$n$ 维空间中 $n$ 个两两正交的非零向量
- **标准正交基**:正交基 + 每个向量为单位向量
#### 四、Schmidt 正交化 ⭐
把线性无关组 $\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \ldots, \boldsymbol{\alpha}_r$ 化为标准正交组 $\boldsymbol{\eta}_1, \ldots, \boldsymbol{\eta}_r$:
$$
\begin{aligned}
\boldsymbol{\beta}_1 &= \boldsymbol{\alpha}_1 \\
\boldsymbol{\beta}_2 &= \boldsymbol{\alpha}_2 - \dfrac{[\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 \\
\boldsymbol{\beta}_3 &= \boldsymbol{\alpha}_3 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_2]}{[\boldsymbol{\beta}_2, \boldsymbol{\beta}_2]} \boldsymbol{\beta}_2 \\
&\vdots
\end{aligned}
\quad \boldsymbol{\eta}_i = \dfrac{\boldsymbol{\beta}_i}{\|\boldsymbol{\beta}_i\|}
$$
- *极简例子:* $\boldsymbol{\alpha}_1=(1,1,0)$, $\boldsymbol{\alpha}_2=(1,0,1)$ → $\boldsymbol{\beta}_1=(1,1,0)$, $\boldsymbol{\beta}_2=(1,0,1)-(1/2)(1,1,0)=(1/2,-1/2,1)$
#### 五、正交矩阵 ⭐⭐
$n$ 阶方阵 $Q$ 满足 $Q^T Q = E$(等价于 $Q^T = Q^{-1}$)。
- **判定**:列向量组是 $\mathbb{R}^n$ 的标准正交基
- **性质**:$|Q| = \pm 1$; $Q$ 的特征值模长 $= 1$; $Q^{-1}, Q^T$ 仍为正交矩阵
- *极简例子:* $Q = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}$(旋转矩阵)
> 🔑 **正交矩阵 = 长度与夹角保持不变的线性变换**。
---
### 1.2 方阵的特征值与特征向量 ⭐⭐⭐
#### 一、定义
设 $A$ 为 $n$ 阶方阵,若存在数 $\lambda$ 和非零向量 $\boldsymbol{\xi}$ 使 $A \boldsymbol{\xi} = \lambda \boldsymbol{\xi}$,则:
- $\lambda$ 称为 $A$ 的**特征值**
- $\boldsymbol{\xi}$ 称为 $A$ 的属于 $\lambda$ 的**特征向量**
*极简例子:* $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$, $\boldsymbol{\xi} = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$ → $A\boldsymbol{\xi} = \begin{pmatrix} 3 \\ 3 \end{pmatrix} = 3\boldsymbol{\xi}$,故 $\lambda=3$。
#### 二、特征方程
$A\boldsymbol{\xi} = \lambda\boldsymbol{\xi} \iff (\lambda E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 有非零解
$$
|\lambda E - A| = 0 \quad \text{(特征方程)}
$$
$|\lambda E - A|$ 称为**特征多项式**,记为 $f(\lambda)$,是 $n$ 次多项式。
*极简例子:* 上例 $|\lambda E - A| = (\lambda-2)^2 - 1 = (\lambda-3)(\lambda-1)$,特征值 $\lambda=3,1$。
#### 三、特征值的性质
| 性质 | 公式 |
|------|------|
| 行列式 | $\det A = \prod_{i=1}^n \lambda_i$ |
| 迹 | $\text{tr}(A) = \sum_{i=1}^n a_{ii} = \sum_{i=1}^n \lambda_i$ |
| 和 | $\sum \lambda_i = a_{11} + a_{22} + \cdots + a_{nn}$ |
| 积 | $\prod \lambda_i = \det A$ |
#### 四、特征向量的性质
- **不同特征值的特征向量线性无关**
- **同一特征值的特征向量的线性组合仍是该特征值的特征向量**
- **不同特征值的特征向量之和不是特征向量**
#### 五、特征值的常用结论 ⭐
| 矩阵关系 | 特征值关系 |
|---------|-----------|
| $A^T$ | 与 $A$ **相同**(特征向量不同) |
| $A^k$ | $\lambda^k$ |
| $A^{-1}$ | $1/\lambda$($A$ 可逆时) |
| $A^* = (\det A) A^{-1}$ | $\det A / \lambda = \prod_{j \neq i} \lambda_j$ |
| $A + \alpha E$ | $\lambda + \alpha$ |
| $P^{-1}AP$(相似) | 与 $A$ **相同** |
| $f(A)$(多项式) | $f(\lambda)$ |
*极简例子:* $A$ 特征值为 $2, 3, 5$ → $A^{-1}$ 特征值为 $1/2, 1/3, 1/5$;$A^2 - 3A + E$ 特征值为 $4-6+1=-1$, $9-9+1=1$, $25-15+1=11$。
---
### 1.3 相似矩阵
#### 一、定义
$B = P^{-1} A P$($P$ 可逆)$\iff A \sim B$($A$ 相似于 $B$)
#### 二、相似矩阵的性质
| 性质 | 内容 |
|------|------|
| 反身性 | $A \sim A$ |
| 对称性 | $A \sim B \Rightarrow B \sim A$ |
| 传递性 | $A \sim B, B \sim C \Rightarrow A \sim C$ |
| 行列式 | $\det A = \det B$ |
| 迹 | $\text{tr}(A) = \text{tr}(B)$ |
| 特征值 | **相同**(含代数重数) |
| 特征多项式 | **相同** |
| 秩 | $r(A) = r(B)$ |
> ⚠️ **相似不保持**:特征向量、$A^{-1}$、$A^T$、$A^*$ 等。
#### 三、矩阵可相似对角化的充要条件 ⭐⭐⭐
$n$ 阶矩阵 $A$ 相似于对角阵 $\iff$ $A$ 有 $n$ 个**线性无关**的特征向量。
**等价条件**(实对称矩阵必满足):
- $A$ 的每个 $k$ 重特征值恰有 $k$ 个线性无关的特征向量
- $\sum_i n_i = n$(线性无关特征向量个数 = 阶数)
#### 四、对角化步骤
1. 求特征方程 $|\lambda E - A| = 0$ 的根 $\lambda_1, \ldots, \lambda_n$
2. 对每个 $\lambda_i$,解 $(\lambda_i E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 得基础解系
3. 把所有特征向量按列排成 $P = (\boldsymbol{\xi}_1, \ldots, \boldsymbol{\xi}_n)$
4. $P^{-1} A P = \text{diag}(\lambda_1, \ldots, \lambda_n)$
*极简例子:* $A = \text{diag}(1, 2, 3)$ 已是对角阵,$P = E$ 即可。
---
### 1.4 对称矩阵的对角化 ⭐⭐⭐
#### 一、实对称矩阵的特征值性质
| 性质 | 内容 |
|------|------|
| 特征值 | **全为实数** |
| 不同特征值的特征向量 | **正交** |
| $k$ 重特征值 | 恰有 $k$ 个线性无关特征向量 |
> 🔑 **核心定理**:实对称矩阵必可**正交相似对角化**。
#### 二、正交相似对角化步骤
1. 求特征方程的所有**实特征值** $\lambda_1, \ldots, \lambda_n$
2. 对每个 $\lambda_i$($n_i$ 重),求 $(\lambda_i E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的 $n_i$ 个线性无关特征向量
3. 用 **Schmidt 正交化**将每组正交化,再**单位化**
4. 所有特征向量组成**正交矩阵** $Q$,则 $Q^T A Q = Q^{-1} A Q = \text{diag}(\lambda_1, \ldots, \lambda_n)$
*极简例子:* $A = \begin{pmatrix} 1 & 1 \\ 1 & 1 \end{pmatrix}$ → 特征值 $\lambda_1 = 2$(特征向量 $(1,1)^T$),$\lambda_2 = 0$(特征向量 $(1,-1)^T$)→ $Q = \frac{1}{\sqrt{2}}\begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$,$Q^T A Q = \text{diag}(2, 0)$。
---
### 1.5 二次型及其标准形
#### 一、二次型定义
$n$ 个变量 $x_1, \ldots, x_n$ 的二次齐次多项式:
$$
f(x_1, \ldots, x_n) = \sum_{i,j=1}^n a_{ij} x_i x_j \quad (a_{ij} = a_{ji})
$$
**矩阵表示**:
$$
f = \boldsymbol{x}^T A \boldsymbol{x}, \quad A = (a_{ij}), \quad \boldsymbol{x} = (x_1, \ldots, x_n)^T
$$
$A$ 称为二次型的**矩阵**,必为**对称矩阵**。
*极简例子:* $f(x_1, x_2) = x_1^2 + 2x_1 x_2 + 3x_2^2 = (x_1, x_2)\begin{pmatrix} 1 & 1 \\ 1 & 3 \end{pmatrix}\begin{pmatrix} x_1 \\ x_2 \end{pmatrix}$
#### 二、标准形
只含平方项的二次型:
$$
f = d_1 y_1^2 + d_2 y_2^2 + \cdots + d_n y_n^2
$$
**规范形**:标准形中系数只取 $1, -1, 0$。
#### 三、可逆变换化标准形
**正交变换法**:找正交矩阵 $Q$,令 $\boldsymbol{x} = Q \boldsymbol{y}$,则
$$
\boldsymbol{x}^T A \boldsymbol{x} = \boldsymbol{y}^T (Q^T A Q) \boldsymbol{y} = \lambda_1 y_1^2 + \cdots + \lambda_n y_n^2
$$
> 🔑 **正交变换保持几何性质**(长度、夹角),是首选方法。
---
### 1.6 用配方法化二次型成标准形
#### 一、二次型配方步骤
对每一对 $x_i x_j$($i \neq j$)系数不为 0 时,先**集中含 $x_i$ 的项**,再**完全平方**。
*极简例子:*
$$
f = x_1^2 + 2x_2^2 + 2x_1 x_2 = (x_1 + x_2)^2 + x_2^2
$$
#### 二、配方法的标准流程
1. 若 $a_{ii} \neq 0$:把含 $x_i$ 的所有项集中配方
2. 若所有 $a_{ii} = 0$ 但 $a_{ij} \neq 0$:先做可逆变换 $x_i = y_i + y_j, x_j = y_i - y_j$ 制造平方项
3. 重复直到只剩平方项
---
### 1.7 正定二次型 ⭐⭐⭐
#### 一、定义
设二次型 $f(\boldsymbol{x}) = \boldsymbol{x}^T A \boldsymbol{x}$:
- **正定**:对任意 $\boldsymbol{x} \neq \boldsymbol{0}$,$f(\boldsymbol{x}) > 0$
- **负定**:$f(\boldsymbol{x}) < 0$ 对一切 $\boldsymbol{x} \neq \boldsymbol{0}$
- **不定**:既有正值也有负值
> ⚠️ 正定二次型的矩阵 $A$ 必为实对称矩阵。
#### 二、正定的充要条件 ⭐⭐⭐
设 $A$ 为 $n$ 阶实对称矩阵,下列条件**等价**:
| 条件 | 表述 |
|------|------|
| 1 | $A$ 是正定矩阵 |
| 2 | $A$ 的所有特征值 $\lambda_i > 0$ |
| 3 | $A$ 的所有顺序主子式 $\Delta_k > 0$(赫尔维茨定理)⭐ |
| 4 | $A$ 与单位阵 $E$ **合同** |
| 5 | 存在可逆矩阵 $C$,使 $A = C^T C$ |
| 6 | $A$ 的所有主子式 $> 0$(充分不必要) |
**顺序主子式**:
$$
\Delta_1 = |a_{11}|, \quad \Delta_2 = \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}, \quad \ldots, \quad \Delta_n = |A|
$$
*极简例子:* $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$,$\Delta_1 = 2 > 0$,$\Delta_2 = 4-1 = 3 > 0$ → **正定**。
#### 三、其他定性判定
| 类型 | 判定条件 |
|------|---------|
| **正定** | 所有顺序主子式 $\Delta_k > 0$ |
| **负定** | $(-1)^k \Delta_k > 0$(即奇阶主子式 $< 0$,偶阶 $> 0$) |
| **半正定** | $\Delta_k \ge 0$($k=1,\ldots,n$) |
| **不定** | 不满足上述任一条件 |
---
### 1.8 矩阵的合同关系
#### 一、合同定义
$A, B$ 为 $n$ 阶实对称矩阵,若存在可逆矩阵 $C$ 使 $B = C^T A C$,则称 $A$ 与 $B$ **合同**,记 $A \simeq B$。
#### 二、合同与相似的关系
| 关系 | 存在矩阵 | 保持 |
|------|---------|------|
| **相似** $A \sim B$ | $B = P^{-1} A P$ | 特征值、行列式、迹 |
| **合同** $A \simeq B$ | $B = C^T A C$ | 正定性、秩、惯性指数 |
| **正交相似** | $B = Q^T A Q$($Q$ 正交) | 特征值(合同+相似) |
> ⚠️ **相似 $\not\Rightarrow$ 合同,合同 $\not\Rightarrow$ 相似**——但实对称矩阵的合同 + 相似 = 正交相似。
#### 三、矩阵的等价关系全家福
$$
A \xrightarrow{\text{正交相似}} B \iff
\begin{cases}
A \sim B \quad \text{(特征值相同)} \\
A \simeq B \quad \text{(惯性指数相同)}
\end{cases}
$$
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 向量内积与正交 | Schmidt 正交化、正交矩阵 | [[题型1_向量内积与正交]] |
| 2 | 特征值与特征向量计算 | $\lvert\lambda E - A\rvert = 0$ 解方程 | [[题型2_特征值与特征向量计算]] |
| 3 | 矩阵相似与对角化判定 | $n$ 个线性无关特征向量 | [[题型3_矩阵相似与对角化判定]] |
| 4 | 对称矩阵的对角化 | 正交矩阵 $Q^T A Q = \Lambda$ | [[题型4_对称矩阵的对角化]] |
| 5 | 抽象矩阵的特征值 | $A^2, A^*, A^{-1}$ 的特征值 | [[题型5_抽象矩阵的特征值]] |
| 6 | 二次型化为标准形 | 正交变换法 / 配方法 | [[题型6_二次型化为标准形]] |
| 7 | 正定性的判定 | 顺序主子式 / 特征值 | [[题型7_正定性的判定]] |
| 8 | 合同与相似的关系 | 相似 vs 合同的辨析 | [[题型8_合同与相似的关系]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 二次型化标准形(正交变换法 + 配方法) | 15次 | 10-12分 |
| 2 | 实对称矩阵正交相似对角化 | 12次 | 10-12分 |
| 3 | 正定性的判定(顺序主子式 / 特征值) | 10次 | 4-6分 |
| 4 | 抽象矩阵的特征值 | 8次 | 4分 |
| 5 | 相似与合同辨析 | 5次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个实对称矩阵,从"算特征值"到"判正定"贯穿 4 道例题。
> **同一矩阵**:$A = \begin{pmatrix} 5 & 2 \\ 2 & 2 \end{pmatrix}$
**角度一:选择题(特征值计算)**
求 $A$ 的特征值。
**解**:$\lvert\lambda E - A\rvert = (\lambda-5)(\lambda-2) - 4 = \lambda^2 - 7\lambda + 6 = (\lambda-1)(\lambda-6)$
→ 特征值 $\lambda_1 = 6, \lambda_2 = 1$。
**角度二:填空题(正交对角化)**
求正交矩阵 $Q$ 使 $Q^T A Q = \Lambda$。
**解**:$\lambda_1=6$:$(6E-A)\boldsymbol{\xi} = \begin{pmatrix} 1 & 2 \\ 2 & 4 \end{pmatrix}\boldsymbol{\xi}=0$ → $\boldsymbol{\xi}_1=(2,1)^T$
$\lambda_2=1$:$(E-A)\boldsymbol{\xi} = \begin{pmatrix} -4 & 2 \\ 2 & -1 \end{pmatrix}\boldsymbol{\xi}=0$ → $\boldsymbol{\xi}_2=(1,-2)^T$
$Q = \frac{1}{\sqrt{5}}\begin{pmatrix} 2 & 1 \\ 1 & -2 \end{pmatrix}$, $\Lambda = \text{diag}(6, 1)$。
**角度三:解答题(二次型标准化)**
化二次型 $f = 5x_1^2 + 4x_1 x_2 + 2x_2^2$ 为标准形。
**解**:二次型矩阵 $A = \begin{pmatrix} 5 & 2 \\ 2 & 2 \end{pmatrix}$,令 $\boldsymbol{x} = Q\boldsymbol{y}$,$f = 6 y_1^2 + y_2^2$。
**角度四:判定题(正定性)**
问 $A$ 是否正定。
**解**:$\Delta_1 = 5 > 0$,$\Delta_2 = 10-4 = 6 > 0$ → **正定**。
或:特征值 $6 > 0, 1 > 0$ → 正定。
**启示**:同一个对称矩阵,选择题考特征值、填空考对角化、解答考二次型、判定考正定——**矩阵是核心,二次型是外衣,正定性是终极应用**。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:本章决策树
```
拿到题目
├── 已知什么?
│ ├── 具体矩阵 → 算特征值/特征向量
│ ├── 抽象矩阵 → 公式库 (A², A*, A⁻¹ 特征值)
│ ├── 实对称矩阵 → 正交对角化
│ ├── 二次型 → 化标准形 / 判正定
│ └── 含参数 → 先化简再讨论
├── 求什么?
│ ├── 特征值 → |λE-A|=0
│ ├── 特征向量 → (λE-A)ξ=0 基础解系
│ ├── 相似对角化 → n 个线性无关特征向量?
│ ├── 正交对角化 → Schmidt 正交化
│ ├── 化标准形 → 正交变换 / 配方法
│ ├── 正定性 → 顺序主子式
│ └── 合同/相似 → 辨析关系
└── 兜底
├── 实对称 → 用顺序主子式判正定
├── 抽象 → 用公式库
└── 不会 → 用特征值总和 = 迹
```
### 方法一:特征值求解的三条路径
**路径 A:直接法**(低阶具体矩阵)
1. 写出特征多项式 $|\lambda E - A|$
2. 展开降幂
3. 因式分解求根
**路径 B:抽象矩阵公式库**(已知 $\det A$, $\text{tr}(A)$, $A$ 满足的关系)
- 矩阵 $A$ 满足 $A^2 + aA + bE = 0$ → $\lambda^2 + a\lambda + b = 0$
- $A^2 = A$(幂等)→ $\lambda^2 = \lambda$ → $\lambda = 0$ 或 $1$
- $A^2 = E$(对合)→ $\lambda = \pm 1$
**路径 C:分块矩阵**(分块三角阵)
- 特征值 = 各对角块特征值之并集
*极简例子:* $A = \begin{pmatrix} 2 & 0 & 1 \\ 0 & 3 & 0 \\ 1 & 0 & 2 \end{pmatrix}$,按第 2 行展开或分块。
### 方法二:化标准形两大利器
| 工具 | 适用场景 | 优点 | 缺点 |
|------|---------|------|------|
| **正交变换法** | 实对称二次型 | 保持几何性质,系数 = 特征值 | 计算量大 |
| **配方法** | 任意二次型 | 快速得到标准形 | 不正交,不唯一 |
**正交变换法 vs 配方法 = 几何法 vs 代数法**。
### 方法三:正定性判定速查表 ⭐⭐⭐
| 类型 | 判定条件 |
|------|---------|
| **正定** | $\Delta_1, \Delta_2, \ldots, \Delta_n > 0$(**全正**) |
| **负定** | $-\Delta_1, \Delta_2, -\Delta_3, \ldots > 0$(**交替正**) |
| **半正定** | $\Delta_k \ge 0$ 且 $\det A = 0$ |
| **半负定** | $(-1)^k \Delta_k \ge 0$ 且 $\det A = 0$ |
| **不定** | 不满足上述任一 |
> ⚠️ **正定等价条件记忆口诀**:**"主子式全正才是正,一负则不定"**。
### 方法四:跨章节通法速查表
| 通用技法 | 本章出现场景 | 前后章节联系 | 判断依据 |
|---------|------------|------------|---------|
| **特征值法** | $\det A = \prod \lambda_i$ | Ch01 抽象行列式 → Ch05 全面升级 | $A$ 是抽象矩阵 |
| **构造变换矩阵** | 正交矩阵 $Q$ | Ch02 矩阵乘法、Ch03 初等变换 | 实对称矩阵对角化 |
| **Schmidt 正交化** | 线性无关 → 标准正交 | Ch04 极大无关组 | 特征向量不正交 |
| **完全平方** | 二次型配方法 | Ch01 行列式计算 | 含交叉项 |
| **顺序主子式** | 正定性判定 | Ch01 行列式 → Ch05 终结应用 | 对称矩阵判定 |
| **特征多项式求根** | 行列式方程 | Ch01 行列式方程 → Ch05 特征方程 | 抽象参数问题 |
### 方法五:合同 vs 相似的"判别清单"
| 性质 | 相似 $A \sim B$ | 合同 $A \simeq B$ |
|------|----------------|-------------------|
| 变换式 | $B = P^{-1} A P$ | $B = C^T A C$ |
| 行列式 | 必相等 | 不必相等 |
| 特征值 | 必相同 | 不必相同 |
| 迹 | 必相等 | 不必相等 |
| 秩 | 必相等 | 必相等 |
| 正定性 | 必相同 | 必相同 |
| 实对称 | 等价 | 等价 |
> 🔑 **实对称矩阵的合同 ⇔ 相似 ⇔ 正交相似**(三者对实对称矩阵等价)。
### 方法六:矩阵对角化的"完整清单"
```
A 可对角化
├── 充要条件:A 有 n 个线性无关特征向量
├── 等价条件:
│ ├── 每个 k 重特征值有 k 个线性无关特征向量
│ ├── 特征向量总维数 = n
│ └── 特征多项式 = ∏(λᵢ - λᵢ)^nᵢ 且 nᵢ = 几何重数
└── 特殊:实对称矩阵必可正交对角化
```
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:特征向量写成零向量
- **错误表现**:写出 $\boldsymbol{\xi} = \boldsymbol{0}$
- **正确理解**:特征向量**必须非零**!$(\lambda E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的**非零解**才是特征向量。
**【对比示例】**:
```
❌ (λE-A)ξ=0 的零解 → 不是特征向量
✅ (λE-A)ξ=0 的非零基础解系 → 才是特征向量
```
### ❌ 错误 2:特征多项式写成 $|\lambda E - A|$ 还是 $|A - \lambda E|$
- **错误表现**:符号计算错误
- **正确理解**:$|\lambda E - A| = (-1)^n |A - \lambda E|$。对 2 阶二者差一个符号,**3 阶及以上相同时**只差 $(-1)^n$,**但求根相同**(不影响特征值)。
### ❌ 错误 3:混淆"相似"与"合同"
- **错误表现**:认为 $A \sim B \Rightarrow A \simeq B$(反之也然)
- **正确理解**:
- 实对称矩阵:相似 ⇔ 合同(但相似变换矩阵不同)
- 一般矩阵:相似 $\not\Rightarrow$ 合同,合同 $\not\Rightarrow$ 相似
**【对比示例】**:
```
相似:A = P⁻¹BP(保持特征值)
合同:A = C^TBC(保持正定性、秩、惯性指数)
```
### ❌ 错误 4:正交矩阵列向量未单位化
- **错误表现**:$Q$ 的列向量两两正交但模长不是 1
- **正确理解**:正交矩阵 $Q^T Q = E$,要求**列向量是标准正交基**,必须单位化!
*极简例子:* $(1, 1)^T$ 和 $(1, -1)^T$ 正交但不正交矩阵,需要 $\frac{1}{\sqrt{2}}$ 单位化。
### ❌ 错误 5:顺序主子式写成"所有主子式"
- **错误表现**:把 $\Delta_k$ 当成所有 $k$ 阶子式
- **正确理解**:**顺序主子式**只取**前 $k$ 行前 $k$ 列**的 $k$ 阶子式:
$$
\Delta_k = \begin{vmatrix} a_{11} & \cdots & a_{1k} \\ \vdots & & \vdots \\ a_{k1} & \cdots & a_{kk} \end{vmatrix}
$$
> 🔑 **顺序主子式 ≠ 主子式**(主子式是任意 $k$ 行 $k$ 列)。赫尔维茨定理只对**顺序主子式**成立。
### ❌ 错误 6:负定的判定条件记错
- **错误表现**:认为负定是"所有 $\Delta_k < 0$"
- **正确理解**:负定要求 $(-1)^k \Delta_k > 0$,即**奇阶主子式 $< 0$,偶阶 $> 0$**。
**【对比示例】**:
```
正定:Δ₁>0, Δ₂>0, Δ₃>0, ... (全正)
负定:Δ₁<0, Δ₂>0, Δ₃<0, ... (交替符号)
```
### ❌ 错误 7:配方法忘记"可逆"
- **错误表现**:用 $x_1 = y_1 + y_2$ 等不可逆变换
- **正确理解**:配方过程中变量替换必须**可逆**(线性变换矩阵满秩),否则改变二次型的等价类。
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 实对称矩阵正交对角化 | **高** | 30+ 道 | 必考大题,10-12 分 |
| 二次型化标准形(正交变换) | **高** | 25+ 道 | 大题核心 |
| 二次型化标准形(配方法) | **高** | 20+ 道 | 选择/填空/解答 |
| 正定性判定(顺序主子式) | **高** | 25+ 道 | 高频考点 |
| 抽象矩阵的特征值 | **中** | 15 道 | 选择/填空 |
| 特征值与特征向量基础 | **中** | 20+ 道 | 基础必会 |
| 合同 vs 相似辨析 | **中** | 10 道 | 概念辨析 |
| Schmidt 正交化 | **低** | 8 道 | 选择/填空 |
### 跨章节连接
```
┌──────────────────────────────┐
│ 本章 Ch05 相似矩阵与二次型 │
│ · 内积与正交 │
│ · 特征值 / 特征向量 │
│ · 相似 / 合同 │
│ · 二次型 / 正定性 │
└──────────────┬───────────────┘
│
┌──────────┬──────────┬──┼──────────┬──────────┐
↓ ↓ ↓ ↓ ↓ ↓
Ch01 行列式 Ch02 矩阵 Ch03 初等变换 Ch04 向量组 Ch06 线性变换
|A|=∏λᵢ A⁻¹,A* 行变换→正交化 极大无关组 特征值的几何
特征多项式 矩阵运算 化行阶梯 Schmidt输入
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:抽象矩阵 + 特征值 + 行列式**
> 例题:设 3 阶矩阵 $A$ 满足 $A^2 - 3A + 2E = O$,求 $\det A$。
>
> **解**:设 $\lambda$ 为特征值 → $\lambda^2 - 3\lambda + 2 = 0$ → $\lambda = 1$ 或 $2$ → $\det A = 1^k \cdot 2^{3-k}$。
>
> **考点**:抽象特征值 + Ch01 行列式公式库。
**模式 2:二次型 + 正交变换 + 几何应用**
> 例题:化 $f = x_1^2 + x_2^2 + x_3^2 + 4x_1 x_2 + 4x_1 x_3 + 4x_2 x_3$ 为标准形,并指出曲面类型。
>
> **解**:矩阵 $A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 1 & 2 \\ 2 & 2 & 1 \end{pmatrix}$ → 特征值 $5, -1, -1$ → $f = 5y_1^2 - y_2^2 - y_3^2$ → 双叶双曲面。
>
> **考点**:二次型 + 几何意义(高数二次曲面的拓展)。
**模式 3:正定性 + 顺序主子式 + 含参问题**
> 例题:$A = \begin{pmatrix} 1 & a & 1 \\ a & 2 & 1 \\ 1 & 1 & 1 \end{pmatrix}$ 正定,求 $a$ 的范围。
>
> **解**:$\Delta_1 = 1 > 0$,$\Delta_2 = 2 - a^2 > 0 \Rightarrow -\sqrt{2} < a < \sqrt{2}$,$\Delta_3 = \det A > 0$。
>
> **考点**:顺序主子式 + 不等式。
**模式 4:合同 + 相似综合辨析**
> 例题:$A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}$, $B = \begin{pmatrix} 1 & 0 \\ 0 & 3 \end{pmatrix}$,判断 $A$ 与 $B$ 是否相似/合同。
>
> **解**:特征值不同 → 不相似;正定性相同 → 合同(同为正定对角阵,必合同)。
>
> **考点**:相似 vs 合同的综合辨析。
### 【终极母题推荐】
> **题目**:设 $A$ 是 $n$ 阶实对称矩阵,满足 $A^2 = 4A + 5E$。证明:
> (1) $A$ 的特征值只能取 $-1$ 或 $5$;
> (2) $A + E$ 是正定矩阵。
**此题融合**:
- 特征值推导:$A^2 - 4A - 5E = O \Rightarrow \lambda^2 - 4\lambda - 5 = 0 \Rightarrow (\lambda+1)(\lambda-5) = 0$
- 抽象特征值公式 + Ch05 核心
- 正定性判定:$A+E$ 特征值为 $0, 6 > 0$ → 正定
- 特征值法 + 正定判定 = 跨子专题综合
**为什么这是"终极母题"**:
✅ 抽象特征值 + 实对称 + 正定性 = Ch05 三大核心全覆盖
✅ 矩阵关系 → 特征多项式 → 特征值 → 正定 = 完整推理链
✅ "幂等/对合/矩阵方程"等特殊矩阵的思维定式建立
**🔗 这道题做完且理解透彻 → 本章"通关"**。
---
> **下一步**:完成后可进入 [[Ch06_线性空间与线性变换|Ch06 线性空间与线性变换]],本章的特征值/特征向量将在线性变换中展现几何意义。
@@ -0,0 +1,101 @@
# 题型一:向量内积与正交
## 识别特征
- 求两向量的**内积**或夹角
- 涉及**Schmidt 正交化**过程
- 判断或构造**正交矩阵** $Q$($Q^T Q = E$)
## 解题流程
```mermaid
flowchart TD
A[识别:内积/正交问题] --> B{已知什么?}
B -->|两向量| C["[α,β] = αᵀβ<br>cos θ = [α,β]/|α||β|"]
B -->|线性无关向量组| D[Schmidt 正交化]
B -->|正交矩阵| E[验证 QᵀQ = E]
C --> F[得结果]
D --> G["β₁=α₁<br>βₖ=αₖ-Σ[αₖ,βⱼ]/[βⱼ,βⱼ]·βⱼ<br>ηⱼ=βⱼ/|βⱼ|"]
G --> F
E --> H[列向量组 = 标准正交基]
H --> F
```
## 通法步骤
### 1. 内积计算
$$[\boldsymbol{\alpha}, \boldsymbol{\beta}] = \sum_{i=1}^n a_i b_i = \boldsymbol{\alpha}^T \boldsymbol{\beta}$$
### 2. 夹角公式
$$\cos\theta = \dfrac{[\boldsymbol{\alpha}, \boldsymbol{\beta}]}{\|\boldsymbol{\alpha}\| \cdot \|\boldsymbol{\beta}\|}$$
### 3. Schmidt 正交化
将 $\boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2, \ldots, \boldsymbol{\alpha}_r$ 化为标准正交组:
$$
\begin{aligned}
\boldsymbol{\beta}_1 &= \boldsymbol{\alpha}_1 \\
\boldsymbol{\beta}_k &= \boldsymbol{\alpha}_k - \sum_{j=1}^{k-1} \dfrac{[\boldsymbol{\alpha}_k, \boldsymbol{\beta}_j]}{[\boldsymbol{\beta}_j, \boldsymbol{\beta}_j]} \boldsymbol{\beta}_j \quad (k=2,3,\ldots,r) \\
\boldsymbol{\eta}_k &= \dfrac{\boldsymbol{\beta}_k}{\|\boldsymbol{\beta}_k\|} \quad \text{(单位化)}
\end{aligned}
$$
### 4. 正交矩阵的判定与构造
**判定**:
- $Q^T Q = E$
- 列向量组是 $\mathbb{R}^n$ 的标准正交基
- $|Q| = \pm 1$
**构造**:对实对称矩阵求正交特征向量组即得正交矩阵 $Q$。
## 常见陷阱
- **Schmidt 正交化要先正交化再单位化**(顺序不能反)
- **正交矩阵的列向量必须单位化**——只两两正交还不够
- 正交矩阵的逆矩阵 = 转置矩阵($Q^{-1} = Q^T$)
- $|\boldsymbol{\alpha}| = 0 \iff \boldsymbol{\alpha} = \boldsymbol{0}$
- 夹角公式只对**非零**向量有意义
## 经典母题
> **题目**:已知 $\boldsymbol{\alpha}_1 = \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}$, $\boldsymbol{\alpha}_2 = \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix}$, $\boldsymbol{\alpha}_3 = \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix}$,试用 Schmidt 正交化过程将其化为标准正交组。
**解**:
**Step 1**:$\boldsymbol{\beta}_1 = \boldsymbol{\alpha}_1 = (1, 1, 1)^T$,$\|\boldsymbol{\beta}_1\| = \sqrt{3}$
**Step 2**:
$$
\boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 - \dfrac{[\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 = \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix} - \dfrac{6}{3} \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} = \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}
$$
$\|\boldsymbol{\beta}_2\| = \sqrt{2}$
**Step 3**:
$$
\begin{aligned}
\boldsymbol{\beta}_3 &= \boldsymbol{\alpha}_3 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 - \dfrac{[\boldsymbol{\alpha}_3, \boldsymbol{\beta}_2]}{[\boldsymbol{\beta}_2, \boldsymbol{\beta}_2]} \boldsymbol{\beta}_2 \\
&= \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix} - \dfrac{1}{3} \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} - \dfrac{-1}{2} \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix} \\
&= \begin{pmatrix} 1 - 1/3 - 1/2 \\ -1/3 \\ -1/3 + 1/2 \end{pmatrix} = \begin{pmatrix} 1/6 \\ -1/3 \\ 1/6 \end{pmatrix} = \dfrac{1}{6} \begin{pmatrix} 1 \\ -2 \\ 1 \end{pmatrix}
\end{aligned}
$$
$\|\boldsymbol{\beta}_3\| = \dfrac{1}{6}\sqrt{6} = \dfrac{\sqrt{6}}{6}$
**单位化**:
$$
\boldsymbol{\eta}_1 = \dfrac{1}{\sqrt{3}} \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}, \quad
\boldsymbol{\eta}_2 = \dfrac{1}{\sqrt{2}} \begin{pmatrix} -1 \\ 0 \\ 1 \end{pmatrix}, \quad
\boldsymbol{\eta}_3 = \dfrac{1}{\sqrt{6}} \begin{pmatrix} 1 \\ -2 \\ 1 \end{pmatrix}
$$
**复盘**:Schmidt 公式的核心是"减去在前面所有正交向量上的投影"。计算 $[\boldsymbol{\alpha}_k, \boldsymbol{\beta}_j]$ 时注意内积的代数运算。
---
> **变式**:设 $A$ 是 $n$ 阶正交矩阵,证明 $|A| = \pm 1$。
**证**:$Q^T Q = E \Rightarrow \det(Q^T Q) = \det E = 1 \Rightarrow \det Q^T \cdot \det Q = 1 \Rightarrow (\det Q)^2 = 1 \Rightarrow \det Q = \pm 1$。
@@ -0,0 +1,106 @@
# 题型二:特征值与特征向量计算
## 识别特征
- 求具体矩阵的**特征值**
- 求矩阵的**特征向量**
- 涉及特征多项式 $|\lambda E - A| = 0$
## 解题流程
```mermaid
flowchart TD
A[识别:特征值问题] --> B[写特征多项式 |λE-A|]
B --> C[展开并因式分解]
C --> D[得特征值 λ₁,...,λₙ]
D --> E{对每个 λᵢ}
E --> F[解 λᵢE-A ξ=0]
F --> G[求基础解系]
G --> H[线性无关特征向量]
```
## 通法步骤
### 1. 特征值求解
**Step 1**:写出特征多项式 $|\lambda E - A|$
**Step 2**:展开降幂(按 0 多的行/列展开,或用行列式性质化简)
**Step 3**:因式分解求根
### 2. 特征向量求解
对每个特征值 $\lambda_i$,解齐次方程组:
$$
(\lambda_i E - A) \boldsymbol{\xi} = \boldsymbol{0}
$$
其**基础解系**即为属于 $\lambda_i$ 的线性无关特征向量。
### 3. 技巧速算
| 情形 | 速算 |
|------|------|
| 2 阶 $A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}$ | $\lambda^2 - (a+d)\lambda + (ad-bc) = 0$ |
| 三角阵 | 对角线元素即为特征值 |
| 分块对角阵 | 各块特征值之并 |
| $A$ 含已知关系 $A^2 = aA + bE$ | $\lambda^2 - a\lambda - b = 0$ |
## 常见陷阱
- **特征向量必须非零**!$(\lambda E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的零解不是特征向量
- **$n$ 重特征值**不一定有 $n$ 个线性无关特征向量(除非是实对称阵)
- 特征多项式 $|\lambda E - A|$ 中**符号计算**容易错(用 $|A - \lambda E| = (-1)^n |\lambda E - A|$)
- **不同特征值的特征向量线性无关**,但**同一特征值的特征向量的线性组合仍是该特征值的特征向量**
- **迹 = 特征值之和**(快速验证用)
## 经典母题
> **题目**:求矩阵 $A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 1 & 2 \\ 2 & 2 & 1 \end{pmatrix}$ 的特征值和特征向量。
**解**:
**Step 1**:特征多项式
$$
|\lambda E - A| = \begin{vmatrix} \lambda-1 & -2 & -2 \\ -2 & \lambda-1 & -2 \\ -2 & -2 & \lambda-1 \end{vmatrix}
$$
**Step 2**:每行加到第一行
$$
= \begin{vmatrix} \lambda-5 & \lambda-5 & \lambda-5 \\ -2 & \lambda-1 & -2 \\ -2 & -2 & \lambda-1 \end{vmatrix} = (\lambda-5) \begin{vmatrix} 1 & 1 & 1 \\ -2 & \lambda-1 & -2 \\ -2 & -2 & \lambda-1 \end{vmatrix}
$$
**Step 3**:第 2、3 行分别加第 1 行 × 2
$$
= (\lambda-5) \begin{vmatrix} 1 & 1 & 1 \\ 0 & \lambda+1 & 0 \\ 0 & 0 & \lambda+1 \end{vmatrix} = (\lambda-5)(\lambda+1)^2
$$
**Step 4**:特征值 $\lambda_1 = 5, \lambda_2 = \lambda_3 = -1$
**Step 5**:特征向量
**对 $\lambda_1 = 5$**:$(5E - A)\boldsymbol{\xi} = \begin{pmatrix} 4 & -2 & -2 \\ -2 & 4 & -2 \\ -2 & -2 & 4 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
化简(每行除 2):$\begin{pmatrix} 2 & -1 & -1 \\ -1 & 2 & -1 \\ -1 & -1 & 2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
$\Rightarrow \boldsymbol{\xi}_1 = (1, 1, 1)^T$
**对 $\lambda_2 = -1$**:$(-E - A)\boldsymbol{\xi} = \begin{pmatrix} -2 & -2 & -2 \\ -2 & -2 & -2 \\ -2 & -2 & -2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
即 $x_1 + x_2 + x_3 = 0$,基础解系为 $(1, -1, 0)^T, (1, 0, -1)^T$
**复盘**:
- 这是**实对称矩阵**,3 重特征值 -1 有 3 个无关特征向量是显然的($\text{tr}(A) = 3 = 5 + (-1) + (-1)$ 验证 ✓)
- 本题为 Ch05 二次型化标准形的典型题源
---
> **变式**:设 $A = \begin{pmatrix} a & 1 & 1 \\ 1 & a & 1 \\ 1 & 1 & a \end{pmatrix}$,求 $A$ 的特征值。
**解**:$\text{tr}(A) = 3a$,$\det A = (a+2)(a-1)^2$(可验),特征多项式
$$
|\lambda E - A| = (\lambda - a + 2)(\lambda - a - 1)^2 \quad (\text{待定系数法})
$$
由迹:$a-2 + 2(a+1) = 3a$ ✓,故特征值 $\lambda_1 = a-2, \lambda_2 = \lambda_3 = a+1$。
@@ -0,0 +1,121 @@
# 题型三:矩阵相似与对角化判定
## 识别特征
- 问"$A$ 能否对角化"
- 求**可逆矩阵 $P$** 使 $P^{-1} A P = \Lambda$
- 判断两个矩阵**是否相似**
- 涉及**充要条件**:$n$ 个线性无关特征向量
## 解题流程
```mermaid
flowchart TD
A[识别:对角化判定] --> B{给定 A}
B --> C[求特征值 λ₁,...,λₙ]
C --> D{对每个 λᵢ 求特征向量}
D --> E[算几何重数 nᵢ = n-r(λᵢE-A)]
E --> F{Σnᵢ = n?}
F -->|是| G[可对角化<br>P = 特征向量矩阵]
F -->|否| H[不可对角化]
G --> I["P⁻¹AP = diag(λ₁,...,λₙ)"]
```
## 通法步骤
### 1. 对角化判定流程
**Step 1**:求 $A$ 的所有特征值 $\lambda_1, \ldots, \lambda_k$(不同特征值)
**Step 2**:对每个 $\lambda_i$,求 $n - r(\lambda_i E - A)$(几何重数)
**Step 3**:判断 $\sum_i (\text{几何重数}) = n$?
- **是** → $A$ 可对角化
- **否** → $A$ 不可对角化
### 2. 构造对角化矩阵
$$
P = (\boldsymbol{\xi}_1^{(1)}, \ldots, \boldsymbol{\xi}_{n_1}^{(1)}, \boldsymbol{\xi}_1^{(2)}, \ldots)
$$
(按特征值分组,列向量 = 线性无关特征向量)
$$
P^{-1} A P = \text{diag}(\underbrace{\lambda_1, \ldots, \lambda_1}_{n_1}, \underbrace{\lambda_2, \ldots, \lambda_2}_{n_2}, \ldots)
$$
### 3. 相似判定
**核心定理**:$A \sim B \iff$ $A, B$ 有相同的特征多项式(充分不必要)⭐
> ⚠️ **重要**:特征多项式相同是**必要不充分**条件!同特征多项式也可能不相似。
**充分条件**(以下之一即可):
- $A$ 或 $B$ 可对角化,且特征值相同
- 都是实对称矩阵,且特征值相同
- $A, B$ 都是若尔当块,但若尔当块结构相同
## 常见陷阱
- **$n$ 重特征值**未必有 $n$ 个无关特征向量(需验证几何重数)
- **相似不保持**:$A^{-1}, A^T, A^*$, 特征向量
- **相似保持**:$\det A, \text{tr}(A)$, 特征值, 秩
- $\text{tr}(A) = \text{tr}(B)$ 且 $\det A = \det B$ 是相似的**必要条件**,**不是充分条件**
- 对角阵 $E$ 只与 $E$ 相似($P^{-1} E P = E$)
## 经典母题
> **题目**:判断矩阵 $A = \begin{pmatrix} 1 & -1 & 1 \\ -1 & 1 & -1 \\ 1 & -1 & 1 \end{pmatrix}$ 能否对角化?若能,求 $P$ 和 $\Lambda$。
**解**:
**Step 1**:特征多项式
$$
|\lambda E - A| = \begin{vmatrix} \lambda-1 & 1 & -1 \\ 1 & \lambda-1 & 1 \\ -1 & 1 & \lambda-1 \end{vmatrix}
$$
每行加到第 1 行(化简):
$$
= (\lambda+1) \begin{vmatrix} 1 & 1 & -1 \\ 1 & \lambda-1 & 1 \\ -1 & 1 & \lambda-1 \end{vmatrix}
$$
第 2 行 - 第 1 行,第 3 行 + 第 1 行:
$$
= (\lambda+1) \begin{vmatrix} 1 & 1 & -1 \\ 0 & \lambda-2 & 2 \\ 0 & 2 & \lambda-2 \end{vmatrix} = (\lambda+1)[(\lambda-2)^2 - 4] = (\lambda+1)(\lambda^2 - 4\lambda) = \lambda(\lambda+1)(\lambda-4)
$$
**特征值**:$\lambda_1 = 0, \lambda_2 = -1, \lambda_3 = 4$(3 个不同特征值)
**Step 2**:3 个不同特征值自动有 3 个线性无关特征向量 → **可对角化**
**Step 3**:特征向量
**$\lambda_1 = 0$**:$-A \boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_1 = (1, 0, -1)^T$(取 $x_2 = 0$)
**$\lambda_2 = -1$**:$(-E - A) \boldsymbol{\xi} = \boldsymbol{0}$ → $\begin{pmatrix} -2 & 1 & -1 \\ 1 & -2 & 1 \\ -1 & 1 & -2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
观察:第 1 行 + 第 2 行 = -第 3 行。$\Rightarrow x_1 = x_2 = x_3$,$\boldsymbol{\xi}_2 = (1, 1, 1)^T$
**$\lambda_3 = 4$**:$(4E - A) \boldsymbol{\xi} = \boldsymbol{0}$ → $\begin{pmatrix} 3 & 1 & -1 \\ 1 & 3 & 1 \\ -1 & 1 & 3 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
解得 $\boldsymbol{\xi}_3 = (1, -2, 1)^T$
**Step 4**:
$$
P = \begin{pmatrix} 1 & 1 & 1 \\ 0 & 1 & -2 \\ -1 & 1 & 1 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 0 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 4 \end{pmatrix}
$$
**复盘**:
- 3 个**不同特征值**自动有 3 个线性无关特征向量(充要条件中"n 重特征值"情况无需验证)
- 这是 Ch05 大题核心
---
> **变式**:设 $A = \begin{pmatrix} 1 & 0 & 0 \\ 1 & 1 & 0 \\ 1 & 1 & 1 \end{pmatrix}$,证明 $A$ 不可对角化。
**证**:特征多项式 $|\lambda E - A| = (\lambda - 1)^3$(三角阵)
对 $\lambda = 1$:$(E - A) = \begin{pmatrix} 0 & 0 & 0 \\ -1 & 0 & 0 \\ -1 & -1 & 0 \end{pmatrix}$,$r(E - A) = 2$
故特征向量维数 = $3 - 2 = 1 < 3$ → 不可对角化。
@@ -0,0 +1,133 @@
# 题型四:对称矩阵的对角化
## 识别特征
- $A$ 是**实对称矩阵**($A^T = A$)
- 求**正交矩阵 $Q$** 使 $Q^T A Q = \Lambda$
- 涉及"正交相似对角化"步骤
## 解题流程
```mermaid
flowchart TD
A[识别:实对称矩阵 A] --> B[求特征方程 |λE-A|=0]
B --> C[得实特征值 λ₁,...,λₙ]
C --> D{对每个 λᵢ 重数 nᵢ}
D --> E[解 λᵢE-A ξ=0 基础解系]
E --> F{nᵢ 个线性无关特征向量}
F --> G[Schmidt 正交化]
G --> H[单位化 ηⱼ=βⱼ/|βⱼ|]
H --> I[组成正交矩阵 Q]
I --> J["QᵀAQ = diag(λ₁,...,λₙ)"]
```
## 通法步骤
### 1. 核心定理
**实对称矩阵必可正交相似对角化**(这是 Ch05 最重要的定理)。
### 2. 对角化步骤
**Step 1**:求特征方程 $|\lambda E - A| = 0$ 的所有实特征值 $\lambda_1, \ldots, \lambda_k$
**Step 2**:对每个 $\lambda_i$($n_i$ 重),求 $(\lambda_i E - A)\boldsymbol{\xi} = \boldsymbol{0}$ 的基础解系(含 $n_i$ 个线性无关特征向量)
**Step 3**:对每组特征向量用 **Schmidt 正交化**,再**单位化**
**Step 4**:所有特征向量按列组成正交矩阵 $Q$
$$
Q = (\boldsymbol{\eta}_1, \boldsymbol{\eta}_2, \ldots, \boldsymbol{\eta}_n)
$$
则:
$$
Q^T A Q = Q^{-1} A Q = \text{diag}(\lambda_1, \ldots, \lambda_n)
$$
### 3. 实对称矩阵的特征值性质
| 性质 | 内容 |
|------|------|
| 特征值 | **全为实数**(必有 $n$ 个实特征值) |
| 不同特征值的特征向量 | **正交** |
| $k$ 重特征值 | 必有 $k$ 个线性无关特征向量 |
## 常见陷阱
- 正交矩阵 $Q$ 必须**正交化 + 单位化**两步,缺一不可
- 正交矩阵 $Q^T = Q^{-1}$,故 $Q^T A Q$ 就是对角化
- 不同特征值的特征向量**已经正交**,无需再正交化(但需**单位化**)
- 重特征值对应的特征向量需要**正交化**
- $Q$ 的列向量顺序可以调整,但 $\Lambda$ 中的特征值顺序**必须对应**
## 经典母题
> **题目**:设 $A = \begin{pmatrix} 2 & 2 & -2 \\ 2 & 5 & -4 \\ -2 & -4 & 5 \end{pmatrix}$,求正交矩阵 $Q$ 使 $Q^T A Q = \Lambda$。
**解**:
**Step 1**:特征多项式
$$
|\lambda E - A| = \begin{vmatrix} \lambda-2 & -2 & 2 \\ -2 & \lambda-5 & 4 \\ 2 & 4 & \lambda-5 \end{vmatrix}
$$
第 2 行加第 3 行:
$$
= \begin{vmatrix} \lambda-2 & -2 & 2 \\ 0 & \lambda-1 & \lambda-1 \\ 2 & 4 & \lambda-5 \end{vmatrix}
$$
化简后(过程略):
$$
|\lambda E - A| = (\lambda - 1)^2 (\lambda - 10)
$$
**特征值**:$\lambda_1 = \lambda_2 = 1, \lambda_3 = 10$
**Step 2**:特征向量
**$\lambda_1 = 1$(二重)**:$(E - A) \boldsymbol{\xi} = \begin{pmatrix} -1 & -2 & 2 \\ -2 & -4 & 4 \\ 2 & 4 & -4 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
化简:$-x_1 - 2x_2 + 2x_3 = 0$,即 $x_1 = -2x_2 + 2x_3$
取 $\boldsymbol{\alpha}_1 = (-2, 1, 0)^T$, $\boldsymbol{\alpha}_2 = (2, 0, 1)^T$
**Schmidt 正交化**:
$$
\boldsymbol{\beta}_1 = \boldsymbol{\alpha}_1 = (-2, 1, 0)^T
$$
$$
\boldsymbol{\beta}_2 = \boldsymbol{\alpha}_2 - \dfrac{[\boldsymbol{\alpha}_2, \boldsymbol{\beta}_1]}{[\boldsymbol{\beta}_1, \boldsymbol{\beta}_1]} \boldsymbol{\beta}_1 = \begin{pmatrix} 2 \\ 0 \\ 1 \end{pmatrix} - \dfrac{-4}{5} \begin{pmatrix} -2 \\ 1 \\ 0 \end{pmatrix} = \begin{pmatrix} 2/5 \\ 4/5 \\ 1 \end{pmatrix} \to (2, 4, 5)^T
$$
**单位化**:
$$
\boldsymbol{\eta}_1 = \dfrac{1}{\sqrt{5}} \begin{pmatrix} -2 \\ 1 \\ 0 \end{pmatrix}, \quad \boldsymbol{\eta}_2 = \dfrac{1}{3\sqrt{5}} \begin{pmatrix} 2 \\ 4 \\ 5 \end{pmatrix}
$$
**$\lambda_3 = 10$**:$(10E - A) \boldsymbol{\xi} = \begin{pmatrix} 8 & 2 & -2 \\ 2 & 5 & -4 \\ -2 & -4 & 5 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}$
化简得 $\boldsymbol{\xi}_3 = (1, 2, -2)^T$,**单位化**:
$$
\boldsymbol{\eta}_3 = \dfrac{1}{3} \begin{pmatrix} 1 \\ 2 \\ -2 \end{pmatrix}
$$
**Step 3**:正交矩阵
$$
Q = \begin{pmatrix} -\frac{2}{\sqrt{5}} & \frac{2}{3\sqrt{5}} & \frac{1}{3} \\ \frac{1}{\sqrt{5}} & \frac{4}{3\sqrt{5}} & \frac{2}{3} \\ 0 & \frac{5}{3\sqrt{5}} & -\frac{2}{3} \end{pmatrix}
$$
$$
Q^T A Q = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 10 \end{pmatrix}
$$
**复盘**:
- 实对称矩阵的二重特征值必可正交化(这是实对称的特权)
- $\text{tr}(A) = 2 + 5 + 5 = 12 = 1 + 1 + 10$ ✓ 验证
---
> **变式**:设 $A = \begin{pmatrix} 0 & -1 & 1 \\ -1 & 0 & 1 \\ 1 & 1 & 0 \end{pmatrix}$,求正交矩阵 $Q$ 使 $Q^T A Q$ 为对角阵。
**提示**:特征值 $\lambda = -2, 1, 1$(二重需正交化)。
@@ -0,0 +1,132 @@
# 题型五:抽象矩阵的特征值
## 识别特征
- 矩阵是**抽象表达式**($A^2, A^k, A^*, A^{-1}, f(A)$)
- 已知 $A$ 满足某种关系($A^2 = A$, $A^2 - 3A + 2E = O$ 等)
- 求某个矩阵表达式的特征值或行列式
## 解题流程
```mermaid
flowchart TD
A[识别:抽象特征值] --> B{A 满足什么?}
B -->|矩阵方程 A²+aA+bE=O| C["λ²+aλ+b=0 → 解出 λ"]
B -->|幂等 A²=A| D["λ²=λ → λ∈{0,1}"]
B -->|对合 A²=E| E["λ²=1 → λ=±1"]
B -->|已知 A 特征值 λ| F[套公式库]
F --> G["A²→λ²<br>A⁻¹→1/λ<br>A*→Πλⱼ/λᵢ<br>A+αE→λ+α<br>fA→fλ"]
C --> H[得结果]
D --> H
E --> H
G --> H
```
## 核心公式库(必背)⭐⭐
| 已知 | 求 | 特征值对应 |
|------|---|-----------|
| $A$ 特征值 $\lambda_i$ | $A^k$ | $\lambda_i^k$ |
| $A$ 特征值 $\lambda_i$($A$ 可逆) | $A^{-1}$ | $1/\lambda_i$ |
| $A$ 特征值 $\lambda_i$($A$ 可逆) | $A^* = (\det A) A^{-1}$ | $\det A / \lambda_i = \prod_{j \neq i} \lambda_j$ |
| $A$ 特征值 $\lambda_i$, $\alpha$ | $A + \alpha E$ | $\lambda_i + \alpha$ |
| $A$ 特征值 $\lambda_i$ | $f(A)$(多项式) | $f(\lambda_i)$ |
| $A \sim B$ | $A, B$ 特征值 | **相同** |
| $A^T$ | $A^T$ 特征值 | 与 $A$ **相同** |
| $A = P^{-1} B P$(相似) | $A, B$ 特征值 | 相同 |
### 特殊矩阵的特征值
| 条件 | 特征值结论 |
|------|----------|
| $A^2 = A$(幂等) | $\lambda = 0$ 或 $1$ |
| $A^2 = E$(对合) | $\lambda = \pm 1$ |
| $A^k = O$(幂零) | $\lambda = 0$ |
| $A^T = A^{-1}$(正交) | $|\lambda| = 1$(模长为 1) |
| $A^T = A$ 且 $A^2 = O$ | $\lambda = 0$ |
| $A^2 - 3A + 2E = O$ | $\lambda = 1$ 或 $2$ |
## 通法步骤
### 1. 矩阵方程法
若 $A$ 满足 $g(A) = 0$($g$ 是多项式),则 $\lambda$ 满足 $g(\lambda) = 0$。
**例**:$A^2 + A - 2E = O \Rightarrow \lambda^2 + \lambda - 2 = 0 \Rightarrow (\lambda-1)(\lambda+2) = 0$
### 2. 公式套用法
直接从已知特征值套公式($A^k \to \lambda^k$, $A^{-1} \to 1/\lambda$ 等)。
### 3. 行列式辅助法
- $\det A = \prod \lambda_i$(特征值之积)
- $\text{tr}(A) = \sum \lambda_i$(特征值之和)
- 可用于**验证**或反求特征值。
## 常见陷阱
- $A^*$ 的特征值是 $\det A / \lambda_i = \prod_{j \neq i} \lambda_j$(**不是** $(\det A)/\lambda_i$ 的简单除法——是**其它特征值之积**)
- $A^k$ 的特征值是 $\lambda^k$,**不是** $(\lambda^k)$ 矩阵的某个对角元素
- **$A$ 可逆时**才能用 $A^{-1}, A^*$ 特征值公式
- **不同特征值**才能用 $A^{-1}, A^*$ 套公式($\lambda = 0$ 时 $A^{-1}$ 不存在)
## 经典母题
> **题目**:设 $A$ 是 $n$ 阶矩阵,满足 $A^2 - 3A + 2E = O$。证明 $A$ 在 $\mathbb{R}$ 上可对角化,并求 $\det A$。
**解**:
**Step 1**:特征值求解
设 $\lambda$ 是 $A$ 的特征值,$\boldsymbol{\xi}$ 是特征向量,则 $A\boldsymbol{\xi} = \lambda\boldsymbol{\xi}$
由 $A^2 - 3A + 2E = O$:
$$
\lambda^2 \boldsymbol{\xi} - 3\lambda \boldsymbol{\xi} + 2\boldsymbol{\xi} = (\lambda^2 - 3\lambda + 2)\boldsymbol{\xi} = \boldsymbol{0}
$$
因 $\boldsymbol{\xi} \neq \boldsymbol{0}$,故 $\lambda^2 - 3\lambda + 2 = 0$,即 $(\lambda-1)(\lambda-2) = 0$。
故 $A$ 的特征值只能是 $1$ 或 $2$。
**Step 2**:可对角化
$A$ 的特征值只有 $1, 2$,故 $A$ 的最小多项式整除 $(x-1)(x-2)$(无重根)
→ $A$ 必可对角化。
**Step 3**:$\det A$
设特征值 $1$ 有 $k$ 重,$2$ 有 $n-k$ 重。
$\det A = 1^k \cdot 2^{n-k} = 2^{n-k}$
> 注:仅由方程无法确定 $k$,需具体条件。
**复盘**:矩阵方程法是抽象特征值的核心武器——把 $A$ 的关系"翻译"为 $\lambda$ 的多项式方程。
---
> **变式**:设 $A$ 是 $n$ 阶实对称矩阵,$A^2 - 4A + 3E = O$,且 $\det A < 0$,证明 $A + E$ 是正定矩阵。
**证**:
特征值 $\lambda$ 满足 $\lambda^2 - 4\lambda + 3 = 0 \Rightarrow \lambda = 1$ 或 $3$。
$\det A < 0 \Rightarrow$ 必有奇数个 $1$(因 $1$ 是奇数重才让 $\det < 0$,因为 $\det A = 1^k \cdot 3^{n-k}$,需要 $k$ 为奇)。
$A + E$ 特征值为 $\lambda + 1 = 2$ 或 $4$,**全部为正**。
故 $A + E$ 是正定矩阵。 $\blacksquare$
---
> **变式 2**:设 $A$ 是 $n$ 阶矩阵,$|A| = 2$,$A$ 的特征值为 $1, 2, 3$(3 阶)。求 $|A^* - 2A^{-1}|$。
**解**:
- $A^*$ 特征值为 $|A|/\lambda_i = 2/1, 2/2, 2/3 = 2, 1, 2/3$
- $A^{-1}$ 特征值为 $1, 1/2, 1/3$
- $A^* - 2A^{-1}$ 特征值为 $2 - 2 = 0$, $1 - 1 = 0$, $2/3 - 2/3 = 0$
$|A^* - 2A^{-1}| = 0 \cdot 0 \cdot 0 = 0$。
@@ -0,0 +1,128 @@
# 题型六:二次型化为标准形
## 识别特征
- 给出**二次型** $f(x_1, \ldots, x_n)$
- 要求化为**标准形**(只含平方项)
- 涉及**正交变换法**或**配方法**
## 解题流程
```mermaid
flowchart TD
A[识别:化标准形] --> B{选择方法}
B -->|实对称二次型| C[正交变换法]
B -->|任意二次型/填空| D[配方法]
C --> E[写二次型矩阵 A]
E --> F[求 A 的特征值 λᵢ]
F --> G[求正交特征向量组 Q]
G --> H["x = Qy<br>f = Σλᵢyᵢ²"]
D --> I[集中含 xᵢ 项配方]
I --> J[完全平方]
J --> K["f = Σdᵢzᵢ²"]
H --> L[得标准形]
K --> L
```
## 通法步骤
### 方法一:正交变换法(首选)
**Step 1**:写出二次型矩阵 $A$(实对称矩阵)
**Step 2**:求 $A$ 的特征值 $\lambda_1, \ldots, \lambda_n$
**Step 3**:求每个特征值对应的特征向量,**Schmidt 正交化 + 单位化**
**Step 4**:组成正交矩阵 $Q = (\boldsymbol{\eta}_1, \ldots, \boldsymbol{\eta}_n)$
**Step 5**:令 $\boldsymbol{x} = Q\boldsymbol{y}$,则
$$
f = \boldsymbol{x}^T A \boldsymbol{x} = \boldsymbol{y}^T (Q^T A Q) \boldsymbol{y} = \lambda_1 y_1^2 + \lambda_2 y_2^2 + \cdots + \lambda_n y_n^2
$$
### 方法二:配方法
**情形 A**:某个 $a_{ii} \neq 0$
1. 把所有含 $x_i$ 的项集中(包括交叉项)
2. 对 $x_i$ 配方:含 $x_i$ 的项 $= a_{ii}\left(x_i + \dfrac{1}{a_{ii}}\sum_{j \neq i} a_{ij} x_j\right)^2 + \text{剩余}$
3. 引入新变量 $y_i = x_i + \dfrac{1}{a_{ii}}\sum_{j \neq i} a_{ij} x_j$(**可逆变换**)
**情形 B**:所有 $a_{ii} = 0$,但 $a_{ij} \neq 0$
1. 作变换 $x_i = y_i + y_j, x_j = y_i - y_j$
2. 制造出平方项 $4a_{ij} y_i^2$
### 两种方法对比
| 维度 | 正交变换法 | 配方法 |
|------|----------|--------|
| **适用范围** | 实对称二次型 | 任意二次型 |
| **标准形系数** | 特征值(唯一确定) | 任意(不唯一) |
| **变换矩阵** | 正交矩阵 | 一般可逆矩阵 |
| **几何意义** | 保持距离、夹角 | 仅代数等价 |
| **难度** | 计算量大 | 简单快速 |
## 常见陷阱
- 二次型矩阵**必须对称**:$a_{ij} = a_{ji}$(交叉项 $a_{ij} x_i x_j$ 在矩阵中贡献 $2a_{ij}$)
- 正交变换法中 $Q$ 必须是**正交矩阵**(列向量标准正交)
- 配方法的变量替换必须**可逆**(不能 $x_1 = y_1 + y_2, x_2 = y_1 - y_2$ 但系数行列式为 0)
- 标准形**不唯一**(但**规范形唯一**——含 $+1, -1, 0$ 的个数由惯性指数决定)
- 配方法结果与正交变换法**标准形系数不同**(但规范形相同)
## 经典母题
> **题目**:化二次型 $f(x_1, x_2, x_3) = x_1^2 + 2x_2^2 + 2x_3^2 + 4x_1 x_2 + 4x_1 x_3 - 4x_2 x_3$ 为标准形,并写出正交变换。
**解**:
**Step 1**:二次型矩阵
$$
A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 2 & -2 \\ 2 & -2 & 2 \end{pmatrix}
$$
**Step 2**:特征多项式
$$
|\lambda E - A| = (\lambda + 2)(\lambda - 3)(\lambda - 6)
$$
**Step 3**:特征值 $\lambda_1 = -2, \lambda_2 = 3, \lambda_3 = 6$
**Step 4**:特征向量
**$\lambda_1 = -2$**:$(-2E - A)\boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_1 = (0, 1, 1)^T$,单位化 $\boldsymbol{\eta}_1 = \frac{1}{\sqrt{2}}(0, 1, 1)^T$
**$\lambda_2 = 3$**:$(3E - A)\boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_2 = (2, -1, 1)^T$,单位化 $\boldsymbol{\eta}_2 = \frac{1}{\sqrt{6}}(2, -1, 1)^T$
**$\lambda_3 = 6$**:$(6E - A)\boldsymbol{\xi} = \boldsymbol{0}$ → $\boldsymbol{\xi}_3 = (1, 0, -1)^T$,单位化 $\boldsymbol{\eta}_3 = \frac{1}{\sqrt{2}}(1, 0, -1)^T$
**Step 5**:正交矩阵
$$
Q = \begin{pmatrix} 0 & \frac{2}{\sqrt{6}} & \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{6}} & 0 \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & -\frac{1}{\sqrt{2}} \end{pmatrix}
$$
**Step 6**:令 $\boldsymbol{x} = Q\boldsymbol{y}$
$$
f = -2y_1^2 + 3y_2^2 + 6y_3^2
$$
**复盘**:这是 Ch05 二次型大题的标准模板。
---
> **变式**:用**配方法**化同一二次型为标准形。
**解**:
$$
\begin{aligned}
f &= x_1^2 + 4x_1(x_2 + x_3) + 2x_2^2 - 4x_2 x_3 + 2x_3^2 \\
&= [x_1 + 2(x_2 + x_3)]^2 - 4(x_2+x_3)^2 + 2x_2^2 - 4x_2 x_3 + 2x_3^2 \\
&= (x_1 + 2x_2 + 2x_3)^2 + (-4x_2^2 - 8x_2 x_3 - 4x_3^2) + 2x_2^2 - 4x_2 x_3 + 2x_3^2 \\
&= (x_1 + 2x_2 + 2x_3)^2 - 2x_2^2 - 12x_2 x_3 - 2x_3^2 \\
&= (x_1 + 2x_2 + 2x_3)^2 - 2(x_2 + 3x_3)^2 + 16x_3^2
\end{aligned}
$$
令 $y_1 = x_1 + 2x_2 + 2x_3$, $y_2 = x_2 + 3x_3$, $y_3 = x_3$,则 $f = y_1^2 - 2y_2^2 + 16y_3^2$
> **注意**:标准形系数 $(1, -2, 16)$ 与正交变换法 $(-2, 3, 6)$ **不同**——这说明标准形不唯一,但惯性指数 $(1, 1, 1)$ 相同(1 正 1 负 1 零?不对,是 1 正 2 负)。
@@ -0,0 +1,123 @@
# 题型七:正定性的判定
## 识别特征
- 问二次型/矩阵**是否正定**
- 求使 $A$ 正定的**参数范围**
- 涉及**顺序主子式**或**特征值**
## 解题流程
```mermaid
flowchart TD
A[识别:正定判定] --> B{用什么判据?}
B -->|具体矩阵| C[顺序主子式 Δₖ]
B -->|已知特征值| D[特征值全正]
B -->|抽象矩阵| E["A=CᵀC<br>合同 E"]
C --> F{全部 Δₖ>0?}
F -->|是| G[正定]
F -->|否| H{其他类型}
D --> I{全 λ>0?}
I -->|是| G
I -->|否| J{部分负?}
E --> K{存在可逆 C?}
K -->|是| G
H --> L[见判定表]
J --> L
```
## 通法步骤
### 1. 顺序主子式法(最常用)⭐⭐⭐
对 $n$ 阶实对称矩阵 $A$,计算:
$$
\Delta_1 = |a_{11}|, \quad \Delta_2 = \begin{vmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{vmatrix}, \quad \ldots, \quad \Delta_n = |A|
$$
### 2. 判定速查表 ⭐
| 类型 | 顺序主子式条件 |
|------|--------------|
| **正定** | $\Delta_1, \Delta_2, \ldots, \Delta_n > 0$(**全正**) |
| **负定** | $-\Delta_1, \Delta_2, -\Delta_3, \ldots > 0$(**交替正**) |
| **半正定** | $\Delta_k \ge 0$($k=1,\ldots,n$)且 $\det A = 0$ |
| **半负定** | $(-1)^k \Delta_k \ge 0$ 且 $\det A = 0$ |
| **不定** | 不满足以上任一 |
### 3. 特征值法(辅助判定)
- 正定 ⇔ **所有特征值 > 0**
- 半正定 ⇔ 所有特征值 ≥ 0(且 $\det A = 0$)
### 4. 抽象判定法
- 正定 ⇔ 存在可逆 $C$ 使 $A = C^T C$
- 正定 ⇔ $A$ 与 $E$ 合同($A \simeq E$)
### 5. 含参问题
通常设 $\Delta_1 > 0, \Delta_2 > 0, \ldots$,解不等式组取交集。
## 常见陷阱
- **顺序主子式 ≠ 主子式**:必须取**前 $k$ 行前 $k$ 列**
- **半正定的判定**:所有 $\Delta_k \ge 0$ **且** $\det A = 0$
- **正定等价条件**有 6 个(见 Ch05 §1.7),需灵活选用
- **判定负定**时记 $(-1)^k \Delta_k > 0$,不是简单 $\Delta_k < 0$
- 含参问题中 $\Delta_n > 0$ 往往是**最严格**的限制
## 经典母题
> **题目**:判断矩阵 $A = \begin{pmatrix} 2 & -1 & 0 \\ -1 & 2 & -1 \\ 0 & -1 & 2 \end{pmatrix}$ 是否正定。
**解**:
**Step 1**:$\Delta_1 = 2 > 0$ ✓
**Step 2**:$\Delta_2 = \begin{vmatrix} 2 & -1 \\ -1 & 2 \end{vmatrix} = 4 - 1 = 3 > 0$ ✓
**Step 3**:$\Delta_3 = \det A$(按第 1 行展开):
$$
\det A = 2 \cdot \begin{vmatrix} 2 & -1 \\ -1 & 2 \end{vmatrix} - (-1) \cdot \begin{vmatrix} -1 & -1 \\ 0 & 2 \end{vmatrix} = 2 \cdot 3 + 1 \cdot (-2) = 6 - 2 = 4 > 0
$$
所有顺序主子式全正 → **$A$ 正定**。
**复盘**:三对角矩阵可逐行展开计算行列式。
---
> **题目(变式)**:$A = \begin{pmatrix} 1 & a & 1 \\ a & 2 & 1 \\ 1 & 1 & 1 \end{pmatrix}$ 正定,求 $a$ 的范围。
**解**:
**$\Delta_1 = 1 > 0$** ✓(恒成立)
**$\Delta_2 = \begin{vmatrix} 1 & a \\ a & 2 \end{vmatrix} = 2 - a^2 > 0 \Rightarrow -\sqrt{2} < a < \sqrt{2}$**
**$\Delta_3 = \det A$**:
$$
\det A = 1 \cdot (2 - 1) - a \cdot (a - 1) + 1 \cdot (a - 2) = 1 - a^2 + a + a - 2 = -a^2 + 2a - 1 = -(a-1)^2
$$
$\Delta_3 = -(a-1)^2 \ge 0$,且 $\Delta_3 > 0$ 要求 $a \neq 1$。
**交集**:$\Delta_1 > 0$(恒满足),$\Delta_2 > 0 \Rightarrow -\sqrt{2} < a < \sqrt{2}$,$\Delta_3 > 0 \Rightarrow a \neq 1$
最终:**$a \in (-\sqrt{2}, \sqrt{2}) \setminus \{1\}$**
> ⚠️ 这里注意:$\Delta_3$ 在 $a = 1$ 时为零,$A$ 半正定而非正定。
---
> **题目(变式 2)**:证明 $A = \begin{pmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{pmatrix}$ 半正定(不是正定)。
**证**:
- $\Delta_1 = 1 > 0$
- $\Delta_2 = \begin{vmatrix} 1 & 1 \\ 1 & 1 \end{vmatrix} = 0 \ge 0$
- $\Delta_3 = \det A = 0$(行成比例)
$\Delta_k \ge 0$ 全部成立,且 $\det A = 0$ → **半正定**。
特征值:$A$ 的特征值为 $3, 0, 0$,也说明半正定。
@@ -0,0 +1,168 @@
# 题型八:合同与相似的关系
## 识别特征
- 涉及"$A \sim B$"或"$A \simeq B$"的判定
- 涉及**相似 vs 合同**的概念辨析
- 矩阵的**等价关系**综合题
## 解题流程
```mermaid
flowchart TD
A[识别:相似/合同] --> B{已知什么?}
B -->|两个矩阵 A, B| C{求什么关系?}
C -->|是否相似| D["检查特征值<br>检查对角化"]
C -->|是否合同| E["检查正定性<br>检查秩、惯性指数"]
D -->|同特征值且都对角化| F[相似]
D -->|否则| G[不相似]
E -->|同秩同正定性| H[合同]
E -->|否则| I[不合同]
F --> J[结论]
G --> J
H --> J
I --> J
```
## 通法步骤
### 1. 三个等价关系的定义
| 关系 | 定义 | 变换矩阵 |
|------|------|---------|
| **等价** $A \cong B$ | $B = PAQ$($P, Q$ 可逆) | 左、右可逆 |
| **相似** $A \sim B$ | $B = P^{-1} A P$ | 单个可逆矩阵 |
| **合同** $A \simeq B$ | $B = C^T A C$ | 单个可逆矩阵(转置参与) |
### 2. 关系强弱
```
等价(最弱) ⊃ 相似 ⊃ 合同
(特征值相同) (实对称:相似 ⇒ 合同)
等价 ⊃ 合同 ⊃ ?
```
**实对称矩阵**:相似 ⇔ 合同 ⇔ 正交相似。
### 3. 保持的性质对比
| 性质 | 等价 | 相似 | 合同 |
|------|------|------|------|
| 行列式 | 不必相等 | 必相等 | 不必相等 |
| 特征值 | 不必相等 | **必相等** | 不必相等 |
| 迹 | 不必相等 | 必相等 | 不必相等 |
| 秩 | 必相等 | 必相等 | 必相等 |
| 正定性 | 必相同 | 必相同 | 必相同 |
| 惯性指数 | 必相同 | 必相同 | **必相同** |
### 4. 判别方法
| 关系 | 判别依据 |
|------|---------|
| **相似** | 特征多项式相同(必要),实对称 + 同特征值 ⇔ 相似 |
| **合同** | 实对称 + 惯性指数相同 ⇔ 合同 |
| **正交相似** | 实对称 + 同特征值(自动正交相似) |
## 常见陷阱
- **$A \sim B$ 不一定 $A \simeq B$**(一般矩阵)
- **$A \simeq B$ 不一定 $A \sim B$**(一般矩阵)
- **实对称矩阵**:$A \sim B \iff A \simeq B$(三关系等价)
- $\text{tr}(A) = \text{tr}(B)$ 是相似必要条件,**不是充分**
- $\det A = \det B$ 是相似必要条件,**不是充分**
- **惯性指数**:$(p, q)$ 其中 $p$ = 正特征值个数,$q$ = 负特征值个数,是合同不变量
## 经典母题
> **题目**:判断下列矩阵对的关系(相似/合同/均不/均是):
> $A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}, \quad B = \begin{pmatrix} 1 & 1 \\ 1 & 1 \end{pmatrix}$
**解**:
**Step 1**:特征值
- $A$ 特征值:$\lambda = 1, 2$
- $B$ 特征值:$\lambda = 0, 2$
特征值不同 → **不相似**。
**Step 2**:惯性指数
- $A$:$(p, q) = (2, 0)$(两个正)
- $B$:$(p, q) = (1, 0)$(一个正,一个零)
惯性指数不同 → **不合同**。
**Step 3**:正定性
- $A$ 正定
- $B$ 半正定
正定性不同 → **不合同**(合同矩阵正定性相同)。
**结论**:$A, B$ 既不相似,也不合同。
**复盘**:特征值是否相同是判断相似的核心;惯性指数或正定性是否相同是判断合同的核心。
---
> **题目(变式)**:$A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}, \quad C = \begin{pmatrix} 1 & 0 \\ 0 & -2 \end{pmatrix}$ 是否合同?
**解**:
**Step 1**:$A$ 惯性指数 $(2, 0)$,$C$ 惯性指数 $(1, 1)$
**Step 2**:惯性指数不同 → **不合同**。
> 合同矩阵的惯性指数必须相同。
---
> **题目(变式 2)**:设 $A$ 是 $n$ 阶实对称矩阵,证明:$A$ 正定 $\iff A \simeq E$(合同于单位阵)。
**证**:
**($\Rightarrow$)** $A$ 正定 $\Rightarrow$ 特征值 $\lambda_1, \ldots, \lambda_n > 0$
令 $Q = (\boldsymbol{\eta}_1, \ldots, \boldsymbol{\eta}_n)$ 为正交特征向量矩阵,
$$
Q^T A Q = \text{diag}(\lambda_1, \ldots, \lambda_n) = \Lambda
$$
令 $D = \text{diag}(1/\sqrt{\lambda_1}, \ldots, 1/\sqrt{\lambda_n})$,则
$$
(DQ)^T A (DQ) = D^T (Q^T A Q) D = D^T \Lambda D = D \Lambda D = E
$$
故 $A \simeq E$。
**($\Leftarrow$)** $A \simeq E \Rightarrow$ 存在可逆 $P$ 使 $P^T A P = E$
$\Rightarrow A = (P^T)^{-1} E P^{-1} = (P^{-1})^T P^{-1} = (P^{-1})^T (P^{-1})$
令 $C = P^{-1}$(可逆),则 $A = C^T C$
对任意 $\boldsymbol{x} \neq \boldsymbol{0}$:$\boldsymbol{x}^T A \boldsymbol{x} = \boldsymbol{x}^T C^T C \boldsymbol{x} = (C\boldsymbol{x})^T (C\boldsymbol{x}) = \|C\boldsymbol{x}\|^2 > 0$(因 $C$ 可逆,$C\boldsymbol{x} \neq \boldsymbol{0}$)
故 $A$ 正定。$\blacksquare$
---
> **终极母题**:设 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}, B = \begin{pmatrix} 2 & 0 \\ 0 & -1 \end{pmatrix}$。$A, B$ 是否相似?是否合同?
**解**:
**Step 1**:$A$ 特征值
$$
|\lambda E - A| = (\lambda-1)^2 - 4 = (\lambda-3)(\lambda+1)
$$
$\lambda_A = 3, -1$
**Step 2**:$B$ 是对角阵,特征值为 $2, -1$。
**Step 3**:特征值不同 → **$A, B$ 不相似**。
**Step 4**:惯性指数
- $A$:$(p, q) = (1, 1)$
- $B$:$(p, q) = (1, 1)$
惯性指数相同 → **$A, B$ 合同**。
**结论**:$A, B$ 不相似,但合同。证明合同:取 $C = \begin{pmatrix} a & b \\ c & d \end{pmatrix}$,解 $C^T A C = B$(本题可验证),或利用**实对称矩阵合同 ⇔ 惯性指数相同**直接判定。
@@ -0,0 +1,626 @@
# 📌 第六章 线性空间与线性变换 考研核心通关笔记
> 线性代数的"几何骨架"——把抽象运算对应到矩阵语言,是数一考研的"压轴概念"
---
## ① 本章核心知识框架 (Core Concept Map)
### 6.1 线性空间的定义与基本性质
#### 一、线性空间的定义
设 $V$ 是一个非空集合,$F$ 是一个数域(实数域 $\mathbb{R}$ 或复数域 $\mathbb{C}$)。若 $V$ 上定义了两种运算:
- **加法** $\oplus: V \times V \to V$
- **数乘** $\odot: F \times V \to V$
且满足以下 **8 条公理**,则称 $(V, \oplus, \odot)$ 为数域 $F$ 上的**线性空间**。
#### 二、8 条公理(加法 4 条 + 数乘 4 条)
**加法公理($\forall \alpha, \beta, \gamma \in V$)**:
| # | 公理 | 内容 |
|---|------|------|
| 1 | 加法交换律 | $\alpha \oplus \beta = \beta \oplus \alpha$ |
| 2 | 加法结合律 | $(\alpha \oplus \beta) \oplus \gamma = \alpha \oplus (\beta \oplus \gamma)$ |
| 3 | 零元存在 | $\exists \mathbf{0} \in V,\ \forall \alpha,\ \alpha \oplus \mathbf{0} = \alpha$ |
| 4 | 负元存在 | $\forall \alpha,\ \exists \beta,\ \alpha \oplus \beta = \mathbf{0}$(记 $\beta = -\alpha$) |
**数乘公理($\forall \alpha, \beta \in V,\ \forall k, l \in F$)**:
| # | 公理 | 内容 |
|---|------|------|
| 5 | 数乘对加法结合 | $k \odot (\alpha \oplus \beta) = (k \odot \alpha) \oplus (k \odot \beta)$ |
| 6 | 数乘对数结合 | $(k + l) \odot \alpha = (k \odot \alpha) \oplus (l \odot \alpha)$ |
| 7 | 数乘分配律 | $(kl) \odot \alpha = k \odot (l \odot \alpha)$ |
| 8 | 单位元 | $1 \odot \alpha = \alpha$ |
> ⚠️ **考试陷阱**:8 条公理**全部要验证**——尤其当 $V$ 是函数集合、矩阵集合时,加法交换律、零元存在、负元存在**极易遗漏**。
*极简例子:* $V = \mathbb{R}^3$,$F = \mathbb{R}$,加法为向量逐分量相加、数乘为标量乘各分量 → 满足 8 条公理,是线性空间。
#### 三、线性空间的基本性质(推论)
由 8 条公理可推出:
$$
0 \cdot \alpha = \mathbf{0}, \qquad k \cdot \mathbf{0} = \mathbf{0}, \qquad (-1) \cdot \alpha = -\alpha
$$
若 $k \cdot \alpha = \mathbf{0}$,则 $k = 0$ 或 $\alpha = \mathbf{0}$。
#### 四、子空间
设 $W \subseteq V$($W \neq \varnothing$),若 $W$ 对 $V$ 的加法和数乘**封闭**,则 $W$ 是 $V$ 的**子空间**。
**判定定理**:
$$
W \text{ 是 } V \text{ 的子空间} \iff \forall \alpha, \beta \in W,\ \forall k, l \in F,\ k\alpha + l\beta \in W
$$
**充要条件**(更常用):
$$
W \subseteq V \text{ 是子空间} \iff \begin{cases} W \neq \varnothing \ (\mathbf{0} \in W) \\ \forall \alpha, \beta \in W,\ \alpha + \beta \in W \\ \forall \alpha \in W,\ \forall k \in F,\ k\alpha \in W \end{cases}
$$
*极简例子:* $V = \mathbb{R}^3$,$W = \{(x,y,0) \mid x, y \in \mathbb{R}\}$($xy$ 平面)→ $W$ 是 $V$ 的子空间。
> 🔑 **核心思想**:子空间判定**不需验证 8 条公理**,只需验证**非空 + 两种封闭性**。
#### 五、常见线性空间
| 空间 | 元素 | 加法 | 数乘 |
|------|------|------|------|
| $\mathbb{R}^n$ | $n$ 维向量 | 向量加法 | 标量乘 |
| $M_{m \times n}(\mathbb{R})$ | $m \times n$ 矩阵 | 矩阵加法 | 标量乘 |
| $P[x]_n$ | 次数 $\le n$ 的多项式 | 多项式加法 | 标量乘 |
| $C[a,b]$ | 闭区间连续函数 | 函数加法 | 标量乘 |
---
### 6.2 维数、基与坐标
#### 一、线性组合与张成
- **线性组合**:$\alpha = k_1 \alpha_1 + k_2 \alpha_2 + \cdots + k_m \alpha_m$($\alpha$ 称为 $\alpha_1, \ldots, \alpha_m$ 的线性组合)
- **张成(生成)子空间**:$\text{span}(\alpha_1, \ldots, \alpha_m) = \{k_1\alpha_1 + \cdots + k_m\alpha_m \mid k_i \in F\}$
*极简例子:* $\text{span}\begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix}, \begin{pmatrix} 0 \\ 1 \\ 0 \end{pmatrix} = \{(x, y, 0)^T \mid x, y \in \mathbb{R}\}$($\mathbb{R}^3$ 中的 $xy$ 平面)。
#### 二、线性相关与线性无关
- **线性相关**:$\exists$ 不全为 0 的 $k_1, \ldots, k_m$ 使 $k_1\alpha_1 + \cdots + k_m\alpha_m = \mathbf{0}$
- **线性无关**:当且仅当 $k_1 = k_2 = \cdots = k_m = 0$ 时才有 $k_1\alpha_1 + \cdots + k_m\alpha_m = \mathbf{0}$
> 等价说法:向量组 $\alpha_1, \ldots, \alpha_m$ 线性相关 $\iff$ 至少有一个向量可由其余向量线性表示。
#### 三、基与维数
- **基**:$V$ 中**线性无关**且**张成 $V$** 的向量组($\alpha_1, \alpha_2, \ldots, \alpha_n$)
- **维数**:基所含向量个数,记为 $\dim V$
$$
V = \text{span}(\alpha_1, \ldots, \alpha_n),\ \alpha_1, \ldots, \alpha_n \text{ 线性无关} \iff \alpha_1, \ldots, \alpha_n \text{ 是 } V \text{ 的一组基}
$$
*极简例子:* $\mathbb{R}^3$ 的标准基 $\varepsilon_1 = (1,0,0)^T, \varepsilon_2 = (0,1,0)^T, \varepsilon_3 = (0,0,1)^T$,$\dim \mathbb{R}^3 = 3$。
#### 四、坐标
设 $\alpha_1, \alpha_2, \ldots, \alpha_n$ 是 $V$ 的一组基,$\forall \alpha \in V$ 唯一存在 $x_1, x_2, \ldots, x_n \in F$ 使
$$
\alpha = x_1 \alpha_1 + x_2 \alpha_2 + \cdots + x_n \alpha_n
$$
称 $(x_1, x_2, \ldots, x_n)^T$ 为 $\alpha$ **在基** $\alpha_1, \alpha_2, \ldots, \alpha_n$ **下的坐标**,记作
$$
[\alpha]_{\mathcal{A}} = \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix}
$$
> ⚠️ **考试陷阱**:坐标**依赖于基的选取**——换基,坐标变!
#### 五、维数公式
$$
\dim(U + W) = \dim U + \dim W - \dim(U \cap W) \quad \text{(适用于有限维)}
$$
*极简例子:* $\mathbb{R}^3$ 中 $U = \{(x,y,0)\}$, $W = \{(0,y,z)\}$,则 $U + W = \mathbb{R}^3$,$U \cap W = \{(0,y,0)\}$,公式 $= 2 + 2 - 1 = 3$ ✓。
---
### 6.3 基变换与坐标变换
#### 一、过渡矩阵
设 $\mathcal{A} = (\alpha_1, \ldots, \alpha_n)$ 与 $\mathcal{B} = (\beta_1, \ldots, \beta_n)$ 是 $V$ 的两组基。若
$$
(\beta_1, \beta_2, \ldots, \beta_n) = (\alpha_1, \alpha_2, \ldots, \alpha_n) P
$$
则 $n$ 阶矩阵 $P$ 称为从基 $\mathcal{A}$ 到基 $\mathcal{B}$ 的**过渡矩阵**($P$ 的第 $j$ 列是 $\beta_j$ 在基 $\mathcal{A}$ 下的坐标)。
> 🔑 **关键**:$P$ **可逆**(两组基必可互表)。
*极简例子:* $\mathbb{R}^2$ 中 $\mathcal{A} = \varepsilon_1, \varepsilon_2$,$\mathcal{B} = \beta_1 = (1,1)^T, \beta_2 = (1, -1)^T$,
则 $P = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$。
#### 二、坐标变换公式
设 $\alpha \in V$ 在基 $\mathcal{A}$ 下的坐标为 $x$,在基 $\mathcal{B}$ 下的坐标为 $y$,$P$ 为从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵。则:
$$
\boxed{[\alpha]_{\mathcal{B}} = P^{-1} [\alpha]_{\mathcal{A}}}
$$
或等价地:
$$
[\alpha]_{\mathcal{A}} = P [\alpha]_{\mathcal{B}}
$$
> ⚠️ **致命陷阱**:题目常反问"已知 $\mathcal{B}$ 到 $\mathcal{A}$ 的过渡矩阵 $Q$"——此时 $[\alpha]_{\mathcal{B}} = Q [\alpha]_{\mathcal{A}}$。**务必看清过渡方向**!
#### 三、过渡矩阵的性质
| 性质 | 内容 |
|------|------|
| 可逆性 | $P_{\mathcal{A} \to \mathcal{B}}$ 必可逆 |
| 逆向 | $P_{\mathcal{B} \to \mathcal{A}} = P_{\mathcal{A} \to \mathcal{B}}^{-1}$ |
| 传递性 | $P_{\mathcal{A} \to \mathcal{C}} = P_{\mathcal{A} \to \mathcal{B}} \cdot P_{\mathcal{B} \to \mathcal{C}}$ |
---
### 6.4 线性变换的定义与性质
#### 一、线性变换的定义
设 $V, U$ 是数域 $F$ 上两个线性空间,$T: V \to U$ 是映射。若 $\forall \alpha, \beta \in V,\ \forall k \in F$:
$$
T(\alpha + \beta) = T(\alpha) + T(\beta), \qquad T(k\alpha) = kT(\alpha)
$$
则称 $T$ 为 $V$ 到 $U$ 的**线性变换**($V = U$ 时);$T: V \to U$ 称为**线性映射**。
> 等价形式:$T(k_1\alpha_1 + k_2\alpha_2) = k_1 T(\alpha_1) + k_2 T(\alpha_2)$
*极简例子:* $T: \mathbb{R}^2 \to \mathbb{R}^2$,$T(x, y) = (x + y, x - y)$ → 验证 $T(\alpha + \beta) = T(\alpha) + T(\beta)$ 与 $T(k\alpha) = kT(\alpha)$ 即可。
#### 二、线性变换的判定
判定 $T$ 是线性变换的充要条件(**合并验证**):
$$
\forall \alpha, \beta \in V,\ \forall k, l \in F,\quad T(k\alpha + l\beta) = kT(\alpha) + lT(\beta)
$$
#### 三、像、核与秩
设 $T: V \to U$ 是线性变换:
- **像(值域)**:$\text{Im}(T) = R(T) = \{T(\alpha) \mid \alpha \in V\}$
- **核(零空间)**:$\ker(T) = N(T) = \{\alpha \in V \mid T(\alpha) = \mathbf{0}\}$
- **秩**:$\text{r}(T) = \dim R(T)$
- **零度**:$\text{nullity}(T) = \dim N(T)$
**秩-零度定理**(线性变换的基本定理):
$$
\boxed{\dim V = \dim R(T) + \dim N(T) = \text{r}(T) + \text{nullity}(T)}
$$
*极简例子:* $T: \mathbb{R}^3 \to \mathbb{R}^3$,$T(x,y,z) = (x, y, 0)$,则 $R(T) = \{(x,y,0)\}$($\dim = 2$),$N(T) = \{(0,0,z)\}$($\dim = 1$),$2 + 1 = 3 = \dim \mathbb{R}^3$ ✓。
#### 四、重要性质
- $T(\mathbf{0}) = \mathbf{0}$
- $T(-\alpha) = -T(\alpha)$
- $T$ 线性 $\Rightarrow$ $T$ 把线性相关组映射为线性相关组(反之不成立)
- $T$ 把线性无关组映射到**不一定**线性无关
#### 五、特殊线性变换
| 变换 | 定义 |
|------|------|
| **恒等变换** | $\mathcal{I}(\alpha) = \alpha$ |
| **零变换** | $\mathcal{O}(\alpha) = \mathbf{0}$ |
| **投影变换** | $P(x, y, z) = (x, y, 0)$ |
| **数乘变换** | $k\mathcal{I}(\alpha) = k\alpha$ |
---
### 6.5 线性变换的矩阵表示式
#### 一、矩阵表示定理
设 $\mathcal{A} = (\alpha_1, \ldots, \alpha_n)$ 是 $V$ 的一组基,$T: V \to V$ 是线性变换。则
$$
(T(\alpha_1), T(\alpha_2), \ldots, T(\alpha_n)) = (\alpha_1, \alpha_2, \ldots, \alpha_n) A
$$
唯一确定了 $n$ 阶矩阵 $A$,$A$ 称为 $T$ **在基 $\mathcal{A}$ 下的矩阵**。
> **关键**:$A$ 的第 $j$ 列 $= T(\alpha_j)$ 在基 $\mathcal{A}$ 下的坐标。
#### 二、矩阵与变换的对应
$$
T(\alpha) \text{ 的坐标} = A \cdot [\alpha]_{\mathcal{A}}
$$
或
$$
[T(\alpha)]_{\mathcal{A}} = A \cdot [\alpha]_{\mathcal{A}}
$$
*极简例子:* $\mathbb{R}^2$ 中基 $\varepsilon_1, \varepsilon_2$,$T(\varepsilon_1) = (1, 2)^T$,$T(\varepsilon_2) = (3, 4)^T$,则 $A = \begin{pmatrix} 1 & 3 \\ 2 & 4 \end{pmatrix}$。
#### 三、矩阵表示的唯一性
**定理**:$T$ 在**给定基** $\mathcal{A}$ 下的矩阵**唯一**;反之,给定 $A$ 也能构造 $T$。
#### 四、矩阵表示的变换
设 $\mathcal{A}, \mathcal{B}$ 是 $V$ 的两组基,$P$ 为从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵,$A, B$ 分别为 $T$ 在 $\mathcal{A}, \mathcal{B}$ 下的矩阵。则:
$$
\boxed{B = P^{-1} A P}
$$
> 这是**相似变换**的本质!$A, B$ 相似。
*极简例子:* $A$ 在 $\mathcal{A}$ 下的矩阵,$P$ 是从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵,则 $B = P^{-1} A P$ 是 $T$ 在 $\mathcal{B}$ 下的矩阵。
#### 五、运算与矩阵的对应
| 线性变换 | 矩阵对应 |
|---------|---------|
| $T_1 + T_2$ | $A_1 + A_2$ |
| $kT$ | $kA$ |
| $T_1 \circ T_2$($T_2$ 先作用)| $A_1 A_2$ |
| $T^{-1}$ | $A^{-1}$ |
| $\mathcal{I}$(恒等变换) | $E$(单位阵) |
#### 六、线性变换可逆的充要条件
$T$ 可逆 $\iff$ $A$ 可逆 $\iff$ $\det A \neq 0$ $\iff$ $\text{r}(A) = n$。
---
### 6.6 习题六(综合训练)
本章习题综合运用上述 6 节内容。典型题型:
1. 验证非空集合是否构成线性空间(验证 8 条公理)
2. 验证子空间(验证非空 + 两种封闭性)
3. 求向量组的基与维数
4. 求向量在给定基下的坐标
5. 求过渡矩阵
6. 验证给定映射是否为线性变换
7. 求线性变换在给定基下的矩阵
8. 已知 $T(\alpha_1), T(\alpha_2)$ 反求 $T$ 的矩阵
> 详见 [[题型1_线性空间判定]]、[[题型2_基与坐标的计算]]、[[题型3_基变换与坐标变换]]、[[题型4_线性变换的判定]]、[[题型5_线性变换的矩阵表示]]、[[题型6_线性变换的特征值与对角化]]。
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 线性空间与子空间判定 | 验证 8 条公理 / 非空 + 封闭性 | [[题型1_线性空间判定]] |
| 2 | 基、维数与坐标的计算 | 线性无关 + 张成 / 唯一线性表示 | [[题型2_基与坐标的计算]] |
| 3 | 基变换与坐标变换 | 过渡矩阵 $P$ 与 $P^{-1}$ | [[题型3_基变换与坐标变换]] |
| 4 | 线性变换的判定 | $T(k\alpha + l\beta) = kT(\alpha) + lT(\beta)$ | [[题型4_线性变换的判定]] |
| 5 | 线性变换的矩阵表示 | 矩阵 $A$ 的列 = $T(\alpha_j)$ 的坐标 | [[题型5_线性变换的矩阵表示]] |
| 6 | 线性变换的特征值与对角化 | $\det(\lambda E - A) = 0$ | [[题型6_线性变换的特征值与对角化]] |
---
## ③ 高频考点与多维变换
### Top 5 高频考点
| 排名 | 考点 | 近15年考频 | 典型分值 |
|------|------|-----------|---------|
| 1 | 线性变换在给定基下的矩阵 | 10次 | 6-10分 |
| 2 | 坐标变换(过渡矩阵反求) | 8次 | 6分 |
| 3 | 基变换与坐标变换公式 | 6次 | 4-6分 |
| 4 | 线性变换的判定与像/核 | 5次 | 4分 |
| 5 | 子空间判定(函数/矩阵集合) | 4次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个线性变换,三种考法层次
> **同一变换**:$T: \mathbb{R}^3 \to \mathbb{R}^3$,$T(x_1, x_2, x_3) = (x_1 + x_2, x_2 + x_3, x_1 + x_3)$
**角度一:选择题(概念辨析)**
下列关于 $T$ 的描述哪个错误?
- (A) $T$ 是线性变换
- (B) $T$ 在标准基下的矩阵为 $\begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \end{pmatrix}$
- (C) $T$ 必可逆
- (D) $T$ 的核为 $\{(0,0,0)\}$
**答案**:(C) 错误——$\det A = 0$,故 $T$ 不可逆;(D) 错误——$N(T) \neq \{(0,0,0)\}$(因 $A$ 不可逆)。
**角度二:填空题(矩阵表示)**
求 $T$ 在标准基 $\varepsilon_1, \varepsilon_2, \varepsilon_3$ 下的矩阵 $A$。
**解**:$T(\varepsilon_1) = (1, 0, 1)^T$,$T(\varepsilon_2) = (1, 1, 0)^T$,$T(\varepsilon_3) = (0, 1, 1)^T$,故 $A = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \end{pmatrix}$。
**角度三:解答题(综合求矩阵 + 特征值)**
已知 $T$ 在基 $\alpha_1 = (1, 0, 1)^T, \alpha_2 = (1, 1, 0)^T, \alpha_3 = (0, 1, 1)^T$ 下的矩阵 $B = \begin{pmatrix} 1 & 2 & 3 \\ 0 & 1 & 2 \\ 0 & 0 & 1 \end{pmatrix}$,求 $T$ 在标准基下的矩阵 $A$。
**解**:设 $P = (\alpha_1, \alpha_2, \alpha_3)$,则 $A = P B P^{-1}$(其中 $P$ 为 $\alpha_1, \alpha_2, \alpha_3$ 构成的矩阵)。
**启示**:同一个变换,选择题考概念、填空考矩阵表示、解答考多基下的矩阵关系——三种深度都要掌握。
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:线性空间与变换的"五层决策树"
```
线性空间 / 线性变换问题
├── 第一层:定型
│ ├── 验证线性空间?→ 8 条公理
│ ├── 验证子空间?→ 非空 + 两种封闭性
│ ├── 求基与维数?→ 极大无关组
│ ├── 求坐标?→ 线性方程组
│ ├── 求过渡矩阵?→ 解线性方程组
│ ├── 验证线性变换?→ 合并验证
│ └── 求矩阵表示?→ 列向量法
├── 第二层:选策略
│ ├── 8 条公理 → 逐条验证
│ ├── 子空间 → 验证 0 ∈ W + 加法封闭 + 数乘封闭
│ ├── 坐标 → 转化为线性方程组
│ ├── 过渡矩阵 → 用新基向量在旧基下表示
│ └── 矩阵表示 → 用基向量的像
└── 第三层:执行
├── 化为行阶梯形 → 求秩 / 极大无关组
├── 联立方程组 → 求坐标
└── 计算 $P^{-1} A P$ → 矩阵变换
```
### 方法一:8 条公理的验证模板
**验证流程**:
1. **加法封闭性**:$\forall \alpha, \beta \in V,\ \alpha + \beta \in V$
2. **数乘封闭性**:$\forall \alpha \in V,\ k \in F,\ k\alpha \in V$
3. **8 条公理**:逐条验证(通常 1, 2, 5, 6, 7, 8 + 零元 + 负元)
> **判断依据**:题目给出"集合 $V$ + 两种运算 + 数域 $F$" → 直接验证 8 条公理。
### 方法二:子空间判定的"三步法"
**口诀**:**"零元 + 加法封闭 + 数乘封闭"**
- 验证 $\mathbf{0} \in W$(或证 $W \neq \varnothing$)
- 验证 $\forall \alpha, \beta \in W,\ \alpha + \beta \in W$
- 验证 $\forall \alpha \in W,\ \forall k \in F,\ k\alpha \in W$
> ⚠️ **注意**:常考题型是"验证 $W$ 是否构成 $V$ 的子空间"——只需验证封闭性,**不需要验证 8 条公理**!
### 方法三:坐标计算的"方程组法"
**核心思想**:求 $\alpha$ 在基 $\alpha_1, \ldots, \alpha_n$ 下的坐标 → 转化为**线性方程组**。
令 $\alpha = x_1\alpha_1 + \cdots + x_n\alpha_n$,得到
$$
(\alpha_1, \alpha_2, \ldots, \alpha_n) \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix} = \alpha
$$
令 $P = (\alpha_1, \ldots, \alpha_n)$,则 $x = P^{-1}\alpha$(前提:$\alpha_1, \ldots, \alpha_n$ 线性无关)。
### 方法四:过渡矩阵与坐标变换的"方向辨析"
**核心口诀**:**"看 $P$ 是从哪到哪"**
$$
(\beta_1, \ldots, \beta_n) = (\alpha_1, \ldots, \alpha_n) P \implies P \text{ 是从 } \mathcal{A} \text{ 到 } \mathcal{B}
$$
$$
[\alpha]_{\mathcal{B}} = P^{-1} [\alpha]_{\mathcal{A}}
$$
> ⚠️ **关键**:若题目反问"$Q$ 是从 $\mathcal{B}$ 到 $\mathcal{A}$" → 公式变为 $x_{\mathcal{A}} = Q x_{\mathcal{B}}$。
### 方法五:线性变换矩阵表示的"列向量法"
**核心**:$T$ 在基 $\mathcal{A}$ 下的矩阵 $A$,**第 $j$ 列 = $T(\alpha_j)$ 在基 $\mathcal{A}$ 下的坐标**。
$$
A = \big( [T(\alpha_1)]_{\mathcal{A}}, [T(\alpha_2)]_{\mathcal{A}}, \ldots, [T(\alpha_n)]_{\mathcal{A}} \big)
$$
> **重要应用**:已知 $T(\alpha_1), \ldots, T(\alpha_n)$ 是基 $\mathcal{A}$ 的某个像 → 立刻得到 $A$。
### 方法六:跨章节通法速查表
| 通用技法 | 本章出现场景 | 前后章节联系 | 判断依据 |
|---------|------------|------------|---------|
| **线性方程组** | 求坐标、求过渡矩阵 | Ch03 方程组求解 | 未知数 = 坐标 |
| **矩阵求逆** | 坐标变换 $P^{-1} x$ | Ch02 矩阵求逆 | 坐标变换公式 |
| **矩阵乘法** | $B = P^{-1} A P$ | Ch02 矩阵乘法 | 基变换下的矩阵 |
| **特征值** | 线性变换的对角化 | Ch05 特征值 | $\det(\lambda E - A) = 0$ |
| **秩-零度定理** | 求核的维数 | Ch04 秩 | $\dim V = \dim R + \dim N$ |
| **运算验证** | 8 条公理 / 线性变换 | 抽象代数 | 逐条验证 |
### 方法七:线性变换 vs 矩阵的逻辑链
**考研反复考的等价链**:
$$
T \text{ 可逆} \iff \det A \neq 0 \iff A \text{ 可逆} \iff T \text{ 双射} \iff N(T) = \{\mathbf{0}\}
$$
> 这是联系 Ch05 特征值与 Ch06 线性变换的核心纽带。
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:子空间判定时验证了 8 条公理
- **错误表现**:题目问"$W$ 是否构成 $V$ 的子空间",却验证 8 条公理
- **正确理解**:子空间**只需验证非空 + 两种封闭性**(继承性已自动满足 8 条公理)
**【对比示例】**:
```
❌ 验证 8 条公理 → 浪费 30 分钟
✅ 验证 W 非空 + 加法封闭 + 数乘封闭 → 5 分钟
```
### ❌ 错误 2:坐标变换公式方向搞反
- **错误表现**:$P_{\mathcal{A} \to \mathcal{B}}$ 已求,套公式 $x_{\mathcal{B}} = P x_{\mathcal{A}}$
- **正确理解**:$x_{\mathcal{B}} = P^{-1} x_{\mathcal{A}}$。**坐标变换要乘以 $P^{-1}$**!
**【对比示例】**:
```
❌ [α]_B = P [α]_A (错!少乘了 P^(-1))
✅ [α]_B = P^(-1) [α]_A (对!)
```
### ❌ 错误 3:把"线性变换"误判为"非线性变换"
- **错误表现**:$T(x, y) = (x + 1, y)$ 误判为线性变换
- **正确理解**:$T(\mathbf{0}) = (1, 0) \neq \mathbf{0}$ → **必然非线性**!
**【对比示例】**:
```
❌ T(x,y) = (x+1, y) 看似线性 → 错!(T(0) ≠ 0)
✅ T(x,y) = (x+y, x-y) → 验证 T(α+β)=T(α)+T(β) 成立
```
### ❌ 错误 4:矩阵表示的"列"填错
- **错误表现**:$A$ 的第 $j$ 列写成 $T(\alpha_j)$ 的**原坐标**而非在基 $\mathcal{A}$ 下的坐标
- **正确理解**:$A$ 的第 $j$ 列 = $T(\alpha_j)$ **在基 $\mathcal{A}$ 下的坐标**
**【对比示例】**:
```
❌ 在标准基 ε₁, ε₂, ε₃ 下 T(ε₁) = (1, 2, 3)ᵀ → A 的第 1 列 = (1, 2, 3)ᵀ
(这恰好对了,因为标准基下坐标 = 原坐标)
⚠️ 但在非标准基下,必须先求 T(α_j) 在基 A 下的坐标
```
### ❌ 错误 5:混淆 $\text{r}(T)$ 与 $\text{r}(A)$
- **错误表现**:$\text{r}(T) = \text{r}(A)$(看似显然)
- **正确理解**:$\text{r}(T) = \text{r}(A)$(这是对的,但需理解前提:$A$ 是 $T$ 在**某一基**下的矩阵 → 矩阵的秩 = 变换的秩)
### ❌ 错误 6:混淆"像"与"核"
- **错误表现**:计算 $T(\alpha)$ 时套用核的公式
- **正确理解**:像 $R(T) = \{T(\alpha) \mid \alpha \in V\}$,核 $N(T) = \{\alpha \mid T(\alpha) = \mathbf{0}\}$
### ❌ 错误 7:8 条公理中的"零元唯一"漏验
- **错误表现**:零元存在当成显然
- **正确理解**:零元是**存在**的,但**唯一**是证明的推论——验证存在即可。
---
## ⑥ 考研导向复习策略 (Exam Strategy)
### 优先级与建议题量
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|--------|--------|-----------|------|
| 线性变换的矩阵表示 | **高** | 20+ 道 | 必考大题,反求矩阵 |
| 基变换与坐标变换 | **高** | 15+ 道 | 公式熟记,方向辨析 |
| 子空间判定 | **中** | 10 道 | 选择/填空为主 |
| 8 条公理验证 | **中** | 6 道 | 抽象集合为背景 |
| 线性变换的判定 | **中** | 8 道 | 验证技巧 |
| 线性变换的特征值 | **中** | 10 道 | Ch05 复习时兼顾 |
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch06) 线性空间与变换 │
│ · 空间公理 / 子空间 / 基与坐标 │
│ · 过渡矩阵 / 矩阵表示 / 相似 │
└───────────────┬─────────────────┘
│
┌───────────────┬───────────────┼───────────────┬───────────────┐
↓ ↓ ↓ ↓ ↓
Ch02 矩阵 Ch03 方程组 Ch04 向量组 Ch05 特征值 Ch07 二次型
矩阵乘法对应 坐标即方程组解 极大无关组↔基 相似↔P⁻¹AP 二次型矩阵
矩阵求逆 齐次方程组→核 秩=维数 特征向量 (本章较弱)
非齐次→特解 过渡矩阵求解 对角化
```
#### 🔥 跨章节综合题命题模式
**模式 1:线性变换矩阵 + 特征值(与 Ch05 联动)**
> 例题:$T$ 在基 $\mathcal{A}$ 下的矩阵 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}$,求 $T$ 的特征值与特征向量。
>
> **解**:$\det(\lambda E - A) = (\lambda - 3)(\lambda + 1) = 0$ → $\lambda_1 = 3, \lambda_2 = -1$。特征向量 $\xi_1 = (1, 1)^T, \xi_2 = (1, -1)^T$。
>
> **考点**:Ch06 矩阵表示 + Ch05 特征值。
**模式 2:基变换 + 坐标变换(与 Ch02 矩阵乘法联动)**
> 例题:$\mathbb{R}^3$ 中基 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$,$\mathcal{B} = (\beta_1, \beta_2, \beta_3)$,
> $\beta_1 = \alpha_1 + \alpha_2, \beta_2 = \alpha_2 + \alpha_3, \beta_3 = \alpha_1 + \alpha_3$,
> 求 $\alpha = \alpha_1 + \alpha_2 + \alpha_3$ 在 $\mathcal{B}$ 下的坐标。
>
> **解**:$P = \begin{pmatrix} 1 & 0 & 1 \\ 1 & 1 & 0 \\ 0 & 1 & 1 \end{pmatrix}$,$x_{\mathcal{A}} = (1, 1, 1)^T$,$x_{\mathcal{B}} = P^{-1} x_{\mathcal{A}}$,计算得 $x_{\mathcal{B}} = (1, 1, 1)^T$。
>
> **考点**:基变换 + 坐标变换公式 $P^{-1}$。
**模式 3:子空间 + 维数(与 Ch04 秩联动)**
> 例题:$V = M_{2 \times 2}(\mathbb{R})$,$W = \{A \in V \mid \text{tr}(A) = 0\}$,验证 $W$ 是 $V$ 的子空间,求 $\dim W$。
>
> **解**:验证 $\mathbf{0} \in W$($\text{tr}(\mathbf{0}) = 0$ ✓);加法封闭 $\text{tr}(A + B) = \text{tr}(A) + \text{tr}(B) = 0$;数乘封闭 $\text{tr}(kA) = k\text{tr}(A) = 0$。一组基 $\begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix}, \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 \\ 1 & 0 \end{pmatrix}$,$\dim W = 3$。
>
> **考点**:子空间判定 + 维数计算。
### 【终极母题推荐】
> **题目**:设 $\mathbb{R}^3$ 中有两组基:
> $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$,$\mathcal{B} = (\beta_1, \beta_2, \beta_3)$
> 已知 $\beta_1 = \alpha_1 - \alpha_2, \beta_2 = 2\alpha_1 + \alpha_2 + \alpha_3, \beta_3 = \alpha_1 + \alpha_3$。
> 线性变换 $T$ 满足 $T(\alpha_1) = (1, 0, 1)^T, T(\alpha_2) = (0, 1, 0)^T, T(\alpha_3) = (1, 1, 1)^T$。
> 求 $T$ 在基 $\mathcal{B}$ 下的矩阵 $B$。
**解法**:
1. 求 $P = \begin{pmatrix} 1 & 2 & 1 \\ -1 & 1 & 0 \\ 0 & 1 & 1 \end{pmatrix}$(从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵)
2. 求 $A = \begin{pmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \end{pmatrix}$($T$ 在标准基下的矩阵)
3. $B = P^{-1} A P$(计算略)
**为什么这是"终极母题"**:
✅ 涵盖 Ch06 三个核心考点:基变换、坐标变换、矩阵表示
✅ 综合考查:过渡矩阵反求 + 矩阵表示 + 相似变换
✅ 必备工具:矩阵乘法与求逆(Ch02)
**🔗 这道题的 Ch05 升级版(提前预告)**:
> 条件不变,结论改为"求 $T$ 的全部特征值,并讨论 $T$ 是否可对角化"。
>
> → 这就是**特征值与对角化**。你会发现:矩阵表示是 Ch05 特征值/对角化的"前置知识"。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 [[Ch07_矩阵的相似与二次型/Ch07_Similarity_QuadraticForms|Ch07 矩阵的相似与二次型]]。
> 线性变换的矩阵表示与相似变换是 Ch07 的核心工具。
@@ -0,0 +1,216 @@
# 题型1:线性空间与子空间判定
## 识别特征
- 题目给出**集合 $V$ + 两种运算 + 数域 $F$**,要求验证是否构成线性空间
- 题目给出 $V$ 的**子集 $W$**,要求验证是否构成 $V$ 的子空间
- 关键词:"验证"、"判定"、"是否构成"、"子空间"
## 解题流程
```mermaid
flowchart TD
A[识别:验证线性空间 or 子空间] --> B{类型判断}
B -->|线性空间| C[验证 8 条公理]
B -->|子空间| D[验证非空 + 两种封闭性]
C --> C1[加法 4 条: 交换/结合/零元/负元]
C --> C2[数乘 4 条: 结合/分配/单位元]
C1 --> E[得出结论]
C2 --> E
D --> D1[验证 0 ∈ W 或 W ≠ ∅]
D --> D2[验证加法封闭: α+β ∈ W]
D --> D3[验证数乘封闭: kα ∈ W]
D1 --> E
D2 --> E
D3 --> E
```
## 通法步骤
### A. 验证线性空间(验证 8 条公理)
**Step 1**:明确集合 $V$、数域 $F$、加法 $\oplus$、数乘 $\odot$ 的具体定义。
**Step 2**:逐一验证 8 条公理。
**加法公理**($\forall \alpha, \beta, \gamma \in V$):
1. 交换律:$\alpha \oplus \beta = \beta \oplus \alpha$
2. 结合律:$(\alpha \oplus \beta) \oplus \gamma = \alpha \oplus (\beta \oplus \gamma)$
3. 零元:$\exists \mathbf{0} \in V$ 使 $\alpha \oplus \mathbf{0} = \alpha$
4. 负元:$\exists \beta$ 使 $\alpha \oplus \beta = \mathbf{0}$
**数乘公理**($\forall \alpha, \beta \in V,\ \forall k, l \in F$):
5. $k \odot (\alpha \oplus \beta) = (k \odot \alpha) \oplus (k \odot \beta)$
6. $(k + l) \odot \alpha = (k \odot \alpha) \oplus (l \odot \alpha)$
7. $(kl) \odot \alpha = k \odot (l \odot \alpha)$
8. $1 \odot \alpha = \alpha$
**Step 3**:8 条全部满足 → 是线性空间;任一不满足 → 不是线性空间。
### B. 验证子空间(验证 3 条)
**Step 1**:验证 $W \neq \varnothing$(或 $\mathbf{0} \in W$)。
**Step 2**:验证加法封闭性:$\forall \alpha, \beta \in W,\ \alpha + \beta \in W$。
**Step 3**:验证数乘封闭性:$\forall \alpha \in W,\ \forall k \in F,\ k\alpha \in W$。
> 🔑 **关键**:子空间判定**不需要验证 8 条公理**(继承性自动满足),只需验证**非空 + 两种封闭性**。
### C. 充要条件合并写法
等价形式(有时更易用):
$$
\forall \alpha, \beta \in W,\ \forall k, l \in F,\quad k\alpha + l\beta \in W
$$
## 常见陷阱
- **陷阱 1**:把"子空间"与"线性空间"混淆——子空间只需验证 3 条,线性空间需验证 8 条
- **陷阱 2**:常考"是否构成子空间"但实际要求否定(如 $W = \{(x,y) \in \mathbb{R}^2 \mid xy = 0\}$ 不封闭)
- **陷阱 3**:验证 8 条公理时**漏验零元存在**和**负元存在**(最常丢分)
- **陷阱 4**:抽象集合(如函数集合、矩阵集合)中**加法交换律**易被误认为显然成立
- **陷阱 5**:混淆"加法"与"数乘"两种运算的封闭性
## 经典母题
### 母题 1:抽象集合是否构成线性空间
> **题目**:设 $V = \{f(x) \in C[-\pi, \pi] \mid f(-x) = f(x)\}$(即所有偶函数),验证 $V$ 在函数加法和标量乘法下是否构成线性空间。
**解法**:
验证 8 条公理(合并验证以简化):
**封闭性**:
- $\forall f, g \in V$,$(f + g)(-x) = f(-x) + g(-x) = f(x) + g(x)$ → $f + g \in V$ ✓
- $\forall f \in V,\ k \in F$,$(kf)(-x) = k f(-x) = k f(x)$ → $kf \in V$ ✓
**零元**:$f(x) = 0 \in V$(恒为 0 的函数是偶函数)✓
**负元**:$\forall f \in V$,$(-f)(-x) = -f(-x) = -f(x)$ → $-f \in V$ ✓
**加法交换律**:$(f + g)(x) = f(x) + g(x) = g(x) + f(x) = (g + f)(x)$ ✓
**加法结合律**:$((f + g) + h)(x) = (f + g)(x) + h(x) = f(x) + g(x) + h(x) = f(x) + (g + h)(x) = (f + (g + h))(x)$ ✓
**数乘 4 条**:
- $k(f + g)(x) = k(f(x) + g(x)) = kf(x) + kg(x) = (kf + kg)(x)$ ✓
- $(k + l)f(x) = kf(x) + lf(x) = (kf + lf)(x)$ ✓
- $(kl)f(x) = k(lf(x)) = (k(lf))(x)$ ✓
- $1 \cdot f(x) = f(x)$ ✓
**结论**:$V$ 关于函数加法和标量乘法构成线性空间。
**复盘**:函数集合验证 8 条公理时,**用函数表达式逐条验证**最稳妥。注意:封闭性是基础(不封闭就直接否定)。
---
### 母题 2:验证子空间
> **题目**:设 $V = \mathbb{R}^3$,$W = \{(x_1, x_2, x_3)^T \in \mathbb{R}^3 \mid x_1 + x_2 + x_3 = 0\}$,验证 $W$ 是否构成 $V$ 的子空间。
**解法**:
**Step 1(非空)**:取 $\alpha = (1, -1, 0)^T \in W$($1 - 1 + 0 = 0$)→ $W \neq \varnothing$ ✓
**Step 2(加法封闭)**:$\forall \alpha = (x_1, x_2, x_3)^T, \beta = (y_1, y_2, y_3)^T \in W$,
$$
x_1 + x_2 + x_3 = 0,\quad y_1 + y_2 + y_3 = 0
$$
$$
(\alpha + \beta) = (x_1 + y_1, x_2 + y_2, x_3 + y_3)^T
$$
$$
(x_1 + y_1) + (x_2 + y_2) + (x_3 + y_3) = (x_1 + x_2 + x_3) + (y_1 + y_2 + y_3) = 0 + 0 = 0
$$
→ $\alpha + \beta \in W$ ✓
**Step 3(数乘封闭)**:$\forall \alpha = (x_1, x_2, x_3)^T \in W,\ \forall k \in \mathbb{R}$,
$$
k\alpha = (kx_1, kx_2, kx_3)^T
$$
$$
kx_1 + kx_2 + kx_3 = k(x_1 + x_2 + x_3) = k \cdot 0 = 0
$$
→ $k\alpha \in W$ ✓
**结论**:$W$ 是 $V$ 的子空间。
**复盘**:判定子空间**只需 3 条**——非空 + 加法封闭 + 数乘封闭。这比验证 8 条公理**节省 70%** 的时间。
---
### 母题 3:否定情形(不构成子空间)
> **题目**:设 $V = \mathbb{R}^2$,$W = \{(x, y)^T \in \mathbb{R}^2 \mid x \cdot y \geq 0\}$(第一、三象限的并集),$W$ 是否构成 $V$ 的子空间?
**解法**:
**反例 1(加法不封闭)**:取 $\alpha = (1, 0)^T \in W$,$\beta = (0, 1)^T \in W$($1 \cdot 0 = 0 \geq 0$ ✓)。
但 $\alpha + \beta = (1, 1)^T$,$1 \cdot 1 = 1 \geq 0$ ✓(这个加法反而封闭)。
**反例 2(数乘不封闭)**:取 $\alpha = (1, 1)^T \in W$($1 \cdot 1 = 1 \geq 0$ ✓),$k = -1$。
$k\alpha = (-1, -1)^T$,$(-1) \cdot (-1) = 1 \geq 0$ ✓(这个数乘也封闭)。
**真正的反例**:$\alpha = (1, 0)^T \in W$,$\beta = (0, -1)^T \in W$($0 \cdot (-1) = 0 \geq 0$ ✓)。
$\alpha + \beta = (1, -1)^T$,$1 \cdot (-1) = -1 < 0$ ✗ → 加法不封闭。
**结论**:$W$ **不**构成 $V$ 的子空间。
**复盘**:判定不构成子空间,只需**找到一个反例**即可(加法或数乘之一不封闭)。本题易错点在"看似封闭"要继续找反例。
---
### 母题 4:矩阵集合的子空间判定
> **题目**:设 $V = M_{2 \times 2}(\mathbb{R})$,$W = \{A \in V \mid \text{tr}(A) = 0\}$,验证 $W$ 是 $V$ 的子空间。
**解法**:
**Step 1(非空)**:$O = \begin{pmatrix} 0 & 0 \\ 0 & 0 \end{pmatrix} \in W$($\text{tr}(O) = 0$)✓
**Step 2(加法封闭)**:$\forall A, B \in W$,
$$
\text{tr}(A + B) = \text{tr}(A) + \text{tr}(B) = 0 + 0 = 0 \implies A + B \in W \checkmark
$$
**Step 3(数乘封闭)**:$\forall A \in W,\ \forall k \in \mathbb{R}$,
$$
\text{tr}(kA) = k\text{tr}(A) = k \cdot 0 = 0 \implies kA \in W \checkmark
$$
**结论**:$W$ 是 $V$ 的子空间。
**复盘**:利用**迹的线性性质** $\text{tr}(A + B) = \text{tr}(A) + \text{tr}(B)$,$\text{tr}(kA) = k\text{tr}(A)$,一步到位。
---
### 母题 5:函数集合的子空间判定
> **题目**:设 $V = \mathbb{R}[x]$(所有多项式),$W = \{p(x) \in V \mid p(1) = 0\}$,验证 $W$ 是 $V$ 的子空间。
**解法**:
**Step 1**:$p(x) = 0 \in W$($p(1) = 0$)✓
**Step 2**:$\forall p(x), q(x) \in W$,
$$
(p + q)(1) = p(1) + q(1) = 0 + 0 = 0 \implies p + q \in W \checkmark
$$
**Step 3**:$\forall p(x) \in W,\ \forall k \in \mathbb{R}$,
$$
(kp)(1) = k \cdot p(1) = k \cdot 0 = 0 \implies kp \in W \checkmark
$$
**结论**:$W$ 是 $V$ 的子空间。
**复盘**:$W$ 是多项式函数值在某点为 0 的集合——这类条件通常是**线性**的,故 $W$ 是子空间。
---
> **口诀**:
> - **验证线性空间**:8 条公理严格逐条
> - **验证子空间**:3 条足矣——非空 + 封闭
> - **否定子空间**:一个反例足矣
@@ -0,0 +1,248 @@
# 题型2:基、维数与坐标的计算
## 识别特征
- 题目给出向量组 $\alpha_1, \ldots, \alpha_n$,问"是否构成基?维数?"
- 题目给出基 $\alpha_1, \ldots, \alpha_n$ 和向量 $\beta$,求 $\beta$ 在该基下的坐标
- 题目给出向量组,求极大线性无关组(部分基)
- 关键词:"基"、"维数"、"坐标"、"极大无关组"
## 解题流程
```mermaid
flowchart TD
A[识别:求基/维数/坐标] --> B{类型判断}
B -->|判断是否构成基| C[线性无关 + 张成 V]
B -->|求坐标| D[解线性方程组]
B -->|求极大无关组| E[行阶梯化 + 非零行首]
C --> F[公式: 行列式 ≠ 0 ⇔ 无关]
C --> G[或: 化行阶梯看秩]
D --> H[令 β = x₁α₁ + ... + xₙαₙ]
D --> I[转化为 Ax = β 求解]
E --> J[列向量 → 矩阵 A]
E --> K[初等行变换 → 行阶梯]
K --> L[非零行首对应极大无关组]
```
## 通法步骤
### A. 判断 $\alpha_1, \ldots, \alpha_n$ 是否构成 $V$ 的基
**Step 1**:判断向量组是否**线性无关**。
- 设有 $k_1\alpha_1 + \cdots + k_n\alpha_n = \mathbf{0}$
- 转化为齐次方程组 $A x = 0$
- 若 $A x = 0$ 只有零解 → 线性无关
- 若 $A x = 0$ 有非零解 → 线性相关
**Step 2**:判断向量组是否**张成 $V$**。
- 一般地,若 $V$ 是 $n$ 维线性空间,且 $\alpha_1, \ldots, \alpha_n$ 线性无关,则必为基
- 否则需要计算张成的子空间维数
**Step 3**:只有线性无关 + 张成 $V$ 同时成立 → 才是 $V$ 的基。
**快捷判定**($n$ 维空间 $V$ 中 $n$ 个向量):
- 排成矩阵 $A = (\alpha_1, \ldots, \alpha_n)$
- $\det A \neq 0$ → 线性无关 → 是基
- $\det A = 0$ → 线性相关 → 不是基
### B. 求 $\beta$ 在基 $\alpha_1, \ldots, \alpha_n$ 下的坐标
**Step 1**:设 $\beta = x_1 \alpha_1 + x_2 \alpha_2 + \cdots + x_n \alpha_n$(待定 $x_1, \ldots, x_n$)
**Step 2**:转化为方程组
$$
(\alpha_1, \alpha_2, \ldots, \alpha_n) \begin{pmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{pmatrix} = \beta
$$
**Step 3**:令 $P = (\alpha_1, \alpha_2, \ldots, \alpha_n)$,解 $x = P^{-1} \beta$。
### C. 求极大线性无关组
**Step 1**:将向量组排成矩阵 $A = (\alpha_1, \alpha_2, \ldots, \alpha_m)$(按列或按行均可,**注意方向**)。
**Step 2**:对 $A$ 进行**初等行变换**,化为行阶梯形矩阵。
**Step 3**:行阶梯形矩阵的**非零行的首非零元**所在列,对应的原向量构成极大线性无关组。
> ⚠️ **关键**:行变换只能用于**列向量**——若向量组是行向量,则先转置再行变换。
### D. 求子空间 $W$ 的基与维数
**Step 1**:将 $W$ 的生成元写出 $\alpha_1, \alpha_2, \ldots, \alpha_m$。
**Step 2**:求 $\alpha_1, \ldots, \alpha_m$ 的极大线性无关组。
**Step 3**:极大无关组即为 $W$ 的基,个数即为 $\dim W$。
## 常见陷阱
- **陷阱 1**:混淆"行向量"与"列向量"——行变换只对列向量"保留线性关系"
- **陷阱 2**:求坐标时忘记解方程组,导致坐标错误
- **陷阱 3**:判断基时,只判断"线性无关",**忽略张成 $V$**
- **陷阱 4**:极大无关组是从原向量组中**挑出**的,不能"创造"新向量
- **陷阱 5**:求矩阵时把"列向量"误填入"行"
## 经典母题
### 母题 1:判断是否为基
> **题目**:判断 $\alpha_1 = (1, 2, 1)^T, \alpha_2 = (2, 3, 3)^T, \alpha_3 = (3, 7, 1)^T$ 是否构成 $\mathbb{R}^3$ 的基。
**解法**:
**方法一:行列式法**
$$
\det(\alpha_1, \alpha_2, \alpha_3) = \begin{vmatrix} 1 & 2 & 3 \\ 2 & 3 & 7 \\ 1 & 3 & 1 \end{vmatrix}
$$
按第 1 行展开:
$$
= 1 \cdot (3 - 21) - 2 \cdot (2 - 7) + 3 \cdot (6 - 3) = -18 + 10 + 9 = 1 \neq 0
$$
→ 线性无关 → 3 个无关向量在 $\mathbb{R}^3$ 中 → **构成 $\mathbb{R}^3$ 的基**。
**方法二:行阶梯法**
$$
A = \begin{pmatrix} 1 & 2 & 3 \\ 2 & 3 & 7 \\ 1 & 3 & 1 \end{pmatrix} \xrightarrow{r_2 - 2r_1, r_3 - r_1} \begin{pmatrix} 1 & 2 & 3 \\ 0 & -1 & 1 \\ 0 & 1 & -2 \end{pmatrix} \xrightarrow{r_3 + r_2} \begin{pmatrix} 1 & 2 & 3 \\ 0 & -1 & 1 \\ 0 & 0 & -1 \end{pmatrix}
$$
3 个主元 → 满秩 → 线性无关 → 构成基。
**复盘**:两种方法均可。**行列式法**更快(直接判断 $\det \neq 0$),**行阶梯法**更通用(适用于 $m \neq n$)。
---
### 母题 2:求向量在基下的坐标
> **题目**:已知 $\alpha_1 = (1, 1, 1)^T, \alpha_2 = (1, 1, 0)^T, \alpha_3 = (1, 0, 0)^T$ 是 $\mathbb{R}^3$ 的基,求 $\beta = (6, 5, 3)^T$ 在该基下的坐标。
**解法**:
设 $\beta = x_1 \alpha_1 + x_2 \alpha_2 + x_3 \alpha_3$,即
$$
(6, 5, 3)^T = x_1 (1, 1, 1)^T + x_2 (1, 1, 0)^T + x_3 (1, 0, 0)^T
$$
**方程组**:
$$
\begin{cases} x_1 + x_2 + x_3 = 6 \\ x_1 + x_2 = 5 \\ x_1 = 3 \end{cases}
$$
**求解**:
- 由第 3 式:$x_1 = 3$
- 代入第 2 式:$x_2 = 5 - 3 = 2$
- 代入第 1 式:$x_3 = 6 - 3 - 2 = 1$
**坐标**:$[\beta] = (3, 2, 1)^T$
**验证**:$3 \alpha_1 + 2 \alpha_2 + 1 \alpha_3 = 3(1,1,1)^T + 2(1,1,0)^T + (1,0,0)^T = (6, 5, 3)^T = \beta$ ✓
**复盘**:求坐标等价于**解线性方程组**——这是 Ch03 方程组的直接应用。
---
### 母题 3:求极大线性无关组
> **题目**:求向量组 $\alpha_1 = (1, 2, 3, 4)^T, \alpha_2 = (2, 3, 4, 5)^T, \alpha_3 = (3, 4, 5, 6)^T, \alpha_4 = (4, 5, 6, 7)^T$ 的极大线性无关组。
**解法**:
排成矩阵(列向量形式):
$$
A = \begin{pmatrix} 1 & 2 & 3 & 4 \\ 2 & 3 & 4 & 5 \\ 3 & 4 & 5 & 6 \\ 4 & 5 & 6 & 7 \end{pmatrix}
$$
**初等行变换**:
$$
A \xrightarrow{r_i - r_1 \ (i \geq 2)} \begin{pmatrix} 1 & 2 & 3 & 4 \\ 0 & -1 & -2 & -3 \\ 0 & -2 & -4 & -6 \\ 0 & -3 & -6 & -9 \end{pmatrix}
\xrightarrow{r_3 + 2r_2, r_4 + 3r_2} \begin{pmatrix} 1 & 2 & 3 & 4 \\ 0 & -1 & -2 & -3 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end{pmatrix}
$$
**非零行的首非零元**在第 1、2 列 → 极大线性无关组为 $\{\alpha_1, \alpha_2\}$。
**秩** = 非零行数 = 2。
**复盘**:极大无关组 = 行阶梯形主元列对应的原向量。本题 $\alpha_3 = \alpha_1 + \alpha_2$($3 = 1 + 2, 4 = 2 + 2, 5 = 3 + 2, 6 = 4 + 2$),$\alpha_4 = 2\alpha_1 + \alpha_2$。
---
### 母题 4:求子空间的基与维数
> **题目**:$V = M_{2 \times 2}(\mathbb{R})$,$W = \left\{ \begin{pmatrix} a & b \\ c & d \end{pmatrix} \in V \mid a + d = 0 \right\}$,求 $W$ 的基与维数。
**解法**:
设 $A = \begin{pmatrix} a & b \\ c & d \end{pmatrix} \in W$,则 $d = -a$,故
$$
A = \begin{pmatrix} a & b \\ c & -a \end{pmatrix} = a \begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix} + b \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix} + c \begin{pmatrix} 0 & 0 \\ 1 & 0 \end{pmatrix}
$$
**基**:
$$
E_1 = \begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix},\quad E_2 = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix},\quad E_3 = \begin{pmatrix} 0 & 0 \\ 1 & 0 \end{pmatrix}
$$
**维数**:$\dim W = 3$
**验证**:$E_1, E_2, E_3$ 确实两两无关(线性无关)+ 张成 $W$ ✓
**复盘**:$\dim W = \dim V - 1 = 4 - 1 = 3$(一个线性约束方程)。
---
### 母题 5:抽象空间中的基与坐标
> **题目**:$P[x]_2$(次数 $\le 2$ 的多项式)中,$\alpha_1 = 1, \alpha_2 = 1 + x, \alpha_3 = 1 + x + x^2$。证明 $\alpha_1, \alpha_2, \alpha_3$ 是 $P[x]_2$ 的基,并求 $p(x) = 2 + 3x + 5x^2$ 在该基下的坐标。
**解法**:
**Step 1(证明是基)**:
设 $k_1 \alpha_1 + k_2 \alpha_2 + k_3 \alpha_3 = 0$(恒为 0 的多项式),即
$$
k_1 + k_2(1 + x) + k_3(1 + x + x^2) = 0
$$
$$
(k_1 + k_2 + k_3) + (k_2 + k_3) x + k_3 x^2 = 0
$$
多项式恒为 0 → 各系数为 0:
$$
\begin{cases} k_1 + k_2 + k_3 = 0 \\ k_2 + k_3 = 0 \\ k_3 = 0 \end{cases}
$$
→ $k_3 = 0 \Rightarrow k_2 = 0 \Rightarrow k_1 = 0$ → 线性无关 ✓
$P[x]_2$ 是 3 维空间,3 个无关向量 → 构成基 ✓
**Step 2(求坐标)**:
设 $p(x) = x_1 \alpha_1 + x_2 \alpha_2 + x_3 \alpha_3$,即
$$
x_1 + x_2(1 + x) + x_3(1 + x + x^2) = 2 + 3x + 5x^2
$$
$$
(x_1 + x_2 + x_3) + (x_2 + x_3) x + x_3 x^2 = 2 + 3x + 5x^2
$$
对比系数:
$$
\begin{cases} x_1 + x_2 + x_3 = 2 \\ x_2 + x_3 = 3 \\ x_3 = 5 \end{cases}
$$
→ $x_3 = 5, x_2 = -2, x_1 = -1$
**坐标**:$[p(x)] = (-1, -2, 5)^T$
**验证**:$-1 \cdot 1 + (-2)(1 + x) + 5(1 + x + x^2) = -1 - 2 - 2x + 5 + 5x + 5x^2 = 2 + 3x + 5x^2$ ✓
**复盘**:抽象空间(多项式、矩阵、函数)的坐标问题,**转化为各基元对应的分量**求解。
---
> **口诀**:
> - **判断是否构成基**:$\det \neq 0$(方阵)/ 行阶梯看秩(一般)
> - **求坐标**:解方程组 $\alpha_1 x_1 + \cdots + \alpha_n x_n = \beta$
> - **求极大无关组**:列向量 → 行阶梯 → 主元列
> - **子空间基**:从生成元中筛选极大无关组
@@ -0,0 +1,268 @@
# 题型3:基变换与坐标变换
## 识别特征
- 题目给出两/三组基 $\mathcal{A}, \mathcal{B}, \mathcal{C}$,求过渡矩阵
- 已知向量在某一基下的坐标,求其在另一基下的坐标
- 关键词:"基变换"、"过渡矩阵"、"坐标变换"、"在新基下的坐标"
## 解题流程
```mermaid
flowchart TD
A[识别:基变换/坐标变换] --> B{类型判断}
B -->|求过渡矩阵 P| C[用新基向量在旧基下表示]
C --> D[β_j = α_1 a_{1j} + ... + αₙ a_{nj}]
D --> E[P 的第 j 列 = β_j 在 α 下的坐标]
B -->|求坐标变换| F[确定 P 方向]
F --> G[x_B = P^(-1) x_A]
B -->|多基链式变换| H[传递性: P_{A→C} = P_{A→B} P_{B→C}]
E --> I[解方程组求坐标]
G --> I
H --> I
```
## 通法步骤
### A. 求从基 $\mathcal{A}$ 到基 $\mathcal{B}$ 的过渡矩阵 $P$
**定义**:$(\beta_1, \beta_2, \ldots, \beta_n) = (\alpha_1, \alpha_2, \ldots, \alpha_n) P$
**Step 1**:将 $\beta_1, \ldots, \beta_n$ 分别用 $\alpha_1, \ldots, \alpha_n$ 线性表示:
$$
\beta_j = a_{1j} \alpha_1 + a_{2j} \alpha_2 + \cdots + a_{nj} \alpha_n \quad (j = 1, 2, \ldots, n)
$$
**Step 2**:对应的系数 $a_{ij}$ 构成矩阵 $P = (a_{ij})$。
**核心**:$P$ 的**第 $j$ 列** = $\beta_j$ 在基 $\mathcal{A}$ 下的坐标。
**快捷方法**:设 $A = (\alpha_1, \ldots, \alpha_n)$,$B = (\beta_1, \ldots, \beta_n)$,则 $B = A P$,故 $P = A^{-1} B$。
### B. 坐标变换公式
设 $\alpha \in V$,$[\alpha]_{\mathcal{A}} = x$,$[\alpha]_{\mathcal{B}} = y$,$P$ 为从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵。
**核心公式**:
$$
\boxed{[\alpha]_{\mathcal{B}} = P^{-1} [\alpha]_{\mathcal{A}}}
$$
**等价形式**:
$$
[\alpha]_{\mathcal{A}} = P [\alpha]_{\mathcal{B}}
$$
### C. 链式变换(多基情形)
若 $\mathcal{A} \to \mathcal{B}$ 的过渡矩阵为 $P_1$,$\mathcal{B} \to \mathcal{C}$ 的过渡矩阵为 $P_2$,则 $\mathcal{A} \to \mathcal{C}$ 的过渡矩阵为:
$$
P_{\mathcal{A} \to \mathcal{C}} = P_{\mathcal{A} \to \mathcal{B}} \cdot P_{\mathcal{B} \to \mathcal{C}} = P_1 P_2
$$
链式坐标变换:
$$
[\alpha]_{\mathcal{C}} = P_2^{-1} P_1^{-1} [\alpha]_{\mathcal{A}} = (P_1 P_2)^{-1} [\alpha]_{\mathcal{A}}
$$
## 常见陷阱
- **陷阱 1**:**坐标变换公式方向搞反**——这是最高频错误!务必看清 $P$ 是从哪到哪
- **陷阱 2**:$P$ 可逆,但忘记验证矩阵非奇异
- **陷阱 3**:题目给"$\beta_1, \ldots, \beta_n$ 在 $\mathcal{A}$ 下的坐标",把 $P$ 矩阵直接填入第 1 列
- **陷阱 4**:混淆"基变换"与"坐标变换"(前者是 $P$,后者是 $P^{-1}$)
- **陷阱 5**:求 $P$ 时忘了 $\beta_j$ 在 $\mathcal{A}$ 下的坐标是第 $j$ 列(不是第 $j$ 行)
## 经典母题
### 母题 1:求过渡矩阵
> **题目**:$\mathbb{R}^3$ 中基 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$,$\mathcal{B} = (\beta_1, \beta_2, \beta_3)$,已知:
> $\beta_1 = \alpha_1 + \alpha_2 - \alpha_3$
> $\beta_2 = 2\alpha_1 - \alpha_2 + \alpha_3$
> $\beta_3 = -\alpha_1 + \alpha_2 + \alpha_3$
>
> 求从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵 $P$。
**解法**:
由 $(\beta_1, \beta_2, \beta_3) = (\alpha_1, \alpha_2, \alpha_3) P$:
$P$ 的第 1 列是 $\beta_1$ 在 $\mathcal{A}$ 下的坐标 $(1, 1, -1)^T$;
$P$ 的第 2 列是 $\beta_2$ 在 $\mathcal{A}$ 下的坐标 $(2, -1, 1)^T$;
$P$ 的第 3 列是 $\beta_3$ 在 $\mathcal{A}$ 下的坐标 $(-1, 1, 1)^T$。
$$
P = \begin{pmatrix} 1 & 2 & -1 \\ 1 & -1 & 1 \\ -1 & 1 & 1 \end{pmatrix}
$$
**复盘**:$P$ 的列 = 新基向量在**旧基**下的坐标——这是定义,不可记错。
---
### 母题 2:坐标变换
> **题目**:已知 $\alpha$ 在基 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$ 下的坐标为 $(1, 2, 3)^T$,从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵为 $P = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \end{pmatrix}$。求 $\alpha$ 在 $\mathcal{B}$ 下的坐标。
**解法**:
**核心公式**:$[\alpha]_{\mathcal{B}} = P^{-1} [\alpha]_{\mathcal{A}}$
**求 $P^{-1}$**(伴随矩阵法):
$$
\det P = 1 \cdot (1 - 0) - 1 \cdot (0 - 1) + 0 = 1 + 1 = 2
$$
伴随矩阵:
$$
P^* = \begin{pmatrix} 1 & -1 & 1 \\ 1 & 1 & -1 \\ -1 & 1 & 1 \end{pmatrix}
$$
$$
P^{-1} = \frac{1}{2} \begin{pmatrix} 1 & -1 & 1 \\ 1 & 1 & -1 \\ -1 & 1 & 1 \end{pmatrix}
$$
**计算**:
$$
[\alpha]_{\mathcal{B}} = P^{-1} \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 1 - 2 + 3 \\ 1 + 2 - 3 \\ -1 + 2 + 3 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 2 \\ 0 \\ 4 \end{pmatrix} = \begin{pmatrix} 1 \\ 0 \\ 2 \end{pmatrix}
$$
**验证**:$P \cdot (1, 0, 2)^T = (1, 2, 3)^T$ ✓
**复盘**:坐标变换公式是 $P^{-1}$,这是**最常考**的方向辨析题。
---
### 母题 3:方向反问题(已知 $\mathcal{B}$ 到 $\mathcal{A}$ 的过渡矩阵)
> **题目**:$\mathbb{R}^2$ 中 $\alpha$ 在基 $\mathcal{A}$ 下的坐标为 $(1, 2)^T$。
> 已知从 $\mathcal{B}$ 到 $\mathcal{A}$ 的过渡矩阵 $Q = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$。
> 求 $\alpha$ 在 $\mathcal{B}$ 下的坐标。
**解法**:
**关键**:$Q$ 是从 $\mathcal{B}$ 到 $\mathcal{A}$,即
$$
[\alpha]_{\mathcal{A}} = Q [\alpha]_{\mathcal{B}}
$$
故 $[\alpha]_{\mathcal{B}} = Q^{-1} [\alpha]_{\mathcal{A}}$
**求 $Q^{-1}$**:
$$
\det Q = -1 - 1 = -2, \quad Q^{-1} = -\frac{1}{2} \begin{pmatrix} -1 & -1 \\ -1 & 1 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}
$$
**计算**:
$$
[\alpha]_{\mathcal{B}} = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 1 \\ 2 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 3 \\ -1 \end{pmatrix} = \begin{pmatrix} 3/2 \\ -1/2 \end{pmatrix}
$$
**复盘**:看清 $Q$ 的方向——若 $Q$ 是 $\mathcal{B} \to \mathcal{A}$,则 $[\alpha]_{\mathcal{B}} = Q^{-1} [\alpha]_{\mathcal{A}}$。**这是 90% 考生会错的地方**。
---
### 母题 4:链式变换
> **题目**:已知 $\mathcal{A} \to \mathcal{B}$ 的过渡矩阵 $P_1 = \begin{pmatrix} 1 & 0 \\ 1 & 1 \end{pmatrix}$,$\mathcal{B} \to \mathcal{C}$ 的过渡矩阵 $P_2 = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$。$\alpha$ 在 $\mathcal{A}$ 下的坐标为 $(2, 1)^T$,求 $\alpha$ 在 $\mathcal{C}$ 下的坐标。
**解法**:
**Step 1**:链式 $\mathcal{A} \to \mathcal{C}$ 的过渡矩阵
$$
P_{\mathcal{A} \to \mathcal{C}} = P_1 P_2 = \begin{pmatrix} 1 & 0 \\ 1 & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} = \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix}
$$
**Step 2**:坐标变换
$$
[\alpha]_{\mathcal{C}} = (P_1 P_2)^{-1} [\alpha]_{\mathcal{A}} = (P_1 P_2)^{-1} \begin{pmatrix} 2 \\ 1 \end{pmatrix}
$$
**求 $(P_1 P_2)^{-1}$**:
$$
\det(P_1 P_2) = 1, \quad (P_1 P_2)^{-1} = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix}
$$
**计算**:
$$
[\alpha]_{\mathcal{C}} = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix} \begin{pmatrix} 2 \\ 1 \end{pmatrix} = \begin{pmatrix} 3 \\ -1 \end{pmatrix}
$$
**复盘**:链式变换的过渡矩阵相乘,**顺序与基变换顺序一致**;坐标变换则要乘方阵的逆。
---
### 母题 5:用矩阵求逆简化
> **题目**:$\mathbb{R}^3$ 中 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$,$\beta_1 = (1, 1, 1)^T, \beta_2 = (1, 2, 3)^T, \beta_3 = (2, 3, 4)^T$。设 $\mathcal{B} = (\beta_1, \beta_2, \beta_3)$。
>
> (1) 求 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵 $P$;
> (2) 求 $(3, 5, 7)^T$ 在 $\mathcal{B}$ 下的坐标。
**解法**:
**(1) 过渡矩阵**
$$
P = A^{-1} B = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}^{-1} \begin{pmatrix} 1 & 1 & 2 \\ 1 & 2 & 3 \\ 1 & 3 & 4 \end{pmatrix} = \begin{pmatrix} 1 & 1 & 2 \\ 1 & 2 & 3 \\ 1 & 3 & 4 \end{pmatrix}
$$
**(2) 坐标**
$$
\det P = \begin{vmatrix} 1 & 1 & 2 \\ 1 & 2 & 3 \\ 1 & 3 & 4 \end{vmatrix} = 1 (8-9) - 1(4-3) + 2(3-2) = -1 - 1 + 2 = 0
$$
→ **不可逆!** 因为 $\beta_1, \beta_2, \beta_3$ 线性相关($\beta_3 = \beta_1 + \beta_2$)。
→ $\mathcal{B}$ 不是基 → 题目无解。
**复盘**:使用**矩阵求逆** $= A^{-1} B$ 前必须验证 $\det A \neq 0$(基可逆)、$\det B \neq 0$(新基可逆)。
---
### 母题 6:抽象空间的基变换
> **题目**:$P[x]_2$(次数 $\le 2$ 的多项式)中,$\alpha_1 = 1, \alpha_2 = x, \alpha_3 = x^2$;$\beta_1 = 1, \beta_2 = 1 + x, \beta_3 = 1 + x + x^2$。
>
> (1) 证明 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$ 和 $\mathcal{B} = (\beta_1, \beta_2, \beta_3)$ 都是 $P[x]_2$ 的基。
> (2) 求从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵 $P$。
> (3) 求 $p(x) = 2 + 3x + 5x^2$ 在 $\mathcal{B}$ 下的坐标。
**解法**:
**(1) 证明为基**(标准基 $\alpha_1, \alpha_2, \alpha_3$ 显然是基);$\beta_1, \beta_2, \beta_3$ 张成 $P[x]_2$(每个多项式 $a + bx + cx^2$ 都可以写出)且线性无关(用主元法反证:$1 \cdot k_1 + (1+x) \cdot k_2 + (1+x+x^2) \cdot k_3 = 0$ 推出 $k_1 = k_2 = k_3 = 0$)。
**(2) 过渡矩阵**
$\beta_1 = 1 = 1 \cdot \alpha_1 + 0 \cdot \alpha_2 + 0 \cdot \alpha_3$ → 坐标 $(1, 0, 0)^T$
$\beta_2 = 1 + x = 1 \cdot \alpha_1 + 1 \cdot \alpha_2 + 0 \cdot \alpha_3$ → 坐标 $(1, 1, 0)^T$
$\beta_3 = 1 + x + x^2 = 1 \cdot \alpha_1 + 1 \cdot \alpha_2 + 1 \cdot \alpha_3$ → 坐标 $(1, 1, 1)^T$
$$
P = \begin{pmatrix} 1 & 1 & 1 \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{pmatrix}
$$
**(3) 坐标**
$p(x)$ 在 $\mathcal{A}$ 下的坐标 $(2, 3, 5)^T$(直接读系数)。
$$
P^{-1} = \begin{pmatrix} 1 & -1 & 0 \\ 0 & 1 & -1 \\ 0 & 0 & 1 \end{pmatrix}
$$
$$
[p(x)]_{\mathcal{B}} = P^{-1} \begin{pmatrix} 2 \\ 3 \\ 5 \end{pmatrix} = \begin{pmatrix} 2 - 3 \\ 3 - 5 \\ 5 \end{pmatrix} = \begin{pmatrix} -1 \\ -2 \\ 5 \end{pmatrix}
$$
**验证**:$-1 \cdot 1 + (-2)(1+x) + 5(1+x+x^2) = -1 - 2 - 2x + 5 + 5x + 5x^2 = 2 + 3x + 5x^2$ ✓
**复盘**:$P$ 是上三角矩阵(标准基 → 递推基),$P^{-1}$ 也是上三角——这是这类问题的典型结构。
---
> **口诀**:
> - **过渡矩阵 $P$**:列 = 新基向量在**旧基**下的坐标
> - **坐标变换**:$[\alpha]_{\mathcal{B}} = P^{-1} [\alpha]_{\mathcal{A}}$(乘 $P$ 的逆)
> - **方向辨析**:看清 $P$ 是 $\mathcal{A} \to \mathcal{B}$ 还是 $\mathcal{B} \to \mathcal{A}$
> - **链式变换**:基变换顺序 = 矩阵相乘顺序
@@ -0,0 +1,275 @@
# 题型4:线性变换的判定(含像、核、秩)
## 识别特征
- 题目给出映射 $T: V \to U$,要求验证是否为线性变换
- 题目要求计算 $T$ 的核 $N(T)$、像 $R(T)$、秩 $\text{r}(T)$
- 关键词:"验证"、"线性变换"、"核"、"像"、"秩"、"零度"
## 解题流程
```mermaid
flowchart TD
A[识别:线性变换判定] --> B{类型判断}
B -->|验证线性| C[验证 T(kα+lβ) = kT(α)+lT(β)]
B -->|求核 N T| D[解 T(α) = 0]
B -->|求像 R T| E[求 T(α₁)..T(αₙ) 张成]
B -->|求秩 零度| F[dim R T + dim N T = n]
C --> G[得出结论]
D --> G
E --> G
F --> G
```
## 通法步骤
### A. 验证线性变换
**核心**:$\forall \alpha, \beta \in V,\ \forall k, l \in F$,
$$
T(k\alpha + l\beta) = kT(\alpha) + lT(\beta)
$$
**Step 1**:验证 $T(\alpha + \beta) = T(\alpha) + T(\beta)$(加法保持)
**Step 2**:验证 $T(k\alpha) = kT(\alpha)$(数乘保持)
**等价合并**:直接验证 $T(k\alpha + l\beta) = kT(\alpha) + lT(\beta)$。
**反例速判**:
- 若 $T(\mathbf{0}) \neq \mathbf{0}$ → 必非线性
- 若 $T(\alpha + \beta) \neq T(\alpha) + T(\beta)$ → 必非线性
### B. 求核 $N(T)$
**定义**:$N(T) = \{\alpha \in V \mid T(\alpha) = \mathbf{0}\}$
**求法**:
1. 设 $\alpha = (x_1, \ldots, x_n)^T$
2. 解方程 $T(\alpha) = \mathbf{0}$(齐次线性方程组)
3. 化为齐次方程组的基础解系
**结果**:核是一个子空间,基础解系即为核的基。
### C. 求像 $R(T)$
**定义**:$R(T) = \{T(\alpha) \mid \alpha \in V\}$
**求法**:
1. 取 $V$ 的一组基 $\alpha_1, \ldots, \alpha_n$
2. 计算 $T(\alpha_1), \ldots, T(\alpha_n)$
3. 求 $T(\alpha_1), \ldots, T(\alpha_n)$ 的极大线性无关组
**结果**:像是一个子空间,该极大无关组即为像的基。
### D. 秩-零度定理
$$
\dim V = \dim R(T) + \dim N(T) = \text{r}(T) + \text{nullity}(T)
$$
**应用**:
- 求 $\dim R(T)$ 困难时,先求 $\dim N(T)$,再用公式
- 求 $\dim N(T)$ 困难时,先求 $\dim R(T)$,再用公式
### E. 特殊线性变换的判定技巧
| 变换 $T$ | 判定 |
|---------|------|
| $T(\alpha) = A\alpha$ | 必为线性(矩阵乘法) |
| $T(\alpha + \beta) = T(\alpha) + T(\beta)$ 但 $T(k\alpha) \neq kT(\alpha)$ | 非线性 |
| $T(\alpha) = c$(常数)| $T(\mathbf{0}) = c \neq \mathbf{0}$ → 非线性 |
## 常见陷阱
- **陷阱 1**:只验证 $T(\alpha + \beta) = T(\alpha) + T(\beta)$,忘了数乘
- **陷阱 2**:混淆"核"与"像"——$N(T)$ 是使 $T(\alpha) = \mathbf{0}$ 的 $\alpha$,$R(T)$ 是 $T(\alpha)$ 的集合
- **陷阱 3**:混淆"零空间"与"零变换"——$N(T)$ 是集合,$\mathcal{O}$ 是变换
- **陷阱 4**:求秩时忘记要用极大无关组
- **陷阱 5**:抽象空间中漏验零元(如 $T(\mathbf{0}) = \mathbf{0}$ 看似显然,实则需验证)
## 经典母题
### 母题 1:验证线性变换
> **题目**:设 $T: \mathbb{R}^3 \to \mathbb{R}^3$,$T(x, y, z) = (x + y, y + z, z + x)$。验证 $T$ 是线性变换。
**解法**:
设 $\alpha = (x_1, y_1, z_1), \beta = (x_2, y_2, z_2)$,$k, l \in \mathbb{R}$。
**Step 1:验证加法**
$$
T(\alpha + \beta) = T(x_1 + x_2, y_1 + y_2, z_1 + z_2) = ((x_1 + x_2) + (y_1 + y_2), (y_1 + y_2) + (z_1 + z_2), (z_1 + z_2) + (x_1 + x_2))
$$
$$
= (x_1 + y_1, y_1 + z_1, z_1 + x_1) + (x_2 + y_2, y_2 + z_2, z_2 + x_2) = T(\alpha) + T(\beta) \checkmark
$$
**Step 2:验证数乘**
$$
T(k\alpha) = T(kx_1, ky_1, kz_1) = (kx_1 + ky_1, ky_1 + kz_1, kz_1 + kx_1) = k(x_1 + y_1, y_1 + z_1, z_1 + x_1) = kT(\alpha) \checkmark
$$
**结论**:$T$ 是线性变换。
**复盘**:两个等式都成立 → 是线性变换。也可直接验证 $T(k\alpha + l\beta) = kT(\alpha) + lT(\beta)$。
---
### 母题 2:否定变换的线性
> **题目**:判断 $T: \mathbb{R}^2 \to \mathbb{R}^2$,$T(x, y) = (x + 1, y + 1)$ 是否为线性变换。
**解法**:
**反例 1**:$T(\mathbf{0}) = T(0, 0) = (1, 1) \neq (0, 0) = \mathbf{0}$ → $T(\mathbf{0}) \neq \mathbf{0}$。
**直接否定**:$T(\mathbf{0}) = \mathbf{0}$ 是线性变换的必要条件(由 $T(k\alpha) = kT(\alpha)$ 推出)。$T(\mathbf{0}) = (1, 1) \neq \mathbf{0}$ → 必然非线性。
**结论**:$T$ 不是线性变换。
**复盘**:$T(\mathbf{0}) \neq \mathbf{0}$ 是最快速的否定判据。
---
### 母题 3:求核 $N(T)$
> **题目**:$T: \mathbb{R}^3 \to \mathbb{R}^3$,$T(x, y, z) = (x + y, y + z, x - y)$,求 $N(T)$。
**解法**:
设 $T(x, y, z) = \mathbf{0}$,即
$$
\begin{cases} x + y = 0 \\ y + z = 0 \\ x - y = 0 \end{cases}
$$
由第 1、3 式:$x = -y$ 且 $x = y$ → $y = 0, x = 0$。
由第 2 式:$z = 0$。
**核**:$N(T) = \{(0, 0, 0)\}$,$\dim N(T) = 0$。
**矩阵法**:$A = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 1 & -1 & 0 \end{pmatrix}$,$\det A = ?$
$$
\det A = 1 \cdot (0 - (-1)) - 1 \cdot (0 - 1) + 0 = 1 + 1 = 2 \neq 0
$$
→ $A$ 满秩 → $Ax = 0$ 只有零解 → $\dim N(T) = 0$ ✓
**复盘**:$\det A \neq 0$ 时 $N(T) = \{\mathbf{0}\}$。
---
### 母题 4:求像 $R(T)$ 与秩
> **题目**:$T: \mathbb{R}^3 \to \mathbb{R}^2$,$T(x, y, z) = (x + y, y + z)$,求 $R(T)$ 和 $\text{r}(T)$。
**解法**:
**方法一:求 $\dim R(T)$**
设 $A = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \end{pmatrix}$,对 $A$ 行阶梯化:
$$
A \xrightarrow{r_1 - r_2} \begin{pmatrix} 1 & 0 & -1 \\ 0 & 1 & 1 \end{pmatrix}
$$
2 个主元 → $\text{r}(A) = 2$ → $\dim R(T) = 2$。
**方法二:求像的基**
取 $\alpha_1 = (1, 0, 0)^T, \alpha_2 = (0, 1, 0)^T, \alpha_3 = (0, 0, 1)^T$(标准基):
$$
T(\alpha_1) = (1, 0)^T, \quad T(\alpha_2) = (1, 1)^T, \quad T(\alpha_3) = (0, 1)^T
$$
显然 $(1, 0)^T, (1, 1)^T, (0, 1)^T$ 张成 $\mathbb{R}^2$。
**结论**:$R(T) = \mathbb{R}^2$,$\text{r}(T) = 2$。
**核-零度验证**:$\dim R(T) + \dim N(T) = 3$ → $\dim N(T) = 1$(解方程 $x + y = 0, y + z = 0$ → $x = -y, z = -y$ → 基础解系 $(1, -1, 1)^T$)。
**复盘**:求像有两种方法——**矩阵求秩**或**求像的基**,结果一致。
---
### 母题 5:秩-零度定理的应用
> **题目**:$T: \mathbb{R}^5 \to \mathbb{R}^3$ 是线性变换,已知 $\dim R(T) = 2$,求 $\dim N(T)$。
**解法**:
由秩-零度定理:
$$
\dim V = \dim R(T) + \dim N(T)
$$
$$
5 = 2 + \dim N(T)
$$
$$
\dim N(T) = 3
$$
**结论**:$\dim N(T) = 3$。
**复盘**:秩-零度定理是**线性变换理论的核心**,必背。
---
### 母题 6:抽象空间中的线性变换
> **题目**:$V = P[x]_2$(次数 $\le 2$ 的多项式),$T(p(x)) = p'(x)$(求导)。验证 $T$ 是线性变换,求 $N(T)$、$R(T)$、$\text{r}(T)$。
**解法**:
**验证线性**:
- $T(p + q) = (p + q)' = p' + q' = T(p) + T(q)$ ✓
- $T(kp) = (kp)' = kp' = kT(p)$ ✓
→ $T$ 是线性变换。
**求核 $N(T)$**:
$T(p(x)) = 0 \Leftrightarrow p'(x) = 0 \Leftrightarrow p(x)$ 是常数多项式。
**核**:$N(T) = \{c \mid c \in \mathbb{R}\}$,$\dim N(T) = 1$。
**求像 $R(T)$**:
$T(p(x)) = p'(x)$ 是次数 $\le 1$ 的多项式,即 $R(T) = P[x]_1$。
**秩**:$\text{r}(T) = \dim P[x]_1 = 2$。
**秩-零度验证**:$\dim N(T) + \dim R(T) = 1 + 2 = 3 = \dim P[x]_2$ ✓
**复盘**:抽象空间(多项式、矩阵、函数)中的线性变换,判定方法相同。
---
### 母题 7:复合变换的线性
> **题目**:$T_1, T_2$ 都是 $V \to V$ 的线性变换,证明 $T_1 \circ T_2$(先 $T_2$ 后 $T_1$)也是线性变换。
**证法**:
$$
(T_1 \circ T_2)(k\alpha + l\beta) = T_1(T_2(k\alpha + l\beta)) = T_1(kT_2(\alpha) + lT_2(\beta))
$$
$$
= kT_1(T_2(\alpha)) + lT_1(T_2(\beta)) = k(T_1 \circ T_2)(\alpha) + l(T_1 \circ T_2)(\beta)
$$
故 $T_1 \circ T_2$ 是线性变换。
**复盘**:复合变换保持线性。**注意**:$T_1 \circ T_2 \neq T_2 \circ T_1$(乘法不一定交换)。
---
> **口诀**:
> - **验证线性**:$T(k\alpha + l\beta) = kT(\alpha) + lT(\beta)$
> - **快速否定**:$T(\mathbf{0}) \neq \mathbf{0}$ → 非线性
> - **求核**:解 $T(\alpha) = \mathbf{0}$
> - **求像**:求 $T(\alpha_1), \ldots, T(\alpha_n)$ 的极大无关组
> - **秩-零度**:$\dim V = \dim R(T) + \dim N(T)$
@@ -0,0 +1,354 @@
# 题型5:线性变换的矩阵表示
## 识别特征
- 题目给出线性变换 $T$ 和某组基 $\mathcal{A}$,求 $T$ 在 $\mathcal{A}$ 下的矩阵
- 题目给出 $T$ 在某基 $\mathcal{A}$ 下的矩阵 $A$,求 $T$ 在另一基 $\mathcal{B}$ 下的矩阵 $B$
- 已知 $T(\alpha_1), \ldots, T(\alpha_n)$ 的某种描述,求 $T$ 的矩阵
- 关键词:"矩阵表示"、"在基下的矩阵"、"过渡矩阵"、"基变换"
## 解题流程
```mermaid
flowchart TD
A[识别:求线性变换的矩阵] --> B{类型判断}
B -->|已知 T 和基 A| C[求 T(α₁),...,T(αₙ)]
C --> D[列向量法: A 的第 j 列 = T(α_j) 在 A 下的坐标]
B -->|已知 A 求 B| E[求 P: A → B 过渡矩阵]
E --> F[B = P^(-1) A P]
B -->|未知 T 求矩阵| G[设未知系数]
G --> H[解方程组]
H --> I[列向量法]
```
## 通法步骤
### A. 求 $T$ 在基 $\mathcal{A}$ 下的矩阵(已知 $T$)
**核心定理**:设 $\mathcal{A} = (\alpha_1, \ldots, \alpha_n)$ 是 $V$ 的基,$T: V \to V$ 是线性变换,则
$$
(T(\alpha_1), T(\alpha_2), \ldots, T(\alpha_n)) = (\alpha_1, \alpha_2, \ldots, \alpha_n) A
$$
唯一确定 $n$ 阶矩阵 $A$。**$A$ 的第 $j$ 列 = $T(\alpha_j)$ 在基 $\mathcal{A}$ 下的坐标**。
**Step 1**:求 $T(\alpha_1), T(\alpha_2), \ldots, T(\alpha_n)$。
**Step 2**:将每个 $T(\alpha_j)$ 用 $\alpha_1, \ldots, \alpha_n$ 线性表示,得到坐标列。
**Step 3**:以这些坐标列为列,构成矩阵 $A$。
### B. 求 $T$ 在基 $\mathcal{B}$ 下的矩阵(已知 $A$)
**核心公式**:设 $T$ 在基 $\mathcal{A}$ 下的矩阵为 $A$,从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵为 $P$,则 $T$ 在基 $\mathcal{B}$ 下的矩阵为:
$$
\boxed{B = P^{-1} A P}
$$
> 这是**矩阵相似**的来源!
### C. 已知 $T(\alpha_1), \ldots, T(\alpha_n)$ 反求 $T$ 的矩阵
**情形 1**:已知 $T(\alpha_j)$ 在标准基下的坐标 → 直接作为 $A$ 的列。
**情形 2**:已知 $T(\alpha_j) = \beta_j$(具体向量)→ 求 $\beta_j$ 在基 $\mathcal{A}$ 下的坐标作为 $A$ 的列。
**情形 3**:已知 $T(\alpha_j)$ 在另一组基下的坐标 → 转化为坐标变换。
### D. 线性变换运算的矩阵对应
| 线性变换 | 矩阵对应 |
|---------|---------|
| $T_1 + T_2$ | $A_1 + A_2$ |
| $kT$ | $kA$ |
| $T_1 \circ T_2$($T_2$ 先作用)| $A_1 A_2$ |
| $T^{-1}$ | $A^{-1}$ |
| $\mathcal{I}$(恒等变换) | $E$ |
### E. 矩阵与变换的对应(核心关系)
$$
[T(\alpha)]_{\mathcal{A}} = A \cdot [\alpha]_{\mathcal{A}}
$$
> 矩阵 $A$ 作用于坐标向量,得到 $T(\alpha)$ 的坐标向量。
## 常见陷阱
- **陷阱 1**:$A$ 的第 $j$ 列填错——忘记把 $T(\alpha_j)$ **先转化为基 $\mathcal{A}$ 下的坐标**
- **陷阱 2**:$B = P^{-1} A P$ 公式记反——混淆 $P$ 和 $P^{-1}$ 的位置
- **陷阱 3**:$P$ 方向搞反——$P$ 是从 $\mathcal{A}$ 到 $\mathcal{B}$,是"用新基向量在旧基下表示"
- **陷阱 4**:复合变换 $T_1 \circ T_2$ 的矩阵是 $A_1 A_2$($T_2$ 先作用),**不是 $A_2 A_1$**
- **陷阱 5**:忘记验证 $A$ 是否可逆($T$ 是否可逆)
## 经典母题
### 母题 1:基像法求矩阵
> **题目**:$T: \mathbb{R}^3 \to \mathbb{R}^3$,$T(x, y, z) = (x + y, y + z, z + x)$。求 $T$ 在标准基 $\mathcal{E} = (e_1, e_2, e_3)$ 下的矩阵 $A$。
**解法**:
**Step 1**:求 $T(e_1), T(e_2), T(e_3)$。
$$
T(e_1) = T(1, 0, 0) = (1, 0, 1)^T
$$
$$
T(e_2) = T(0, 1, 0) = (1, 1, 0)^T
$$
$$
T(e_3) = T(0, 0, 1) = (0, 1, 1)^T
$$
**Step 2**:在标准基 $\mathcal{E}$ 下,$T(e_j)$ 的坐标就是它本身。
**Step 3**:以这些坐标为列,构成矩阵 $A$。
$$
A = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \end{pmatrix}
$$
**复盘**:在标准基下,$T(\alpha)$ 的坐标 = $T(\alpha)$ 本身(直接读分量)。
---
### 母题 2:在非标准基下的矩阵
> **题目**:$\mathbb{R}^3$ 中基 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$,$\alpha_1 = (1, 1, 1)^T, \alpha_2 = (1, 1, 0)^T, \alpha_3 = (1, 0, 0)^T$。
> 线性变换 $T(\alpha_1) = (2, 1, 1)^T, T(\alpha_2) = (1, 3, 1)^T, T(\alpha_3) = (1, 1, 4)^T$。
> 求 $T$ 在 $\mathcal{A}$ 下的矩阵 $A$。
**解法**:
**关键**:$T$ 在 $\mathcal{A}$ 下的矩阵 $A$ 的第 $j$ 列 = $T(\alpha_j)$ **在 $\mathcal{A}$ 下的坐标**。
**Step 1**:分别求 $T(\alpha_1), T(\alpha_2), T(\alpha_3)$ 在 $\mathcal{A}$ 下的坐标。
设 $T(\alpha_1) = x_1 \alpha_1 + x_2 \alpha_2 + x_3 \alpha_3$,即
$$
\begin{pmatrix} 2 \\ 1 \\ 1 \end{pmatrix} = x_1 \begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix} + x_2 \begin{pmatrix} 1 \\ 1 \\ 0 \end{pmatrix} + x_3 \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix} = \begin{pmatrix} x_1 + x_2 + x_3 \\ x_1 + x_2 \\ x_1 \end{pmatrix}
$$
→
$$
\begin{cases} x_1 + x_2 + x_3 = 2 \\ x_1 + x_2 = 1 \\ x_1 = 1 \end{cases}
$$
→ $x_1 = 1, x_2 = 0, x_3 = 1$ → 坐标 $(1, 0, 1)^T$
类似地:
- $T(\alpha_2) = (1, 3, 1)^T$:
- $\begin{cases} x_1 + x_2 + x_3 = 1 \\ x_1 + x_2 = 3 \\ x_1 = 1 \end{cases}$
- $x_1 = 1, x_2 = 2, x_3 = -2$ → 坐标 $(1, 2, -2)^T$
- $T(\alpha_3) = (1, 1, 4)^T$:
- $\begin{cases} x_1 + x_2 + x_3 = 1 \\ x_1 + x_2 = 1 \\ x_1 = 4 \end{cases}$
- $x_1 = 4, x_2 = -3, x_3 = 0$ → 坐标 $(4, -3, 0)^T$
**Step 2**:构成矩阵
$$
A = \begin{pmatrix} 1 & 1 & 4 \\ 0 & 2 & -3 \\ 1 & -2 & 0 \end{pmatrix}
$$
**复盘**:在非标准基下,必须把 $T(\alpha_j)$ 用基 $\alpha_1, \alpha_2, \alpha_3$ 表示出来——这要解方程组。
---
### 母题 3:基变换 $B = P^{-1} A P$
> **题目**:$T$ 在 $\mathcal{A}$ 下的矩阵 $A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}$。从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵 $P = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$。求 $T$ 在 $\mathcal{B}$ 下的矩阵 $B$。
**解法**:
**核心公式**:$B = P^{-1} A P$
**求 $P^{-1}$**:
$$
\det P = -2, \quad P^{-1} = -\frac{1}{2} \begin{pmatrix} -1 & -1 \\ -1 & 1 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}
$$
**计算**:
$$
AP = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} = \begin{pmatrix} 3 & -1 \\ 7 & -1 \end{pmatrix}
$$
$$
B = P^{-1} A P = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 3 & -1 \\ 7 & -1 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 10 & -2 \\ -4 & 0 \end{pmatrix} = \begin{pmatrix} 5 & -1 \\ -2 & 0 \end{pmatrix}
$$
**复盘**:$B = P^{-1} A P$ 是**相似变换**——$A, B$ 相似,特征值、行列式、秩都相同。
---
### 母题 4:已知 $T(\alpha_1), T(\alpha_2), T(\alpha_3)$ 求矩阵
> **题目**:$\mathbb{R}^3$ 中,$\alpha_1 = (1, 0, 1)^T, \alpha_2 = (1, 1, 0)^T, \alpha_3 = (0, 1, 1)^T$。
> $T(\alpha_1) = (1, 0, 1)^T, T(\alpha_2) = (1, 1, 0)^T, T(\alpha_3) = (0, 1, 1)^T$。
> 求 $T$ 在基 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$ 下的矩阵 $A$。
**解法**:
**关键观察**:$T(\alpha_j) = \alpha_j$,即 $T$ 是恒等变换。
**验证**:$T(\alpha_j) = \alpha_j$ 在 $\mathcal{A}$ 下的坐标是 $(0, \ldots, 1, \ldots, 0)^T$(第 $j$ 个为 1)。
**矩阵**:
$$
A = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix} = E
$$
**复盘**:恒等变换在任何基下的矩阵都是单位阵。
---
### 母题 5:复合变换的矩阵
> **题目**:$\mathbb{R}^2$ 中,$T_1(x, y) = (x + y, x - y)$,$T_2(x, y) = (2x, 3y)$。$T = T_1 \circ T_2$(先 $T_2$ 后 $T_1$)。求 $T$ 在标准基下的矩阵 $A$。
**解法**:
**方法一:复合运算**
对任意 $\alpha = (x, y)^T$:
$$
T_2(\alpha) = (2x, 3y)^T
$$
$$
T(\alpha) = T_1(T_2(\alpha)) = T_1(2x, 3y) = (2x + 3y, 2x - 3y)^T
$$
求在标准基下的矩阵:
$$
T(e_1) = T(1, 0) = (2, 2)^T
$$
$$
T(e_2) = T(0, 1) = (3, -3)^T
$$
$$
A = \begin{pmatrix} 2 & 3 \\ 2 & -3 \end{pmatrix}
$$
**方法二:矩阵乘法**
$T_1$ 在标准基下的矩阵 $A_1 = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$,$T_2$ 在标准基下的矩阵 $A_2 = \begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix}$。
$$
A = A_1 A_2 = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix} = \begin{pmatrix} 2 & 3 \\ 2 & -3 \end{pmatrix}
$$
**复盘**:两种方法结果一致。**矩阵乘法对应复合变换**——这是 Ch02 矩阵乘法的几何意义。
---
### 母题 6:求 $T$ 在新基下的矩阵(已知 $T$ 在旧基下的矩阵)
> **题目**:$T$ 在标准基 $\mathcal{E}$ 下的矩阵 $A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$。
> 新基 $\mathcal{B} = (\beta_1, \beta_2)$,$\beta_1 = (1, 1)^T, \beta_2 = (1, -1)^T$。
> 求 $T$ 在 $\mathcal{B}$ 下的矩阵 $B$。
**解法**:
**Step 1**:求从 $\mathcal{E}$ 到 $\mathcal{B}$ 的过渡矩阵 $P$。
$\beta_1 = (1, 1)^T$ 在 $\mathcal{E}$ 下的坐标 $(1, 1)^T$(标准基下坐标 = 本身)。
$\beta_2 = (1, -1)^T$ 在 $\mathcal{E}$ 下的坐标 $(1, -1)^T$。
$$
P = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}
$$
**Step 2**:$B = P^{-1} A P$
$P^{-1} = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$
$$
AP = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} = \begin{pmatrix} 2 & 0 \\ 1 & -1 \end{pmatrix}
$$
$$
B = P^{-1} A P = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 2 & 0 \\ 1 & -1 \end{pmatrix} = \frac{1}{2} \begin{pmatrix} 3 & -1 \\ 1 & 1 \end{pmatrix} = \begin{pmatrix} 3/2 & -1/2 \\ 1/2 & 1/2 \end{pmatrix}
$$
**复盘**:$B = P^{-1} A P$ 是**矩阵相似**的标准形式——$A$ 和 $B$ 必有相同的特征值、行列式、迹。
---
### 母题 7:抽象空间中的矩阵表示
> **题目**:$V = P[x]_2$(次数 $\le 2$ 的多项式),$T(p(x)) = p'(x)$(求导)。
> 求 $T$ 在基 $\mathcal{A} = (1, x, x^2)$ 下的矩阵 $A$。
**解法**:
**Step 1**:求 $T(1), T(x), T(x^2)$:
- $T(1) = 0$
- $T(x) = 1$
- $T(x^2) = 2x$
**Step 2**:在 $\mathcal{A} = (1, x, x^2)$ 下表示:
- $T(1) = 0 = 0 \cdot 1 + 0 \cdot x + 0 \cdot x^2$ → 坐标 $(0, 0, 0)^T$
- $T(x) = 1 = 1 \cdot 1 + 0 \cdot x + 0 \cdot x^2$ → 坐标 $(1, 0, 0)^T$
- $T(x^2) = 2x = 0 \cdot 1 + 2 \cdot x + 0 \cdot x^2$ → 坐标 $(0, 2, 0)^T$
**Step 3**:构成矩阵
$$
A = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 2 \\ 0 & 0 & 0 \end{pmatrix}
$$
**复盘**:求导运算在多项式空间中的矩阵是**移位 + 乘以次数**的稀疏矩阵。
---
### 母题 8:抽象变换的矩阵表示(综合)
> **题目**:$\mathbb{R}^3$ 中 $\alpha_1 = (1, 0, 1)^T, \alpha_2 = (1, 1, 0)^T, \alpha_3 = (0, 1, 1)^T$。
> $T(\alpha_1) = (1, 2, 3)^T, T(\alpha_2) = (4, 5, 6)^T, T(\alpha_3) = (7, 8, 9)^T$。
> 求 $T$ 在基 $\mathcal{A} = (\alpha_1, \alpha_2, \alpha_3)$ 下的矩阵 $A$。
**解法**:
**核心**:$A$ 的第 $j$ 列 = $T(\alpha_j)$ 在 $\mathcal{A}$ 下的坐标。
**Step 1**:求 $T(\alpha_1) = (1, 2, 3)^T$ 在 $\mathcal{A}$ 下的坐标。
设 $(1, 2, 3)^T = x_1 \alpha_1 + x_2 \alpha_2 + x_3 \alpha_3 = x_1(1, 0, 1)^T + x_2(1, 1, 0)^T + x_3(0, 1, 1)^T$
$$
= (x_1 + x_2, x_2 + x_3, x_1 + x_3)^T
$$
→
$$
\begin{cases} x_1 + x_2 = 1 \\ x_2 + x_3 = 2 \\ x_1 + x_3 = 3 \end{cases}
$$
$\Rightarrow x_1 = 1, x_2 = 0, x_3 = 2$ → 坐标 $(1, 0, 2)^T$
**Step 2**:求 $T(\alpha_2) = (4, 5, 6)^T$ 在 $\mathcal{A}$ 下的坐标:
$$
\begin{cases} x_1 + x_2 = 4 \\ x_2 + x_3 = 5 \\ x_1 + x_3 = 6 \end{cases}
$$
$\Rightarrow x_1 = 2.5, x_2 = 1.5, x_3 = 3.5$ → 坐标 $(5/2, 3/2, 7/2)^T$
**Step 3**:求 $T(\alpha_3) = (7, 8, 9)^T$ 在 $\mathcal{A}$ 下的坐标:
$$
\begin{cases} x_1 + x_2 = 7 \\ x_2 + x_3 = 8 \\ x_1 + x_3 = 9 \end{cases}
$$
$\Rightarrow x_1 = 4, x_2 = 3, x_3 = 5$ → 坐标 $(4, 3, 5)^T$
**Step 4**:构成矩阵
$$
A = \begin{pmatrix} 1 & 5/2 & 4 \\ 0 & 3/2 & 3 \\ 2 & 7/2 & 5 \end{pmatrix}
$$
**复盘**:每次求坐标就是解一个 $3 \times 3$ 线性方程组(因 $\mathcal{A}$ 是 $\mathbb{R}^3$ 的基)。
---
> **口诀**:
> - **列向量法**:$A$ 的第 $j$ 列 = $T(\alpha_j)$ 在基 $\mathcal{A}$ 下的坐标
> - **基变换公式**:$B = P^{-1} A P$($P$ 是 $\mathcal{A} \to \mathcal{B}$ 的过渡矩阵)
> - **复合变换**:$T_1 \circ T_2$ 对应 $A_1 A_2$($T_2$ 先作用)
> - **求矩阵的核心**:把 $T(\alpha_j)$ 转化为**基 $\mathcal{A}$ 下的坐标**
@@ -0,0 +1,363 @@
# 题型6:线性变换的特征值与对角化
## 识别特征
- 题目给出线性变换 $T$ 的矩阵 $A$,求 $T$ 的特征值与特征向量
- 题目要求在某一基下将 $T$ 的矩阵对角化
- 关键词:"特征值"、"特征向量"、"对角化"、"$\det(\lambda E - A) = 0$"
## 解题流程
```mermaid
flowchart TD
A[识别:特征值与对角化] --> B[求特征多项式]
B --> C[det(λE - A) = 0]
C --> D[解方程得特征值 λ₁, ..., λₙ]
D --> E[对每个 λᵢ 解 (λᵢE - A)ξ = 0]
E --> F[得基础解系 = 特征向量]
F --> G{判断是否对角化}
G -->|n 个线性无关特征向量| H[构成矩阵 P]
G -->|无关向量数 < n| I[不可对角化]
H --> J[P^(-1) A P = Λ]
```
## 通法步骤
### A. 特征值与特征向量的定义
设 $T$ 是线性空间 $V$ 上的线性变换。若 $\exists \lambda \in F$ 和非零向量 $\xi \in V$ 使
$$
T(\xi) = \lambda \xi \iff (A - \lambda E) \xi = 0 \iff (\lambda E - A) \xi = 0
$$
则 $\lambda$ 称为 $T$ 的**特征值**,$\xi$ 称为对应于 $\lambda$ 的**特征向量**。
### B. 求特征值
**Step 1**:写出特征多项式
$$
f(\lambda) = \det(\lambda E - A)
$$
**Step 2**:解方程 $f(\lambda) = 0$,得到所有特征值 $\lambda_1, \lambda_2, \ldots, \lambda_n$(含重数)。
> 注意:特征值之和 = $\text{tr}(A)$,特征值之积 = $\det A$。
### C. 求特征向量
**Step 1**:对每个特征值 $\lambda_i$,解齐次方程组
$$
(\lambda_i E - A) x = 0
$$
**Step 2**:求基础解系,即为对应 $\lambda_i$ 的特征向量。
**Step 3**:不同特征值的特征向量**线性无关**。
### D. 对角化判定
**定理**:$T$ 可对角化 $\iff$ $T$ 有 $n$ 个线性无关的特征向量(即每个 $\lambda_i$ 的几何重数 = 代数重数)。
**Step 1**:对每个特征值 $\lambda_i$,求 $(\lambda_i E - A) x = 0$ 的基础解系,得到 $k_i$ 个无关向量。
**Step 2**:若 $\sum k_i = n$,则 $T$ 可对角化;否则不可对角化。
### E. 对角化步骤
**Step 1**:求 $T$ 的 $n$ 个线性无关特征向量 $\xi_1, \ldots, \xi_n$。
**Step 2**:构成矩阵 $P = (\xi_1, \ldots, \xi_n)$。
**Step 3**:则
$$
P^{-1} A P = \Lambda = \text{diag}(\lambda_1, \lambda_2, \ldots, \lambda_n)
$$
其中 $\lambda_j$ 是 $\xi_j$ 对应的特征值。
> 🔑 **关键**:$P$ 的列是特征向量,$\Lambda$ 对角线上是**对应列**的特征值。
### F. 特征子空间
**定义**:$V_{\lambda_i} = \{\alpha \in V \mid (T - \lambda_i \mathcal{I})(\alpha) = 0\} = \ker(T - \lambda_i \mathcal{I})$
**维数**:$\dim V_{\lambda_i} = n - \text{r}(A - \lambda_i E)$
## 常见陷阱
- **陷阱 1**:特征向量必须**非零**——零向量不是任何特征值的特征向量
- **陷阱 2**:$\det(\lambda E - A) = 0$ 中,**$\lambda$ 在前**(不是 $\det(A - \lambda E)$,虽然它们差 $(-1)^n$)
- **陷阱 3**:求特征向量时,**单个特征值**可能对应**多个无关特征向量**(几何重数 > 1)
- **陷阱 4**:对角化矩阵 $P^{-1} A P$ 中,$P$ 的列与 $\Lambda$ 对角线**对应**——不是任意顺序都能对角化
- **陷阱 5**:特征值总重数 $\sum$ 代数重数 = $n$,但 $\sum$ 几何重数 ≤ $n$
- **陷阱 6**:相似变换不改变特征值——验证 $P^{-1} A P$ 是否对角,只需检查 $A$ 是否有 $n$ 个无关特征向量
## 经典母题
### 母题 1:求特征值与特征向量
> **题目**:$T$ 在某基下矩阵 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}$,求 $T$ 的特征值与特征向量。
**解法**:
**Step 1:特征多项式**
$$
\det(\lambda E - A) = \begin{vmatrix} \lambda - 1 & -2 \\ -2 & \lambda - 1 \end{vmatrix} = (\lambda - 1)^2 - 4 = \lambda^2 - 2\lambda - 3 = (\lambda - 3)(\lambda + 1)
$$
**Step 2:特征值**
$\lambda_1 = 3, \lambda_2 = -1$
**Step 3:特征向量**
对 $\lambda_1 = 3$:
$$
(3E - A) \xi = \begin{pmatrix} 2 & -2 \\ -2 & 2 \end{pmatrix} \xi = 0 \Rightarrow \xi_1 = \begin{pmatrix} 1 \\ 1 \end{pmatrix}
$$
对 $\lambda_2 = -1$:
$$
(-E - A) \xi = \begin{pmatrix} -2 & -2 \\ -2 & -2 \end{pmatrix} \xi = 0 \Rightarrow \xi_2 = \begin{pmatrix} 1 \\ -1 \end{pmatrix}
$$
**结论**:$\lambda_1 = 3$ 对应特征向量 $k_1 (1, 1)^T$($k_1 \neq 0$);
$\lambda_2 = -1$ 对应特征向量 $k_2 (1, -1)^T$($k_2 \neq 0$)。
**复盘**:2 阶、2 个不同特征值 → 必有 2 个无关特征向量 → 必可对角化。
---
### 母题 2:对角化
> **题目**:将 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}$ 对角化,求 $P$ 与 $\Lambda$。
**解法**:
由母题 1,特征向量 $\xi_1 = (1, 1)^T, \xi_2 = (1, -1)^T$。
$$
P = (\xi_1, \xi_2) = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 3 & 0 \\ 0 & -1 \end{pmatrix}
$$
**验证**:
$$
P^{-1} A P = \begin{pmatrix} 3 & 0 \\ 0 & -1 \end{pmatrix} \checkmark
$$
**复盘**:$P$ 的列 = 特征向量,$\Lambda$ 对角线 = 对应特征值。
---
### 母题 3:3 阶矩阵的对角化
> **题目**:$A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 1 & 2 \\ 2 & 2 & 1 \end{pmatrix}$,判断是否可对角化,若可以,求 $P$ 和 $\Lambda$。
**解法**:
**Step 1:特征多项式**
$$
\det(\lambda E - A) = \begin{vmatrix} \lambda - 1 & -2 & -2 \\ -2 & \lambda - 1 & -2 \\ -2 & -2 & \lambda - 1 \end{vmatrix}
$$
利用矩阵结构 $A = I + 2J$($J$ 全 1 矩阵),$J$ 的特征值为 $3, 0, 0$,故 $A$ 的特征值为 $1 + 2 \cdot 3 = 5, 1, 1$。
**Step 2:特征值**
$\lambda_1 = 5, \lambda_2 = \lambda_3 = 1$
**Step 3:特征向量**
对 $\lambda_1 = 5$:
$$
(5E - A) \xi = \begin{pmatrix} 4 & -2 & -2 \\ -2 & 4 & -2 \\ -2 & -2 & 4 \end{pmatrix} \xi = 0
$$
易得 $\xi_1 = (1, 1, 1)^T$。
对 $\lambda_2 = 1$:
$$
(E - A) \xi = \begin{pmatrix} 0 & -2 & -2 \\ -2 & 0 & -2 \\ -2 & -2 & 0 \end{pmatrix} \xi = 0
$$
方程:$x_2 + x_3 = 0, x_1 + x_3 = 0, x_1 + x_2 = 0$ → $x_1 = x_2 = -x_3$。
基础解系:$\xi_2 = (1, 1, -2)^T$,$\xi_3 = (-1, 1, 0)^T$(或 $(1, -1, 0)^T$)。
**Step 4:判断对角化**
3 个线性无关的特征向量 $\xi_1, \xi_2, \xi_3$ → **可对角化**。
**Step 5:构造 $P$ 和 $\Lambda$**
$$
P = \begin{pmatrix} 1 & 1 & -1 \\ 1 & 1 & 1 \\ 1 & -2 & 0 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 5 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}
$$
**复盘**:$\lambda_2 = 1$ 是**二重特征值**,但有**两个**无关特征向量 → 几何重数 = 代数重数 → 可对角化。
---
### 母题 4:不可对角化情形
> **题目**:$A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$,判断 $T$ 是否可对角化。
**解法**:
**Step 1:特征多项式**
$$
\det(\lambda E - A) = (\lambda - 1)^2
$$
**Step 2:特征值**
$\lambda_1 = \lambda_2 = 1$(二重)
**Step 3:特征向量**
$$
(E - A) \xi = \begin{pmatrix} 0 & -1 \\ 0 & 0 \end{pmatrix} \xi = 0 \Rightarrow \xi_1 = \begin{pmatrix} 1 \\ 0 \end{pmatrix}
$$
只有 1 个无关特征向量(几何重数 = 1 < 代数重数 = 2)。
**结论**:$T$ **不可对角化**。
**复盘**:重特征值 + 特征向量不足 → 不可对角化。**Jordan 块**使其无法对角化。
---
### 母题 5:用矩阵相似处理对角化
> **题目**:已知 $A = \begin{pmatrix} 1 & 4 \\ 2 & 3 \end{pmatrix}$,求 $A^n$。
**解法**:
**Step 1**:特征多项式
$$
\det(\lambda E - A) = (\lambda - 1)(\lambda - 3) - 8 = \lambda^2 - 4\lambda - 5 = (\lambda - 5)(\lambda + 1)
$$
特征值:$\lambda_1 = 5, \lambda_2 = -1$。
**Step 2**:特征向量
- $\lambda_1 = 5$: $(5E - A) \xi = \begin{pmatrix} 4 & -4 \\ -2 & 2 \end{pmatrix} \xi = 0$ → $\xi_1 = (1, 1)^T$
- $\lambda_2 = -1$: $(-E - A) \xi = \begin{pmatrix} -2 & -4 \\ -2 & -4 \end{pmatrix} \xi = 0$ → $\xi_2 = (2, -1)^T$
**Step 3**:构造 $P = \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix}$,$P^{-1} = -\frac{1}{3} \begin{pmatrix} -1 & -2 \\ -1 & 1 \end{pmatrix} = \frac{1}{3} \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix}$
**Step 4**:$A = P \Lambda P^{-1}$,$A^n = P \Lambda^n P^{-1}$
$$
\Lambda^n = \begin{pmatrix} 5^n & 0 \\ 0 & (-1)^n \end{pmatrix}
$$
$$
A^n = \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 5^n & 0 \\ 0 & (-1)^n \end{pmatrix} \cdot \frac{1}{3} \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix}
$$
$$
= \frac{1}{3} \begin{pmatrix} 5^n + 2(-1)^n & 2 \cdot 5^n - 2(-1)^n \\ 5^n - (-1)^n & 2 \cdot 5^n + (-1)^n \end{pmatrix}
$$
**复盘**:**对角化的核心应用**是**计算矩阵的幂**——$A^n = P \Lambda^n P^{-1}$。
---
### 母题 6:抽象空间中的特征值
> **题目**:$V = P[x]_2$,$T(p(x)) = p'(x)$(求导)。求 $T$ 的特征值与特征向量。
**解法**:
**Step 1**:写出 $T$ 在基 $\mathcal{A} = (1, x, x^2)$ 下的矩阵
$$
A = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 2 \\ 0 & 0 & 0 \end{pmatrix}
$$
**Step 2**:特征多项式
$$
\det(\lambda E - A) = \lambda^3 = 0
$$
**特征值**:$\lambda_1 = \lambda_2 = \lambda_3 = 0$(三重)
**Step 3**:特征向量
$(\lambda E - A) \xi = 0$,即 $-A \xi = 0$。
$A \xi = 0$ → $\xi_2 = 0, 2\xi_3 = 0, 0 = 0$ → $\xi_3 = 0, \xi_2 = 0$,$\xi_1$ 任意。
**特征向量**:仅 $(c, 0, 0)^T$($c \neq 0$),即常数多项式 $c$。
**结论**:仅有 1 个线性无关特征向量 → **不可对角化**。
**复盘**:抽象空间中的特征值问题,**转化为矩阵的对应问题**。
---
### 母题 7:综合对角化(多基复合)
> **题目**:$T$ 在基 $\mathcal{A}$ 下的矩阵 $A = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}$,从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵 $P = \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix}$。求 $T$ 在 $\mathcal{B}$ 下的矩阵 $B$,并讨论 $B$ 是否可对角化。
**解法**:
**Step 1**:$B = P^{-1} A P$
$P^{-1} = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix}$($\det P = 1$)
$$
AP = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix} = \begin{pmatrix} 2 & 3 \\ 2 & 4 \end{pmatrix}
$$
$$
B = P^{-1} A P = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix} \begin{pmatrix} 2 & 3 \\ 2 & 4 \end{pmatrix} = \begin{pmatrix} 2 & 2 \\ 0 & 1 \end{pmatrix}
$$
**Step 2**:$B$ 的特征值
$\det(\lambda E - B) = (\lambda - 2)(\lambda - 1) = 0$ → $\lambda_1 = 2, \lambda_2 = 1$
**Step 3**:特征向量
- $\lambda_1 = 2$: $(2E - B) \xi = \begin{pmatrix} 0 & -2 \\ 0 & 1 \end{pmatrix} \xi = 0$ → $\xi_1 = (1, 0)^T$
- $\lambda_2 = 1$: $(E - B) \xi = \begin{pmatrix} -1 & -2 \\ 0 & 0 \end{pmatrix} \xi = 0$ → $x_1 + 2x_2 = 0$ → $\xi_2 = (2, -1)^T$
**结论**:$B$ 有 2 个无关特征向量 → **可对角化**。
$P' = \begin{pmatrix} 1 & 2 \\ 0 & -1 \end{pmatrix}$,$(P')^{-1} B P' = \begin{pmatrix} 2 & 0 \\ 0 & 1 \end{pmatrix} = \Lambda$
**复盘**:**相似矩阵有相同的特征值**——$A$ 和 $B$ 特征值相同($1, 2$)。
---
### 母题 8:特征值与对角化综合应用
> **题目**:设 $A = \begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}$,求 $A^{100}$。
**解法**:
**Step 1**:特征值
$\det(\lambda E - A) = \lambda^2 - 1 = 0$ → $\lambda_1 = 1, \lambda_2 = -1$
**Step 2**:特征向量
- $\lambda_1 = 1$: $(E - A) \xi = \begin{pmatrix} 1 & -1 \\ -1 & 1 \end{pmatrix} \xi = 0$ → $\xi_1 = (1, 1)^T$
- $\lambda_2 = -1$: $(-E - A) \xi = \begin{pmatrix} -1 & -1 \\ -1 & -1 \end{pmatrix} \xi = 0$ → $\xi_2 = (1, -1)^T$
**Step 3**:构造 $P = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$,$P^{-1} = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$
**Step 4**:$A^{100} = P \Lambda^{100} P^{-1}$
$$
\Lambda^{100} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} = E \quad (\text{因为 } 1^{100} = 1, (-1)^{100} = 1)
$$
$$
A^{100} = P E P^{-1} = E = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}
$$
**复盘**:$\Lambda^{100}$ 中 $(-1)^{100} = 1$,所以 $A^{100} = E$。这是**矩阵对角化求高次幂**的经典应用。
---
> **口诀**:
> - **特征值**:解 $\det(\lambda E - A) = 0$
> - **特征向量**:解 $(\lambda E - A) \xi = 0$
> - **可对角化**:$n$ 个无关特征向量(几何重数 = 代数重数)
> - **对角化公式**:$P^{-1} A P = \Lambda$($P$ 的列 = 特征向量)
> - **应用**:$A^n = P \Lambda^n P^{-1}$