第2讲 矩阵(真题库第10章,11题71分) - 按安排不出习题,只写考点手册:运算铁律 / 逆与伴随 / 初等变换 左行右列 / 秩十条不等式 / 分块矩阵秩六条 / 矩阵幂四条路线 / 正交矩阵 - 重点标出分块秩(2018·6、2021·7、2023·5 三次)与矩阵幂大题 第3讲 向量(真题库第11章,8题44分) - 手册:线性表示三判据 / 相关性八定理 / 极大无关组(只行变换) / 等价 r(A)=r(B)=r(A,B) / 施密特 / 基与过渡矩阵(坐标方向相反) / 交空间与维数公式 - 试题 18 题(A6/B8/C4),8 道真题全部有骨架对应 - 解析含命题质量报告与薄弱点提示 第4讲 线性方程组(真题库第12章,7题39分) - 手册:克拉默 / 齐次解空间 n-r / 非齐次解结构 / 判定总表 / 三平面五种位置关系(含三棱柱)/ 同解与公共解 / 矩阵方程 - 试题 18 题(A6/B8/C4);三平面几何连考3年,单独成两题 - 解析含命题质量报告 配套 - 7 个平板 PDF(考点手册×3、试题答题版×2、解析×2), KaTeX 渲染 0 报错 0 残留公式 - 新增 rebuild_la_pdfs.sh 批量重建 - 总览.md 补入三讲的目录树
19 KiB
tags, 专题, 日期, 来源, 关联
| tags | 专题 | 日期 | 来源 | 关联 | |||||
|---|---|---|---|---|---|---|---|---|---|
|
线性代数 第3讲 · 向量(真题库第 11 章) | 2026-10-18 | 🟨真题库第 11 章(8 题 44 分)· 🟩参考仓库 linear-algebra/knowledge/3-vector + exercise/3-vector | README · 02-试题 · 03-解析 · 线性代数-第2讲-矩阵/01-考点手册 |
线性代数 第3讲 · 向量 · 考点手册
定位:向量是"用一组向量去表示另一批向量"的学问。真题库 第 11 章近十年 8 题 44 分,热度「常态」,单选为主,但 2019·20 出过 11 分大题(基与过渡矩阵)。 本讲是第 2 讲与第 4 讲的桥:线性表示 ⟺ 方程组有解 ⟺ 秩相等。一句话贯穿全讲。 来源记号:🟨 真题库 · 🟩 参考仓库 · 🟦 视频讲次。
0. 本讲定位与学习地图
一句话概括:向量组的一切问题,都翻译成矩阵的秩。
向量组 α1..αs(排成矩阵的列)
│
├──► 线性表示:β 能否由 α 组表示 ──► r(A)=r(A,β) ──► 方程组有解(第4讲)
│
├──► 线性相关:是否存在非零系数使组合为 0 ──► r(A)<s ──► 齐次方程有非零解
│
├──► 秩与极大无关组:r(A) ──► 主元列
│
├──► 等价:可互相表示 ──► r(A)=r(B)=r(A,B)
│
├──► 内积/正交/施密特 ──► 规范正交基 ──► 正交矩阵(第2讲)─► 正交变换(第6讲)
│
└──► 基/维数/坐标/过渡矩阵 ──► 坐标变换(2019·20 大题)
六条主线与真题对应
| 主线 | 核心结论 | 真题落点 |
|---|---|---|
| 线性表示 | r(A)=r(A,\beta) |
2020·6、2023·7、2023·15 |
| 线性相关 | r(A)<s |
2024·6 |
| 秩与极大无关组 | 行变换 + 主元列 | 2017·13 |
| 向量组等价 | r(A)=r(B)=r(A,B) |
2022·7 |
| 施密特正交化 | 正交化 + 单位化 | 2021·6 |
| 基与过渡矩阵 | (新)=(旧)C |
2019·20 |
1. 向量与向量组
1.1 基本概念
n 维向量 \alpha=(a_1,a_2,\cdots,a_n)^{\mathrm T} 是列向量(本章默认列向量)。线性运算按分量进行。
向量组:同维数的若干个向量构成的集合 A:\alpha_1,\alpha_2,\cdots,\alpha_s 。
1.2 向量组的矩阵表示(第一个关键动作)
把 s 个 n 维列向量拼成 n\times s 矩阵:
A=(\alpha_1,\alpha_2,\cdots,\alpha_s).
于是:
- 向量组的秩就是
r(A); - "
\beta可由\alpha组表示"就是"Ax=\beta有解"; - "
\alpha组线性相关"就是"Ax=0有非零解"。
⚠️ 方向别搞反:
s个n维列向量拼成的是n\times s(行数 = 维数,列数 = 向量个数)。若拼成行向量矩阵(s\times n),则要转置过来、结论对偶。考场上统一拼成列最省事。
2. 线性表示
2.1 定义
若存在数 k_1,\cdots,k_s 使
\beta=k_1\alpha_1+k_2\alpha_2+\cdots+k_s\alpha_s,
则称 \beta 可由 \alpha_1,\cdots,\alpha_s 线性表示(线性表出)。
2.2 三个等价判据(必须背成条件反射)
\boxed{\beta\ \text{可由}\ \alpha_1,\cdots,\alpha_s\ \text{表示}\iff Ax=\beta\ \text{有解}\iff r(A)=r(A,\beta)}
其中 A=(\alpha_1,\cdots,\alpha_s) ,(A,\beta) 是增广矩阵。
三种情形的精确判据(设 A 为 n\times s ):
| 情形 | 秩条件 | 方程组语言 |
|---|---|---|
| 不能表示 | r(A)\neq r(A,\beta) (此时 r(A,\beta)=r(A)+1 ) |
无解 |
| 可表示且表示法唯一 | r(A)=r(A,\beta)=s |
唯一解 |
| 可表示且表示法不唯一 | r(A)=r(A,\beta)<s |
无穷多解 |
**为什么"唯一"要求
=s**:系数个数是s,方程组的系数矩阵列满秩(r=s)才能约束住每一个系数。
2.3 表示式与矩阵乘法的统一视角
设 B=(\beta_1,\cdots,\beta_t) ,则
B=AC\iff \text{每个}\ \beta_j\ \text{都可由}\ \alpha\ \text{组表示},
其中 C 的第 j 列就是 \beta_j 的表示系数。这条是"向量组相互表示"的矩阵语言,第 5 节判定等价时直接用。
推论(极常用):
B=AC\ \Longrightarrow\ r(B)\le r(A).
即"被表示的组,秩不超过表示的组"——因为 B 的每一列都落在 A 的列空间里。
2.4 常用结论
- 零向量可被任何向量组表示(取全 0 系数);
- 任一
\alpha_i可被\alpha_1,\cdots,\alpha_s表示(取e_i); - 若
\beta可由\alpha组表示,且每个\alpha_i可由\gamma组表示,则\beta可由\gamma组表示(传递性); \beta可由\alpha_1,\cdots,\alpha_s表示 ⟺\alpha_1,\cdots,\alpha_s,\beta与\alpha_1,\cdots,\alpha_s等价(秩相同且后者的组能被前者表示…实际判据见 §5)。
3. 线性相关与线性无关
3.1 定义
若存在不全为零的数 k_1,\cdots,k_s 使
k_1\alpha_1+k_2\alpha_2+\cdots+k_s\alpha_s=0,
则称 \alpha_1,\cdots,\alpha_s 线性相关;否则(只有全零系数才成立)称线性无关。
语义:线性相关 = 组里有冗余(至少一个向量是"多余的");线性无关 = 每个向量都不可替代。
3.2 三个等价判据
设 A=(\alpha_1,\cdots,\alpha_s) 为 n\times s :
\boxed{\alpha_1,\cdots,\alpha_s\ \text{线性相关}\iff r(A)<s\iff Ax=0\ \text{有非零解}}
\boxed{\text{线性无关}\iff r(A)=s\iff Ax=0\ \text{只有零解}}
特别地(s=n 时,方阵):
\alpha_1,\cdots,\alpha_n\ \text{线性无关}\iff\lvert A\rvert\neq0.
⚠️ 只有向量个数 = 维数时才能用行列式。
n维空间里给n+1个向量,不用算行列式,直接判"必相关"。
3.3 八条定理(选择题与证明题的全部弹药)
- 含零向量必相关(
0的系数取 1,其余取 0); - 单个向量:
\alpha相关 ⟺\alpha=0; - 两个向量:
\alpha,\beta相关 ⟺ 对应分量成比例(共线); - 部分相关 ⟹ 整体相关;等价地,整体无关 ⟹ 部分无关;
- 延长无关、截短相关:无关向量组每个向量增加分量后仍无关;相关向量组减少分量后仍相关。(同一个线性关系逐分量成立)
- 个数超过维数必相关:
m个n维向量,若m>n则必相关; - "多"被"少"表示则相关:若
\alpha_1,\cdots,\alpha_s可由\beta_1,\cdots,\beta_t表示,且s>t,则\alpha组必相关; - 替换定理:若
\alpha_1,\cdots,\alpha_s无关,而\alpha_1,\cdots,\alpha_s,\beta相关,则\beta可由\alpha_1,\cdots,\alpha_s唯一表示。
第 5 条最容易反着记:"无关"是"抗延长"的——在低维无关,加上分量后依然无关;反过来,相关是"抗截短"的。 口诀:无关可以"加",相关可以"减"。
第 7 条的本质:
r(\alpha)\le r(\beta)\le t<s,而\alpha有s个向量,秩小于个数 ⟹ 相关。这是"维数决定一切"的体现。
3.4 几何直观(三维,帮助记忆与秒判)
| 个数 | 无关的几何含义 | 相关时 |
|---|---|---|
| 1 个 | 非零向量 | 零向量 |
| 2 个 | 不共线 | 共线(成比例) |
| 3 个 | 不共面 | 共面(含共线情形) |
| 4 个及以上 | 在 \mathbb R^3 中不可能 |
必相关 |
2020·6(直线相交)与 2024·5(三平面)都是把几何位置关系翻译成秩的题。三维里"三个向量共面 ⟺ 混合积为 0 ⟺ 行列式为 0"。
3.5 判定的标准流程
- 向量个数 ≠ 维数:个数
>维数 → 直接判相关;个数<维数 → 只能算秩; - 个数 = 维数:算行列式,
\neq0无关、=0相关; - 含参数:算行列式(或化阶梯形),令其为 0 解出参数;
- 抽象向量组(
\alpha_i的组合):写成(\beta_1,\cdots,\beta_s)=(\alpha_1,\cdots,\alpha_s)C,判C是否可逆——这一步是转化为"系数矩阵的行列式"的关键。
4. 向量组的秩与极大线性无关组
4.1 定义
- 极大线性无关组:向量组中的部分组,本身线性无关,再添任一向量(原组内的)都变相关;
- 向量组的秩:极大无关组所含向量的个数,记
r(\alpha_1,\cdots,\alpha_s),且它等于r(A)。
两条基本事实:
- 秩为
r的向量组中,任意r个线性无关的向量都构成极大无关组(不唯一); - 原组中每个向量都可由极大无关组唯一表示。
4.2 求法(唯一正确姿势:只作行变换)
- 把向量按列拼成矩阵
A; - 只作初等行变换,化为行阶梯形;
- 数非零行数得秩
r; - 主元所在的列号(第 1、3 列之类)→ 对应原矩阵中同序号的向量,即为一个极大无关组。
⚠️ 两个致命错误: ① 用列变换求列向量组的极大无关组——列变换会改变列之间的线性关系,主元列对不上原向量; ② 把变换后的列向量当成极大无关组——必须回到原向量(阶梯形里的列已经被改过了)。
对偶记忆:求列向量组的极大无关组用行变换;求行向量组的极大无关组用列变换。("动另一边")
4.3 秩与相关性/表示的关系
r(\alpha_1,\cdots,\alpha_s)=s\iff\text{线性无关};\qquad r<s\iff\text{线性相关}.
\beta\ \text{可由}\ \alpha\ \text{组表示}\iff r(\alpha_1,\cdots,\alpha_s)=r(\alpha_1,\cdots,\alpha_s,\beta).
\text{若}\ \alpha\ \text{组可由}\ \beta\ \text{组表示,则}\ r(\alpha)\le r(\beta).
5. 向量组等价
5.1 定义
若向量组 A 中每个向量都可由 B 线性表示,且 B 中每个向量都可由 A 线性表示,则称 A 与 B 等价,记 A\cong B 。
直觉:等价 = 两组"张成同一个空间"(列空间相同)。
5.2 判定定理(三合一)
设 A=(\alpha_1,\cdots,\alpha_s) ,B=(\beta_1,\cdots,\beta_t) ,则
\boxed{A\cong B\iff r(A)=r(B)=r(A,B)},
其中 (A,B) 是把两组向量并排拼成的大矩阵。
另一条好用的判据:若 A 可由 B 表示(即存在 C 使 A=BC ),则
A\cong B\iff r(A)=r(B).
5.3 三条性质与一个反例
| 性质 | 说明 |
|---|---|
| 反身、对称、传递 | 等价关系(可放心传递) |
| 等价 ⟹ 秩相等 | 必要条件 |
| 秩相等 ⇏ 等价 | 必须加上"能互相表示" |
反例(2022·7 的核心陷阱):\alpha_1=(1,0,0)^{\mathrm T} 与 \beta_1=(0,1,0)^{\mathrm T} 秩都为 1,但互相不能表示,故不等价。判据给出 r(A,B)=2\neq1 ,一眼看穿。
6. 内积、长度与正交
6.1 定义与性质
(\alpha,\beta)=\alpha^{\mathrm T}\beta=\sum_{i=1}^{n}a_ib_i,\qquad \lVert\alpha\rVert=\sqrt{(\alpha,\alpha)},\qquad \cos\theta=\frac{(\alpha,\beta)}{\lVert\alpha\rVert\,\lVert\beta\rVert}.
| 性质 | 式子 |
|---|---|
| 对称 | (\alpha,\beta)=(\beta,\alpha) |
| 线性 | (k\alpha+\mu\beta,\gamma)=k(\alpha,\gamma)+\mu(\beta,\gamma) |
| 正定 | (\alpha,\alpha)\ge0 ,等号仅当 \alpha=0 |
| Cauchy–Schwarz | \lvert(\alpha,\beta)\rvert\le\lVert\alpha\rVert\,\lVert\beta\rVert |
| 三角不等式 | \lVert\alpha+\beta\rVert\le\lVert\alpha\rVert+\lVert\beta\rVert |
内积证秩的样板:若
A^{\mathrm T}Ax=0,则x^{\mathrm T}A^{\mathrm T}Ax=0,即\lVert Ax\rVert^2=0,故Ax=0。于是A^{\mathrm T}Ax=0与Ax=0同解,得r(A^{\mathrm T}A)=r(A)。这个手法在 C 组第 18 题会再练一次。
6.2 正交与正交向量组
\alpha\perp\beta\iff(\alpha,\beta)=0;- 正交向量组(全为非零向量)必线性无关:设
\sum k_i\alpha_i=0,两边与\alpha_j作内积得k_j\lVert\alpha_j\rVert^2=0,故k_j=0; - 反之不成立:线性无关未必两两正交(如
(1,0),(1,1))。
这条"正交 ⟹ 无关"是施密特正交化合法性的根基:正交化不改变张成的空间,却把"无关"升级成"正交",从而便于求坐标。
6.3 规范正交基
若 e_1,\cdots,e_r 两两正交且都是单位向量,且它们张成子空间 V ,则称其为 V 的规范正交基(标准正交基)。
- 判定:
(e_i,e_j)=\delta_{ij}; - 由规范正交基构成的矩阵
Q=(e_1,\cdots,e_r)满足Q^{\mathrm T}Q=E(方阵时即正交矩阵)。
7. 施密特正交化(2021·6 真题)
7.1 两步公式
给定线性无关的 \alpha_1,\cdots,\alpha_s :
第一步 · 正交化
\beta_1=\alpha_1,\qquad \beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1,
\beta_3=\alpha_3-\frac{(\alpha_3,\beta_1)}{(\beta_1,\beta_1)}\beta_1-\frac{(\alpha_3,\beta_2)}{(\beta_2,\beta_2)}\beta_2,
一般地
\beta_k=\alpha_k-\sum_{j=1}^{k-1}\frac{(\alpha_k,\beta_j)}{(\beta_j,\beta_j)}\beta_j.
第二步 · 单位化
e_k=\frac{\beta_k}{\lVert\beta_k\rVert}\qquad(k=1,\cdots,s).
7.2 计算流程与自检
- 先判无关(相关的话
(\beta_j,\beta_j)可能为 0,公式失效); - 按顺序算
\beta_1\to\beta_2\to\cdots,每一项都要减掉"对前面所有\beta的投影"(漏减一项就前功尽弃); - 自检:算完后必须验
(\beta_i,\beta_j)=0\ (i\neq j); - 单位化时只除长度,不改方向。
7.3 三类典型错误
| 错误 | 后果 |
|---|---|
减投影时只用 \alpha 与 \beta_1 的内积,漏了 \beta_2 |
\beta_3 与 \beta_2 不正交 |
分母写成 (\beta_j,\beta_j) 却代成 \lVert\beta_j\rVert |
结果差一个平方,必须重算 |
| 先单位化再正交化 | 顺序错了,公式里要用的是"未单位化的 \beta " |
考法:2021·6 是单选,给了三个向量问正交化后的结果(或问某个系数)。选择题可以直接用"正交 ⟹ 内积为 0"反验选项,不必全算。
8. 向量空间、基、坐标与过渡矩阵(2019·20 大题)
8.1 向量空间与子空间
- 向量空间:对加法与数乘封闭的非空向量集合(必含零向量);
- 子空间:
V的非空子集,对加法与数乘封闭; - 由向量组张成的子空间:
L(\alpha_1,\cdots,\alpha_s)=\{k_1\alpha_1+\cdots+k_s\alpha_s\},其维数=r(\alpha_1,\cdots,\alpha_s)。
8.2 基、维数、坐标
若 \alpha_1,\cdots,\alpha_r 是 V 的一组基,则 V 中任一向量 \beta 可唯一表示为
\beta=x_1\alpha_1+\cdots+x_r\alpha_r,
称 (x_1,\cdots,x_r)^{\mathrm T} 为 \beta 在该基下的坐标。求坐标 = 解线性方程组 Ax=\beta 。
\dim V=r;\mathbb R^n的标准基\varepsilon_1,\cdots,\varepsilon_n下坐标就是分量本身。
8.3 过渡矩阵(本章唯一的大题考点)
设 (\alpha_1,\cdots,\alpha_n) 与 (\varepsilon_1,\cdots,\varepsilon_n) 是同一空间的两组基,若
(\alpha_1,\cdots,\alpha_n)=(\varepsilon_1,\cdots,\varepsilon_n)\,C,
则 C 称为从基 \varepsilon 到基 \alpha 的过渡矩阵。
三条要点:
C的第j列是\alpha_j在旧基\varepsilon下的坐标;C必可逆(两组基都是极大无关组,C的行列式\neq0);- 方向:从
\varepsilon到\alpha是C;从\alpha到\varepsilon是C^{-1}。
8.4 坐标变换公式
同一向量 \beta 在两组基下的坐标 x_\varepsilon 与 x_\alpha 满足
\boxed{x_\varepsilon=C\,x_\alpha,\qquad x_\alpha=C^{-1}x_\varepsilon.}
记忆:坐标的变换方向与基的变换方向相反(基"往前走"用
C,坐标"往后退"用C^{-1})——这是 2019·20 最爱设的坑。
8.5 子空间的交与和(2023·7 真题)
设 V_1=L(\alpha_1,\cdots,\alpha_s) ,V_2=L(\beta_1,\cdots,\beta_t) :
- 和:
V_1+V_2=L(\alpha_1,\cdots,\alpha_s,\beta_1,\cdots,\beta_t),故
\dim(V_1+V_2)=r(A,B);
- 交:
\gamma\in V_1\cap V_2\iff\gamma=Ax=By有解 ⟺ 解齐次方程组(A,-B)\binom{x}{y}=0,取其非零解回代即得交空间的基; - 维数公式:
\boxed{\dim(V_1+V_2)=\dim V_1+\dim V_2-\dim(V_1\cap V_2)}.
快速判断:在
\mathbb R^3中两个过原点的平面(各 2 维),若r(A,B)=3则交于一条直线(2+2-3=1);若r(A,B)=2则两平面重合(交为 2 维)。
9. 十年真题落点地图(🟨 第 11 章 8 题 44 分)
| 年份·题号 | 题型 | 分值 | 考点 | 本手册节 |
|---|---|---|---|---|
| 2017·13 | 填空 | 4 | 向量组的秩 | §4.2 |
| 2019·20 | 解答 | 11 | 基与过渡矩阵 | §8.3 / §8.4 |
| 2020·6 | 单选 | 4 | 直线相交与向量线性表示 | §2.2 / §3.4 |
| 2021·6 | 单选 | 5 | 施密特正交化 | §7 |
| 2022·7 | 单选 | 5 | 向量组等价 | §5.2 |
| 2023·7 | 单选 | 5 | 线性表示(交空间) | §8.5 |
| 2023·15 | 填空 | 5 | 向量内积与线性组合 | §6.1 |
| 2024·6 | 单选 | 5 | 向量组线性相关性 | §3.2 / §3.5 |
分布规律:
- 7 题选填(33 分)+ 1 题大题(11 分);选填里"判定类"(相关、等价、表示)占绝对多数;
- 2022 起年年有题(2022、2023 两次、2024),热度在上升;
- 交空间(2023·7)是新提法,本质仍是"两个向量组能否互相表示",但叠加了子空间的几何语言;
- 大题只在 2019 出过一次(过渡矩阵),属于"低频但一旦考就是 11 分",不能放弃。
10. 速查卡 · 陷阱清单
10.1 速记十条
- 一律按列拼矩阵:
n维、s个 →n\times s; - 可表示 ⟺
r(A)=r(A,\beta);唯一 ⟺ 再=s; - 相关 ⟺
r(A)<s;无关 ⟺r(A)=s; - 个数
>维数 → 必相关;s=n时才看行列式; - 无关可加(延长),相关可减(截短);
- 整体无关 ⟹ 部分无关;部分相关 ⟹ 整体相关;
- 极大无关组:只作行变换,取主元列,回到原向量;
- 等价 ⟺
r(A)=r(B)=r(A,B);秩相等不够; - 正交(非零)⟹ 无关;施密特 = 逐项减投影 + 单位化;
- 过渡矩阵的列 = 新基在旧基下的坐标;坐标变换用
C^{-1}(方向相反)。
10.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 求极大无关组时用了列变换 | 只能用行变换 |
| 把阶梯形里的列当答案 | 取原矩阵中同序号列 |
用 r(A)=r(B) 判等价 |
还要 r(A,B)=r(A) |
| 认为"线性相关"就"每个向量都能被其余表示" | 只保证存在某个能被表示 |
用行列式判 n+1 个 n 维向量 |
直接判相关,不用算 |
施密特时漏减前面某个 \beta_j |
每一项要减全部前面的投影 |
分母用 \lVert\beta_j\rVert |
用 (\beta_j,\beta_j) |
| 过渡矩阵方向搞反 | 从 \varepsilon 到 \alpha 是 C ,坐标用 C^{-1} |
| 认为"正交向量组"可以有零向量 | 零向量与任何向量正交,但正交组必须全非零才无关 |
| 坐标变换与基变换同方向 | 相反 |