简介这份资源是重庆邮电大学研究生《矩阵分析》期末考卷的PDF面向备考该课程的高校学生与需要系统梳理矩阵理论的学习者可用于考前自测、对照复习与查漏补缺。试卷共八大题、满分100分覆盖线性空间基与过渡矩阵、矩阵1范数与无穷范数、线性变换的矩阵表示及核与值域、行列因子与不变因子及Jordan标准型、正定Hermite矩阵与内积验证、满秩分解、正规矩阵的谱分解以及幂等矩阵Jordan块阶数与Hermite矩阵相关性质证明等核心考点题目与解答思路结合紧密便于逐题理解方法。资源包仅含1个PDF文件约170KB篇幅精简、便于打印与随身查阅。目前已有275人学习下载适合作为期末冲刺阶段的成套练习与知识点索引。1. 从一道 12 分大题看这场考试到底在筛什么矩阵分析期末卷子发下来很多人第一眼盯的是计算量真正拉开差距的却是第一道 12 分题给你四个 2×2 矩阵先证它们是 R^(2×2) 的基再求一组标准基到它们的过渡矩阵。这道题不考你算得多快考的是你知不知道“基”这件事在考场上的标准答法——线性无关要落到行列式或秩上过渡矩阵要落到“用谁表示谁”的方向上。方向反了后面全错这就是矩阵分析最典型的翻车点。这份卷子满分 100 分、八大题覆盖线性空间与基、矩阵范数、线性变换的矩阵表示与核值域、行列因子与 Jordan 标准型、正定 Hermite 矩阵与内积、满秩分解、正规矩阵与谱分解、幂等矩阵的结构定理。它筛的不是背公式的人而是能把“定义—判定—构造”三步走通的人。适合已经学过一遍、正在刷期末真题、想把答题步骤固定下来的备考者。下面按考点模块拆每块都给可照着写的答题思路。2. 线性空间与矩阵范数基、过渡矩阵、1 范数与无穷范数怎么拿满2.1 证明一组矩阵是基别只写“线性无关”第一题给 α₁ 到 α₄ 四个 2×2 矩阵要求证明它们是 R^(2×2) 的基。R^(2×2) 是 4 维的所以四个向量构成基的充要条件就是线性无关。考场上最稳的写法是把四个矩阵按某种顺序拉成列向量拼成一个 4×4 矩阵算它的行列式或秩。以题中数据为例把每个 2×2 矩阵按行展开成 4 维列向量import numpy as np # 把 2x2 矩阵按行拉直成 4 维列向量 a1 np.array([[0, 1], [1, 1]]).reshape(-1, 1) a2 np.array([[1, 1], [0, 1]]).reshape(-1, 1) a3 np.array([[1, 1], [1, 0]]).reshape(-1, 1) a4 np.array([[1, 0], [1, 1]]).reshape(-1, 1) M np.hstack([a1, a2, a3, a4]) # 4x4 矩阵列是拉直后的向量 print(M) print(det , np.linalg.det(M)) # 非零即线性无关 print(rank , np.linalg.matrix_rank(M))这段代码的作用是把“矩阵是不是基”翻译成“4×4 矩阵行列式是否非零”。reshape(-1, 1)把 2×2 按行优先拉成 4×1hstack按列拼接。考场上不必真算行列式的具体值算出非零、或说明秩为 4 即可。注意拉直顺序必须前后一致四个矩阵都按行拉或都按列拉混用会导致拼出的矩阵行列式无意义。答题时先写“设 k₁α₁k₂α₂k₃α₃k₄α₄0”再写“对应齐次线性方程组的系数矩阵行列式为……≠0故只有零解四者线性无关”最后一句“R^(2×2) 是 4 维空间四个线性无关向量构成基”。这三句是阅卷人找的采分点缺一句就扣分。2.2 过渡矩阵方向搞反是最常见的血泪经验第二问求 β₁ 到 β₄ 到 α₁ 到 α₄ 的过渡矩阵。β 是标准基 E₁₁、E₁₂、E₂₁、E₂₂。过渡矩阵 C 满足 (α₁,…,α₄)(β₁,…,β₄)C也就是说 C 的第 j 列是 αⱼ 在 β 下的坐标。因为 β 是标准基αⱼ 在 β 下的坐标就是 αⱼ 拉直后的列向量。所以过渡矩阵就是把 2.1 里那个 4×4 矩阵 M 直接拿来用。这里的方向问题是全场最高频的失分点。题目说“β 到 α 的过渡矩阵”按定义就是上面这个 C如果写成 α 到 β那就是 C⁻¹。考场上先写清楚定义式再动笔别凭感觉。用代码验证一下# 过渡矩阵 C 满足 (alpha) (beta) Cbeta 是标准基 C M print(过渡矩阵 C ) print(C) # 验证C 的每一列就是对应 alpha 在标准基下的坐标M的每一列恰好是 αⱼ 的拉直坐标所以 CM。如果题目反过来问 α 到 β答案就是np.linalg.inv(M)。写答案时把“因为 β 是标准基故 αⱼ 在 β 下的坐标即其拉直向量”这句话写上比闷头算更能让阅卷人确认你懂方向。2.3 矩阵范数1 范数看列、无穷范数看行第二题给一个 3×3 复矩阵 A算 ‖A‖₁ 和 ‖A‖∞再给 x(1,1,1)ᵀ 算 ‖Ax‖₁ 和 ‖Ax‖∞。这类题是送分的但每年都有人把行和列记反。规则只有两条‖A‖₁ 是“列绝对值之和的最大值”‖A‖∞ 是“行绝对值之和的最大值”。注意是绝对值之和不是最大元素。题中 A 含虚数单位 i取绝对值时是模长|2i|2|5i|5别把 i 漏掉。import numpy as np A np.array([[0, 2j, 5j], [0, 2j, -1]], dtypecomplex) # 注意按题面 A 是 2x3 还是 3x3 以卷面为准这里演示算法 norm1 np.max(np.sum(np.abs(A), axis0)) # 列和最大 norm_inf np.max(np.sum(np.abs(A), axis1)) # 行和最大 print(norm1, norm_inf) x np.array([[1], [1], [1]], dtypecomplex) Ax A x print(np.sum(np.abs(Ax))) # ||Ax||_1 print(np.max(np.abs(Ax))) # ||Ax||_infaxis0沿行方向压缩得到每列的和axis1得到每行的和这是 NumPy 里最容易记混的参数考场上手算时对应“竖着加是列和、横着加是行和”。向量范数部分‖Ax‖₁ 是各分量模长之和‖Ax‖∞ 是各分量模长的最大值和矩阵范数的“和的最大值”不是一回事别套错。提示矩阵范数题先写公式再代数公式写对就有过程分虚数元素取模别直接丢掉 i 只留系数。3. 线性变换与 Jordan 标准型矩阵表示、核与值域、行列因子一条线3.1 线性变换的矩阵表示把基向量代进去第三题给 ([x,y,z]ᵀ)[xy−z, yz, x2y]ᵀ求它在自然基下的矩阵。方法固定把 ε₁、ε₂、ε₃ 分别代入变换得到的像按列排就是矩阵。ε₁(1,0,0)ᵀ 代入得 (1,0,1)ᵀε₂(0,1,0)ᵀ 得 (1,1,2)ᵀε₃(0,0,1)ᵀ 得 (−1,1,0)ᵀ。按列拼起来就是import numpy as np # 自然基下的像按列排列 A np.array([[1, 1, -1], [0, 1, 1], [1, 2, 0]]) print(A)这个矩阵的每一列是基向量的像不是把变换公式的系数直接抄成行。很多人把 [xy−z, yz, x2y] 的系数按行写成矩阵结果转置了。判断方法用 A 乘 (1,0,0)ᵀ 应得 (1,0,1)ᵀ乘一下就能自检。3.2 核与值域解齐次方程 找列空间求核就是解 Ax0求值域就是求 A 的列空间。对上面这个 A做行变换from sympy import Matrix A Matrix([[1, 1, -1], [0, 1, 1], [1, 2, 0]]) print(秩:, A.rank()) print(零空间:, A.nullspace()) print(列空间基:, A.columnspace())nullspace()给出核的基columnspace()给出值域的基。手算时核用回代法值域取 A 的极大线性无关列。答题格式核写成“span{……}”值域写成“span{……}”并注明维数。核的维数 值域的维数 3这个维数定理可以用来验算算完对一下不对就回头查。注意核是定义域里的向量集合值域是陪域里的向量集合写答案时别把两者混在一个空间里。3.3 行列因子、不变因子、初等因子与 Jordan 标准型第四题给一个 4×4 矩阵要求行列因子、不变因子、初等因子和 Jordan 标准型。这条链的顺序是先算特征矩阵 λI−A再求各阶行列式因子 Dₖ(λ)不变因子 dₖDₖ/Dₖ₋₁初等因子是把不变因子分解成素幂Jordan 块由初等因子直接读出。题中 A 是分块形式左上 2×2 为 [[2,1],[0,−1]]按卷面数据右下是 2 和 2 的重复。特征值能直接看出来2、−1、2、2。Jordan 标准型的块数由几何重数决定特征值 2 的代数重数是 3几何重数要看 rank(2I−A)。from sympy import Matrix, symbols, factor lam symbols(lambda) A Matrix([[2, 1, 0, 0], [-1, 0, 2, 0], [0, 0, 2, 0], [0, 0, 0, 2]]) M lam * Matrix.eye(4) - A print(特征矩阵行列式:, factor(M.det())) # 各阶行列式因子取所有 k 阶子式的首一最大公因式factor(M.det())给出特征多项式特征值一目了然。行列因子是“所有 k 阶子式的首一最大公因式”手算时从低阶往高阶求不变因子由相邻行列因子相除得到。Jordan 标准型答题时先写不变因子再写初等因子最后写“故 Jordan 标准型为 Jdiag(J₁,J₂,…)”每一步都是独立采分点别跳步直接写结果。4. 正定 Hermite、内积与满秩分解证明题的固定套路4.1 正定 Hermite 矩阵顺序主子式是提示不是全部第五题给一个复矩阵 A第一问证明它是正定 Hermite 矩阵卷面还专门提示“顺序主子式”。正定 Hermite 要证两件事A^HAHermite以及所有顺序主子式为正正定。复矩阵的共轭转置别写成普通转置这是最常见的错。答题模板先写 A^H逐元素对照说明等于 A再算一阶、二阶、三阶顺序主子式全部大于 0最后一句“由 Hermite 矩阵正定的充要条件知 A 正定”。顺序主子式要算到底只写“显然为正”不给分。4.2 验证内积四条公理逐条对第二问定义 (X,Y)Y^H A X验证它是 C³ 上的内积。内积要验四条共轭对称性、对第一变元的线性、正定性、非负性(X,X)≥0 且等号仅当 X0。因为 A 已证正定 Hermite正定性和非负性直接由 A 的正定性推出重点写共轭对称性和线性。共轭对称性(Y,X)X^H A Y取共轭得 (Y,X)‾Y^H A^H XY^H A X(X,Y)这里用到 A^HA。线性对第一变元((aX₁bX₂),Y)Y^H A(aX₁bX₂)a(Y^H A X₁)b(Y^H A X₂)。每条公理写一行定义式再代入比大段文字描述更稳。提示内积验证题里正定性往往“借用”前一问的结论写一句“由(1)知 A 正定故 (X,X)X^H A X0X≠0”即可不必重算。4.3 满秩分解行变换找行满秩列选取找列满秩第六题求一个 4×5 矩阵的满秩分解 AFGF 列满秩、G 行满秩。标准做法对 A 做初等行变换化行最简形主元所在列对应的 A 的原列构成 F行最简形的非零行构成 G。from sympy import Matrix A Matrix([[1, -1, 3, -4, 3], [3, -3, 5, -4, 1], [2, -2, 3, -2, 0], [3, -3, 4, -2, -1]]) rref, pivots A.rref() print(行最简形:) print(rref) print(主元列:, pivots) F A[:, list(pivots)] # 取原矩阵的主元列 G rref[:A.rank(), :] # 取行最简形的非零行 print(F, F) print(G, G) print(验证 FG, F * G)rref()返回行最简形和主元列下标A[:, pivots]取原矩阵对应列作为 Frref的前 rank 行作为 G。最后一定用F*G回代验证等于 A这一步在考场上就是检查别省。满秩分解不唯一但 F 取主元列、G 取行最简形非零行是最标准的答法阅卷按这个对。5. 正规矩阵、谱分解与幂等矩阵压轴题的证明结构5.1 正规矩阵验证 A^H AAA^H第七题给一个 3×3 复矩阵先证正规再求谱分解。正规的定义就是 A^H AAA^H直接算两个乘积对照即可。算的时候注意共轭i 的共轭是 −i别只改符号不改虚部。谱分解的形式是 Aλ₁P₁λ₂P₂…其中 Pᵢ 是到特征子空间的投影矩阵满足 PᵢPⱼ0i≠j、Pᵢ²Pᵢ、ΣPᵢI。求法是先求特征值和特征向量再把每个特征子空间的正交基做成投影矩阵 PᵢUᵢUᵢ^H。import numpy as np A np.array([[0, -2j, 2], [2j, 0, 0], [0, 0, 0]], dtypecomplex) print(A^H A A A^H:, np.allclose(A.conj().T A, A A.conj().T)) vals, vecs np.linalg.eigh(A) # Hermite 矩阵用 eigh print(特征值:, vals)np.allclose判断两个矩阵是否相等浮点误差下比可靠。eigh专门用于 Hermite 矩阵返回实特征值和正交特征向量。谱分解答题时把投影矩阵显式写出来并验证 P₁P₂…I这个验证是加分点。5.2 幂等矩阵的结构定理从 A²A 推出 Jordan 块阶为 1第八题是压轴条件只有 A²A、rank(A)rn。第一问证所有 Jordan 块阶为 1、特征值只能是 0 和 1。思路A²A 说明 A 是幂等矩阵最小多项式整除 λ²−λλ(λ−1)最小多项式无重根故可对角化Jordan 块全为 1 阶特征值代入 λ²λ 得 λ0 或 1。第二问在 A 是 Hermite 的条件下证存在酉矩阵 U 使 U^H A Udiag(Eᵣ,0)。因为 Hermite 可酉对角化特征值只有 0、1rank 为 r 说明有 r 个特征值 1重排特征向量即可。第三问证 |AE|1A 的特征值 λᵢ∈{0,1}AE 的特征值是 λᵢ1行列式等于特征值之积其中有 r 个 2、n−r 个 1故 |AE|2^r1r≥1。import numpy as np # 构造一个幂等 Hermite 矩阵验证结论 r 2 n 4 U, _ np.linalg.qr(np.random.randn(n, n)) # 随机正交阵 D np.diag([1]*r [0]*(n-r)) A U D U.T print(A^2A:, np.allclose(A A, A)) print(|AE| , np.linalg.det(A np.eye(n)), 2^r , 2**r)这段代码用随机正交阵构造一个满足条件的例子验证 A²A 和 |AE|2^r。np.linalg.qr得到正交阵D是对角特征值矩阵。考场上不需要构造例子但用具体小矩阵验算结论是检查证明有没有漏洞的好习惯。注意第三问的严格大于 1 依赖 r≥1若 r0 则 A0、|AE|1题目条件 rank(A)rn 未排除 r0答题时补一句“当 r≥1 时”严谨性分就拿到了。6. 考场答题节奏八道大题怎么分配时间与踩分八大题 100 分12 分题五道、14 分题三道时间通常 120 分钟。我的建议是证明题先写定义式再写推导计算题先写公式再代数每题开头留一行写“解”和关键依据阅卷人找点给分靠的就是这一行。具体节奏可以按这个表走题号分值建议用时先写什么必查点一1215 分钟线性无关的方程组过渡矩阵方向二1210 分钟范数公式行和列别反三1215 分钟基向量代入核与值域空间别混四1420 分钟特征矩阵因子链顺序五1215 分钟Hermite 定义共轭转置六1212 分钟行最简形FG 回代验证七1215 分钟A^H AAA^H投影矩阵求和为 I八1418 分钟最小多项式r0 的边界这张表不是死规定但有一条铁律任何一题卡住超过 5 分钟先把能写的定义和公式写上再跳回头补。矩阵分析的过程分很重空着就是零写对定义至少拿一半。最后说一个我自己的习惯。早年做这类卷子我总在过渡矩阵和 Jordan 块数上翻车后来每次动笔前强制走一遍“定义式—方向—验算”三步过渡矩阵先写 (α)(β)C 确认方向Jordan 标准型先算几何重数确认块数满秩分解最后用 FG 回代。这三步花不了两分钟但能把最容易丢的分兜住。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源是重庆邮电大学研究生《矩阵分析》期末考卷的PDF面向备考该课程的高校学生与需要系统梳理矩阵理论的学习者可用于考前自测、对照复习与查漏补缺。试卷共八大题、满分100分覆盖线性空间基与过渡矩阵、矩阵1范数与无穷范数、线性变换的矩阵表示及核与值域、行列因子与不变因子及Jordan标准型、正定Hermite矩阵与内积验证、满秩分解、正规矩阵的谱分解以及幂等矩阵Jordan块阶数与Hermite矩阵相关性质证明等核心考点题目与解答思路结合紧密便于逐题理解方法。资源包仅含1个PDF文件约170KB篇幅精简、便于打印与随身查阅。目前已有275人学习下载适合作为期末冲刺阶段的成套练习与知识点索引。1. 从一道 12 分大题看这场考试到底在筛什么矩阵分析期末卷子发下来很多人第一眼盯的是计算量真正拉开差距的却是第一道 12 分题给你四个 2×2 矩阵先证它们是 R^(2×2) 的基再求一组标准基到它们的过渡矩阵。这道题不考你算得多快考的是你知不知道“基”这件事在考场上的标准答法——线性无关要落到行列式或秩上过渡矩阵要落到“用谁表示谁”的方向上。方向反了后面全错这就是矩阵分析最典型的翻车点。这份卷子满分 100 分、八大题覆盖线性空间与基、矩阵范数、线性变换的矩阵表示与核值域、行列因子与 Jordan 标准型、正定 Hermite 矩阵与内积、满秩分解、正规矩阵与谱分解、幂等矩阵的结构定理。它筛的不是背公式的人而是能把“定义—判定—构造”三步走通的人。适合已经学过一遍、正在刷期末真题、想把答题步骤固定下来的备考者。下面按考点模块拆每块都给可照着写的答题思路。2. 线性空间与矩阵范数基、过渡矩阵、1 范数与无穷范数怎么拿满2.1 证明一组矩阵是基别只写“线性无关”第一题给 α₁ 到 α₄ 四个 2×2 矩阵要求证明它们是 R^(2×2) 的基。R^(2×2) 是 4 维的所以四个向量构成基的充要条件就是线性无关。考场上最稳的写法是把四个矩阵按某种顺序拉成列向量拼成一个 4×4 矩阵算它的行列式或秩。以题中数据为例把每个 2×2 矩阵按行展开成 4 维列向量import numpy as np # 把 2x2 矩阵按行拉直成 4 维列向量 a1 np.array([[0, 1], [1, 1]]).reshape(-1, 1) a2 np.array([[1, 1], [0, 1]]).reshape(-1, 1) a3 np.array([[1, 1], [1, 0]]).reshape(-1, 1) a4 np.array([[1, 0], [1, 1]]).reshape(-1, 1) M np.hstack([a1, a2, a3, a4]) # 4x4 矩阵列是拉直后的向量 print(M) print(det , np.linalg.det(M)) # 非零即线性无关 print(rank , np.linalg.matrix_rank(M))这段代码的作用是把“矩阵是不是基”翻译成“4×4 矩阵行列式是否非零”。reshape(-1, 1)把 2×2 按行优先拉成 4×1hstack按列拼接。考场上不必真算行列式的具体值算出非零、或说明秩为 4 即可。注意拉直顺序必须前后一致四个矩阵都按行拉或都按列拉混用会导致拼出的矩阵行列式无意义。答题时先写“设 k₁α₁k₂α₂k₃α₃k₄α₄0”再写“对应齐次线性方程组的系数矩阵行列式为……≠0故只有零解四者线性无关”最后一句“R^(2×2) 是 4 维空间四个线性无关向量构成基”。这三句是阅卷人找的采分点缺一句就扣分。2.2 过渡矩阵方向搞反是最常见的血泪经验第二问求 β₁ 到 β₄ 到 α₁ 到 α₄ 的过渡矩阵。β 是标准基 E₁₁、E₁₂、E₂₁、E₂₂。过渡矩阵 C 满足 (α₁,…,α₄)(β₁,…,β₄)C也就是说 C 的第 j 列是 αⱼ 在 β 下的坐标。因为 β 是标准基αⱼ 在 β 下的坐标就是 αⱼ 拉直后的列向量。所以过渡矩阵就是把 2.1 里那个 4×4 矩阵 M 直接拿来用。这里的方向问题是全场最高频的失分点。题目说“β 到 α 的过渡矩阵”按定义就是上面这个 C如果写成 α 到 β那就是 C⁻¹。考场上先写清楚定义式再动笔别凭感觉。用代码验证一下# 过渡矩阵 C 满足 (alpha) (beta) Cbeta 是标准基 C M print(过渡矩阵 C ) print(C) # 验证C 的每一列就是对应 alpha 在标准基下的坐标M的每一列恰好是 αⱼ 的拉直坐标所以 CM。如果题目反过来问 α 到 β答案就是np.linalg.inv(M)。写答案时把“因为 β 是标准基故 αⱼ 在 β 下的坐标即其拉直向量”这句话写上比闷头算更能让阅卷人确认你懂方向。2.3 矩阵范数1 范数看列、无穷范数看行第二题给一个 3×3 复矩阵 A算 ‖A‖₁ 和 ‖A‖∞再给 x(1,1,1)ᵀ 算 ‖Ax‖₁ 和 ‖Ax‖∞。这类题是送分的但每年都有人把行和列记反。规则只有两条‖A‖₁ 是“列绝对值之和的最大值”‖A‖∞ 是“行绝对值之和的最大值”。注意是绝对值之和不是最大元素。题中 A 含虚数单位 i取绝对值时是模长|2i|2|5i|5别把 i 漏掉。import numpy as np A np.array([[0, 2j, 5j], [0, 2j, -1]], dtypecomplex) # 注意按题面 A 是 2x3 还是 3x3 以卷面为准这里演示算法 norm1 np.max(np.sum(np.abs(A), axis0)) # 列和最大 norm_inf np.max(np.sum(np.abs(A), axis1)) # 行和最大 print(norm1, norm_inf) x np.array([[1], [1], [1]], dtypecomplex) Ax A x print(np.sum(np.abs(Ax))) # ||Ax||_1 print(np.max(np.abs(Ax))) # ||Ax||_infaxis0沿行方向压缩得到每列的和axis1得到每行的和这是 NumPy 里最容易记混的参数考场上手算时对应“竖着加是列和、横着加是行和”。向量范数部分‖Ax‖₁ 是各分量模长之和‖Ax‖∞ 是各分量模长的最大值和矩阵范数的“和的最大值”不是一回事别套错。提示矩阵范数题先写公式再代数公式写对就有过程分虚数元素取模别直接丢掉 i 只留系数。3. 线性变换与 Jordan 标准型矩阵表示、核与值域、行列因子一条线3.1 线性变换的矩阵表示把基向量代进去第三题给 ([x,y,z]ᵀ)[xy−z, yz, x2y]ᵀ求它在自然基下的矩阵。方法固定把 ε₁、ε₂、ε₃ 分别代入变换得到的像按列排就是矩阵。ε₁(1,0,0)ᵀ 代入得 (1,0,1)ᵀε₂(0,1,0)ᵀ 得 (1,1,2)ᵀε₃(0,0,1)ᵀ 得 (−1,1,0)ᵀ。按列拼起来就是import numpy as np # 自然基下的像按列排列 A np.array([[1, 1, -1], [0, 1, 1], [1, 2, 0]]) print(A)这个矩阵的每一列是基向量的像不是把变换公式的系数直接抄成行。很多人把 [xy−z, yz, x2y] 的系数按行写成矩阵结果转置了。判断方法用 A 乘 (1,0,0)ᵀ 应得 (1,0,1)ᵀ乘一下就能自检。3.2 核与值域解齐次方程 找列空间求核就是解 Ax0求值域就是求 A 的列空间。对上面这个 A做行变换from sympy import Matrix A Matrix([[1, 1, -1], [0, 1, 1], [1, 2, 0]]) print(秩:, A.rank()) print(零空间:, A.nullspace()) print(列空间基:, A.columnspace())nullspace()给出核的基columnspace()给出值域的基。手算时核用回代法值域取 A 的极大线性无关列。答题格式核写成“span{……}”值域写成“span{……}”并注明维数。核的维数 值域的维数 3这个维数定理可以用来验算算完对一下不对就回头查。注意核是定义域里的向量集合值域是陪域里的向量集合写答案时别把两者混在一个空间里。3.3 行列因子、不变因子、初等因子与 Jordan 标准型第四题给一个 4×4 矩阵要求行列因子、不变因子、初等因子和 Jordan 标准型。这条链的顺序是先算特征矩阵 λI−A再求各阶行列式因子 Dₖ(λ)不变因子 dₖDₖ/Dₖ₋₁初等因子是把不变因子分解成素幂Jordan 块由初等因子直接读出。题中 A 是分块形式左上 2×2 为 [[2,1],[0,−1]]按卷面数据右下是 2 和 2 的重复。特征值能直接看出来2、−1、2、2。Jordan 标准型的块数由几何重数决定特征值 2 的代数重数是 3几何重数要看 rank(2I−A)。from sympy import Matrix, symbols, factor lam symbols(lambda) A Matrix([[2, 1, 0, 0], [-1, 0, 2, 0], [0, 0, 2, 0], [0, 0, 0, 2]]) M lam * Matrix.eye(4) - A print(特征矩阵行列式:, factor(M.det())) # 各阶行列式因子取所有 k 阶子式的首一最大公因式factor(M.det())给出特征多项式特征值一目了然。行列因子是“所有 k 阶子式的首一最大公因式”手算时从低阶往高阶求不变因子由相邻行列因子相除得到。Jordan 标准型答题时先写不变因子再写初等因子最后写“故 Jordan 标准型为 Jdiag(J₁,J₂,…)”每一步都是独立采分点别跳步直接写结果。4. 正定 Hermite、内积与满秩分解证明题的固定套路4.1 正定 Hermite 矩阵顺序主子式是提示不是全部第五题给一个复矩阵 A第一问证明它是正定 Hermite 矩阵卷面还专门提示“顺序主子式”。正定 Hermite 要证两件事A^HAHermite以及所有顺序主子式为正正定。复矩阵的共轭转置别写成普通转置这是最常见的错。答题模板先写 A^H逐元素对照说明等于 A再算一阶、二阶、三阶顺序主子式全部大于 0最后一句“由 Hermite 矩阵正定的充要条件知 A 正定”。顺序主子式要算到底只写“显然为正”不给分。4.2 验证内积四条公理逐条对第二问定义 (X,Y)Y^H A X验证它是 C³ 上的内积。内积要验四条共轭对称性、对第一变元的线性、正定性、非负性(X,X)≥0 且等号仅当 X0。因为 A 已证正定 Hermite正定性和非负性直接由 A 的正定性推出重点写共轭对称性和线性。共轭对称性(Y,X)X^H A Y取共轭得 (Y,X)‾Y^H A^H XY^H A X(X,Y)这里用到 A^HA。线性对第一变元((aX₁bX₂),Y)Y^H A(aX₁bX₂)a(Y^H A X₁)b(Y^H A X₂)。每条公理写一行定义式再代入比大段文字描述更稳。提示内积验证题里正定性往往“借用”前一问的结论写一句“由(1)知 A 正定故 (X,X)X^H A X0X≠0”即可不必重算。4.3 满秩分解行变换找行满秩列选取找列满秩第六题求一个 4×5 矩阵的满秩分解 AFGF 列满秩、G 行满秩。标准做法对 A 做初等行变换化行最简形主元所在列对应的 A 的原列构成 F行最简形的非零行构成 G。from sympy import Matrix A Matrix([[1, -1, 3, -4, 3], [3, -3, 5, -4, 1], [2, -2, 3, -2, 0], [3, -3, 4, -2, -1]]) rref, pivots A.rref() print(行最简形:) print(rref) print(主元列:, pivots) F A[:, list(pivots)] # 取原矩阵的主元列 G rref[:A.rank(), :] # 取行最简形的非零行 print(F, F) print(G, G) print(验证 FG, F * G)rref()返回行最简形和主元列下标A[:, pivots]取原矩阵对应列作为 Frref的前 rank 行作为 G。最后一定用F*G回代验证等于 A这一步在考场上就是检查别省。满秩分解不唯一但 F 取主元列、G 取行最简形非零行是最标准的答法阅卷按这个对。5. 正规矩阵、谱分解与幂等矩阵压轴题的证明结构5.1 正规矩阵验证 A^H AAA^H第七题给一个 3×3 复矩阵先证正规再求谱分解。正规的定义就是 A^H AAA^H直接算两个乘积对照即可。算的时候注意共轭i 的共轭是 −i别只改符号不改虚部。谱分解的形式是 Aλ₁P₁λ₂P₂…其中 Pᵢ 是到特征子空间的投影矩阵满足 PᵢPⱼ0i≠j、Pᵢ²Pᵢ、ΣPᵢI。求法是先求特征值和特征向量再把每个特征子空间的正交基做成投影矩阵 PᵢUᵢUᵢ^H。import numpy as np A np.array([[0, -2j, 2], [2j, 0, 0], [0, 0, 0]], dtypecomplex) print(A^H A A A^H:, np.allclose(A.conj().T A, A A.conj().T)) vals, vecs np.linalg.eigh(A) # Hermite 矩阵用 eigh print(特征值:, vals)np.allclose判断两个矩阵是否相等浮点误差下比可靠。eigh专门用于 Hermite 矩阵返回实特征值和正交特征向量。谱分解答题时把投影矩阵显式写出来并验证 P₁P₂…I这个验证是加分点。5.2 幂等矩阵的结构定理从 A²A 推出 Jordan 块阶为 1第八题是压轴条件只有 A²A、rank(A)rn。第一问证所有 Jordan 块阶为 1、特征值只能是 0 和 1。思路A²A 说明 A 是幂等矩阵最小多项式整除 λ²−λλ(λ−1)最小多项式无重根故可对角化Jordan 块全为 1 阶特征值代入 λ²λ 得 λ0 或 1。第二问在 A 是 Hermite 的条件下证存在酉矩阵 U 使 U^H A Udiag(Eᵣ,0)。因为 Hermite 可酉对角化特征值只有 0、1rank 为 r 说明有 r 个特征值 1重排特征向量即可。第三问证 |AE|1A 的特征值 λᵢ∈{0,1}AE 的特征值是 λᵢ1行列式等于特征值之积其中有 r 个 2、n−r 个 1故 |AE|2^r1r≥1。import numpy as np # 构造一个幂等 Hermite 矩阵验证结论 r 2 n 4 U, _ np.linalg.qr(np.random.randn(n, n)) # 随机正交阵 D np.diag([1]*r [0]*(n-r)) A U D U.T print(A^2A:, np.allclose(A A, A)) print(|AE| , np.linalg.det(A np.eye(n)), 2^r , 2**r)这段代码用随机正交阵构造一个满足条件的例子验证 A²A 和 |AE|2^r。np.linalg.qr得到正交阵D是对角特征值矩阵。考场上不需要构造例子但用具体小矩阵验算结论是检查证明有没有漏洞的好习惯。注意第三问的严格大于 1 依赖 r≥1若 r0 则 A0、|AE|1题目条件 rank(A)rn 未排除 r0答题时补一句“当 r≥1 时”严谨性分就拿到了。6. 考场答题节奏八道大题怎么分配时间与踩分八大题 100 分12 分题五道、14 分题三道时间通常 120 分钟。我的建议是证明题先写定义式再写推导计算题先写公式再代数每题开头留一行写“解”和关键依据阅卷人找点给分靠的就是这一行。具体节奏可以按这个表走题号分值建议用时先写什么必查点一1215 分钟线性无关的方程组过渡矩阵方向二1210 分钟范数公式行和列别反三1215 分钟基向量代入核与值域空间别混四1420 分钟特征矩阵因子链顺序五1215 分钟Hermite 定义共轭转置六1212 分钟行最简形FG 回代验证七1215 分钟A^H AAA^H投影矩阵求和为 I八1418 分钟最小多项式r0 的边界这张表不是死规定但有一条铁律任何一题卡住超过 5 分钟先把能写的定义和公式写上再跳回头补。矩阵分析的过程分很重空着就是零写对定义至少拿一半。最后说一个我自己的习惯。早年做这类卷子我总在过渡矩阵和 Jordan 块数上翻车后来每次动笔前强制走一遍“定义式—方向—验算”三步过渡矩阵先写 (α)(β)C 确认方向Jordan 标准型先算几何重数确认块数满秩分解最后用 FG 回代。这三步花不了两分钟但能把最容易丢的分兜住。希望帮到你。本文还有配套的精品资源点击获取
