线性代数期末复习：行列式、矩阵与特征值的高效自检方法

简介线性代数期末复习习题含答案解析是一份面向本专科学生及考研基础复习者的期末冲刺练习资料集中覆盖行列式计算、矩阵运算与逆矩阵、向量组极大线性无关组、实对称矩阵性质等核心要点。压缩包内仅含一个doc文档大小约三点二九兆字节按行列式、矩阵、向量组等专题编排每道题都配有较完整的求解步骤和关键评注方便逐题对照与查漏补缺。目前已有二百四十六人学习下载适合考前系统强化。题目中既有行列式展开与分块求值、伴随矩阵求逆、矩阵秩与可逆性判定也有实对称矩阵特征值非负性、反例构造与证明思路能帮助读者在复习中夯实理论基础提高计算熟练度和解题速度为期末应试和后续学习打下坚实基础。1. 线性代数期末复习把解析从剧透变成自检见过太多准备期末的同学拿着《线性代数期末复习习题含答案解析》一页页翻选择题对了打个勾大题看了解析觉得懂了合上卷子再写还是卡在同一处。问题不在题量在于把解析用成了剧透——只知道答案是某个选项不知道它怎么被一步步逼出来更不知道哪一步最容易写错。线性代数期末大题其实高度套路化行列式消元、矩阵求逆、方程组通解、特征值与对角化翻来覆去就这几类。真正拉开分数的是两个能力不看答案把完整步骤推完以及推完能利用性质快速回验。下面按题型拆解每类给出可执行做法、关键参数和常见错因草稿纸上能跑Python 里也能验。2. 行列式与矩阵习题先算对再谈理解2.1 四阶以上行列式消元到上三角别硬用拉普拉斯展开期末习题里三阶行列式用对角线法则即可四阶及以上如果直接拆成 4 个三阶展开乘法次数翻倍符号还最容易错。标准做法是把行列式化为上三角选主元用主元把下方元素消成 0再移到下一列继续。每类行变换对行列式的影响是固定的——交换两行变号某行乘常数 k 则整个行列式乘 k某行的 k 倍加到另一行则行列式不变。这个规则建议先抄在草稿纸边上消元过程中每做一次交换就记一个负号。import sympy as sp A sp.Matrix([ [2, 1, 0, 3], [1, -1, 2, 1], [3, 0, 1, 2], [0, 2, -1, 4], ]) # 符号计算给出精确行列式分数不会被转成浮点 print(A.det()) # 行最简形用于解方程组不是上三角不能直接乘对角线 B, pivots A.rref() print(B, pivots)参数说明A.det()走符号算法适合拿来当练习的标准答案核对。rref()返回行最简形和主元列索引行最简形要求每行首个非零元为 1 且该列其它元素为 0而上三角只要求主对角线以下全为 0两者形态不同——把行最简形的主对角线元素相乘当成行列式是解析里最典型的误用。手算消元时每轮主元若为 0要先交换下方某行并变号若消元出现分数先检查第二步是否漏乘了分母。四阶消元最常见的错误是消完第一列直接跳去处理第三列忘掉第二列主元的位置。另一个隐蔽问题行变换只允许整行操作不能因为某行看着顺眼就单独改一个元素。任何一步只动一个数字的操作基本都意味着这题要重算。2.2 求逆矩阵伴随矩阵与初等行变换怎么选习题答案解析里求逆通常给两种写法伴随矩阵法A⁻¹ A* / |A|以及初等行变换法(A | I) → (I | A⁻¹)。伴随矩阵法书写短、适合解析展示但四阶以上要算 16 个代数余子式考试时间上不划算。我一般建议三阶及以下用伴随矩阵顺手复习代数余子式的正负号规律四阶及以上一律初等行变换。行变换过程中增广矩阵的左右两半必须同步操作任何一步只变了左边没变右边最后结果必错。方法适用阶数主要风险回验手段伴随矩阵 A* /A3 阶及以下初等行变换 (A | I)4 阶及以上左右两半操作不同步对求出的结果再乘回 A手算求逆时每次行变换完成先快速看一眼增广矩阵右边有没有跟着变。很多同学算到一半左边已经消干净右边还停在两步前的状态这种错误在回验时会被放大——A 乘出来不是 I而是某个中间矩阵。2.3 手算完用 numpy 回验残差矩阵一眼看出错在哪import numpy as np A np.array([[2., 1., 0., 3.], [1., -1., 2., 1.], [3., 0., 1., 2.], [0., 2., -1., 4.]]) inv np.linalg.inv(A) residual A inv - np.eye(4) print(np.round(residual, 10)) # 越接近零矩阵越好逻辑说明residual里绝对值大于1e-8的元素就是错误位置。若只有个别元素在1e-16量级属正常浮点误差若整行都不对通常是手算行变换的某一对应错了不是 numpy 的问题。np.linalg.inv对病态矩阵会出现较大误差此时改用np.linalg.solve(A, np.eye(4))或把数据升到np.float128再不行就回 sympy 做符号求逆。注意手算求逆最常错在变换顺序。初等行变换只允许整行操作不允许列变换个别解析里出现列变换是为了化简特征向量别混用。3. 线性方程组与秩习题先判解型再写通解3.1 增广矩阵的秩决定一切期末复习题里方程组大题的得分点分布通常是解型判定占一部分通解书写占大头。解型判定的依据只有一个——比较系数矩阵 A 的秩 r(A) 和增广矩阵 (A | b) 的秩 r(A|b)。未知数个数为 n 时两者相等且等于 n唯一解两者相等但小于 n无穷多解不相等无解。这个结论建议当成口诀背考试时先在草稿纸上算两个秩再决定往下走哪条路直接闷头消元、消到一半才发现矛盾既浪费时间又容易丢分。import numpy as np A np.array([[1., 2., -1.], [2., 4., -2.], [1., 1., 1.]]) b np.array([1., 2., 3.]) Ab np.hstack([A, b.reshape(-1, 1)]) # 增广矩阵b 拼成最后一列 ra np.linalg.matrix_rank(A) rb np.linalg.matrix_rank(Ab) print(ra, rb, A.shape[1])参数说明reshape(-1, 1)把一维向量变成列向量np.hstack按列拼接成增广矩阵。matrix_rank默认用 SVD 判断数值秩阈值取tol S.max() * max(M.shape) * eps整数数据结果可信浮点稀疏矩阵建议显式传tol1e-10否则接近线性相关的行会被误判。上面这个例子里第 1 行和第 2 行成比例手算看到成比例行就能直接判断 r(A) ≤ 2不必把整个消元做完。3.2 通解的骨架一个特解加零空间判完解型后无穷多解时通解必须写成特解 齐次解的组合。具体做法对增广矩阵做行最简形把主元列对应的变量留下自由变量依次赋 (1,0,...)、(0,1,...)回代得到齐次的基础解系再把自由变量全赋 0回代得到特解。解析里通解写得很短但步骤拆分必须完整少一个基础解系向量就是整题失分。import sympy as sp A sp.Matrix([[1, 2, -1, 1], [2, 4, -2, 2], [1, 1, 1, 3]]) print(A.rref()) # (行最简形, 主元列索引) print(A[:, :-1].nullspace()) # 系数矩阵零空间即基础解系说明rref()返回的主元列索引决定哪些变量是主元变量。nullspace()返回齐次方程 Ax0 的基础解系——注意这里先用A[:, :-1]切掉最后一列因为 nullspace 只对系数矩阵有意义直接把整个增广矩阵丢进去基础解系里会出现一个由右端项引入的假向量。通解的书写顺序先写特解再写基础解系每个向量乘以任意常数后相加最后标注c₁, c₂ 为任意常数。3.3 线性表示类证明题本质还是秩期末习题里常有b 是否能由 A 的列向量组线性表示或两向量组是否等价的证明。这类题解析写得长核心只有一个b 能由列向量组线性表示当且仅当 r(A) r(A|b)。向量组等价则要求互相能线性表出等价于合并矩阵的秩等于两个矩阵各自的秩。做题时不要试图去解具体系数先列两个秩秩相等就是能表示不等就举反例。题目问法等价条件常见误写b 能否由列向量组表示r(A) r(Ab)两向量组等价r(A) r(AB) r(B)Ax0 有非零解r(A) n把 r(A) ≤ n 当无解这里最容易混的是非零解和无穷多解齐次方程组恒有零解非零解存在当且仅当 r(A) n非齐次方程组才需要讨论无解的情况。解析里出现显然无解时一定要能在旁边补出两个秩不等的具体数值这一步才是拿分点。4. 特征值与对角化习题重头戏怎么稳拿分4.1 特征多项式用迹与行列式卡住结果求特征值是期末中档大题的第一步。二阶矩阵det(λI - A) 0展开后是λ² - tr(A)λ det(A)三阶展开后是λ³ - tr(A)λ² (主对角线二阶主子式之和)λ - det(A)。这两个关系要会用写出特征多项式后先用迹和行列式核对系数能拦下一大半笔误。解析里如果直接给特征值你也应该能反推出特征多项式两条路互为检验。import sympy as sp A sp.Matrix([[4, 1, 0], [1, 3, 1], [0, 1, 2]]) lam sp.symbols(lam) print(A.charpoly(lam).as_expr()) # 展开后的特征多项式 print(A.trace(), A.det()) # 与多项式系数交叉验证 print(A.eigenvects()) # (特征值, 代数重数, 特征向量列表)参数说明charpoly(lam)返回多项式对象as_expr()展开成常见形式eigenvects()返回三元组依次是特征值、代数重数、该特征值下的特征向量列表。手算时如果特征多项式常数项和det(A)对不上优先检查(λI - A)里 λ 的对角线位置是否写反。很多人习惯写det(A - λI)根相同但多项式带负号容易在常数项符号上栽跟头建议统一用det(λI - A)每一步都对得上。4.2 重根能不能对角化看几何重数特征值有重根时可对角化的充要条件是每个特征值的几何重数等于代数重数而几何重数 n - rank(A - λI)。这是解析里最常被一笔带过的判定很多复习题答案直接写可对角化不给理由但考试时判定步骤是要占分的。计算几何重数时把 λ 代入 A 后做秩的计算别只看感觉有几个自由变量——自由变量个数就是几何重数但必须先算出秩不要靠猜。import numpy as np A np.array([[4., 1., 0.], [1., 3., 1.], [0., 1., 2.]]) vals, vecs np.linalg.eig(A) for i in range(len(vals)): lam, v vals[i], vecs[:, i] residual A v - lam * v print(i, np.linalg.norm(residual)) # 残差范数说明np.linalg.eig返回的特征值按列与特征向量对应vecs[:, i]是第 i 个特征值对应的特征向量。残差范数||A v - λ v||应接近1e-10若某一列明显偏大先怀疑特征向量没归一化再怀疑特征值顺序对应错了。手算重根时如果某个特征值的几何重数小于代数重数直接判定不可对角化后续相似变换那一步就不用做了。注意几何重数只取决于 A - λI 的秩与特征向量的具体选择无关。两个不同的特征向量若落在同一特征子空间它们线性相关不能同时进入 P 矩阵。4.3 实对称矩阵正交对角化时 Q 的组装顺序期末大题里实对称矩阵的对角化要求 Q 是正交矩阵且Qᵀ A Q Λ。组装顺序是每个特征值的基础解系先做施密特正交化再单位化然后按特征值顺序并排成 Q。特征向量列的顺序必须和 Λ 的对角元顺序严格对应顺序错位整个等式就崩。解析里经常只给最后结果不给中间重排过程这一步恰恰是最容易失分的地方。检查对象方法典型错误Q 是否正交Qᵀ Q 是否等于 I只单位化没正交化顺序是否一致Qᵀ A Q 的对角元与特征值列序比对特征值排序后忘掉对特征向量重排特征向量是否正确逐列算 A v - λ v把特征向量的非零倍数当成已单位化常见做法是先用np.linalg.eigh直接拿对称矩阵的正交对角化结果它保证特征值升序、特征向量正交再用Q.T A Q回代检查。手算则建议先算出特征值并排序再按同一顺序求特征向量最后统一做施密特正交化——先正交化再排序顺序容易记乱回代时怎么都对不上。5. 解析答案的快速回验五个动作加一个技巧5.1 五个不用重算的回验动作拿到解析答案后先别急着往下看用下面五个动作验证每个十秒内能完成代入法解代回原方程看等号是否成立、秩判定检查无解/无穷解的结论与秩是否一致、特征值核对特征值之和等于迹之积等于行列式、逆矩阵回乘A A⁻¹ 是否等于 I、正交性检查Qᵀ Q 是否为 I。动作适用对象判定标准代入原方程线性方程组的特解左右两边数值相等迹、行列式核对特征多项式Σλ tr(A)Πλ det(A)残差范数特征对 (λ, v)||A v - λ v|| 1e-8回乘逆矩阵A A⁻¹ - I 接近零矩阵正交回代正交对角化Qᵀ A Q - diag(λ) 接近零矩阵这套动作的价值在于解析只告诉你结果是什么而回验动作告诉你这个结果为什么可信。任何一步对不上都说明你刚才手算的某个矩阵元素写错了而不是答案印错了。5.2 一个具体技巧用残差向量的非零位置定位错行如果特征对残差偏大用一段短代码定位是哪一步错的import numpy as np A np.array([[4., 1., 0.], [1., 3., 1.], [0., 1., 2.]]) vals, vecs np.linalg.eig(A) for i, (lam, v) in enumerate(zip(vals, vecs.T)): r A v - lam * v print(i, np.round(r, 10)) # 非零分量指示错误所在行逻辑说明vecs.T把特征向量从列转成行便于逐条取用。若r里只有第 j 个分量非零说明错误集中在 A 的第 j 行——通常是手算时该行的矩阵元素代入写错而不是特征向量本身错若所有分量都是1e-8量级是浮点误差可以直接忽略。这个方法同样适用于方程组把求得的特解代回Ax - b非零分量指向出错的方程编号顺着那一行检查消元过程即可。最后补一遍易错对照det(A)核对的是特征值之积tr(A)核对的是特征值之和这两条必须同时满足才能初步信任只满足一条时不要急着改答案先重新展开特征多项式检查三次项和常数项的符号。本文还有配套的精品资源点击获取