文章目录
-
- [📌 前言](#📌 前言)
- [一、 行列式 (Determinants)](#一、 行列式 (Determinants))
-
- [1. 核心考查方向](#1. 核心考查方向)
- [2. 伴随矩阵与迹的隐藏主线（红字重点 🚨）](#2. 伴随矩阵与迹的隐藏主线（红字重点 🚨）)
- [二、 矩阵 (Matrices)](#二、 矩阵 (Matrices))
-
- [1. 核心概念分类](#1. 核心概念分类)
- [2. 核心公式与方法论](#2. 核心公式与方法论)
- [三、 向量与向量组 (Vectors & Vector Groups)](#三、 向量与向量组 (Vectors & Vector Groups))
-
- [1. 线性相关与线性无关的判定定理](#1. 线性相关与线性无关的判定定理)
- [四、 线性方程组 (Linear Equations)](#四、 线性方程组 (Linear Equations))
-
- [1. 齐次与非齐次方程组的解集结构](#1. 齐次与非齐次方程组的解集结构)
- [2. 同解问题与公共解问题（硬核方法论 🛠️）](#2. 同解问题与公共解问题（硬核方法论 🛠️）)
- [五、 特征值与特征向量 (Eigenvalues & Eigenvectors)](#五、 特征值与特征向量 (Eigenvalues & Eigenvectors))
-
- [1. 核心解题步骤](#1. 核心解题步骤)
- [2. 相似与相似对角化](#2. 相似与相似对角化)
- [3. 实对称矩阵的至高特权（高频大题常客 ⭐）](#3. 实对称矩阵的至高特权（高频大题常客 ⭐）)
- [六、 二次型 (Quadratic Forms)](#六、 二次型 (Quadratic Forms))
-
- [1. 核心状态判定](#1. 核心状态判定)
- [💡 总结：复习黄金记忆链](#💡 总结：复习黄金记忆链)
📌 前言
本篇博文基于个人硬核复习笔记整理，旨在用最精炼的框架串联线性代数六大核心模块。博主进行了结构化的高质量排版与必要的考点补充，助力构建底层知识的"技术护城河"。
一、 行列式 (Determinants)
1. 核心考查方向
笔记中将行列式的功能归纳为三大主要工具路径：
- 求值：数值型/抽象型行列式的计算。
- 算秩：利用最高阶非零子式确定矩阵的秩。
- 特征值 ：通过特征方程 ∣ A − λ E ∣ = 0 |A - \lambda E| = 0 ∣A−λE∣=0 求解矩阵的特征值。
2. 伴随矩阵与迹的隐藏主线（红字重点 🚨）
笔记中用红字特别标注了伴随矩阵的对角线元素与迹（Trace）的关键对应关系：
- 核心公式：
A 11 + A 22 + A 33 = ∑ i = 1 3 A i i = tr ( A ∗ ) A_{11} + A_{22} + A_{33} = \sum_{i=1}^{3} A_{ii} = \text{tr}(A^*) A11+A22+A33=i=1∑3Aii=tr(A∗)
- 原理剖析 ：
伴随矩阵 A ∗ A^* A∗ 的转置结构为：
A ∗ = ( A 11 A 21 A 31 A 12 A 22 A 32 A 13 A 23 A 33 ) A^* = \begin{pmatrix} A_{11} & A_{21} & A_{31} \\ A_{12} & A_{22} & A_{32} \\ A_{13} & A_{23} & A_{33} \end{pmatrix} A∗= A11A12A13A21A22A23A31A32A33
其主对角线元素正是原矩阵 A A A 各元素的代数余子式 A i i A_{ii} Aii。因此，伴随矩阵的迹就是代数余子式之和。
💡 必要补充（考点延展）：
- tr ( A ) = ∑ λ i \text{tr}(A) = \sum \lambda_i tr(A)=∑λi（原矩阵的迹等于特征值之和）。
- 当 A A A 可逆时， A ∗ = ∣ A ∣ A − 1 A^* = |A|A^{-1} A∗=∣A∣A−1，因此 tr ( A ∗ ) = ∣ A ∣ ⋅ tr ( A − 1 ) = ∣ A ∣ ∑ 1 λ i \text{tr}(A^*) = |A| \cdot \text{tr}(A^{-1}) = |A| \sum \frac{1}{\lambda_i} tr(A∗)=∣A∣⋅tr(A−1)=∣A∣∑λi1。这一递进关系常出现在大题的第一问。
二、 矩阵 (Matrices)
1. 核心概念分类
笔记将矩阵理论分为三大高频计算方向：
- 逆矩阵
- 幂矩阵 ( A n A^n An)
- 等价矩阵
2. 核心公式与方法论
- 逆矩阵的基本定义与求法：
A A − 1 = E AA^{-1} = E AA−1=E
A A ∗ = ∣ A ∣ E ⟹ A − 1 = A ∗ ∣ A ∣ AA^* = |A|E \implies A^{-1} = \frac{A^*}{|A|} AA∗=∣A∣E⟹A−1=∣A∣A∗
- 矩阵等价的充要条件：
A ∼ B ⟺ r ( A ) = r ( B ) A \sim B \iff r(A) = r(B) A∼B⟺r(A)=r(B)
两同型矩阵等价的本质是它们的秩相等。
💡 必要补充（考点延展）：
- 矩阵幂 A n A^n An 的通用求解法：
- 低秩情况 ：若 r ( A ) = 1 r(A)=1 r(A)=1，通常可分解为 A = α β T A=\alpha\beta^T A=αβT，则 A n = ( β T α ) n − 1 A A^n = (\beta^T\alpha)^{n-1}A An=(βTα)n−1A。
- 可对角化情况 ：若 A = P Λ P − 1 A = P\Lambda P^{-1} A=PΛP−1，则 A n = P Λ n P − 1 A^n = P\Lambda^n P^{-1} An=PΛnP−1。
- 拆分法 ：若 A = E + B A = E + B A=E+B 且 B 2 = 0 B^2 = 0 B2=0 或易求，利用二项式定理展开。
三、 向量与向量组 (Vectors & Vector Groups)
1. 线性相关与线性无关的判定定理
笔记中给出了方阵情况下，秩、行列式与线性表示之间的完美等价链：
- 体系 1：线性无关与唯一表示
r ( A ) = n ⟺ ∣ A ∣ ≠ 0 ⟺ 向量组线性无关 (可唯一线性表示) r(A) = n \iff |A| \neq 0 \iff \text{向量组线性无关 (可唯一线性表示)} r(A)=n⟺∣A∣=0⟺向量组线性无关 (可唯一线性表示)
- 体系 2：线性相关与非唯一表示
r ( A ) < n ⟺ ∣ A ∣ = 0 ⟺ 向量组线性相关 (不可唯一线性表示/有无数种表示) r(A) < n \iff |A| = 0 \iff \text{向量组线性相关 (不可唯一线性表示/有无数种表示)} r(A)<n⟺∣A∣=0⟺向量组线性相关 (不可唯一线性表示/有无数种表示)
💡 必要补充（考点延展）：
- 若向量组个数 m > m > m> 维数 n n n，则该向量组必线性相关。
- 部分相关 ⟹ \implies ⟹ 整体相关；整体无关 ⟹ \implies ⟹ 部分无关（简称：小相关推大相关，大无关推小无关）。
四、 线性方程组 (Linear Equations)
1. 齐次与非齐次方程组的解集结构
- 齐次线性方程组 ( A x = 0 Ax=0 Ax=0)：
- 基础解系中含有的无关向量个数为： n − r ( A ) n - r(A) n−r(A)。
- 通解结构：
X = k 1 α 1 + k 2 α 2 + ⋯ + k n − r α n − r X = k_1\alpha_1 + k_2\alpha_2 + \dots + k_{n-r}\alpha_{n-r} X=k1α1+k2α2+⋯+kn−rαn−r
- 非齐次线性方程组 ( A x = b Ax=b Ax=b)：
- 通解结构：
X = η + k 1 α 1 + k 2 α 2 X = \eta + k_1\alpha_1 + k_2\alpha_2 X=η+k1α1+k2α2
（其中 η \eta η 为非齐次特解， k 1 α 1 + k 2 α 2 k_1\alpha_1 + k_2\alpha_2 k1α1+k2α2 为对应齐次通解）。
2. 同解问题与公共解问题（硬核方法论 🛠️）
笔记指出了处理两方程组联动的高级技巧：
- 解题模型 ：
当面对公共解或同解判定时，建立方程关系：
k 1 α 1 + k 2 α 2 = l 1 ξ 1 + l 2 ξ 2 k_1\alpha_1 + k_2\alpha_2 = l_1\xi_1 + l_2\xi_2 k1α1+k2α2=l1ξ1+l2ξ2
通过移项移至同一侧，转化为联立齐次方程组：
k 1 α 1 + k 2 α 2 − l 1 ξ 1 − l 2 ξ 2 = 0 k_1\alpha_1 + k_2\alpha_2 - l_1\xi_1 - l_2\xi_2 = 0 k1α1+k2α2−l1ξ1−l2ξ2=0
进而解出未知的线性组合系数。
五、 特征值与特征向量 (Eigenvalues & Eigenvectors)
1. 核心解题步骤
- 求解特征值 ：通过特征方程 ∣ A − λ E ∣ = 0 |A - \lambda E| = 0 ∣A−λE∣=0 解出特征值 λ 1 , λ 2 , λ 3 \lambda_1, \lambda_2, \lambda_3 λ1,λ2,λ3。
- 求解特征向量个数 ：对于对应的特征值 λ i \lambda_i λi，其独立特征向量的个数为 n − r ( λ i E − A ) n - r(\lambda_i E - A) n−r(λiE−A)。
2. 相似与相似对角化
- 矩阵相似 ( ∼ \sim ∼) 的性质：
A ∼ B ⟹ 特征值相同 A \sim B \implies \text{特征值相同} A∼B⟹特征值相同
- 相似对角化核心公式：
P − 1 A P = Λ ⟹ A = P Λ P − 1 P^{-1}AP = \Lambda \implies A = P\Lambda P^{-1} P−1AP=Λ⟹A=PΛP−1
3. 实对称矩阵的至高特权（高频大题常客 ⭐）
- 核心结论：
A 为实对称矩阵 ⟹ 属于不同特征值的特征向量 α 1 , α 2 , α 3 两两正交 \text{A 为实对称矩阵} \implies \text{属于不同特征值的特征向量 } \alpha_1, \alpha_2, \alpha_3 \text{ 两两正交} A 为实对称矩阵⟹属于不同特征值的特征向量 α1,α2,α3 两两正交
六、 二次型 (Quadratic Forms)
1. 核心状态判定
- 正定性 ：各阶顺序主子式全大于0，或正惯性指数 p = n p = n p=n。
- 合同（ ≃ \simeq ≃）的本质：
A ≃ B ⟺ 具有相同的正、负惯性指数 A \simeq B \iff \text{具有相同的正、负惯性指数} A≃B⟺具有相同的正、负惯性指数
同一实对称矩阵通过正交变换，其惯性指数（正负特征值的个数）保持不变。
💡 总结：复习黄金记忆链
线性代数各章绝非孤立，其内在核心由"秩（Rank）"作为链条死死串联：
- 行列式 ∣ A ∣ ≠ 0 |A| \neq 0 ∣A∣=0 ⟹ \implies ⟹ 矩阵 A A A 可逆 ⟹ \implies ⟹ 向量组 A A A 满秩线性无关 ⟹ \implies ⟹ 方程组 A x = 0 Ax=0 Ax=0 仅有零解 ⟹ \implies ⟹ 特征值全不为0。
- 实对称矩阵 是横跨"矩阵、特征值、二次型"的绝对核心，务必熟练掌握施密特正交化的规范步骤。