---

📌 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 $|A-\lambda E|=0$ 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：

$$A_{11}+A_{22}+A_{33}=\sum _{i=1}^3{A}_{ii}=\text{tr}(A^{\ast })$$

• 原理剖析：
  伴随矩阵 $A^{\ast }$ 的转置结构为：

$$A^{\ast }=\left(\begin{array}{ccc}{A}_{11}& A_{21}& A_{31}\\ A_{12}& A_{22}& A_{32}\\ A_{13}& A_{23}& A_{33}\end{array}\right)$$

其主对角线元素正是原矩阵 $A$ 各元素的代数余子式 $A_{ii}$。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）：

• $\text{tr}(A)=\sum {\lambda }_i$（原矩阵的迹等于特征值之和）。
• 当 $A$ 可逆时，$A^{\ast }=|A|A^{-1}$，因此 $\text{tr}(A^{\ast })=|A|\cdot \text{tr}(A^{-1})=|A|\sum \frac{1}{{\lambda }_i}$。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 ($A^n$)
• 等价矩阵

2. 核心公式与方法论

• 逆矩阵的基本定义与求法：

$$A{A}^{-1}=E$$

$$A{A}^{\ast }=|A|E⟹A^{-1}=\frac{A^{\ast }}{|A|}$$

• 矩阵等价的充要条件：

$$A\sim B⟺r(A)=r(B)$$

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 $A^n$ 的通用求解法：

1. 低秩情况：若 $r(A)=1$，通常可分解为 $A=\alpha {\beta }^T$，则 $A^n=({\beta }^T\alpha {)}^{n-1}A$。
2. 可对角化情况：若 $A=P\Lambda P^{-1}$，则 $A^n=P{\Lambda }^n{P}^{-1}$。
3. 拆分法：若 $A=E+B$ 且 $B^2=0$ 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

$$r(A)=n⟺|A|\ne 0⟺\text{向量组线性无关 (可唯一线性表示)}$$

• 体系 2：线性相关与非唯一表示

$$r(A)<n⟺|A|=0⟺\text{向量组线性相关 (不可唯一线性表示/有无数种表示)}$$

💡 必要补充（考点延展）：

• 若向量组个数 $m>$ 维数 $n$，则该向量组必线性相关。
• 部分相关 $⟹$ 整体相关；整体无关 $⟹$ 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 ($Ax=0$)：
• 基础解系中含有的无关向量个数为：$n-r(A)$。
• 通解结构：

$$X=k_1{\alpha }_1+k_2{\alpha }_2+\cdots +k_{n-r}{\alpha }_{n-r}$$

• 非齐次线性方程组 ($Ax=b$)：
• 通解结构：

$$X=\eta +k_1{\alpha }_1+k_2{\alpha }_2$$

（其中 $\eta$ 为非齐次特解，$k_1{\alpha }_1+k_2{\alpha }_2$ 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：

$$k_1{\alpha }_1+k_2{\alpha }_2=l_1{\xi }_1+l_2{\xi }_2$$

通过移项移至同一侧，转化为联立齐次方程组：

$$k_1{\alpha }_1+k_2{\alpha }_2-l_1{\xi }_1-l_2{\xi }_2=0$$

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

1. 求解特征值：通过特征方程 $|A-\lambda E|=0$ 解出特征值 ${\lambda }_1,{\lambda }_2,{\lambda }_3$。
2. 求解特征向量个数：对于对应的特征值 ${\lambda }_i$，其独立特征向量的个数为 $n-r({\lambda }_{i}E-A)$。

2. 相似与相似对角化

• 矩阵相似 ($\sim$) 的性质：

$$A\sim B⟹\text{特征值相同}$$

• 相似对角化核心公式：

$$P^{-1}AP=\Lambda ⟹A=P\Lambda P^{-1}$$

3. 实对称矩阵的至高特权（高频大题常客 ⭐）

• 核心结论：

$$\text{A 为实对称矩阵}⟹\text{属于不同特征值的特征向量 }{\alpha }_1,{\alpha }_2,{\alpha }_3\text{ 两两正交}$$

---

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 $p=n$。
• 合同（$\simeq$）的本质：

$$A\simeq B⟺\text{具有相同的正、负惯性指数}$$

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：

1. 行列式 $|A|\ne 0$ $⟹$ 矩阵 $A$ 可逆 $⟹$ 向量组 $A$ 满秩线性无关 $⟹$ 方程组 $Ax=0$ 仅有零解 $⟹$ 特征值全不为0。
2. 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。

---