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 4×1，hstack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 k₁α₁+k₂α₂+k₃α₃+k₄α₄=0”，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) C，beta 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 C=M。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]], dtype=complex) # 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), axis=0)) # 列和最大 norm_inf = np.max(np.sum(np.abs(A), axis=1)) # 行和最大 print(norm1, norm_inf) x = np.array([[1], [1], [1]], dtype=complex) Ax = A @ x print(np.sum(np.abs(Ax))) # ||Ax||_1 print(np.max(np.abs(Ax))) # ||Ax||_infaxis=0沿行方向压缩得到每列的和，axis=1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 𝒜([x,y,z]ᵀ)=[x+y−z, y+z, x+2y]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)ᵀ；ε₂=(0,1,0)ᵀ 得 (1,1,2)ᵀ；ε₃=(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 [x+y−z, y+z, x+2y] 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 Ax=0，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 dₖ=Dₖ/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 J=diag(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^H=A（Hermite），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 X=0）。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 X=Y^H A X=(X,Y)，这里用到 A^H=A。线性：对第一变元，((aX₁+bX₂),Y)=Y^H A(aX₁+bX₂)=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 X>0（X≠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 A=FG，F 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 F，rref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 A=AA^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 A=AA^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 A=λ₁P₁+λ₂P₂+…，其中 Pᵢ 是到特征子空间的投影矩阵，满足 PᵢPⱼ=0（i≠j）、Pᵢ²=Pᵢ、ΣPᵢ=I。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 Pᵢ=UᵢUᵢ^H。
import numpy as np A = np.array([[0, -2j, 2], [2j, 0, 0], [0, 0, 0]], dtype=complex) 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 P₁+P₂+…=I，这个验证是加分点。
5.2 幂等矩阵的结构定理：从 A²=A 推出 Jordan 块阶为 1
第八题是压轴，条件只有 A²=A、rank(A)=r<n。第一问证所有 Jordan 块阶为 1、特征值只能是 0 和 1。思路：A²=A 说明 A 是幂等矩阵，最小多项式整除 λ²−λ=λ(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 λ²=λ 得 λ=0 或 1。
第二问在 A 是 Hermite 的条件下证存在酉矩阵 U 使 U^H A U=diag(Eᵣ,0)。因为 Hermite 可酉对角化，特征值只有 0、1，rank 为 r 说明有 r 个特征值 1，重排特征向量即可。第三问证 |A+E|>1：A 的特征值 λᵢ∈{0,1}，A+E 的特征值是 λᵢ+1，行列式等于特征值之积，其中有 r 个 2、n−r 个 1，故 |A+E|=2^r>1（r≥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^2==A:", np.allclose(A @ A, A)) print("|A+E| =", 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 A²=A 和 |A+E|=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 r=0 则 A=0、|A+E|=1，题目条件 rank(A)=r<n 未排除 r=0，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 | 12 | 15 分钟 | 线性无关的方程组 | 过渡矩阵方向 |
| 二 | 12 | 10 分钟 | 范数公式 | 行和列别反 |
| 三 | 12 | 15 分钟 | 基向量代入 | 核与值域空间别混 |
| 四 | 14 | 20 分钟 | 特征矩阵 | 因子链顺序 |
| 五 | 12 | 15 分钟 | Hermite 定义 | 共轭转置 |
| 六 | 12 | 12 分钟 | 行最简形 | FG 回代验证 |
| 七 | 12 | 15 分钟 | A^H A=AA^H | 投影矩阵求和为 I |
| 八 | 14 | 18 分钟 | 最小多项式 | r=0 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
