考研线性代数手写笔记2：矩阵的运算、性质与核心应用

1. 矩阵的基础运算：从加减乘除到高阶操作

第一次接触矩阵运算时，我完全被那些排列整齐的数字方阵搞晕了。直到后来发现，矩阵其实就是把数字按照特定规则打包处理的高级计算器。考研中最常考的矩阵加法就像小学生算术的升级版——两个相同尺寸的矩阵对应位置数字相加，比如2×2矩阵A+B，就是把a₁₁+b₁₁放在新矩阵左上角，a₁₂+b₁₂放在右上角，以此类推。

但矩阵乘法才是真正的分水岭。记得我当初犯过的经典错误：把[1,2;3,4]和[5,6;7,8]直接对应位置相乘。实际上应该用行乘列法则——左边矩阵的行向量与右边矩阵的列向量做点积。这个操作有个反直觉的特性：AB≠BA是常态。我习惯用便利贴把乘法步骤拆解：黄色便利贴沿着左边矩阵的行移动，粉色便利贴沿着右边矩阵的列滑动，每次重叠部分就计算点积。

转置运算(AT)像是给矩阵照镜子，把第i行第j列元素搬到第j行第i列。有个实用记忆法：想象把矩阵像纸片一样沿着主对角线（从左上到右下的对角线）翻转。考研真题里常结合转置考察对称矩阵（A=AT）的性质，这类矩阵在二次型中特别重要。

2. 矩阵的逆与行列式：解开方程组的钥匙

求逆矩阵(A⁻¹)就像找矩阵的"倒数"，但只有方阵且行列式不为零时才存在。我总结的实用判断口诀："行列式为零不可逆，满秩矩阵才有戏"。考研中最常用的求逆方法是伴随矩阵法：先求所有元素的代数余子式，转置后得到伴随矩阵，再除以行列式|A|。

具体操作时，对于2×2矩阵[a,b;c,d]，逆矩阵公式直接记作(1/(ad-bc))[d,-b;-c,a]。这个特例在考试中能节省大量时间。记得某次模考我就用这个公式5秒解出了别人花10分钟计算的题目。

行列式|A|是方阵的专属特征值，计算n阶行列式可以用展开定理：任选一行(列)，每个元素乘对应的代数余子式后加减。对于3阶以上矩阵，我推荐先用初等行变换化简为上三角矩阵，然后对角线元素相乘就是行列式值。这个方法在2019年真题中直接解决了一道15分大题。

3. 矩阵的秩：线性关系的探测器

矩阵的秩(rank)揭示了其内在的线性独立程度。我最开始总把秩和行列式搞混，后来用楼梯比喻就明白了：把矩阵通过初等变换化成行阶梯形后，非零行的数量就是秩。考研中常用到的性质是：rank(A)≤min(m,n)，且rank(AB)≤min(rank(A),rank(B))。

判断向量组线性相关性时，我发明了个纸牌游戏法：把向量作为列排成矩阵，如果通过行变换能消去某列（相当于抽走这张牌而不影响游戏），这列就是冗余的。2018年真题有道题用这个方法30秒就能确定答案。

满秩矩阵在解方程组时有特殊意义。当系数矩阵是n×n方阵且秩为n时，方程组有唯一解。这个原理在2021年考研中结合特征值考了道综合题，很多考生因为没理清秩与解的关系而失分。

4. 特征值与特征向量：矩阵的"DNA"

特征值λ和特征向量v满足Av=λv，这组关系就像是矩阵的遗传密码。计算时先解特征方程|A-λI|=0，对于2×2矩阵，特征多项式直接记作λ²-tr(A)λ+|A|=0，其中tr(A)是矩阵迹（对角线元素和）。

考研真题中常需要估计特征值范围，我总结的圆盘定理很实用：每个特征值都落在以对角线元素aᵢᵢ为圆心，∑|aᵢⱼ|(j≠i)为半径的圆盘内。这个技巧在2020年选择题中快速排除了两个错误选项。

实对称矩阵的特征向量有正交性，这个性质在二次型标准化中至关重要。我备考时总在笔记本右侧专门留一栏记录各类矩阵的特征值特性，比如上三角矩阵的特征值就是对角线元素，这个规律帮我多次快速验证计算结果。

5. 矩阵在考研真题中的核心应用

线性方程组求解是矩阵运算的集大成者。将增广矩阵[A|b]通过初等行变换化为行最简形，考研中90%的方程组题都能这样解决。特别要注意的是：当rank(A)=rank([A|b])<n时，方程组有无穷多解，通解结构是特解加齐次解的组合。

在二次型标准化问题上，我开发了三步法：1)写出对称矩阵A；2)求特征值和正交矩阵P；3)作变换x=Py得到标准形。这个方法在近5年真题中适用率100%。记得用主轴定理判断二次曲面类型时，正负惯性指数就是标准形中正负系数的个数。

最近三年考研越来越注重矩阵分解的应用，特别是LU分解解方程组。我的考场技巧是：对系数矩阵A做高斯消元，记录行变换的逆矩阵就是L，得到的上三角矩阵就是U。这个分解在求解多个同系数不同右端的方程组时效率极高。