考研数学 · 线代易混对照
这张图讲什么
「考研数学 · 线代易混对照」是 SeekFlaw 编辑团队整理的思维导图,分 7 个一级分支:等价、相似、合同到底差在哪;秩、特征值、行列式、迹:别推过头;特征值与特征向量最爱混的地方;相似对角化:哪些命题不能反推;向量组、秩与方程组:几处似是而非;二次型与正定:判据里的陷阱;判别方法对照:同一个问题怎么选路,共 68 个节点、67 张记忆卡,含 6 张配图。
这张图只收线性代数里「容易混」的命题:先分清等价、相似、合同的对象、标准形和推出方向,再看秩、特征值、行列式、迹哪些能互推、哪些不能,接着是特征值与特征向量、相似对角化、向量组与方程组、二次型与正定里似是而非的说法,最后一枝按判别问题对照方法。每张卡聚焦一个易混点,几乎都配一个可以自己重算的小例子,有的是反例,有的是套方法的算例。
5 个要点
- 等价、相似、合同到底差在哪:三种关系的差别落在对象、变换式、保持的量和推出方向上。
- 秩、特征值、行列式、迹:别推过头——这四个量常被当成同一回事:非零特征值的个数(计重数)不超过秩;加法、乘法下,迹对加法拆得开,行列式对乘法拆得开,其余一般拆不开…
- 特征值与特征向量最爱混的地方:特征值是数、可以为 0,特征向量是非零向量;一个特征向量只属于一个特征值。
- 相似对角化:哪些命题不能反推——可对角化的判据与运算封闭性是选择题爱设的陷阱:充分不必要、逆命题、和与积。
- 向量组、秩与方程组:几处似是而非
适用:考研备考。用法:点开任一节点先自己答,再翻面核对。
配图:转置、相似、合同、等价四种变化下秩、行列式、迹等量是否不变的对照表;一般方阵与实对称矩阵里等价、相似、合同的推出关系图;判断两个矩阵是否合同、相似的排除流程图;非对称矩阵与实对称矩阵的特征向量夹角对比;平面上向量 α1、α2 在 x1 轴上共线,α3 在 x2 轴上;二次型 f 在两条直线之间取负值的平面分区图。
发布于
一句话:这张图把「考研数学 · 线代易混对照」整理成 68 个节点、67 张记忆卡;点开节点翻面就能看答案。
逐条对照线代里等价、相似、合同,秩、特征值、行列式、迹,可对角化与正定的易混点,几乎每张卡配可重算的小例子,适合做完习题后自查。点开任一节点翻面看答案,登录后可存进自己的空间,按遗忘曲线复习。
SeekFlaw 求瑕是面向初中、高中、考研、考公考前速记的思维导图与记忆卡平台:把课件、讲义变成思维导图,节点翻面就是记忆卡,按遗忘曲线安排复习。
68 个节点 · 67 张记忆卡。作者:SeekFlaw 编辑团队;发布于 2026-11-20。
先看这 3 条
- 不同型的矩阵能谈相似或合同吗:不能。
- $n$ 阶矩阵总有 $n$ 个特征值,为什么还不一定可对角化:「有 $n$ 个特征值」指特征方程在复数范围内有 $n$ 个根(计重数);可对角化要的是 $n$ 个 线性无关的特征向量 ,两者是两回事。
- 判断向量组线性无关:数字、含参、抽象各用什么:数字向量:排成矩阵,用 初等行变换 求秩,秩等于向量个数就无关; $n$ 个 $n$ 维向量(含参数):算 行列式 ,$\ne0$ 则无关; 抽象向量(只给线性关系):用 定义 …
等价、相似、合同到底差在哪
- 不同型的矩阵能谈相似或合同吗:不能。相似和合同都要求 $A$、$B$ 是 同阶方阵 ;等价只要求 $A$、$B$ 同型 (行数、列数分别相同)并且秩相等。 例 $A=\begin{pmatrix}1&0\\0&1\\0&0\end{pmatrix}$($3\times…
- 和 $E$ 等价、相似、合同,各说明 $A$ 是什么:设 $A$ 为 $n$ 阶实矩阵:与 $E$ 等价 $\Leftrightarrow$ $A$ 可逆 ;与 $E$ 相似 $\Leftrightarrow$ $A=E$;与 $E$ 合同 $\Leftrightarrow$ $A=C^TC…
- 三种关系的标准形各是什么:等价的标准形是 $\begin{pmatrix}E_r&O\\O&O\end{pmatrix}$,只由秩 $r$ 决定;合同(实对称)的标准形是规范形 $\operatorname{diag}(E_p,-E_q,O)$,由正、负惯性指数 …
- 对称矩阵怎样用初等变换化成合同的对角阵:只做行变换得到的是 等价 的矩阵,不再对称,也看不出惯性指数;每做一次行变换,就紧跟做 同类型的列变换 ($r_j-kr_i$ 配 $c_j-kc_i$),得到的才是合同矩阵。 步骤 左乘初等矩阵 $E$、再右乘 $E^T$,连起来是 $…
- 转置、相似、合同、等价之后,哪些量变哪些不变:设 $A$ 为 $n$ 阶实方阵,经过这四种变化, 秩都不变 ;其余的量各不相同: 转置 $A^T$:行列式、迹、特征值不变,特征向量一般要变,对称性不变; 相似 $P^{-1}AP$:行列式、迹、特征值不变,特征向量变成 $P^{-1}…
- 三种关系谁能推出谁,一般方阵与实对称矩阵有何不同:一般方阵里:相似 $\Rightarrow$ 等价,合同 $\Rightarrow$ 等价;相似与合同 互相推不出 。在实对称矩阵范围内多一条:相似 $\Rightarrow$ 合同,于是相似 $\Rightarrow$ 合同 $\Rig…
- 相似但不合同的例子怎么构造:取一个对称矩阵和一个与它相似的 不对称 矩阵:合同保持对称性,所以两者不合同。 例 $A=\begin{pmatrix}1&0\\0&2\end{pmatrix}$,$B=\begin{pmatrix}1&1\\0&2\end{pmatr…
- 合同但不相似的例子怎么构造:取正、负惯性指数相同、特征值数值不同的两个实对称矩阵:合同只看符号,相似要看 特征值的数值 。 例 $A=\operatorname{diag}(1,-1)$,$B=\operatorname{diag}(2,-3)$:都是一正一负,所以…
- 等价但既不相似也不合同的例子:取同型同秩,但特征值不同、而且一个对称一个不对称的两个矩阵。 例 $A=\begin{pmatrix}1&0\\0&0\end{pmatrix}$,$B=\begin{pmatrix}0&1\\0&0\end{pmatrix}$:秩都是 …
- 实对称矩阵为什么相似一定合同:两个实对称矩阵相似,则特征值完全相同,正、负特征值的个数也相同,即 ${p,q}$ 相同;而实对称矩阵合同的充要条件正是 ${p,q}$ 分别相同,所以 相似必合同 。 步骤 设 $Q_1^TAQ_1=\Lambda=Q_2^TBQ_2$…
- 判断两个矩阵是否合同或相似,先查哪些量:按「先粗后细」排除:先看秩,再看行列式的符号和大小,再看迹与特征值。 步骤 秩:$r(A)\ne r(B)$,三种关系都不成立。 判合同(实对称):$|A|$ 与 $|B|$ 异号 $\Rightarrow$ 不合同;同号再数正、负特征值…
- 特征值全相同的两个矩阵一定相似吗:不一定。特征值相同只是相似的 必要条件 ;若两个矩阵 都可对角化 且特征值相同(含重数),则一定相似,但这只是充分条件。 例 $A=\operatorname{diag}(1,1,2)$ 与 $B=\begin{pmatrix}1&1&0…
秩、特征值、行列式、迹:别推过头
- 矩阵的秩等于非零特征值的个数吗:不一定。 非零特征值个数不超过秩 $r(A)$(计重数);等号仅在 0 的代数重数等于几何重数时成立,比如 $A$ 可对角化(实对称矩阵一定可以)。 步骤 0 的几何重数是 $n-r(A)$,代数重数不小于它,所以非零特征值的个数 $=n…
- $r(A)=n-1$ 能说明 0 是单特征值吗:不能。$r(A)=n-1$ 只说明 0 的 几何重数为 1 ,代数重数可以更大;若 $A$ 可对角化(如实对称),则代数重数等于几何重数,此时 0 一定是单特征值;不可对角化时,0 是不是单特征值要另看特征多项式。 例 $A=\begin…
- 特征值全为 $\lambda$ 的矩阵一定是 $\lambda E$ 吗:不一定。设 $A$ 的特征值全为 $\lambda$,则 $A=\lambda E$ 当且仅当 $A$ 可对角化(例如实对称);$A$ 不可对角化时 $A\ne\lambda E$,此时 $A-\lambda E$ 的特征值全为 0,却不…
- $A^2=A$、$A^2=E$、$A^2=O$ 各说明什么:三个等式给出的信息不同: $A^2=A$:特征值只能是 0 或 1; 可对角化 ;$r(A)=\operatorname{tr}(A)$。 $A^2=E$:特征值只能是 1 或 $-1$; 可对角化 ;$A$ 可逆且 $A^{-1}=A$…
- $A$ 乘以数 $k$ 后行列式、秩、迹、特征值怎么变:设 $A$ 为 $n$ 阶矩阵:$|kA|=k^n|A|$;$r(kA)=r(A)$($k\ne0$);$\operatorname{tr}(kA)=k\operatorname{tr}(A)$;特征值变为 $k\lambda_i$。其中…
- $A+B$ 的行列式、迹、秩、特征值哪个能拆开:只有 迹能拆 :$\operatorname{tr}(A+B)=\operatorname{tr}A+\operatorname{tr}B$。行列式一般 $|A+B|\ne|A|+|B|$;秩只有不等式 $r(A+B)\le r(A)+r…
- $AB$ 的行列式、迹、特征值哪个能拆成乘积:只有 行列式 一定能拆($A$、$B$ 同阶方阵):$|AB|=|A||B|$。迹和特征值一般不能:$\operatorname{tr}(AB)$ 一般不等于 $\operatorname{tr}A\cdot\operatorname{t…
- 特征多项式的常数项是 $|A|$ 吗:不一定。在 $|\lambda E-A|$ 中令 $\lambda=0$,常数项是 $|-A|=(-1)^n|A|$,只有 $n$ 为偶数时才等于 $|A|$;$\lambda^{n-1}$ 的系数是 $-\operatorname{tr…
特征值与特征向量最爱混的地方
- 特征值和特征向量,哪个可以是 0:特征值可以是 0(此时 $A$ 不可逆); 特征向量不能是零向量 ,定义要求 $x\ne0$,否则任何 $\lambda$ 都满足 $A0=\lambda0$。 例 $A=\begin{pmatrix}1&1\\1&1\end{pmatr…
- 一个特征向量可以属于两个不同的特征值吗:不可以, 一个特征向量只属于一个特征值 ;反过来,一个特征值有无穷多个特征向量(特征子空间去掉零向量)。 步骤 若 $A\alpha=\lambda\alpha=\mu\alpha$,则 $(\lambda-\mu)\alpha=0$,因…
- $A^2$ 的特征向量一定是 $A$ 的特征向量吗:不一定。$A$ 的特征向量一定是 $A^2$ 的特征向量,反过来 不成立 。 例 $A=\begin{pmatrix}0&1\\1&0\end{pmatrix}$:$A^2=E$,任何非零向量都是 $A^2$ 的特征向量。取 $\alph…
- 实矩阵的特征值一定是实数吗:不一定。 实对称矩阵 的特征值一定是实数;一般的实矩阵,特征方程可以有复根,复根成对(共轭)出现。 例 $A=\begin{pmatrix}0&-1\\1&0\end{pmatrix}$:$|\lambda E-A|=\lambda^2+…
- 不同特征值的特征向量,线性无关和正交差在哪:对任意 $n$ 阶方阵,属于不同特征值的特征向量一定 线性无关 ,但不一定正交; 实对称矩阵 属于不同特征值的特征向量则一定两两正交。 例 $A=\begin{pmatrix}1&1\\0&2\end{pmatrix}$:属于 1 的特征…
- 无关特征向量的个数是 $n-r(A)$ 吗:不是。属于 $\lambda_0$ 的线性无关特征向量的个数是 $n-r(A-\lambda_0E)$(即 $(A-\lambda_0E)x=0$ 的基础解系个数);$n-r(A)$ 只对应 特征值为零 的情形。 例 $A=\begin{…
相似对角化:哪些命题不能反推
- $n$ 阶矩阵总有 $n$ 个特征值,为什么还不一定可对角化:「有 $n$ 个特征值」指特征方程在复数范围内有 $n$ 个根(计重数);可对角化要的是 $n$ 个 线性无关的特征向量 ,两者是两回事。特征值互异是可对角化的 充分不必要 条件(在复数域上成立;若要求在实数域上对角化,互异的特征值还须都…
- 能正交对角化的矩阵一定是什么矩阵:设 $A$ 为实方阵:存在正交矩阵 $Q$ 使 $Q^TAQ$ 为对角阵 $\Leftrightarrow$ $A$ 是 实对称矩阵 。所以可相似对角化的非对称矩阵,一定不能正交对角化。 步骤 ($\Rightarrow$)设 $A=Q\…
- 相似对角化的 $P$ 与正交对角化的 $Q$ 有什么不同:$P$ 的列是 $n$ 个线性无关的特征向量, 不必正交、不必单位化 ;$Q$ 的列是 $n$ 个 两两正交的单位 特征向量,只有实对称矩阵才能做到。 步骤 求 $Q$:每个特征值求基础解系 → 重特征值的基础解系 施密特正交化 → 全部…
- $A^k$($k\ge2$)可对角化,能推出 $A$ 可对角化吗:不能($k\ge2$ 为整数;$k=1$ 时就是 $A$ 本身)。$A$ 可对角化 $\Rightarrow$ $A^k$ 可对角化;反过来 不成立 。 步骤 正方向:$A=P\Lambda P^{-1}$,则 $A^k=P\Lambda…
- 两个可对角化矩阵的和、乘积一定可对角化吗:不一定。和与乘积都可能 破坏可对角化 。 例 和:$A=\begin{pmatrix}1&1\\0&0\end{pmatrix}$(特征值 1,0 互异)与 $B=\begin{pmatrix}-1&0\\0&0\end{pmatrix}…
- 由矩阵多项式 $f(A)=O$ 能判断 $A$ 可对角化吗:$f(A)=O$ 且 $f(x)$ 能分解成 互异 的一次因式(没有重根,且根都在所讨论的数域内)时,$A$ 一定可对角化(这是充分条件);$f$ 有重根时,推不出可对角化。 例 $A^2-3A+2E=O$,即 $(A-E)(A-2E)=…
- 可逆与可对角化有什么关系:二者 互不蕴含 。可逆只要求特征值都不为 0;可对角化要求有 $n$ 个线性无关的特征向量,两个条件各看各的。 例 $A=\begin{pmatrix}1&1\\0&1\end{pmatrix}$:$|A|=1\ne0$,可逆,但 $r(…
向量组、秩与方程组:几处似是而非
- 向量组线性相关,每个向量都能由其余的表示吗:不能。线性相关只说明 至少有一个 向量能由其余向量线性表示,不是每一个。 例 $\alpha_1=(1,0)^T$,$\alpha_2=(2,0)^T$,$\alpha_3=(0,1)^T$:$2\alpha_1-\alpha_2+0\a…
- 三个向量两两不成比例,一定线性无关吗:不一定。两两不成比例只排除了「某两个向量相关」,三个及以上的向量仍可能 整体 线性相关。 例 $\alpha_1=(1,0)^T$,$\alpha_2=(0,1)^T$,$\alpha_3=(1,1)^T$:两两不成比例,但 $\alph…
- 向量组的秩为 $r$,其中任取 $r$ 个向量都线性无关吗:不一定。秩为 $r$ 只说明 能找到 $r$ 个线性无关的向量(极大无关组),不是任意 $r$ 个。 例 $\alpha_1=(1,2)^T$,$\alpha_2=(2,4)^T$,$\alpha_3=(0,1)^T$:秩为 2。取 $\…
- 行向量组线性无关,列向量组也线性无关吗:不一定, 只有方阵 时两者才等价。设 $A$ 为 $m\times n$ 矩阵:行向量组无关 $\Leftrightarrow$ $r(A)=m$(行满秩);列向量组无关 $\Leftrightarrow$ $r(A)=n$(列满秩)。行…
- 两两正交的向量组一定线性无关吗:两两正交的 非零 向量组一定线性无关;含有零向量时不行,因为零向量与任何向量都正交。反过来,线性无关的向量组 不一定 两两正交。 例 $(1,0)^T$、$(1,1)^T$ 线性无关,但内积为 $1\ne0$,不正交;$(1,0)^T$、…
- 方程个数少于未知数个数,$Ax=0$ 与 $Ax=b$ 有什么区别:$A$ 为 $m\times n$ 且 $m\lt n$:$Ax=0$ 一定有非零解 ($r(A)\le m\lt n$);$Ax=b$ 不一定有解 ,有解时必有无穷多解。 例 $\begin{cases}x_1+x_2+x_3=0\\x…
- $A$ 为方阵且 $|A|=0$,$Ax=b$ 一定有无穷多解吗:不一定。$|A|=0$ 说明 $r(A)\lt n$,$Ax=b$ 要么无解,要么有无穷多解 ,取决于 $r(A)$ 与 $r(A,b)$ 是否相等。 例 $A=\begin{pmatrix}1&1\\1&1\end{pmatrix}$,…
- 解方程组 $Ax=b$ 时能用初等列变换吗:不能直接用。初等 行变换 不改变方程组的解;初等 列变换 相当于重新组合未知数,会 改变解 。(求秩时行、列变换可以随便用。) 例 方程 $x_1+2x_2=0$ 的解是 $(-2t,t)^T$。做列变换 $c_2-2c_1$ 后变成 $…
- 矩阵中非零行的个数就是它的秩吗:不一定。非零行数总是 不小于 秩; 行阶梯形 矩阵的非零行数一定等于秩,没化成阶梯形时,非零行之间可以线性相关,秩就会小于非零行数。 例 $A=\begin{pmatrix}1&2\\2&4\\3&6\end{pmatrix}$:三行都不…
二次型与正定:判据里的陷阱
- 二次型 $x^TAx$ 里 $A$ 不对称,怎么判正定:二次型只和 $A$ 的 对称部分 $\frac{A+A^T}{2}$ 有关,判正定要用对称化后的矩阵,不能直接用 $A$ 的特征值。 例 $A=\begin{pmatrix}1&3\\0&1\end{pmatrix}$:特征值 1,1 都…
- 对角元全为正、行列式为正,能推出正定吗:不能。设 $A$ 为实对称矩阵,对角元全为正、行列式为正都只是正定的 必要条件 ,两条同时成立也不够(三阶起有反例)。 例 $A=\begin{pmatrix}1&2&2\\2&1&2\\2&2&1\end{pmatrix}$:对角元全为…
- 顺序主子式都不小于 0,能推出半正定吗:不能。设 $A$ 为实对称矩阵,半正定要求 所有主子式 都 $\ge0$,不只是顺序主子式;只查顺序主子式会漏掉反例。 例 $A=\begin{pmatrix}0&0\\0&-1\end{pmatrix}$:顺序主子式是 0,0,都不小于…
- 与正定矩阵相似的矩阵一定正定吗:不一定。 合同 保持正定性, 相似 只能推出特征值为正;相似后的矩阵可能不再对称,对应的二次型也就不一定正定。 例 $A=\operatorname{diag}(1,2)$ 正定。取 $P=\begin{pmatrix}1&3\\0&1\…
- 两个正定矩阵的和、积还是正定矩阵吗:和 仍正定 :$x^T(A+B)x=x^TAx+x^TBx\gt 0$($x\ne0$)。积 一般不是 :$AB$ 往往不再对称,谈不上正定;当 $AB=BA$ 时 $AB$ 对称,并且正定。 例 $A=\operatorname{dia…
- 代入 $x=Cy$ 后,新二次型的矩阵是 $C^TAC$ 还是 $C^{-1}AC$:是 $C^TAC$( 合同 ),不是 $C^{-1}AC$。前提:$A$ 实对称,$C$ 实可逆;$C$ 是 正交矩阵 时两者相等,一般的可逆 $C$ 就不相等。 步骤 $f=x^TAx$,代入 $x=Cy$:$f=(Cy)^TA(Cy)…
- 配方法得到的标准形系数是特征值吗:不一定。 正交变换 得到的标准形,系数一定是矩阵的特征值;配方法(一般的可逆线性变换)得到的系数通常不是特征值,也不唯一,但正、负系数的 个数 ${p,q}$ 总是唯一的(实二次型、实可逆变换)。 例 $f=2x_1x_2$,矩阵 $\b…
判别方法对照:同一个问题怎么选路
- 判断向量组线性无关:数字、含参、抽象各用什么:数字向量:排成矩阵,用 初等行变换 求秩,秩等于向量个数就无关; $n$ 个 $n$ 维向量(含参数):算 行列式 ,$\ne0$ 则无关; 抽象向量(只给线性关系):用 定义 ,设 $\sum k_i\alpha_i=0$,代入已知关系…
- 判断正定:数字、含参、抽象各用什么:数字矩阵、含参数:用 顺序主子式全为正 ,含参数时列不等式解出范围; 已知特征值:看是否 全为正 ($A$ 须实对称); 抽象矩阵:先确认 $A$ 实对称,再用定义(对任意 $x\ne0$ 有 $x^TAx\gt 0$),或证明 $A=C…
- 已知相似、合同、等价求参数,各列什么方程:相似:让 特征值相同 (二阶时令迹、行列式分别相等;三阶及以上令特征多项式相等),特征值有重根时再令 $r(A-\lambda E)=r(B-\lambda E)$,求出参数后回头验证; 合同(实对称):让 正、负惯性指数相同 ,即数特征…
- 求矩阵的秩:数字、含参、抽象各用什么办法:数字矩阵: 初等行变换 化成阶梯形,数非零行; 含参数的矩阵:先化简,在使某一行(或某个子式)为零的参数处 分类 ,再逐类算秩; 抽象矩阵:用 秩的不等式 夹逼,或由 $AB=O$、可逆矩阵相乘、$A^2=A$ 这类关系定秩。 例 $A$…
- 判断 $Ax=b$ 的解:什么时候用行列式,什么时候用秩:$A$ 是方阵、要判唯一解:看 $|A|\ne0$,含参数时最快; $|A|=0$,或 $A$ 不是方阵:比较 $r(A)$、$r(A,b)$ 与未知数个数 $n$; 无解 $\Leftrightarrow r(A)\lt r(A,b)$…
本图由 SeekFlaw 编辑团队整理。发现错误,欢迎到学习论坛指出。