企业官网建设流程全解析

简介：重庆邮电大学研究生《矩阵分析》期末试卷（含详细解答）面向需要复习矩阵分析、备战研究生期末考试或考研复试的理工科学生。试卷共八大题，满分100分，题型覆盖线性空间基与过渡矩阵、矩阵范数、线性变换的核与值域、行列因子/不变因子/初等因子与Jordan标准型、正定Hermite矩阵与内积验证、满秩分解、正规矩阵与谱分解、幂等矩阵Jordan块性质及Hermite矩阵相关证明等核心考点。资源包为单个PDF文件，大小约170KB，包含试题原文和逐题解答思路，适合对照知识点进行系统自测与查漏补缺。已有273人学习下载。通过这套试题可快速熟悉重邮矩阵分析考试题型与常用证明方法，理解Jordan标准型、满秩分解、谱分解等概念的内在联系，提升矩阵分解、特征值理论及Hermite矩阵性质的综合运用能力。

1. 为什么说刷透这份矩阵分析期末题比啃教材更救命

矩阵分析期末题，和高等数学的期末题完全是两种生物：高数你学会了基本就能考，矩阵分析是你“觉得学会了”也可能在Jordan块顺序、过渡矩阵列序这种小地方直接翻车。我见过不少同学把教材例题看三遍，上了考场面对“求最小多项式、约当形、过渡矩阵”三连问，还是卡在最后一步换基上。重邮期末这份试卷（这里就按你标题里的说法称呼它）的命题风格很直接：计算题占大头、给分点按步骤拆好、证明题绕着三个固定定理转。所以备考策略不是“再刷一本习题集”，而是先把这份卷子的题型、套路和易错点摸透。这篇文章就是干这个的：拆题型、给可抄的步骤、列高频翻车现场，新手能照着练，熟手也能回来查边界条件。

2. 先拆题型：填空、计算、证明在怎么给你设步骤分

2.1 三大题型的分数构成与考点半径

这类期末卷的题型分布通常很稳定，我按常见的比例整理成一张表，你拿到具体试卷后先对着表做一次勾选，比闷头刷题有效得多。

填选题基本是“一阶知识”，直接考定义，但非常容易混。比如“特征多项式和最小多项式什么时候相等”“矩阵等价和相似的条件差别”“谱半径和范数的关系”，这些点每届都会有人栽。我的建议是：把填选题当成大题的引子，它其实在提醒你这张卷子的计算题会往哪个方向出。如果填选题里出现了“最小多项式无重根”，那后面大概率跟着一道对角化判定或矩阵函数的大题。

计算大题是这张卷子的命根子，特点是步骤多、计算链长、但每一步都有分。最常见的编排方式是“一题三问”：第一问求最小多项式，第二问求Jordan标准形，第三问求过渡矩阵或矩阵函数。为什么这样拆？因为阅卷是按步骤给分，三问之间彼此独立得分，第一问算错，第二问仍然能拿过程分。所以答题时千万不要跳步，跳步等于主动放弃送分。

2.2 计算大题：按步设分，跳步等于丢分

计算大题的稳定得分策略可以概括成“先化标准形，再代公式，最后回代验证”三步。以Jordan标准形为例，标准流程是：特征多项式 → 最小多项式 → 各特征值的几何重数 → 约当块拼接 → 求过渡矩阵 → 验证 P^{-1}AP=J。每一步都有独立给分点，尤其是最后一步验证，很多同学觉得“浪费时间”直接省略，但这一步恰恰是最容易拿的分——它不需要你算出新东西，只需要把已经算出来的 P、J 代回去做一个矩阵乘法。

我一般会建议学生在草稿纸上把步骤序号写清楚，试卷上按序号作答。这样做有两个好处：一是阅卷老师能顺着你的思路找到给分点；二是你自己检查的时候，能快速定位是哪一步算错，而不是从头重来。矩阵分析的计算题有个特点：错误会沿着计算链往下传播。比如Jordan形求错了，后面的矩阵函数、过渡矩阵全错，但如果你步骤写清楚了，前面特征多项式、最小多项式那些分还在。

这里要特别提醒一个常见误用：有人会把Jordan标准形和有理标准形搞混，尤其当特征多项式有重根时，觉得“反正都是分块对角化，哪个都行”。考试里只要出现“最小多项式”，命题人就是在指向Jordan形，有理标准形在这种场景下不是替代品，硬用会丢掉换基那部分分。

2.3 证明题：其实绕着三个固定定理出

证明题方向看着飘忽，实际上很收敛。多份这类试卷看下来，题目基本落在三个方向里。

第一个方向是对角化判定：证明“矩阵可对角化当且仅当最小多项式无重根”。这个命题的正反方向都要会写。正向用Jordan形推导非常干净，反向用反证法也不难。第二个方向是Hermite矩阵的性质：实特征值、特征向量可正交化、A^H A 的半正定性。这类题通常在“Hermite矩阵特征值为实数”或“半正定矩阵迹非负”上做文章。第三个方向是SVD的低秩逼近：证明在秩不超过 k 的矩阵里，U_k Σ_k V_k^T 是Frobenius范数下的最佳逼近。这个定理的证明套路是先构造等式，再用奇异值排序做不等式放缩。

这三个方向有个共同点：它们不依赖技巧性很强的构造，而是依赖你对基本定理的理解深度。复习时别去背题，要把每个定理的证明链走一遍，尤其是中间用到了哪个分解、哪条不等式，心里要有数。

3. Jordan标准形与矩阵函数：从最小多项式到换基求P的完整路子

3.1 先定最小多项式：比特征多项式多一步但最关键

求最小多项式是Jordan类大题的第一问，也是最容易丢分的一问。很多人直接用特征多项式充当最小多项式，这在“特征多项式无重根”时成立，一旦出现重根就危险了。最小多项式的正确求法是：对每个特征值 λ，先找到包含 λ 的最大约当块阶数 k_λ，然后最小多项式就是 ∏(λ-λ_i)^{k_λ_i}。

举一个既典型又不复杂的4阶矩阵：

A = [[3, 1, 1, 0], [0, 3, 0, 0], [0, 0, 2, 1], [0, 0, 0, 2]]

特征多项式一眼能看出来：这是个上三角矩阵，特征值是 3（代数重数2）和 2（代数重数2）。要确定最小多项式，需要分别看这两个特征值对应的约当块最大阶数。方法是对每个 λ 算 dim ker(A-λI)，也就是几何重数。如果几何重数小于代数重数，就说明这个特征值有大于1阶的约当块。

• 对 λ=3：A-3I 的秩是3，核维数是1，几何重数1 < 代数重数2，所以 λ=3 对应一个2阶约当块。
• 对 λ=2：同理，A-2I 的秩是3，核维数是1，也对应一个2阶约当块。

于是最小多项式就是 m(λ)=(λ-3)^2(λ-2)^2，Jordan形是 diag(J_2(3), J_2(2))，其中 J_2(λ) 是2阶上三角约当块。

这个例子想说的是：最小多项式不是“猜”出来的，它是约当块结构的直接体现。考试时如果时间紧，可以先写特征多项式再写“由几何重数可知最小多项式为……”，把判定依据写清楚，这步分基本就到手了。

3.2 由几何重数定约当块：一个例子看清分配逻辑

约当块的分配逻辑就一句话：每个特征值的几何重数等于该特征值对应的约当块个数，代数重数等于各块阶数之和。拿刚才那个矩阵说，λ=3 的几何重数是1，说明只有一个约当块；代数重数是2，说明这个块是2阶。两个特征值都满足“1个块、阶数2”，所以J就是两个2阶块对角拼接。

如果几何重数是2而代数重数是3，情况就是两个块，阶数可能是2+1；如果几何重数是1而代数重数是3，那就是一个3阶块。判断阶数还有一个更稳妥的工具：逐个算 dim ker(A-λI)^k，直到维数不再增长为止，第一次不再增长的 k 就是最大约当块阶数。这个方法的好处是抗错性强，即使你对几何重数的判断不确定，也能通过幂次的核维数变化反推出来。

确定约当块顺序时，有人习惯按特征值大小排序，有人习惯按块大小排序，这本身不影响结果。真正的坑在于后面求P的时候，P的列顺序必须和J的块顺序一一对应，否则 P^{-1}AP 对不上。我的习惯是：先在草稿纸上把J写出来并标好块顺序，然后告诉自己在求P时严格遵守这个顺序，一步对一步。

3.3 换基求P：从特征向量链到过渡矩阵

求过渡矩阵P的核心是解特征向量链：对每个约当块 J_k(λ)，找一组向量 v_1, v_2, ..., v_k，满足 (A-λI)v_1=0，且 (A-λI)v_{i}=v_{i-1}（i≥2）。这些向量按块顺序排成P的列，就能得到 P^{-1}AP=J。

拿上面的A来走一遍。λ=3 这一块：先解 (A-3I)v_1=0，A-3I的第一列全零，所以 v_1=(1,0,0,0)^T 是一个自然的基向量。接着解 (A-3I)v_2=v_1，代入后得到行1：x2+x3=1，行3：-x3+x4=0，行4：-x4=0，解得 x4=0, x3=0, x2=1，取 x1=0，v_2=(0,1,0,0)^T。验证一下，(A-3I)v_2 确实等于 e_1，链条成立。

λ=2 这一块：解 (A-2I)v_3=0，得到 x2=0, x4=0, x3=-x1，取 x1=1，v_3=(1,0,-1,0)^T。再解 (A-2I)v_4=v_3，得到 x2=0, x4=-1, x1+x3=1，取 x1=0, x3=1，v_4=(0,0,1,-1)^T。验证 (A-2I)v_4 等于 v_3，链条也成立。

所以过渡矩阵：

P = [v1, v2, v3, v4] = [[1, 0, 1, 0], [0, 1, 0, 0], [0, 0, -1, 1], [0, 0, 0, -1]]

这里要留意一个细节：特征向量链里的“链条向量”不是唯一的。比如解 (A-λI)v_{i}=v_{i-1} 时，方程组的自由变量可以取任意值，取法不同导致P不同，但只要 P^{-1}AP=J，结果都对。考试答题时，把你取的自由变量值写清楚，验证一步，阅卷老师就不会纠结你和标准答案的P不一样。

3.4 用Python验证手算：从jordan_form到矩阵函数的闭环

手算完之后，我习惯用符号计算工具做一次完整验证，避免算完P结果却是错的而不自知。用sympy把上面的例子直接跑通：

from sympy import Matrix A = Matrix([[3, 1, 1, 0], [0, 3, 0, 0], [0, 0, 2, 1], [0, 0, 0, 2]]) P, J = A.jordan_form() print("J =", J) print("P =", P) print("验证 P*J*P^-1 == A:", P * J * P.inv() == A)

代码里最关键的是A.jordan_form()，它返回两个对象：过渡矩阵P和约当形J。注意sympy返回的约当块顺序不一定和手算一致，这没关系，验证P*J*P^-1 == A为真就行。如果手算P的结果和sympy不同，不要慌，先检查特征向量链的取法是否合法，再看J的块顺序是否和P的列对应上了。

再看矩阵函数的验证，这是约当形最经典的用途。用公式 e^{Jt} 对每个约当块单独算：2阶块 J_2(λ) 的矩阵指数是 e^{λt} 乘上 [[1, t],[0, 1]]，因为幂零部分平方为零。这个公式很容易记错，所以我会用sympy直接做对照：

import sympy as sp t = sp.symbols('t') A = sp.Matrix([[3, 1, 1, 0], [0, 3, 0, 0], [0, 0, 2, 1], [0, 0, 0, 2]]) P, J = A.jordan_form() eAt_via_jordan = P * sp.exp(J * t) * P.inv() eAt_direct = sp.exp(A * t) print("两种方式结果一致:", sp.simplify(eAt_via_jordan - eAt_direct) == sp.zeros(4, 4))

逻辑说明：sp.exp(J*t)对约当块逐块计算矩阵指数，再由相似变换P * (...) * P.inv()回到原基，而sp.exp(A*t)是直接求矩阵指数。两者化简差为零，说明手算和换基路径都没问题。这里的核心是：矩阵函数的计算最终都落到“约当块矩阵指数”这个元问题上，先把2阶块的公式记牢，考试里的大多数情况就够用了。

提示：矩阵函数大题里常考的参数 t 不要当成普通常数直接塞进矩阵。e^{At} 的每一项都带 t，约当块里幂零部分会贡献 t、t²/2 这些项，写成 e^{λt} 就漏东西了。

4. SVD与广义逆：计算量大但拿分最稳的第二个大题

4.1 手工SVD的正确顺序：先算A^T A再定U，别先求A A^T

奇异值分解的考法很直白：给你一个矩阵，要求写出U、Σ、V，或者利用SVD求广义逆、做低秩逼近。手工计算的标准顺序是先算右奇异向量，再算左奇异向量。具体来说：先求 A^T A 的特征值和单位特征向量，特征值开根号得到奇异值，特征向量组成V；然后用 u_i = A v_i / σ_i 得到左奇异向量。

为什么先算 A^T A 而不是 A A^T？因为A^T A的规模通常是 n×n，比 A A^T 的 m×m 小（当 m>n 时），手算特征值省力得多。更重要的是，由 A v_i = σ_i u_i 这个关系，右奇异向量可以直接算出左奇异向量，不需要再解第二个特征值问题。反过来先算 A A^T 的话，你还得从 u_i 反推 v_i = A^T u_i / σ_i，多走一步弯路。

这里要特别注意符号：右奇异向量是 A^T A 的单位特征向量，即矩阵V的列；左奇异向量是 A A^T 的单位特征向量，即矩阵U的列。两者顺序必须和奇异值顺序一一对应，这个对应关系错了，整个分解的验证就过不去。

4.2 一个3×2算例的完整手算

用一个3×2矩阵把完整流程走一遍：

A = [[1, 0], [0, 1], [1, 1]]

第一步：算 A^T A。

A^T A = [[1, 0, 1], [[1, 0], [0, 1, 1]] @ [0, 1], [1, 1]] = [[2, 1], [1, 2]]

第二步：求 A^T A 的特征值和特征向量。特征多项式是 (2-λ)^2 - 1 = (λ-1)(λ-3)，所以特征值3和1，奇异值就是 √3 和 1。对应特征值3的单位特征向量 v_1=(1,1)/√2；对应特征值1的是 v_2=(1,-1)/√2。

第三步：由 u_i = A v_i / σ_i 求左奇异向量。

u_1 = A v_1 / √3 = (1, 1, 2)/√6 u_2 = A v_2 / 1 = (1, -1, 0)/√2

第四步：拼出SVD。Σ = diag(√3, 1)，V 的列是 v_1, v_2，U 的列是 u_1, u_2。

验证这一手算结果：√3·u_1·v_1^T + 1·u_2·v_2^T 展开后正好等于原矩阵A。第一项是 (1/2)[[1,1],[1,1],[2,2]]，第二项是 (1/2)[[1,-1],[-1,1],[0,0]]，加起来确实回到A。这一步验证在做题时一定要写出来，一是确认奇异值没开错根号，二是确认u和v的符号没配对配反。

4.3 用numpy验证手算结果与符号约定

手算SVD最容易翻车的是符号：u_i 整体乘个 -1 后，对应的 v_i 也得整体乘 -1，否则重建不回来。手算里通常不关心符号，因为重建等式会自动消化，但考试改卷有时会看U和V是否匹配。用numpy做一个快速验证：

import numpy as np A = np.array([[1., 0.], [0., 1.], [1., 1.]]) U, s, VT = np.linalg.svd(A, full_matrices=False) print("U:\n", U) print("奇异值:", s) print("VT:\n", VT) print("重建误差:", np.max(np.abs(U @ np.diag(s) @ VT - A)))

参数说明：full_matrices=False返回精简SVD，U是3×2、s是长度为2的奇异值向量、VT是2×2，正好对应手算的规模。np.diag(s)把奇异值向量变成对角矩阵。重建误差应该是一个接近1e-16的数，说明分解正确。如果你手算的U和numpy输出的U在某一列上符号相反，不用改手算结果，补一句“符号整体反转不影响重建”就能自圆其说。

注意：np.linalg.svd返回的奇异值默认按从大到小排列，V的行对应奇异值的顺序。如果你手动调整奇异值顺序，U和V的列也必须跟着调，这三者是绑定的。

4.4 Moore-Penrose广义逆：从SVD一行读出

广义逆是SVD大题的固定后续：A^+ = V Σ^{-1} U^T。考试时一般不要求你完整算一个3×3的逆，而是考你从SVD直接写出 A^+，或者验证某个矩阵满足Moore-Penrose四个条件。对这个3×2的例子，A^+ 的数值可以直接用numpy验证：

import numpy as np A = np.array([[1., 0.], [0., 1.], [1., 1.]]) U, s, VT = np.linalg.svd(A, full_matrices=False) A_pinv = VT.T @ np.diag(1/s) @ U.T print("A^+:") print(A_pinv) print("验证 A^+ @ A = I:") print(A_pinv @ A)

这里VT.T是V，np.diag(1/s)是奇异值倒数矩阵，U.T是U的转置。注意 A^+ 的维度是2×3，用A_pinv @ A验证得到2×2单位阵，因为A是列满秩，A^+ 是A的左逆。如果你算出来的 A^+ 在位置上和numpy结果差一个符号，检查一下U或V是不是整体取反了，广义逆对这种整体符号变化是不敏感的。

这个知识点的考试变化形式还有两种：一种是给一个秩亏矩阵，让你说明A^+依然存在且唯一；另一种是给最小二乘问题，让你用A^+表达最小范数解。这两种都建立在“SVD是广义逆的快捷计算通道”这个认知上，把 A^+ = V Σ^{-1} U^T 记牢，遇到变化题先写这个公式再讨论，分数就稳了。

5. 避坑五条：矩阵分析期末卷上的典型翻车现场

5.1 Jordan块顺序和P的列对不上

• 现象：P和J都算对了，但 P^{-1}AP 的结果既不是J也不是A，矩阵函数更是错得离谱。
• 原因：J的块顺序按特征值大小排，但P的列按自己计算时顺手顺序排，两边没对应起来。这类题目阅卷按步骤给分，J对而P错，过渡矩阵那步分就丢了。
• 解决：先把J写成一个显式的分块对角矩阵，给每个块标上序号，再按这个顺序解特征向量链。全部算完之后，强制自己用 P^{-1}AP 做一次乘法验证，这是唯一的裁判标准。

5.2 最小多项式被直接写成特征多项式

• 现象：特征多项式 (λ-3)^2(λ-2)^2，最小多项式也写 (λ-3)^2(λ-2)^2，运气好蒙对，但如果某个特征值对应多个约当块，就必错。
• 原因：判断重因子次数时用了“代数重数”，而正确依据是“最大约当块阶数”，两者在特征值只有一个约当块时才相等。
• 解决：对每个特征值先算 dim ker(A-λI)，如果几何重数等于代数重数，这个特征值全是1阶块，最小多项式里它只出现一次；否则取使得 dim ker(A-λI)^k 不再增大的最小k作为次数。

5.3 SVD的奇异值忘记开根号

• 现象：A^T A 的特征值是4和1，直接把奇异值写成4和1，后面Σ和U全错。这类错误在试卷里出现频率极高。
• 原因：SVD的定义里Σ是“特征值的算术平方根”，不是特征值本身。手算时注意力全在特征值求解上，最后一步松懈了。
• 解决：每次求完奇异值，立刻做一次重建验证：取一个已知列，比如 A e_1 等于UΣV^T的对应列，数值对得上再往下一题走。这个验证耗时不超过一分钟，但能拦住九成计算错误。

5.4 e^{At}的幂零部分被当成普通指数丢掉

• 现象：求 e^{At} 时，约当块部分写成 e^{λt} [[1,0],[0,1]]，丢了矩阵里的t项。代入t=0检验时发现结果不是单位阵，但已经交卷了。
• 原因：矩阵函数对约当块的计算不是逐元素求指数，而是对 (λI+N)t 做幂级数展开，N是幂零矩阵，Nt这一项在2阶块里是保留的。
• 解决：把2阶约当块的矩阵指数公式写死：e^{J_2(λ)t} = e^{λt} [[1, t],[0, 1]]。算完之后代入t=0必须得到单位阵，用这个性质做出口检查，比反复看公式管用。

5.5 对角化证明的方向性搞反

• 现象：证明“A可对角化当且仅当最小多项式无重根”时，正向反向混用，或者只证了一个方向就说“必要性显然”。
• 原因：这类证明题的关键链是“可对角化 ⇔ 所有约当块1阶 ⇔ 所有特征值几何重数等于代数重数 ⇔ 最小多项式无重根”，中间任何一步方向写反，结论就不完整。
• 解决：复习时不要背结论，把这条链的每一环用语言写一遍。考场上先写“用Jordan形作为桥梁”，再分两个方向各写三五行，逻辑闭合，这题基本满分。

6. 考前一个月：把真题刷出“预测题”效果的三个习惯

第一个习惯是“先拆卷再做题”。拿到一份试卷，先花十分钟把所有大题扫一遍，按“能拿全分、能拿大半分、需要猜”三档分类，然后把时间往第一档和第二档倾斜。矩阵分析期末卷的计算题结构高度相似，你扫完之后基本能判断出今年的Jordan题在哪个位置、SVD题给了几问。这个动作不是为了偷懒，是为了让复习重心跟着分数走，而不是跟着兴趣走。

第二个习惯是“错题分两类记录”。一类是符号错误、计算粗心，比如奇异值忘开根号、转置忘打符号，这类错题只需要重算一遍，不需要总结方法；另一类是方法选择错误，比如该用Jordan形却用了有理标准形、SVD先算了A A^T导致多走弯路，这类错题要把解题框架抄在一页纸上。两类混在一起整理会越理越乱，分开之后复习效率明显不一样。

第三个习惯是所有大题都做“重建验证”。求完P就乘一遍P^{-1}AP，求完SVD就重建一遍A，求完e^{At}就代t=0看是否得I。这个习惯花时间很少，却能把上面那一章里一半的坑挡在考场外。我个人吃过大亏：当年考矩阵函数，最后一道大题把2阶约当块的t项漏了，交卷前没有做代入验证，出考场一对答案才反应过来。从那以后我给自己定了一条死规矩——分解题不验证不写下一题，宁可少做一道小题也不能带着未验证的大题出考场。希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取