线性代数和计算方法区别

⑴ 高等代数怎么学能学好和线性代数有什么区别

• 先谈谈高等代数怎么学能学好

本人学的专业就是数学与应用数学，该专业有两门基础课程，其中一门课程就是高等代数，如今考上研了，而且高等代数是数学专业考研必考科目，所以对于“高等代数怎么学能学好？”这个问题，我可以给出经验比较丰富的回答。下面跟我一起来了解如何学好高等代数吧。

⑵ 线性代数中R(AB)与R(A,B)的区别

一、表达概念不同

1、R(AB)：AB表示A乘以B。

2、R(A,B)：A,B表示A和B并在一起。

二、计算方法不同

1、R(AB)：若A中至少有一个r阶子式不等于零，且在r<min(m,n)时，A中所有的r+1阶子式全为零，则A的秩为r。

在m*n矩阵A中，任意决定k行和k列交叉点上的元素构成A的一个k阶子矩阵，此子矩阵的行列式，称为A的一个k阶子式。

2、R(A,B)：当r(A)<=n-2时，最高阶非零子式的阶数<=n-2，任何n-1阶子式均为零，而伴随阵中的各元素就是n-1阶子式再加上个正负号，所以伴随阵为0矩阵。

例如，在阶梯形矩阵中，选定1，3行和3，4列，它们交叉点上的元素所组成的2阶子矩阵的行列式就是矩阵A的一个2阶子式。

三、计算结果不同

1、R(AB)：r(kA)=r(A)，k不等于0。

2、R(A,B)：r(A)<=min(m,n)，A是m*n型矩阵。

⑶ 线性代数中行列式与矩阵在计算是有什么区别

行列式是算式。矩阵是数表。
行列式算出来是不同行不同列所有元素之积的和，行列式实质上是一个数字。矩阵是方程组抽象出的一张数表
矩阵M*N阶对应着M行N列方程组。行列式需要行列相等的。
计算的话，解矩阵，就是化简，实质就是解方程，将方程化简，只能用行变换。
有时要用求秩，则行列变换皆可。矩阵可与向量对应。
解行列式其实就是求算式，就跟解加减法样的，按规则做行列变换化为上下三角阵或某行只剩余一个非零元素拆出来等等。

⑷ 线性代数知识点总结

线性代数知识点总结

线性代数知识在学习的几个阶段都有相关的知识点出现，下面线性代数知识点总结是我为大家整理的，在这里跟大家分享一下。

线性代数知识点总结1

线性代数在考研数学中占有重要地位，必须予以高度重视。线性代数试题的特点比较突出，以计算题为主，证明题为辅，因此，太奇考研专家们提醒广大的2013年的考生们必须注重计算能力。线性代数在数学一、二、三中均占22%，所以考生要想取得高分，学好线代也是必要的。下面，就将线代中重点内容和典型题型做了总结，希望对2012年考研的同学们学习有帮助。

行列式在整张试卷中所占比例不是很大，一般以填空题、选择题为主，它是必考内容，不只是考察行列式的概念、性质、运算，与行列式有关的考题也不少，例如方阵的行列式、逆矩阵、向量组的线性相关性、矩阵的秩、线性方程组、特征值、正定二次型与正定矩阵等问题中都会涉及到行列式。如果试卷中没有独立的行列式的试题，必然会在其他章、节的试题中得以体现。行列式的重点内容是掌握计算行列式的方法，计算行列式的主要方法是降阶法，用按行、按列展开公式将行列式降阶。但在展开之前往往先用行列式的性质对行列式进行恒等变形，化简之后再展开。另外，一些特殊的行列式（行和或列和相等的行列式、三对角行列式、爪型行列式等等）的计算方法也应掌握。常见题型有：数字型行列式的计算、抽象行列式的计算、含参数的行列式的计算。关于每个重要题型的具体方法以及例题见《20xx年全国硕士研究生入学统一考试数学120种常考题型精解》。

矩阵是线性代数的核心，是后续各章的基础。矩阵的概念、运算及理论贯穿线性代数的始终。这部分考点较多，重点考点有逆矩阵、伴随矩阵及矩阵方程。涉及伴随矩阵的定义、性质、行列式、逆矩阵、秩及包含伴随矩阵的矩阵方程是矩阵试题中的一类常见试题。这几年还经常出现有关初等变换与初等矩阵的命题。常见题型有以下几种：计算方阵的幂、与伴随矩阵相关联的命题、有关初等变换的命题、有关逆矩阵的计算与证明、解矩阵方程。

向量组的线性相关性是线性代数的重点，也是考研的重点。考生一定要吃透向量组线性相关性的概念，熟练掌握有关性质及判定法并能灵活应用，还应与线性表出、向量组的秩及线性方程组等相联系，从各个侧面加强对线性相关性的理解。常见题型有：判定向量组的线性相关性、向量组线性相关性的证明、判定一个向量能否由一向量组线性表出、向量组的秩和极大无关组的求法、有关秩的证明、有关矩阵与向量组等价的命题、与向量空间有关的命题。

往年考题中，方程组出现的频率较高，几乎每年都有考题，也是线性代数部分考查的重点内容。本章的重点内容有：齐次线性方程组有非零解和非齐次线性方程组有解的判定及解的结构、齐次线性方程组基础解系的求解与证明、齐次（非齐次）线性方程组的求解（含对参数取值的讨论）。主要题型有：线性方程组的求解、方程组解向量的判别及解的性质、齐次线性方程组的基础解系、非齐次线性方程组的通解结构、两个方程组的公共解、同解问题。

特征值、特征向量是线性代数的重点内容，是考研的重点之一，题多分值大，共有三部分重点内容：特征值和特征向量的概念及计算、方阵的相似对角化、实对称矩阵的正交相似对角化。重点题型有：数值矩阵的特征值和特征向量的求法、抽象矩阵特征值和特征向量的求法、判定矩阵的相似对角化、由特征值或特征向量反求A、有关实对称矩阵的问题。

由于二次型与它的实对称矩阵式一一对应的，所以二次型的很多问题都可以转化为它的实对称矩阵的问题，可见正确写出二次型的矩阵式处理二次型问题的一个基础。重点内容包括：掌握二次型及其矩阵表示，了解二次型的秩和标准形等概念；了解二次型的规范形和惯性定理；掌握用正交变换并会用配方法化二次型为标准形；理解正定二次型和正定矩阵的概念及其判别方法。重点题型有：二次型表成矩阵形式、化二次型为标准形、二次型正定性的判别。

一、行列式与矩阵

行列式、矩阵是线性代数中的基础章节，从命题人的角度来看，可以像润滑油一般结合其它章节出题，因此必须熟练掌握。

行列式的核心内容是求行列式——具体行列式的计算和抽象行列式的计算。其中具体行列式的计算又有低阶和高阶两种类型，主要方法是应用行列式的性质及按行（列）展开定理化为上下三角行列式求解；而对于抽象行列式而言，考点不在如何求行列式，而在于结合后面章节内容的相对综合的题。

矩阵部分出题很灵活，频繁出现的知识点包括矩阵各种运算律、矩阵的基本性质、矩阵可逆的判定及求逆、矩阵的秩、初等矩阵等。

二、向量与线性方程组

向量与线性方程组是整个线性代数部分的核心内容。相比之下，行列式和矩阵可视作是为了讨论向量和线性方程组部分的问题而做铺垫的基础性章节，而其后两章特征值和特征向量、二次型的内容则相对独立，可以看作是对核心内容的扩展。

向量与线性方程组的内容联系很密切，很多知识点相互之间都有或明或暗的相关性。复习这两部分内容最有效的方法就是彻底理顺诸多知识点之间的内在联系，因为这样做首先能够保证做到真正意义上的理解，同时也是熟练掌握和灵活运用的前提。

这部分的重要考点一是线性方程组所具有的两种形式——矩阵形式和向量形式；二是线性方程组与向量以及其它章节的各种内在联系。

（1）齐次线性方程组与向量线性相关、无关的联系

齐次线性方程组可以直接看出一定有解，因为当变量都为零时等式一定成立——印证了向量部分的一条性质“零向量可由任何向量线性表示”。

齐次线性方程组一定有解又可以分为两种情况：①有唯一零解；②有非零解。当齐次线性方程组有唯一零解时，是指等式中的变量只能全为零才能使等式成立，而当齐次线性方程组有非零解时，存在不全为零的变量使上式成立；但向量部分中判断向量组是否线性相关、无关的定义也正是由这个等式出发的。故向量与线性方程组在此又产生了联系——齐次线性方程组是否有非零解对应于系数矩阵的列向量组是否线性相关。可以设想线性相关、无关的概念就是为了更好地讨论线性方程组问题而提出的。

（2）齐次线性方程组的解与秩和极大无关组的联系

同样可以认为秩是为了更好地讨论线性相关和线性无关而引入的。秩的定义是“极大线性无关组中的向量个数”。经过“秩→线性相关、无关→线性方程组解的判定”的逻辑链条，就可以判定列向量组线性相关时，齐次线性方程组有非零解，且齐次线性方程组的解向量可以通过r个线性无关的解向量（基础解系）线性表示。

（3）非齐次线性方程组与线性表出的联系

非齐次线性方程组是否有解对应于向量是否可由列向量

三、特征值与特征向量

相对于前两章来说，本章不是线性代数这门课的理论重点，但却是一个考试重点。其原因是解决相关题目要用到线代中的大量内容——既有行列式、矩阵又有线性方程组和线性相关性，“牵一发而动全身”。

本章知识要点如下：

1、特征值和特征向量的定义及计算方法就是记牢一系列公式和性质。

2、相似矩阵及其性质，需要区分矩阵的相似、等价与合同：

3、矩阵可相似对角化的条件，包括两个充要条件和两个充分条件。充要条件一是n阶矩阵有n个线性无关的特征值；二是任意r重特征根对应有r个线性无关的特征向量。

4、实对称矩阵及其相似对角化，n阶实对称矩阵必可正交相似于以其特征值为对角元素的对角阵。

四、二次型

这部分所讲的内容从根本上讲是特征值和特征向量的一个延伸，因为化二次型为标准型的核心知识为“对于实对称矩阵，必存在正交矩阵，使其可以相似对角化”，其过程就是上一章实对称矩阵相似对角化的应用。

本章核心要点如下：

1、用正交变换化二次型为标准型。

2、正定二次型的判断与证明。

线性代数知识点总结2

线性代数的学习切入点是线性方程组。换言之，可以把线性代数看作是在研究线性方程组这一对象的过程中建立起来的学科。

线性方程组

线性方程组的特点：方程是未知数的一次齐次式，方程组的数目s和未知数的个数n可以相同，也可以不同。

关于线性方程组的解，有三个问题值得讨论：

1、方程组是否有解，即解的存在性问题；

2、方程组如何求解，有多少个；

3、方程组有不止一个解时，这些不同的解之间有无内在联系，即解的结构问题。

高斯消元法

这最基础和最直接的求解线性方程组的方法，其中涉及到三种对方程的同解变换：

1、把某个方程的k倍加到另外一个方程上去；

2、交换某两个方程的位置；

3、用某个常数k乘以某个方程。我们把这三种变换统称为线性方程组的初等变换。

任意的线性方程组都可以通过初等变换化为阶梯形方程组。

由具体例子可看出，化为阶梯形方程组后，就可以依次解出每个未知数的值，从而求得方程组的解。

对方程组的解起决定性作用的是未知数的系数及其相对位置，所以可以把方程组的所有系数及常数项按原来的位置提取出来，形成一张表，通过研究这张表，就可以判断解的情况。我们把这样一张由若干个数按某种方式构成的表称为矩阵。

可以用矩阵的形式来表示一个线性方程组，这至少在书写和表达上都更加简洁。

系数矩阵和增广矩阵

高斯消元法中对线性方程组的初等变换，就对应的是矩阵的初等行变换。阶梯形方程组，对应的是阶梯形矩阵。换言之，任意的线性方程组，都可以通过对其增广矩阵做初等行变换化为阶梯形矩阵，求得解。

阶梯形矩阵的特点：左下方的元素全为零，每一行的第一个不为零的元素称为该行的主元。

对不同的线性方程组的具体求解结果进行归纳总结（有唯一解、无解、有无穷多解），再经过严格证明，可得到关于线性方程组解的判别定理：首先是通过初等变换将方程组化为阶梯形，若得到的阶梯形方程组中出现d=0这一项，则方程组无解，若未出现d=0一项，则方程组有解；在方程组有解的情况下，若阶梯形的非零行数目r等于未知量数目n，方程组有唯一解；若r<n，则方程组有无穷多解。

在利用初等变换得到阶梯型后，还可进一步得到最简形，使用最简形，最简形的特点是主元上方的元素也全为零，这对于求解未知量的值更加方便，但代价是之前需要经过更多的初等变换。在求解过程中，选择阶梯形还是最简形，取决于个人习惯。

齐次方程组

常数项全为零的线性方程称为齐次方程组，齐次方程组必有零解。

齐次方程组的方程组个数若小于未知量个数，则方程组一定有非零解。

利用高斯消元法和解的判别定理，以及能够回答前述的基本问题：解的存在性问题和如何求解的问题，这是以线性方程组为出发点建立起来的最基本理论。

对于n个方程n个未知数的特殊情形，我们发现可以利用系数的某种组合来表示其解，这种按特定规则表示的系数组合称为一个线性方程组（或矩阵）的行列式。行列式的特点：有n！项，每项的符号由角标排列的逆序数决定，是一个数。

通过对行列式进行研究，得到了行列式具有的一些性质（如交换某两行其值反号、有两行对应成比例其值为零、可按行展开等等），这些性质都有助于我们更方便的计算行列式。

用系数行列式可以判断n个方程的n元线性方程组的解的情况，这就是克莱姆法则。

总而言之，可把行列式看作是为了研究方程数目与未知量数目相等的特殊情形时引出的一部分内容。

线性代数知识点总结3

线性代数占考研数学总分值的22%，约34分，以2个选择题、1个填空题、2个解答题的形式出现。虽然线性代数的考点众多，但要把这5个题目的分值完全收入囊中，则需要进行重点题型重点突破。

矩阵的秩

矩阵是解决线性方程组的解的有力工具，矩阵也是化简二次型的方便工具。矩阵理论是线性代数的重点内容，熟悉掌握了矩阵的相关性质与内容，利用其来解决实际应用问题就变得简单易行。正因为矩阵理论在整个线性代数中的重要作用，使它变为考试考查的重点。矩阵由那么多元素组成，每一个元素都在扮演不同的角色，其中的核心或主角是它的秩！

通过几十年考研考试命题，命题老师对题目的形式在不断地完善，这也要求大家深入理解概念，灵活处理理论之间的关系，能变通地解答题目。例如对矩阵秩的理解，对矩阵的秩与向量组的秩之间的关系的理解，对矩阵等价与向量组等价之间区别的理解，对矩阵的秩与方程组的解之间关系的掌握，对含参数的矩阵的处理以及反问题的解决能力等，都需要在对概念理解的基础上，联系地看问题，及时总结结论。

矩阵的特征值与特征向量

矩阵的特征值与特征向量在将矩阵对角化过程中起着决定作用，也是将二次型标准化、规范化的便捷方式，故特征值与特征向量也是考查重点。对于特征值与特征向量，须理清其相互关系，也须能根据一些矩阵的特殊性求得其特征值与特征向量（例如根据矩阵各行元素之和为3能够判断3是其一个特征值，元素均为1的列向量是其对应的特征向量），会处理含参数的情况。

线性方程组求解

对线性方程组的求解总是通过矩阵来处理，含参数的方程组是考查的重点，对方程组解的`结构及有解的条件须熟悉。例如2010年第20题（数学二为22题），已知三元非齐次线性方程组存在2个不同的解，求其中的参数并求方程组的通解。此题的关键是确定参数！而所有信息完全隐含在"AX=b存在2个不同的解"这句话中。由此可以得到齐次方程组有非0解，系数矩阵降秩，行列式为0，可求得矩阵中的参数；非齐次方程组有解故系数矩阵与增广矩阵同秩可确定唯一参数及b中的参数。至于确定参数后再求解非齐次方程组就变得非常简单了。

二次型标准化与正定判断

二次型的标准化与矩阵对角化紧密相连，即与矩阵的特征值与特征向量紧密联系。这里需要掌握一些处理含参数矩阵的方法以便运算中节省时间。正定二次型有很优秀的性质，但毕竟这是一类特殊矩阵，判断一个矩阵是否属于这个特殊类，可以使用正定矩阵的几个充要条件，例如二次型矩阵的特征值是否全大于0，顺序主子式是否均大于0等，但前者更常用一些。

历年考研数学真题解析线性代数命题特点解析

考研数学是研究生招生入学考试中通过笔试的形式对考生数学功底的考查，从近几年的考研数学历年真题分析结果来看，可以得出一个结论：线性代数的难度在高数和概率统计之间，且大多数的同学认为线性代数试题难度不大，就是计算量稍微偏大点，线代代数的考查是对基本方法的考查，但是往往在做题过程中需要利用一些性质进行辅助解决。

线性代数的学科特点是知识点之间的综合性比较强，这也是它本身的一个难点。这就需要同学们在复习过程中，注意对于知识点间的关联性进行对比着学习，有助于巩固知识点且不易混淆。

总体来说，线性代数主要包括六部分的内容，行列式、矩阵、向量、线性方程组、特征值与特征向量、二次型。

一、行列式部分，熟练掌握行列式的计算。

行列式实质上是一个数或含有字母的式子，如何把这个数算出来，一般情况下很少用行列式的定义进行求解，而往往采用行列式的性质将其化成上或下三角行列式进行计算，或是采用降阶法（按行或按列展开定理），甚至有时两种方法同时用。此外范德蒙行列式也是需要掌握的。行列式的考查方式分为低阶的数字型矩阵和高阶抽象行列式的计算、含参数的行列式的计算等等。同学们只要掌握了基本方法即可。

二、矩阵部分，重视矩阵运算，掌握矩阵秩的应用 。

通过考研数学历年真题分类统计与考点分布，矩阵部分的考点集中在逆矩阵、伴随矩阵、矩阵的秩及矩阵方程的考查。此外，含随矩阵的矩阵方程，矩阵与行列式的关系、逆矩阵的求法也是考生需要掌握的知识点。涉及秩的应用，包含秩与矩阵可逆的关系，矩阵及其伴随矩阵秩之间的关系，矩阵的秩与向量组的秩之间的关系，矩阵等价与向量组等价的区别与联系，系数矩阵的秩与方程组的解之间关系的分析。

三、向量部分，理解相关无关概念，灵活进行判定。

向量组的线性相关问题是向量部分的重中之重，也是考研线性代数每年必出的考点。要求考生掌握线性相关、线性表出、线性无关的定义。以及如何判断向量组线性相关及线性无关的方法。 向量组的秩和极大无关组以及向量组等价这些重要的知识点要求同学们一定一定掌握到位。

这是线性代数前三个内容的命题特点，而行列式的矩阵是整个线性代数的基础，对于行列式的计算及矩阵的运算与一些重要的性质与结论请考生朋友们一定要务必掌握，否则的话，对于后面四部分的学习会越学越难，希望同学们在复习过程中一定注意前面内容的复习，为后面的考研数学复习打好基础。

前面我们已经分析过，考研数学线性代数这门学科整体的特点是知识点之间的综合性比较强，有些概念较为抽象，这也是大部分考生认为考研数学线性代数不好学，根本找不到复习的头绪，做题时也是一头雾水，不知道怎么分析考虑。

这里，老师要求大家在学习过程中一定要注意知识间之间的关联性，理解概率的实质。如：矩阵的秩与向量组的秩之间的关联，矩阵等价与向量组等价的区别，矩阵等价、相似、合同三者之间的区别与联系、矩阵相似对角化与实对称矩阵正交变换对角化二者之间的区别与联系等等。若是同学们对于上面的问题根本分不清楚，则说明大家对于基本概念、基本方法还没有完全理解透彻。不过，大家也不要太焦急，希望同学们在后期的复习过程中对于基本概念、基本方法要多加理解和体会，学习一定要有心得。

下面我们分析一下后面三部分的内容，线性方程组、特征值与特征向量、二次型的命题特点。

线性方程组，会求两类方程组的解。线性方程组是线性代数这么学科的核心和枢纽，很多问题的解决都离不开解方程组。因而线性方程组解的问题是每年必考的知识点。对于齐次线性方程组，我们需要掌握基础解系的概念，以及如何求一个方程组的基础解系。清楚明了基础解系所含线性无关解向量的个数和系数矩阵的秩之间的关系。会判断非齐次线性方程组的解的情况，掌握其求解的方法。此外，考生还需要掌握非齐次线性方程组与其对应的齐次线性方程组的解结构之间的关系。

特征值与特征向量，掌握矩阵对角化的方法。这一部分是理论性较强的，理解特征值与特征向量的定义及性质，矩阵相似的定义，矩阵对角化的定义。同学们还需掌握求矩阵特征值与特征向量的基本方法。会判断一个矩阵是否可以对角化，若可以的话，需要把相应的可逆矩阵P求出来。还需要注意矩阵及其关联矩阵（转置、逆、伴随、相似）的特征值与特征向量的关系。反问题也是喜欢考查的一类题型，已知矩阵的特征值与特征向量，反求矩阵A。

二次型，理解二次型标准化的过程，掌握实对称矩阵的对角化。二次型几乎是每年必考的一道大题，一般考查的是采用正交变换法将二次型标准化。掌握二次型的标准形与规范型之间的区别与联系。会判断二次型是否正定的一般方法。讨论矩阵等价、相似、合同的关系。

虽然线性代数在考研数学考试试卷中仅有5题，占有34分的分值，但是这34分也不是很轻松就能拿下的。同学们在复习过程中需要对于基础知识点理解透彻，做考研数学题过程中多分析总结。

⑸ 线性代数的定义

线性代数是关于向量空间和线性映射的一个数学分支，包括对线、面和子空间的研究，也涉及到所有向量空间的一般性质。 线性代数是纯数学和应用数学的核心，它的含义随着数学的发展而不断扩大，其理论和方法已经渗透到数学的许多分支，也成为理论物理和理论化学不可缺少的代数基础知识。

中文名
线性代数

外文名
linear algebra

主要问题
线性关系问题

研究对象
向量、矩阵、行列式

应用
抽象代数、泛函分析

学科
数学

定义与历史
概念
线性代数是代数学的一个分支，主要处理线性关系问题。线性关系意即数学对象之间的关系是以一次形式来表达的。例如，在解析几何里，平面上直线的方程是二元一次方程；空间平面的方程是三元一次方程，而空间直线视为两个平面相交，由两个三元一次方程所组成的方程组来表示。含有n个未知量的一次方程称为线性方程。关于变量是一次的函数称为线性函数。线性关系问题简称线性问题。解线性方程组的问题是最简单的线性问题。

所谓“线性”，指的就是如下的数学关系：。其中，f叫线性算子或线性映射。所谓“代数”，指的就是用符号代替元素和运算，也就是说：我们不关心上面的x，y是实数还是函数，也不关心f是多项式还是微分，我们统一把他们都抽象成一个记号，或是一类矩阵。合在一起，线性代数研究的就是：满足线性关系的线性算子f都有哪几类，以及他们分别都有什么性质。

历史

九章算术
线性代数作为一个独立的分支在20世纪才形成，然而它的历史却非常久远。“鸡兔同笼”问题实际上就是一个简单的线性方程组求解的问题。最古老的线性问题是线性方程组的解法，在中国古代的数学着作《九章算术·方程》章中，已经作了比较完整的叙述，其中所述方法实质上相当于现代的对方程组的增广矩阵的行施行初等变换，消去未知量的方法。

由于费马和笛卡儿的工作，现代意义的线性代数基本上出现于十七世纪。直到十八世纪末，线性代数的领域还只限于平面与空间。十九世纪上半叶才完成了到n维线性空间的过渡。

随着研究线性方程组和变量的线性变换问题的深入，行列式和矩阵在18～19世纪期间先后产生，为处理线性问题提供了有力的工具，从而推动了线性代数的发展。向量概念的引入，形成了向量空间的概念。凡是线性问题都可以用向量空间的观点加以讨论。因此，向量空间及其线性变换，以及与此相联系的矩阵理论，构成了线性代数的中心内容。

凯莱
矩阵论始于凯莱，在十九世纪下半叶，因若当的工作而达到了它的顶点。1888年，皮亚诺以公理的方式定义了有限维或无限维线性空间。托普利茨将线性代数的主要定理推广到任意体（domain）上的最一般的向量空间中。线性映射的概念在大多数情况下能够摆脱矩阵计算而不依赖于基的选择。不用交换体而用未必交换之体或环作为算子之定义域，这就引向模（mole）的概念，这一概念很显着地推广了线性空间的理论和重新整理了十九世纪所研究过的情况。

“代数”这个词在中文中出现较晚，在清代时才传入中国，当时被人们译成“阿尔热巴拉”，直到1859年，清代着名的数学家、翻译家李善兰才将它翻译成为“代数学”，之后一直沿用。
学术地位
线性代数在数学、物理学和技术学科中有各种重要应用，因而它在各种代数分支中占居首要地位。在计算机广泛应用的今天，计算机图形学、计算机辅助设计、密码学、虚拟现实等技术无不以线性代数为其理论和算法基础的一部分。线性代数所体现的几何观念与代数方法之间的联系，从具体概念抽象出来的公理化方法以及严谨的逻辑推证、巧妙的归纳综合等，对于强化人们的数学训练，增益科学智能是非常有用的。随着科学的发展，我们不仅要研究单个变量之间的关系，还要进一步研究多个变量之间的关系，各种实际问题在大多数情况下可以线性化，而由于计算机的发展，线性化了的问题又可以被计算出来，线性代数正是解决这些问题的有力工具。线性代数的计算方法也是计算数学里一个很重要的内容。

线性代数的含义随数学的发展而不断扩大。线性代数的理论和方法已经渗透到数学的许多分支，同时也是理论物理和理论化学所不可缺少的代数基础知识。

“以直代曲”是人们处理很多数学问题时一个很自然的思想。很多实际问题的处理，最后往往归结为线性问题，它比较容易处理。因此，线性代数在工程技术和国民经济的许多领域都有着广泛的应用，是一门基本的和重要的学科。

如果进入科研领域，你就会发现，只要不是线性的东西，我们基本都不会！线性是人类少数可以研究得非常透彻的数学基础性框架。学好线性代数，你就掌握了绝大多数可解问题的钥匙。有了这把钥匙，再加上相应的知识补充，你就可以求解相应的问题。可以说，不学线性代数，你就漏过了95%的人类智慧！非线性的问题极为困难，我们并没有足够多的通用的性质和定理用于求解具体问题。如果能够把非线性的问题化为线性的，这是我们一定要走的方向！

事实上，微积分“以直代曲”的思想就是将整体非线性化为局部线性的一个经典的例子，尽管高等数学在定义微分时并没有用到一点线性代数的内容。许多非线性问题的处理――譬如流形、微分几何等，最后往往转化为线性问题。包括科学研究中，非线性模型通常也可以被近似为线性模型。随着研究对象的复杂化与抽象化，对非线性问题线性化，以及对线性问题的求解，就难免涉及到线性代数的术语和方法了。从这个意义上，线性代数可以被认为是许多近、现代数学分支的共同基础。

基本介绍
线性（linear）指量与量之间按比例、成直线的关系，在数学上可以理解为一阶导数为常数的函数。

非线性（non-linear）则指不按比例、不成直线的关系，一阶导数不为常数。

线性代数起源于对二维和三维直角坐标系的研究。在这里，一个向量是一个有方向的线段，由长度和方向同时表示。这样向量可以用来表示物理量，比如力，也可以和标量做加法和乘法。这就是实数向量空间的第一个例子。

向量
现代线性代数已经扩展到研究任意或无限维空间。一个维数为n的向量空间叫做n维空间。在二维和三维空间中大多数有用的结论可以扩展到这些高维空间。尽管许多人不容易想象n维空间中的向量，这样的向量（即n元组）用来表示数据非常有效。由于作为n元组，向量是n个元素的“有序”列表，大多数人可以在这种框架中有效地概括和操纵数据。比如，在经济学中可以使用 8 维向量来表示 8 个国家的国民生产总值（GNP）。当所有国家的顺序排定之后，比如（中国、美国、英国、法国、德国、西班牙、印度、澳大利亚），可以使用向量（v1,v2,v3,v4,v5,v6,v7,v8）显示这些国家某一年各自的 GNP。这里，每个国家的 GNP 都在各自的位置上。

作为证明定理而使用的纯抽象概念，向量空间（线性空间）属于抽象代数的一部分，而且已经非常好地融入了这个领域。一些显着的例子有：不可逆线性映射或矩阵的群，向量空间的线性映射的环。线性代数也在数学分析中扮演重要角色，特别在向量分析中描述高阶导数，研究张量积和可交换映射等领域。

向量空间是在域上定义的，比如实数域或复数域。线性算子将线性空间的元素映射到另一个线性空间（也可以是同一个线性空间），保持向量空间上加法和标量乘法的一致性。所有这种变换组成的集合本身也是一个向量空间。如果一个线性空间的基是确定的，所有线性变换都可以表示为一个数表，称为矩阵。对矩阵性质和矩阵算法的深入研究（包括行列式和特征向量）也被认为是线性代数的一部分。

我们可以简单地说数学中的线性问题——-那些表现出线性的问题——是最容易被解决的。比如微分学研究很多函数线性近似的问题。在实践中与非线性问题的差异是很重要的。

线性代数方法是指使用线性观点看待问题，并用线性代数的语言描述它、解决它（必要时可使用矩阵运算）的方法。这是数学与工程学中最主要的应用之一。

⑹ 线性代数,矩阵对角化与二次型标准化,计算方法有什么区别

我线性代数已经学完很久了
具体证明出来的，我肯定推不出来
但是我知道是几阶矩阵，就是几次方。肯定对的
你可以按我说的，自己推一下
.
.
明白了，就采纳啊，别让我白帮你

⑺ 线性代数的解题方法和运算方法

1、行列式
1. 行列式共有 个元素，展开后有 项，可分解为 行列式；
2. 代数余子式的性质：
①、 和 的大小无关；
②、某行（列）的元素乘以其它行（列）元素的代数余子式为0；
③、某行（列）的元素乘以该行（列）元素的代数余子式为 ；
3. 代数余子式和余子式的关系：
4. 设 行列式 ：
将 上、下翻转或左右翻转，所得行列式为 ，则 ；
将 顺时针或逆时针旋转 ，所得行列式为 ，则 ；
将 主对角线翻转后（转置），所得行列式为 ，则 ；
将 主副角线翻转后，所得行列式为 ，则 ；
5. 行列式的重要公式：
①、主对角行列式：主对角元素的乘积；
②、副对角行列式：副对角元素的乘积 ；
③、上、下三角行列式（ ）：主对角元素的乘积；
④、 和 ：副对角元素的乘积 ；
⑤、拉普拉斯展开式： 、
⑥、范德蒙行列式：大指标减小指标的连乘积；
⑦、特征值；
6. 对于 阶行列式 ，恒有： ，其中 为 阶主子式；
7. 证明 的方法：
①、 ；
②、反证法；
③、构造齐次方程组 ，证明其有非零解；
④、利用秩，证明 ；
⑤、证明0是其特征值；
2、矩阵
1. 是 阶可逆矩阵：
（是非奇异矩阵）；
（是满秩矩阵）
的行（列）向量组线性无关；
齐次方程组 有非零解；
， 总有唯一解；
与 等价；
可表示成若干个初等矩阵的乘积；
的特征值全不为0；
是正定矩阵；
的行（列）向量组是 的一组基；
是 中某两组基的过渡矩阵；
2. 对于 阶矩阵 ： 无条件恒成立；
3.

4. 矩阵是表格，推导符号为波浪号或箭头；行列式是数值，可求代数和；
5. 关于分块矩阵的重要结论，其中均 、 可逆：
若 ，则：
Ⅰ、 ；
Ⅱ、 ；
②、 ；（主对角分块）
③、 ；（副对角分块）
④、 ；（拉普拉斯）
⑤、 ；（拉普拉斯）
3、矩阵的初等变换与线性方程组
1. 一个 矩阵 ，总可经过初等变换化为标准形，其标准形是唯一确定的： ；
等价类：所有与 等价的矩阵组成的一个集合，称为一个等价类；标准形为其形状最简单的矩阵；
对于同型矩阵 、 ，若 ；
2. 行最简形矩阵：
①、只能通过初等行变换获得；
②、每行首个非0元素必须为1；
③、每行首个非0元素所在列的其他元素必须为0；
3. 初等行变换的应用：（初等列变换类似，或转置后采用初等行变换）
①、 若 ，则 可逆，且 ；
②、对矩阵 做初等行变化，当 变为 时， 就变成 ，即： ；
③、求解线形方程组：对于 个未知数 个方程 ，如果 ，则 可逆，且 ；
4. 初等矩阵和对角矩阵的概念：
①、初等矩阵是行变换还是列变换，由其位置决定：左乘为初等行矩阵、右乘为初等列矩阵；
②、 ，左乘矩阵 ， 乘 的各行元素；右乘， 乘 的各列元素；
③、对调两行或两列，符号 ，且 ，例如： ；
④、倍乘某行或某列，符号 ，且 ，例如： ；
⑤、倍加某行或某列，符号 ,且 ，如： ；
5. 矩阵秩的基本性质：
①、 ；
②、 ；
③、若 ，则 ；
④、若 、 可逆，则 ；（可逆矩阵不影响矩阵的秩）
⑤、 ；（※）
⑥、 ；（※）
⑦、 ；（※）
⑧、如果 是 矩阵， 是 矩阵，且 ，则：（※）
Ⅰ、 的列向量全部是齐次方程组 解（转置运算后的结论）；
Ⅱ、
⑨、若 、 均为 阶方阵，则 ；
6. 三种特殊矩阵的方幂：
①、秩为1的矩阵：一定可以分解为列矩阵（向量） 行矩阵（向量）的形式，再采用结合律；
②、型如 的矩阵：利用二项展开式；
二项展开式： ；
注：Ⅰ、 展开后有 项；
Ⅱ、
Ⅲ、组合的性质： ；
③、利用特征值和相似对角化：
7. 伴随矩阵：
①、伴随矩阵的秩： ；
②、伴随矩阵的特征值： ；
③、 、
8. 关于 矩阵秩的描述：
①、 ， 中有 阶子式不为0， 阶子式全部为0；（两句话）
②、 ， 中有 阶子式全部为0；
③、 ， 中有 阶子式不为0；
9. 线性方程组： ，其中 为 矩阵，则：
①、 与方程的个数相同，即方程组 有 个方程；
②、 与方程组得未知数个数相同，方程组 为 元方程；
10. 线性方程组 的求解：
①、对增广矩阵 进行初等行变换（只能使用初等行变换）；
②、齐次解为对应齐次方程组的解；
③、特解：自由变量赋初值后求得；
11. 由 个未知数 个方程的方程组构成 元线性方程：
①、 ；
②、 （向量方程， 为 矩阵， 个方程， 个未知数）
③、 （全部按列分块，其中 ）；
④、 （线性表出）
⑤、有解的充要条件： （ 为未知数的个数或维数）
4、向量组的线性相关性
1. 个 维列向量所组成的向量组 ： 构成 矩阵 ；
个 维行向量所组成的向量组 ： 构成 矩阵 ；
含有有限个向量的有序向量组与矩阵一一对应；
2. ①、向量组的线性相关、无关 有、无非零解；（齐次线性方程组）
②、向量的线性表出 是否有解；（线性方程组）
③、向量组的相互线性表示 是否有解；（矩阵方程）
3. 矩阵 与 行向量组等价的充分必要条件是：齐次方程组 和 同解；( 例14)
4. ；( 例15)
5. 维向量线性相关的几何意义：
①、 线性相关 ；
②、 线性相关 坐标成比例或共线（平行）；
③、 线性相关 共面；
6. 线性相关与无关的两套定理：
若 线性相关，则 必线性相关；
若 线性无关，则 必线性无关；（向量的个数加加减减，二者为对偶）
若 维向量组 的每个向量上添上 个分量，构成 维向量组 ：
若 线性无关，则 也线性无关；反之若 线性相关，则 也线性相关；（向量组的维数加加减减）
简言之：无关组延长后仍无关，反之，不确定；
7. 向量组 （个数为 ）能由向量组 （个数为 ）线性表示，且 线性无关，则 (二版 定理7)；
向量组 能由向量组 线性表示，则 ；（ 定理3）
向量组 能由向量组 线性表示
有解；
（ 定理2）
向量组 能由向量组 等价 （ 定理2推论）
8. 方阵 可逆 存在有限个初等矩阵 ，使 ；
①、矩阵行等价： （左乘， 可逆） 与 同解
②、矩阵列等价： （右乘， 可逆）；
③、矩阵等价： （ 、 可逆）；
9. 对于矩阵 与 ：
①、若 与 行等价，则 与 的行秩相等；
②、若 与 行等价，则 与 同解，且 与 的任何对应的列向量组具有相同的线性相关性；
③、矩阵的初等变换不改变矩阵的秩；
④、矩阵 的行秩等于列秩；
10. 若 ，则：
①、 的列向量组能由 的列向量组线性表示， 为系数矩阵；
②、 的行向量组能由 的行向量组线性表示， 为系数矩阵；（转置）
11. 齐次方程组 的解一定是 的解，考试中可以直接作为定理使用，而无需证明；
①、 只有零解 只有零解；
②、 有非零解 一定存在非零解；
12. 设向量组 可由向量组 线性表示为：（ 题19结论）
（ ）
其中 为 ，且 线性无关，则 组线性无关 ；（ 与 的列向量组具有相同线性相关性）
（必要性： ；充分性：反证法）
注：当 时， 为方阵，可当作定理使用；
13. ①、对矩阵 ，存在 ， 、 的列向量线性无关；（ ）
②、对矩阵 ，存在 ， 、 的行向量线性无关；
14. 线性相关
存在一组不全为0的数 ，使得 成立；（定义）
有非零解，即 有非零解；
，系数矩阵的秩小于未知数的个数；
15. 设 的矩阵 的秩为 ，则 元齐次线性方程组 的解集 的秩为： ；
16. 若 为 的一个解， 为 的一个基础解系，则 线性无关；（ 题33结论）
5、相似矩阵和二次型
1. 正交矩阵 或 （定义），性质：
①、 的列向量都是单位向量，且两两正交，即 ；
②、若 为正交矩阵，则 也为正交阵，且 ；
③、若 、 正交阵，则 也是正交阵；
注意：求解正交阵，千万不要忘记施密特正交化和单位化；
2. 施密特正交化：
；

;
3. 对于普通方阵，不同特征值对应的特征向量线性无关；
对于实对称阵，不同特征值对应的特征向量正交；
4. ①、 与 等价 经过初等变换得到 ；
， 、 可逆；
， 、 同型；
②、 与 合同 ，其中可逆；
与 有相同的正、负惯性指数；
③、 与 相似 ；
5. 相似一定合同、合同未必相似；
若 为正交矩阵，则 ，（合同、相似的约束条件不同，相似的更严格）；
6. 为对称阵，则 为二次型矩阵；
7. 元二次型 为正定：
的正惯性指数为 ；
与 合同，即存在可逆矩阵 ，使 ；
的所有特征值均为正数；
的各阶顺序主子式均大于0；
；(必要条件)

⑻ 线性代数,矩阵对角化与二次型标准化,计算方法有什么区别

一个方阵并不一定可以对角化，即使可以对角化，其特征向量不一定正交（或者正交化）。如果是实对称阵，则一定可以对角化，且可以找到正交阵使其对角化，此时对角化与二次型的标准化是相同的。
二次型标准化的一般含义是找一个可逆矩阵C，使得(C^T)AC为对角阵。这个C并不一定要是正交阵。如果要求C为正交阵，则同时也是相似对角化。

⑼ 线代是什么意思

线性代数是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。

线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。

线性代数在数学、物理学和技术学科中有各种重要应用，因而它在各种代数分支中占居首要地位。在计算机广泛应用的今天，计算机图形学、计算机辅助设计、密码学、虚拟现实等技术无不以线性代数为其理论和算法基础的一部分。

线性代数所体现的几何观念与代数方法之间的联系，从具体概念抽象出来的公理化方法以及严谨的逻辑推证、巧妙的归纳综合等，对于强化人们的数学训练，增益科学智能是非常有用的。

随着科学的发展，我们不仅要研究单个变量之间的关系，还要进一步研究多个变量之间的关系，各种实际问题在大多数情况下可以线性化，而由于计算机的发展，线性化了的问题又可以被计算出来，线性代数正是解决这些问题的有力工具。线性代数的计算方法也是计算数学里一个很重要的内容。

(9)线性代数和计算方法区别扩展阅读：

线性代数是一个成功的理论，其方法已被应用于数学的其他分支。模论就是将线性代数中的标量的域用环替代，并进行研究，像线性无关、线性生成空间、基底、秩等概念仍然可以适用。

不过许多线性代数中的定理在模论中不成立，例如不是所有的模都有基底（有基底的模称为自由模），自由模的秩不唯一，不是所有模中的线性无关的子集都可以延伸成为基底，也不是所有模生成空间的子集都包括基底。

多重线性代数推广线性代数的方法。和线性代数一样也是建立在向量的概念上，发展向量空间的理论。在应用上，出现许多类型的张量。

在算子的谱理论中，通过数学分析，可以控制无限维矩阵。泛函分析混合线性代数和数学分析中的方式，研究许多不同函数空间，例如Lp空间。