数学研究的学生已经开始了复习阶段，根据历年考试真题，和大家一起分享线性代数学科主要涉及到的知识点以及重难点有哪些。

　　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比较综合的题。

　　矩阵部分出题很灵活，频繁出现的知识点包括逆矩阵、转置矩阵、伴随矩阵、初等矩阵、分块矩阵的性质、各种运算律、矩阵相关的重要公式、矩阵可逆的判定及求逆、矩阵的秩的性质、。

　　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、二次型的内容可以看作是对核心内容的应用。

　　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示的联系

　　非齐次线性方程组是否有解对应于向量是否可由列向量组线性表示，使等式成立的一组数就是非齐次线性方程组的解。

　　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”。

　　本章知识要点包括

　　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”，其过程就是上一章相似对角化在为实对称矩阵时的应用。

　　另外正定矩阵的判断，矩阵合同的判断也是考试中常出现的内容。

　　以上分享内容，希望能帮助大家好好复习线代这一大考点，将这部分知识点吃透，掌握。预祝大家考研顺利。

文都考研的基于移动互联网、人工智能、大数据、云计算等技术的应用，文都互联网产品中心*研发出了十多款移动客户端App、SIS在线测评系统、泉题库等产品，文都云课堂内置高质量课件，随时离线观看，知识点关联讲义，附带随堂习题及解析，课程联网下载后，观看更便捷,文都专属答疑师资团队在线解答，快速便捷，支持文字、图像、视频、音频、涂鸦形式提问，联网后提交问题，获答后智能提醒。文都考研的基于移动互联网、人工智能、大数据、云计算等技术的应用可以让你随身、随时、随地、随心，充分利用坐地铁、乘公交、等人、排队碎片时间，想怎么学就怎么学,无需联网，离线学习，在文都集团数十年的教学经验、方法、数据的基础上，文都信息深度分析教育大数据，通过数据归集、分发、深度挖掘等机制，研发覆盖教务、教学乃至学员终身服务的智能学习系统。