简介：矩阵论期末考试参考答案是一份针对矩阵论课程期末考试的完整解题资料，面向正在复习矩阵论、线性代数的本科生及考研备考生，也适用于需要快速回顾核心计算方法的工程类学生。资源包内共1个PDF文件，大小约284KB，文件为整卷详细解答，排版紧凑，可下载后直接打印或屏幕阅读。目前已有618人学习使用，是同类备考资料中较受欢迎的参考之一。解答覆盖特征值与特征向量、约当标准形与Smith标准形、正交化与QR分解、矩阵范数、线性微分方程组等核心考点，每一大题都给出了从矩阵初等变换、中间推导到最终答案的完整步骤。同时附有P矩阵求逆、范数不等式证明等细节，可帮助读者厘清解题思路，系统掌握矩阵论的主要计算技巧与常见题型。

1. 矩阵论期末复习：一份五道题参考答案能把考点串多全

矩阵论期末考试前一晚，很多人手上都有一份参考答案，但真正能把它用成救命稻草的没几个——因为答案只给结果，不给为什么这么算。今天拆的这份资源恰好反着来：五道大题，从Jordan标准形到QR分解，从范数不等式到矩阵指数解微分方程组，再到Moore-Penrose广义逆，每一步推导都留在纸上。它适合三类人：考前突击的硕士生、要给学生讲题出题的助教、以及工作中要手算中等规模矩阵的工程师。我按题目顺序拆开讲，重点放在“过程怎么理解、中间哪些地方容易出错、哪些数值必须核对”。

2. Jordan标准形：从λI−A到变换矩阵P的三步递推

第一题给出矩阵

[ A=\begin{bmatrix}5&5&-2\-2&-1&1\-1&-1&2\end{bmatrix} ]

要求Jordan标准形J和可逆矩阵P，使 (P^{-1}AP=J)。这类题在矩阵论考试里是压轴常客，完整链条是：特征矩阵 → Smith标准形 → 不变因子 → 初等因子 → Jordan块 → 特征向量链。参考答案正好按这条线走，我就沿着它拆。

2.1 Smith标准形：把λI−A化成主对角多项式矩阵

先写特征矩阵

[ \lambda I-A=\begin{bmatrix}\lambda-5&-5&2\2&\lambda+1&-1\1&1&\lambda-2\end{bmatrix} ]

Smith标准形的目标，是通过初等行变换和初等列变换，把这个矩阵化成主对角线上依次排列的多项式 (d_1(\lambda),d_2(\lambda),d_3(\lambda))，并要求 (d_1\mid d_2\mid d_3)。参考答案用的思路是：先利用矩阵里现成的常数1做枢轴，把第一行第一列以外的元素消掉，再逐步把低次多项式“挤”向右下角。

化简的第一步很关键：第三行第一列正好是1，把它换到(1,1)位置，然后用它消去第一列其余元素和第一行其余元素。消完后剩下的2×2子块里全是含λ的多项式，继续对子块做同样的操作。参考答案经过三四轮整理，最终得到

[ \lambda I-A \simeq \begin{bmatrix}1&0&0\0&1&0\0&0&(\lambda-2)^3\end{bmatrix} ]

为什么最后一定是三次多项式而不是别的？可以从行列式因子验证：三阶行列式因子 (D_3(\lambda)=|\lambda I-A|) 计算出来正好是 ((\lambda-2)^3)；一阶、二阶行列式因子都是常数1，于是不变因子就是 ({1,1,(\lambda-2)^3})。这个验证方法比反复化简更快，适合做完后自查。

提示：Smith标准形的主对角线是唯一的，但中间消元过程不唯一。不要因为自己化简路径和参考答案不一样就怀疑算错，只要最后对角元满足整除关系、行列式因子对得上，结果就是对的。

2.2 不变因子与初等因子：Jordan块的大小由幂次决定

从Smith标准形里可以直接读出三个不变因子：(1,1,(\lambda-2)^3)。不变因子中的常数因子不产生信息，真正有用的是非恒定多项式 ((\lambda-2)^3)。把它继续分解成不可约因子的幂，就得到初等因子集合：

[ {(\lambda-2)^3} ]

这里只有一个初等因子，对应规则是：每个初等因子 ((\lambda-\lambda_0)^k) 对应一个k阶Jordan块，不是k个一阶块。所以这个三重特征值2对应的是一个3阶Jordan块：

[ J=\begin{bmatrix}2&1&0\0&2&1\0&0&2\end{bmatrix} ]

主对角线全是2，超对角线全是1。为什么超对角线是1而不是别的数？Jordan块的定义就是这样的标准形态：对角元是特征值，超对角元固定为1，用来表示“特征向量链”的连接关系。下面这个对照表可以帮你快速映射：

如果有多组初等因子，比如同时出现 ((\lambda-2)^3) 和 ((\lambda-1)^2)，J就是这两个块的块对角拼接，块顺序不影响标准形，但P的列顺序要跟着变。

2.3 构造变换矩阵P：从最高级广义特征向量反向递推

把P按列分块写成 (P=[P_1,P_2,P_3])，由 (AP=PJ) 展开可以得到三个方程：

[ AP_1=2P_1,\quad AP_2=P_1+2P_2,\quad AP_3=P_2+2P_3 ]

移项后变成一组链式方程：

[ (A-2I)P_1=0,\quad (A-2I)P_2=P_1,\quad (A-2I)P_3=P_2 ]

这个结构叫特征向量链：(P_1) 是普通特征向量，(P_2) 是它的一级广义特征向量，(P_3) 是二级广义特征向量。构造链的时候有个反直觉的做法：从链尾巴 (P_3) 开始，而不是从 (P_1) 开始。因为 (P_3) 满足的方程最宽松，可以先取一个简单向量，再用矩阵乘回去。

参考答案先算

[ A-2I=\begin{bmatrix}3&5&-2\-2&-3&1\-1&-1&0\end{bmatrix} ]

再算它的平方

[ (A-2I)^2=\begin{bmatrix}1&2&-1\-1&-2&1\-1&-2&1\end{bmatrix} ]

这里有个检查点：((A-2I)^3) 根据Hamilton-Cayley定理应该是零矩阵，如果平方矩阵算错，后面整条链都会歪。取 (P_3=[1,0,0]^T)，依次得到

[ P_2=(A-2I)P_3=\begin{bmatrix}3\-2\-1\end{bmatrix},\quad P_1=(A-2I)P_2=\begin{bmatrix}1\-1\-1\end{bmatrix} ]

于是

[ P=[P_1,P_2,P_3]=\begin{bmatrix}1&3&1\-1&-2&0\-1&-1&0\end{bmatrix} ]

这里必须提醒一个高频错误：P的列顺序和J的超对角位置是一一对应的。如果考试约定Jordan块是上三角形式，那么P的第1列是链头 (P_1)，第3列是链尾 (P_3)；若教材习惯用下三角Jordan块，P的列顺序就要整体反过来。先固定J的约定，再排P，否则代回 (P^{-1}AP) 会得到超对角线在下三角的块，看起来像错了但本质是约定不一致。

最后验证：直接算 (AP) 和 (PJ)，两边相等，说明P确实把A化成了J。这一步千万别省，手算矩阵最怕过程和结果对不上，多花两分钟代回原式，能避免考场上交卷后才发现的低级失误。

3. QR分解手算：Schmidt正交化与Q、R组装细节

第二题要求对一个4×4矩阵做QR分解。给出的矩阵是：

[ A=\begin{bmatrix} 1&1&1&1\ 1&2&3&4\ 1&4&9&16\ 1&8&27&64 \end{bmatrix} ]

按列分块记为 (\alpha_1,\alpha_2,\alpha_3,\alpha_4)，其中

[ \alpha_1=\begin{bmatrix}1\1\1\1\end{bmatrix},\quad \alpha_2=\begin{bmatrix}1\2\4\8\end{bmatrix},\quad \alpha_3=\begin{bmatrix}1\3\9\27\end{bmatrix},\quad \alpha_4=\begin{bmatrix}1\4\16\64\end{bmatrix} ]

QR分解的到手路径是：先用Gram-Schmidt过程把列向量组正交化，再归一化得到Q，最后反推R。整个过程手算量不小，但每一步都有明确的检查方法。

3.1 Schmidt正交化：每个新向量都减掉已有方向的投影

经典正交化公式是：

[ \beta_k=\alpha_k-\sum_{j=1}^{k-1}\frac{\langle\alpha_k,\beta_j\rangle}{\langle\beta_j,\beta_j\rangle}\beta_j ]

参考答案从 (\beta_1=\alpha_1) 开始。算第二个向量时，需要先算两个内积：

[ \langle\alpha_2,\beta_1\rangle=1+2+4+8=15,\quad \langle\beta_1,\beta_1\rangle=1+1+1+1=4 ]

所以

[ \beta_2=\alpha_2-\frac{15}{4}\beta_1 =\begin{bmatrix}1\2\4\8\end{bmatrix}-\frac{15}{4}\begin{bmatrix}1\1\1\1\end{bmatrix} =\frac{1}{4}\begin{bmatrix}-11\-7\1\17\end{bmatrix} ]

这里最容易出错的点就是分母：分母是 (\langle\beta_1,\beta_1\rangle)，也就是已经是上一轮输出的 (\beta) 的模长平方，不能顺手写成 (\langle\alpha_1,\alpha_1\rangle)。如果中间某一步 (\beta) 前面带了一个分数系数，内积计算要把系数平方后计入分母分子，否则投影系数会整体偏移一个倍数。

继续做第三、第四个向量，参考答案给出的结果是：

[ \beta_3=\alpha_3-10\beta_1-\frac{436}{115}\beta_2 ]

其中 (10=\langle\alpha_3,\beta_1\rangle/\langle\beta_1,\beta_1\rangle)，(\frac{436}{115}=\langle\alpha_3,\beta_2\rangle/\langle\beta_2,\beta_2\rangle)。这两个分数的分子分母都不好看，计算时要硬着头皮约分，不要约到一半丢掉系数。(\beta_4) 同理，系数是 (\frac{85}{4},\frac{213}{23},\frac{735}{194})，一个比一个复杂，但只要每一步内积都写清楚，照着公式机械算就不会乱。

3.2 归一化：先提系数再开方，模长才不会算错

正交化得到的 (\beta) 通常带着分数系数，归一化前先把系数提出来会省很多事。比如：

[ \beta_2=\frac{1}{4}[-11,-7,1,17]^T ]

它的模长是

[ |\beta_2|=\frac{1}{4}\sqrt{(-11)^2+(-7)^2+1^2+17^2} =\frac{\sqrt{460}}{4} ]

于是

[ \gamma_2=\frac{\beta_2}{|\beta_2|} =\frac{[-11,-7,1,17]^T}{\sqrt{460}} ]

注意这里不能用“模长是√460”就直接上场，因为 (\beta_2) 前面有 (1/4) 的系数，归一化后系数会被抵消。很多人在这一步把 (1/4) 遗忘，导致Q的第二列差一个倍数。参考答案对 (\beta_3,\beta_4) 的处理也一样，最终四个单位向量是：

[ \gamma_1=\frac{1}{2}[1,1,1,1]^T,\quad \gamma_2=\frac{[-11,-7,1,17]^T}{\sqrt{460}} ]

[ \gamma_3=\frac{[82,-21,-112,51]^T}{\sqrt{22310}},\quad \gamma_4=\frac{[-6,11,-6,1]^T}{\sqrt{194}} ]

归一化完成后最值得做的一件事，是检查两两内积是否为零、每个向量模长是否为1。手算时选一对重点抽查就行，比如 (\langle\gamma_1,\gamma_2\rangle=0)，这能拦下一半以上的低级错误。

3.3 组装Q与R：上三角矩阵的每一项来自哪里

Q就是四个单位列向量拼成的矩阵：

[ Q=[\gamma_1,\gamma_2,\gamma_3,\gamma_4] ]

R要用“原列向量在Q基下的坐标”来组装。基本关系是 (\alpha_k) 在 (\beta_j) 方向上的投影系数，写成矩阵形式就是：

[ A=QR ]

其中R是对角线为 (|\beta_1|,|\beta_2|,|\beta_3|,|\beta_4|) 的上三角矩阵，超对角元素由投影系数按位置填充。参考答案给出的R是一个4×4上三角矩阵，对角线还带着 (\frac{\sqrt{460}}{4})、(\frac{21}{15}\sqrt{22310})、(\frac{3}{97}\sqrt{194}) 这类分数根号组合。

组装时最常见的两个坑：一是有人把 (\beta) 直接当Q用，忘了归一化；二是R的列顺序跟着Q的列顺序排错，导致 (QR) 乘回去不等于A。我的习惯是组装完后随手挑一列验证，比如第一列 (Q) 乘 (R) 的第一列应该恰好等于 (\alpha_1)。只要这列对，其余列一般不会有系统性问题。

提示：QR分解不要求手算结果和参考答案完全同形，Q可以差一列符号，R对应行也差符号，这都是同一分解的合法版本。考试时只要满足 (Q^TQ=I) 且 (A=QR)，就给分。

4. 范数不等式与矩阵指数：证明套路和微分方程的配合

第三题和第四题连在一起看很有意思：第三题证明矩阵范数 (1/\infty) 的倍数关系，第四题用矩阵指数解非齐次线性微分方程组。两题都考“不等式链条”和“幂级数截断”，放在同一章讲思路更顺。

4.1 范数不等式证明：用双重求和做夹逼桥梁

题目要证明：

[ \frac{1}{n}|A|1 \le |A|\infty \le n|A|_1 ]

其中

[ |A|1=\max{j}\sum_{i=1}^{n}|a_{ij}|,\quad |A|\infty=\max{i}\sum_{j=1}^{n}|a_{ij}| ]

一个是“列绝对值和最大”，一个是“行绝对值和最大”。证明的关键是找一个同时夹住两者的量：所有元素绝对值的总和

[ S=\sum_{i=1}^{n}\sum_{j=1}^{n}|a_{ij}| ]

对S用两种不同的分组方式。按列分组，有

[ S=\sum_{j=1}^{n}\sum_{i=1}^{n}|a_{ij}| \le n\cdot \max_j\sum_{i=1}^{n}|a_{ij}| =n|A|_1 ]

另一方面，按行分组，有

[ S=\sum_{i=1}^{n}\sum_{j=1}^{n}|a_{ij}| \le n\cdot \max_i\sum_{j=1}^{n}|a_{ij}| =n|A|_\infty ]

同时S显然不小于任何一个行或列的和，所以

[ |A|1\le S,\quad |A|\infty\le S ]

把两边拼起来就得到：

[ |A|1\le n|A|\infty,\quad |A|_\infty\le n|A|_1 ]

这正是要证的结论。这个证明套路可以记成一句话：双重求和S是1范数和∞范数之间的公用天桥，方向对了，系数 (n) 自然就出来了。

4.2 矩阵指数 e^{tA}：Hamilton-Cayley把无穷级数截成三项

第四题给的是

[ A=\begin{bmatrix}1&1&1\0&1&1\0&0&1\end{bmatrix},\quad \vec f(t)=\begin{bmatrix}0\0\e^{2t}\end{bmatrix},\quad \vec x(0)=[1,1,1]^T ]

要求解 (\frac{d}{dt}\vec x(t)=A\vec x(t)+\vec f(t))。

第一步先求 (e^{tA})。A的特征值全是1，由Hamilton-Cayley定理：

[ (A-I)^3=0 ]

这个条件太理想了：矩阵指数 (e^{tA}) 的Taylor展开

[ e^{tA}=e^t e^{t(A-I)} =e^t\sum_{k=0}^{\infty}\frac{t^k}{k!}(A-I)^k ]

从 (k=3) 开始所有项都变成零矩阵，所以级数收敛成一个只有三项的多项式：

[ e^{tA}=e^t\left[I+t(A-I)+\frac{1}{2}t^2(A-I)^2\right] ]

这里要算两个简单矩阵：

[ A-I=\begin{bmatrix}0&1&1\0&0&1\0&0&0\end{bmatrix},\quad (A-I)^2=\begin{bmatrix}0&0&1\0&0&0\0&0&0\end{bmatrix} ]

再注意 ((A-I)^3=0)，于是

[ e^{tA}=e^t\begin{bmatrix} 1&t&t+\frac{1}{2}t^2\ 0&1&t\ 0&0&1 \end{bmatrix} ]

这个结果非常典型：上三角矩阵的矩阵指数，非对角元素是一次多项式、二次多项式，都来自 ((A-I)) 的幂次。

4.3 非齐次方程组的积分因子法：先乘 e^{−tA} 再积分

解非齐次方程的标准手法是积分因子法。令 (\vec x(t)=e^{tA}\vec y(t))，两边求导并把原方程代进去，可以得到

[ \frac{d}{dt}\left[e^{-tA}\vec x(t)\right]=e^{-tA}\vec f(t) ]

于是

[ e^{-tA}\vec x(t)=\vec x(0)+\int_0^t e^{-\tau A}\vec f(\tau)d\tau ]

把具体的 (e^{-tA}) 和 (\vec f) 代入。注意 (e^{-tA}) 就是把 (t) 换成 (-t)：

[ e^{-tA}=e^{-t}\begin{bmatrix} 1&-t&-t+\frac{1}{2}t^2\ 0&1&-t\ 0&0&1 \end{bmatrix} ]

乘上 (\vec f(t)=[0,0,e^{2t}]^T) 后得到：

[ e^{-tA}\vec f(t)= \begin{bmatrix} (\frac{1}{2}t^2-t)e^t\ -te^t\ e^t \end{bmatrix} ]

逐项积分，注意这里会出现 (\int t e^t dt) 这类分部积分：

[ \int_0^t \left(\frac{1}{2}\tau^2-\tau\right)e^\tau d\tau =\left(\frac{1}{2}t^2-2t+2\right)e^t-2 ]

[ \int_0^t e^\tau d\tau=e^t-1 ]

最后乘回 (e^{tA})，得到

[ \vec x(t)=\begin{bmatrix} 2e^{2t}-e^t\ e^{2t}\ e^{2t} \end{bmatrix} ]

这个结果值得做两个检查：第一，代入 (t=0)，恰好是 ([1,1,1]^T)，初值条件满足；第二，把 (x_3(t)=e^{2t}) 代回第三个方程 (\dot x_3=x_3+e^{2t})，两边都是 (2e^{2t})，方程也满足。两关都过，这个解基本就是稳的。

5. 避坑指南：手算矩阵题目的五个常见翻车点

这一章把拆这份参考答案时踩过、以及周围同学反复踩的五个坑集中列出来。每条都按“现象 → 原因 → 解决”写，考前一晚过一遍比多做三套题管用。

5.1 Smith标准形化简到一半出现分式多项式

现象：特征矩阵越化越复杂，主对角线上出现了带分数系数的 (\lambda^2) 多项式，后续消元怎么也消不掉。

原因：消元时没有优先利用矩阵中现成的常数因子做枢轴。比如第一题矩阵里有现成的1，如果先拿含λ的多项式当枢轴，系数会越带越大，甚至需要做多项式除法才能继续，手算很容易算错。

解决：先把矩阵通过行列重排把常数非零元放到(1,1)位置，用常数做枢轴消去第一行第一列，再处理右下角子块。每做完一轮，检查左上角的因子是否整除剩余块的所有元素，不能整除就说明化简路径有问题。

5.2 初等因子 ((\lambda-2)^3) 被拆成三个1阶Jordan块

现象：写出的J是 (diag(2,2,2))，也就是三个一阶Jordan块的块对角，而不是一个三阶块。代回验证发现 (P^{-1}AP) 根本等于这个对角阵，因为A其实不可对角化。

原因：把“三重特征值”直接等价为“三个一阶块”。只有矩阵可对角化时，三重特征值才对应对角元3个2；不可对角化时，必须按初等因子的幂合并成一个大块。

解决：看到初等因子 ((\lambda-\lambda_0)^k)，直接写一个k阶Jordan块，k大于1时超对角线补1。不确定时看一眼矩阵是否有足够的线性无关特征向量：特征向量个数等于几何重数，小于代数重数 (k)，就一定有大Jordan块。

5.3 P的列顺序和J的超对角位置错位

现象：算出的P代回 (P^{-1}AP) 得到的矩阵，超对角1出现在下三角而不是上三角，看起来是转置了的Jordan块。

原因：有的教材用上三角Jordan块，有的用下三角Jordan块，P的列顺序与超对角位置是配套的。按上三角块排P列，得到的自然是上三角J；如果中途换约定，P列不变，结果就变成下三角。

解决：动笔前先固定J的长相。我一般默认上三角J，即分块后

[ J=\begin{bmatrix}2&1&0\0&2&1\0&0&2\end{bmatrix} ]

然后P的列也按 (P_1,P_2,P_3) 从左到右排。最后代回验证 (AP=PJ) 时，等式成立就说明顺序没问题。

5.4 Gram-Schmidt正交化时投影分母用错向量

现象：手算的 (\beta_2,\beta_3) 和参考答案差一个有理数倍数，正交性检查发现 (\langle\beta_2,\beta_1\rangle\ne 0)。

原因：分母用了 (\langle\alpha_k,\beta_j\rangle) 或者用了归一化后的 (\gamma_j) 模长。Gram-Schmidt公式的分母必须是上一步得到的 (\beta_j) 的模长平方，分子才是交叉内积。如果把分母写反，投影方向不变但投影长度全错。

解决：固定书写格式，每一步写成

[ \beta_k=\alpha_k-\sum_{j<k}\frac{\langle\alpha_k,\beta_j\rangle}{\langle\beta_j,\beta_j\rangle}\beta_j ]

每算完一个 (\beta_k)，立刻验算它与前面的 (\beta_1,\dots,\beta_{k-1}) 是否正交。正交性检查只需一个内积，几秒钟的事，能省大量回头重算的时间。

5.5 矩阵指数截断项数不够或漏了 (e^t) 系数

现象：非齐次微分方程解出来，代回原方程组不满足，或者 (x(0)) 不等于初值。

原因：用Hamilton-Cayley截断Taylor展式时，把级数截成了两项，漏掉 (\frac{1}{2}t^2(A-I)^2)；或者计算 (e^{tA}) 时忘记把外层的 (e^t) 因子乘进去，导致最终解差一个 (e^t)。还有积分时把 (e^{-\tau A}\vec f(\tau)) 的符号算错，分部积分结果差常数项。

解决：拿到A先求最小多项式，明确从第几项开始为零。上三角Jordan块 (J_3(1)) 满足 ((A-I)^3=0)，展开必须保留到二次项。最后做双重检查：先代 (t=0) 看初值，再代回原方程看两端是否恒等。这两个检查都通过，答案基本不会错。

6. 验证技巧：用广义逆公理和数值复核把参考答案吃透

最后一道题给了一个4×4矩阵和右端向量 (\vec b=[a,b,c,d]^T)，要求Moore-Penrose广义逆G并讨论线性方程组 (A\vec x=\vec b) 的可解条件。这份参考答案的亮点在于最后用广义逆的一个核心判据——相容性条件 (AG\vec b=\vec b)，把所有情况一次性收敛。拆完这道题，我反而想把它当成一种普适的验证手段来推荐。

先看参考答案给出的事实。A的秩为3，满秩分解后得到的广义逆是

[ G=\frac{1}{8} \begin{bmatrix} 3&-1&-1&3\ 3&3&-1&-1\ -1&3&3&-1\ -1&-1&3&3 \end{bmatrix} ]

计算 (I-AG) 会发现它可以分解成一个秩一阵：

[ I-AG=\frac{1}{4} \begin{bmatrix} 1\ -1\ 1\ -1 \end{bmatrix} \begin{bmatrix} 1&-1&1&-1 \end{bmatrix} ]

于是相容性条件 (AG\vec b=\vec b) 等价于 (a-b+c-d=0)。满足该条件时方程组有无穷多解，通解为 (G\vec b+(I-GA)\vec z)；不满足时无解，但 (G\vec b) 仍给出最小二乘意义下的近似解。

这个结构提示一个极有用的验证习惯：Moore-Penrose广义逆有四条公理，是判断“算出的G是不是广义逆”的最硬标准。这四条公理是：

[ AGA=A,\quad GAG=G,\quad (AG)^T=AG,\quad (GA)^T=GA ]

我一般会把参考答案算出来的G逐条代进去验。只要前面三条等式成立、两个对称性也成立，G就一定是Moore-Penrose广义逆，哪怕它和课本答案长得不一样。这个验证比重新算一遍满秩分解快得多，也稳得多。

除了手算验证，数值复核也是个好习惯。像这种4×4的矩阵，用小型脚本几十秒就能复核完。常见的做法是写一个十来行的Python脚本，分别对Jordan标准形、QR分解、广义逆做断言：

import numpy as np A = np.array([[1,1,0,0], [0,1,1,0], [0,0,1,1], [1,0,0,1]], dtype=float) # 用 SVD 求 Moore-Penrose 广义逆 G = np.linalg.pinv(A) # 验证四条公理 print("AGA == A:", np.allclose(A @ G @ A, A)) print("GAG == G:", np.allclose(G @ A @ G, G)) print("(AG)^T == AG:", np.allclose((A @ G).T, A @ G)) print("(GA)^T == GA:", np.allclose((G @ A).T, G @ A))

这个脚本零风险，跑出来四个True，手算答案就锁死了。用 (\mathtt{np.linalg.pinv}) 做复核时，要注意数值误差，用 (\mathtt{allclose}) 而不是严格相等，因为浮点运算会带来 (10^{-16}) 量级的残差。

从那以后，我每次手算完矩阵题，都强制自己走一遍“反向代入 + 公理验证 + 数值复核”三步。反向代入是把P代回 (P^{-1}AP)、把Q代回 (Q^TQ=I)、把解代回原方程；公理验证专门对付广义逆；数值复核兜底。这三个动作加起来不到十分钟，但能拦住几乎所有翻车。希望这份拆解能帮你在考前把五类题型的路数真正吃透，拿到题不再是对着答案猜过程。

本文还有配套的精品资源，点击获取