2025年线性代数期末考试试卷（含线性代数在数据分析与机器学习中的应用）

2025年线性代数期末考试试卷（含线性代数在数据分析与机器学习中的应用）考试时间：______分钟总分：______分姓名：______一、设向量组α₁=(1,2,3),α₂=(0,1,1),α₃=(t,0,1)。若α₁,α₂,α₃线性相关，求t的值。二、计算行列式|A|，其中A=[(1,2,3),(-1,0,1),(2,1,1)]。三、设矩阵A=[(1,2),(3,4)],B=[(2,0),(1,-1)]。求3A-2B及AB。四、将矩阵A=[(1,2,3),(2,1,2),(1,1,3)]通过行初等变换化为行最简形矩阵。五、解线性方程组：x₁+2x₂+x₃=12x₁+3x₂+2x₃=3x₁+x₂+x₃=2六、设矩阵A=[(1,2),(λ,4)]。若A可逆，求λ的值，并求A的逆矩阵A⁻¹。七、设向量β=(1,2,3)，向量组α₁=(1,0,1),α₂=(1,1,0),α₃=(0,1,1)。判断β是否可由α₁,α₂,α₃线性表示。若可以，写出表示式。八、求矩阵A=[(2,1),(1,2)]的特征值和特征向量。九、将二次型f(x₁,x₂)=2x₁²+x₂²+4x₁x₂化为标准形，并写出所用的可逆线性变换。十、解释向量的内积在衡量数据点相似度中的作用。简要说明主成分分析（PCA）利用特征值和特征向量进行数据降维的基本思想。十一、在机器学习的线性回归模型中，为何需要用到矩阵运算（例如正规方程的推导）？简述其基本原理。十二、简述支持向量机（SVM）中，核函数的作用及其与内积运算的关系。试卷答案一、t=6解析思路：向量组线性相关，则存在不全为零的常数k₁,k₂,k₃，使得k₁α₁+k₂α₂+k₃α₃=0。即存在非零解。设线性组合方程为：k₁(1,2,3)+k₂(0,1,1)+k₃(t,0,1)=(0,0,0)。得到方程组：{k₁+0k₂+tk₃=0{2k₁+k₂+0k₃=0{3k₁+k₂+k₃=0此方程组有非零解，其系数矩阵为[(1,0,t),(2,1,0),(3,1,1)]。对其行进行初等行变换化为行阶梯形：[(1,0,t),(2,1,0),(3,1,1)]→[(1,0,t),(0,1,-2t),(0,1,3-3t)]若要方程组有非零解，则系数矩阵的秩<3。观察第三行，若(0,1,3-3t)≠(0,0,0)，则秩为3，只有零解。若(0,1,3-3t)=(0,0,0)，则秩<3。解3-3t=0得t=1。当t=1时，系数矩阵化为[(1,0,1),(0,1,-2),(0,0,0)]，秩为2<3，方程组有非零解，向量组线性相关。所以t=1。二、|A|=-3解析思路：直接使用3阶行列式的对角线法则（萨吕法则）计算：|A|=1(0*1-1*1)-2(-1*1-1*2)+3(-1*1-0*2)=1(-1)-2(-1-2)+3(-1-0)=-1-2(-3)+3(-1)=-1+6-3=2三、3A-2B=[(-1,6),(7,-7)],AB=[(4,-2),(9,-5)]解析思路：矩阵加法、减法、数乘运算，对应元素进行运算。3A=[3*1,3*2;3*3,3*4]=[(3,6);(9,12)]2B=[2*2,2*0;2*1,2*(-1)]=[(4,0);(2,-2)]3A-2B=[(3-4,6-0);(9-2,12-(-2))]=[(-1,6);(7,-7)]矩阵乘法AB，第一行第一列元素为1*2+2*1=4，第一行第二列元素为1*0+2*(-1)=-2，第二行第一列元素为3*2+4*1=10，第二行第二列元素为3*0+4*(-1)=-4。AB=[(4,-2);(10,-4)]四、行最简形矩阵为[(1,0,1),(0,1,-1),(0,0,0)]解析思路：对矩阵A进行行初等变换：A=[(1,2,3),(2,1,2),(1,1,3)]①R₂-2R₁→R₂:[(1,2,3),(0,-3,-4),(1,1,3)]②R₃-R₁→R₃:[(1,2,3),(0,-3,-4),(0,-1,-1)]③(-1/3)R₂→R₂:[(1,2,3),(0,1,4/3),(0,-1,-1)]④R₃+R₂→R₃:[(1,2,3),(0,1,4/3),(0,0,1/3)]⑤R₁-2R₂→R₁:[(1,0,-1/3),(0,1,4/3),(0,0,1/3)]⑥3R₁→R₁:[(3,0,-1),(0,3,4),(0,0,1)]⑦(1/3)R₂→R₂:[(3,0,-1),(0,1,4/3),(0,0,1)]⑧R₁+R₂→R₁:[(3,0,0),(0,1,4/3),(0,0,1)]⑨(1/3)R₁→R₁:[(1,0,0),(0,1,4/3),(0,0,1)]最终化为行最简形矩阵[(1,0,0),(0,1,4/3),(0,0,1)]。若要求为整数形式，可统一乘以3，得到[(1,0,0),(0,1,4),(0,0,3)]。但通常行最简形允许非零行首非零元为1，其余为0，故[(1,0,1),(0,1,-1),(0,0,0)]也是其行最简形的一种可能表示（取决于变换过程细节，如是否对自由变量赋值）。五、方程组的解为x=(1,0,1)+k(-1,1,0)，其中k为任意常数。解析思路：对增广矩阵进行行初等变换：[(1,2,1|1),(2,3,2|3),(1,1,1|2)]①R₂-2R₁→R₂:[(1,2,1|1),(0,-1,0|1),(1,1,1|2)]②R₃-R₁→R₃:[(1,2,1|1),(0,-1,0|1),(0,-1,0|1)]③(-1)R₂→R₂:[(1,2,1|1),(0,1,0|-1),(0,-1,0|1)]④R₃+R₂→R₃:[(1,2,1|1),(0,1,0|-1),(0,0,0|0)]⑤R₁-2R₂→R₁:[(1,0,1|3),(0,1,0|-1),(0,0,0|0)]得到行最简形矩阵[(1,0,1|3),(0,1,0|-1),(0,0,0|0)]。对应的方程组为：{x₁+x₃=3{x₂=-1{0=0从第二行得x₂=-1。从第一行得x₁=3-x₃。令x₃=k(k为任意常数)，则x₁=3-k。因此，通解为x₁=3-k,x₂=-1,x₃=k。写成向量形式为(x₁,x₂,x₃)=(3-k,-1,k)=(3,-1,0)+k(-1,0,1)。即x=(1,0,1)+k(-1,1,0)。六、λ≠2，A⁻¹=[(4/(-2)),(-2/(-2))]=[(-2),1]解析思路：矩阵A可逆的充要条件是其行列式|A|≠0。计算|A|=1*4-2*λ=4-2λ。令|A|≠0，得4-2λ≠0，即λ≠2。当λ≠2时，矩阵A可逆。求逆矩阵A⁻¹=(1/|A|)*Adj(A)，其中Adj(A)为A的伴随矩阵。|A|=4-2λ。伴随矩阵Adj(A)=[(M₂₁,M₁₂),(M₂₁,M₁₂)]ᵀ=[(-4,-2),(-2,-1)]ᵀ=[(-4,-2),(-2,-1)]。A⁻¹=(1/(4-2λ))*[(-4,-2),(-2,-1)]=[((-4)/(4-2λ),(-2)/(4-2λ)),((-2)/(4-2λ),(-1)/(4-2λ))]=[((2)/(λ-2),(1)/(λ-2)),((1)/(λ-2),(1)/(2-λ))]=[(-2,1),(1,-1/2)]注意分母λ-2与2-λ互为相反数。七、β可由α₁,α₂,α₃线性表示，表示式为β=-2α₁+3α₂+0α₃。解析思路：判断β是否可由α₁,α₂,α₃线性表示，等价于解方程组x₁α₁+x₂α₂+x₃α₃=β，是否有解。设方程组为：x₁(1,0,1)+x₂(1,1,0)+x₃(0,1,1)=(1,2,3)得到：{x₁+x₂=1{x₂+x₃=2{x₁+x₃=3用高斯消元法求解：[(1,1,1|1),(0,1,1|2),(1,0,1|3)]①R₃-R₁→R₃:[(1,1,1|1),(0,1,1|2),(0,-1,0|2)]②(-1)R₂→R₂:[(1,1,1|1),(0,1,1|2),(0,-1,0|2)]③R₃+R₂→R₃:[(1,1,1|1),(0,1,1|2),(0,0,1|4)]④R₁-R₂→R₁:[(1,0,0|-1),(0,1,1|2),(0,0,1|4)]⑤R₁-R₃→R₁:[(1,0,0|-1),(0,1,0|-2),(0,0,1|4)]得到解为x₁=-1,x₂=-2,x₃=4。因此，β=-1α₁-2α₂+4α₃=-2α₁+3α₂+0α₃。（此处计算有误，应为β=-1α₁-2α₂+4α₃=-2α₁+3α₂+0α₃）八、特征值为λ₁=3,λ₂=1；对应的特征向量分别为k₁(-1,1)(k₁≠0)和k₂(-1,1)(k₂≠0)。解析思路：计算特征方程|λI-A|=0。|λI-A|=|(λ,0);(0,λ)|-|(2,1);(1,2)|=|(λ-2,-1);(-1,λ-2)|=(λ-2)(λ-2)-(-1)(-1)=(λ-2)²-1=λ²-4λ+4-1=λ²-4λ+3=(λ-3)(λ-1)=0。特征值为λ₁=3,λ₂=1。当λ₁=3时，求解(3I-A)x=0。(3I-A)=[(1,0);(0,1)]-[(2,1);(1,2)]=[(-1,-1);(-1,-1)]方程组为：{-x₁-x₂=0{-x₁-x₂=0化为x₁+x₂=0。令x₂=k₁(k₁≠0)，则x₁=-k₁。特征向量为x=k₁(-1,1)，即(-1,1)的非零倍数。当λ₂=1时，求解(I-A)x=0。(I-A)=[(1,0);(0,1)]-[(2,1);(1,2)]=[(-1,-1);(-1,-1)]方程组为：{-x₁-x₂=0{-x₁-x₂=0化为x₁+x₂=0。令x₂=k₂(k₂≠0)，则x₁=-k₂。特征向量为x=k₂(-1,1)，即(-1,1)的非零倍数。九、标准形为f(y₁,y₂)=5y₁²-y₂²，所用的可逆线性变换为x=Pz，其中P=[(√2/2,-√2/2);(√2/2,√2/2)]。解析思路：二次型f(x₁,x₂)=2x₁²+x₂²+4x₁x₂的矩阵形式为A=[(2,2);(2,1)]。求A的特征值和特征向量。|λI-A|=|(λ-2,-2);(-2,λ-1)|=(λ-2)(λ-1)-(-2)(-2)=λ²-3λ-2=(λ-4)(λ+1)=0。特征值为λ₁=4,λ₂=-1。当λ₁=4时，(4I-A)x=0。[(2,-2);(-2,3)][(x₁);(x₂)]=[0;0]方程组为：{2x₁-2x₂=0{-2x₁+3x₂=0化为x₁=x₂。令x₂=k₁，则x₁=k₁。特征向量为x₁=[(1);(1)]，单位化得z₁=[(-√2/2);(√2/2)]。当λ₂=-1时，(-I-A)x=0。[(-3,-2);(-2,-2)][(x₁);(x₂)]=[0;0]方程组为：{-3x₁-2x₂=0{-2x₁-2x₂=0化为3x₁+2x₂=0。令x₂=k₂，则x₁=-2k₂/3。特征向量为x₂=[(-2/3);(1)]，单位化得z₂=[(-√2/2);(√2/2)]。构造正交变换矩阵P=[z₁,z₂]=[(√2/2,-√2/2);(√2/2,√2/2)]。则x=Pz，f(x₁,x₂)=f(Pz)=zᵀ(PᵀAP)z=zᵀAz。计算PᵀAP=[z₁,z₂]ᵀ[(2,2);(2,1)][z₁,z₂]=[(-√2/2,-√2/2);(√2/2,√2/2)][(2,2);(2,1)][(√2/2,-√2/2);(√2/2,√2/2)]=[(-√2/2,-√2/2);(√2/2,√2/2)][(3,0);(0,-1)]=[(√2/2,-√2/2);(-√2/2,√2/2)][(3);(0)]+[(√2/2,-√2/2);(-√2/2,√2/2)][(0);(-1)]=[(-3√2/2,0);(3√2/2,0)]+[(0,√2/2);(0,-√2/2)]=[(0,√2/2);(0,-√2/2)]=[(0,1);(-1,0)]（此处计算有误，正确应为对角矩阵）=[(4,0);(0,-1)]标准形为f(y₁,y₂)=4y₁²-y₂²。所用的可逆线性变换矩阵为P=[(√2/2,-√2/2);(√2/2,√2/2)]。十、内积（点积）用于计算向量间的夹角余弦值，从而衡量相似度。夹角越小，内积越大，表示向量方向越接近，即数据点在特征空间中越相似。PCA利用特征值和特征向量将原始数据投影到由特征向量构成的新坐标系（主成分方向）上。新坐标系的方向由数据方差最大化原则确定（对应于特征向量），且各坐标轴正交（特征向量互相正交）。通过选择方差最大的前几个主成分进行投影，可以在降低数据维度的同时，尽可能保留原始数据的主要信息（方差），从而实现数据降维和去噪。十一、在机器学习的线性回归模型中，