线性代数是数学中的一个重要分支，它在物理学、工程学、计算机科学等多个领域都有着广泛的应用。掌握线性代数的基本概念和解题技巧对于学习和研究这些领域至关重要。以下是一些实用的线性代数练习题，帮助你提升解题技能。
1. 矩阵运算
题目：给定矩阵 ( A = \begin{bmatrix} 1 & 2 \ 3 & 4 \end{bmatrix} )，计算 ( A^2 )。
解答：
import numpy as np
A = np.array([[1, 2], [3, 4]])
A_squared = np.dot(A, A)
print(A_squared)
答案：( A^2 = \begin{bmatrix} 7 & 10 \ 15 & 22 \end{bmatrix} )
2. 矩阵的秩
题目：判断矩阵 ( B = \begin{bmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \ 7 & 8 & 9 \end{bmatrix} ) 的秩。
解答：
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
rank_B = np.linalg.matrix_rank(B)
print(rank_B)
答案：秩为 1。
3. 解线性方程组
题目：解线性方程组 ( \begin{cases} x + 2y = 1 \ 3x + 4y = 2 \end{cases} )。
解答：
from numpy.linalg import solve
A = np.array([[1, 2], [3, 4]])
b = np.array([1, 2])
solution = solve(A, b)
print(solution)
答案：( x = -1, y = 1 )
4. 特征值与特征向量
题目：求矩阵 ( C = \begin{bmatrix} 4 & -2 \ 2 & 1 \end{bmatrix} ) 的特征值和特征向量。
解答：
import numpy as np
C = np.array([[4, -2], [2, 1]])
eigenvalues, eigenvectors = np.linalg.eig(C)
print("特征值：", eigenvalues)
print("特征向量：", eigenvectors)
答案：特征值为 2 和 0，对应的特征向量分别为 ( \begin{bmatrix} 1 \ 1 \end{bmatrix} ) 和 ( \begin{bmatrix} 1 \ -2 \end{bmatrix} )。
5. 行列式计算
题目：计算矩阵 ( D = \begin{bmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \ 7 & 8 & 9 \end{bmatrix} ) 的行列式。
解答：
D = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
det_D = np.linalg.det(D)
print(det_D)
答案：行列式为 0。
6. 线性变换
题目：给定线性变换 ( T: \mathbb{R}^2 \rightarrow \mathbb{R}^2 )，( T(x, y) = (2x - y, x + 3y) )，求 ( T ) 的矩阵表示。
解答：
from numpy.linalg import matrix_power
T = lambda x, y: (2*x - y, x + 3*y)
A = np.array([[2, -1], [1, 3]])
print(A)
答案：( T ) 的矩阵表示为 ( \begin{bmatrix} 2 & -1 \ 1 & 3 \end{bmatrix} )。
通过以上练习题，你可以巩固线性代数的基本概念和解题技巧。在解决实际问题时，灵活运用这些知识将有助于你更好地理解和解决问题。祝你学习进步！