Files

364 lines
12 KiB
Markdown
Raw Permalink Normal View History

2026-10-04 11:44:56 +08:00
# 题型6:线性变换的特征值与对角化
## 识别特征
- 题目给出线性变换 $T$ 的矩阵 $A$,求 $T$ 的特征值与特征向量
- 题目要求在某一基下将 $T$ 的矩阵对角化
- 关键词:"特征值"、"特征向量"、"对角化"、"$\det(\lambda E - A) = 0$"
## 解题流程
```mermaid
flowchart TD
A[识别:特征值与对角化] --> B[求特征多项式]
B --> C[det(λE - A) = 0]
C --> D[解方程得特征值 λ₁, ..., λₙ]
D --> E[对每个 λᵢ 解 (λᵢE - A)ξ = 0]
E --> F[得基础解系 = 特征向量]
F --> G{判断是否对角化}
G -->|n 个线性无关特征向量| H[构成矩阵 P]
G -->|无关向量数 < n| I[不可对角化]
H --> J[P^(-1) A P = Λ]
```
## 通法步骤
### A. 特征值与特征向量的定义
设 $T$ 是线性空间 $V$ 上的线性变换。若 $\exists \lambda \in F$ 和非零向量 $\xi \in V$ 使
$$
T(\xi) = \lambda \xi \iff (A - \lambda E) \xi = 0 \iff (\lambda E - A) \xi = 0
$$
则 $\lambda$ 称为 $T$ 的**特征值**,$\xi$ 称为对应于 $\lambda$ 的**特征向量**。
### B. 求特征值
**Step 1**:写出特征多项式
$$
f(\lambda) = \det(\lambda E - A)
$$
**Step 2**:解方程 $f(\lambda) = 0$,得到所有特征值 $\lambda_1, \lambda_2, \ldots, \lambda_n$(含重数)。
> 注意:特征值之和 = $\text{tr}(A)$,特征值之积 = $\det A$。
### C. 求特征向量
**Step 1**:对每个特征值 $\lambda_i$,解齐次方程组
$$
(\lambda_i E - A) x = 0
$$
**Step 2**:求基础解系,即为对应 $\lambda_i$ 的特征向量。
**Step 3**:不同特征值的特征向量**线性无关**。
### D. 对角化判定
**定理**:$T$ 可对角化 $\iff$ $T$ 有 $n$ 个线性无关的特征向量(即每个 $\lambda_i$ 的几何重数 = 代数重数)。
**Step 1**:对每个特征值 $\lambda_i$,求 $(\lambda_i E - A) x = 0$ 的基础解系,得到 $k_i$ 个无关向量。
**Step 2**:若 $\sum k_i = n$,则 $T$ 可对角化;否则不可对角化。
### E. 对角化步骤
**Step 1**:求 $T$ 的 $n$ 个线性无关特征向量 $\xi_1, \ldots, \xi_n$。
**Step 2**:构成矩阵 $P = (\xi_1, \ldots, \xi_n)$。
**Step 3**:则
$$
P^{-1} A P = \Lambda = \text{diag}(\lambda_1, \lambda_2, \ldots, \lambda_n)
$$
其中 $\lambda_j$ 是 $\xi_j$ 对应的特征值。
> 🔑 **关键**:$P$ 的列是特征向量,$\Lambda$ 对角线上是**对应列**的特征值。
### F. 特征子空间
**定义**:$V_{\lambda_i} = \{\alpha \in V \mid (T - \lambda_i \mathcal{I})(\alpha) = 0\} = \ker(T - \lambda_i \mathcal{I})$
**维数**:$\dim V_{\lambda_i} = n - \text{r}(A - \lambda_i E)$
## 常见陷阱
- **陷阱 1**:特征向量必须**非零**——零向量不是任何特征值的特征向量
- **陷阱 2**:$\det(\lambda E - A) = 0$ 中,**$\lambda$ 在前**(不是 $\det(A - \lambda E)$,虽然它们差 $(-1)^n$)
- **陷阱 3**:求特征向量时,**单个特征值**可能对应**多个无关特征向量**(几何重数 > 1)
- **陷阱 4**:对角化矩阵 $P^{-1} A P$ 中,$P$ 的列与 $\Lambda$ 对角线**对应**——不是任意顺序都能对角化
- **陷阱 5**:特征值总重数 $\sum$ 代数重数 = $n$,但 $\sum$ 几何重数 ≤ $n$
- **陷阱 6**:相似变换不改变特征值——验证 $P^{-1} A P$ 是否对角,只需检查 $A$ 是否有 $n$ 个无关特征向量
## 经典母题
### 母题 1:求特征值与特征向量
> **题目**:$T$ 在某基下矩阵 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}$,求 $T$ 的特征值与特征向量。
**解法**:
**Step 1:特征多项式**
$$
\det(\lambda E - A) = \begin{vmatrix} \lambda - 1 & -2 \\ -2 & \lambda - 1 \end{vmatrix} = (\lambda - 1)^2 - 4 = \lambda^2 - 2\lambda - 3 = (\lambda - 3)(\lambda + 1)
$$
**Step 2:特征值**
$\lambda_1 = 3, \lambda_2 = -1$
**Step 3:特征向量**
对 $\lambda_1 = 3$:
$$
(3E - A) \xi = \begin{pmatrix} 2 & -2 \\ -2 & 2 \end{pmatrix} \xi = 0 \Rightarrow \xi_1 = \begin{pmatrix} 1 \\ 1 \end{pmatrix}
$$
对 $\lambda_2 = -1$:
$$
(-E - A) \xi = \begin{pmatrix} -2 & -2 \\ -2 & -2 \end{pmatrix} \xi = 0 \Rightarrow \xi_2 = \begin{pmatrix} 1 \\ -1 \end{pmatrix}
$$
**结论**:$\lambda_1 = 3$ 对应特征向量 $k_1 (1, 1)^T$($k_1 \neq 0$);
$\lambda_2 = -1$ 对应特征向量 $k_2 (1, -1)^T$($k_2 \neq 0$)。
**复盘**:2 阶、2 个不同特征值 → 必有 2 个无关特征向量 → 必可对角化。
---
### 母题 2:对角化
> **题目**:将 $A = \begin{pmatrix} 1 & 2 \\ 2 & 1 \end{pmatrix}$ 对角化,求 $P$ 与 $\Lambda$。
**解法**:
由母题 1,特征向量 $\xi_1 = (1, 1)^T, \xi_2 = (1, -1)^T$。
$$
P = (\xi_1, \xi_2) = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 3 & 0 \\ 0 & -1 \end{pmatrix}
$$
**验证**:
$$
P^{-1} A P = \begin{pmatrix} 3 & 0 \\ 0 & -1 \end{pmatrix} \checkmark
$$
**复盘**:$P$ 的列 = 特征向量,$\Lambda$ 对角线 = 对应特征值。
---
### 母题 3:3 阶矩阵的对角化
> **题目**:$A = \begin{pmatrix} 1 & 2 & 2 \\ 2 & 1 & 2 \\ 2 & 2 & 1 \end{pmatrix}$,判断是否可对角化,若可以,求 $P$ 和 $\Lambda$。
**解法**:
**Step 1:特征多项式**
$$
\det(\lambda E - A) = \begin{vmatrix} \lambda - 1 & -2 & -2 \\ -2 & \lambda - 1 & -2 \\ -2 & -2 & \lambda - 1 \end{vmatrix}
$$
利用矩阵结构 $A = I + 2J$($J$ 全 1 矩阵),$J$ 的特征值为 $3, 0, 0$,故 $A$ 的特征值为 $1 + 2 \cdot 3 = 5, 1, 1$。
**Step 2:特征值**
$\lambda_1 = 5, \lambda_2 = \lambda_3 = 1$
**Step 3:特征向量**
对 $\lambda_1 = 5$:
$$
(5E - A) \xi = \begin{pmatrix} 4 & -2 & -2 \\ -2 & 4 & -2 \\ -2 & -2 & 4 \end{pmatrix} \xi = 0
$$
易得 $\xi_1 = (1, 1, 1)^T$。
对 $\lambda_2 = 1$:
$$
(E - A) \xi = \begin{pmatrix} 0 & -2 & -2 \\ -2 & 0 & -2 \\ -2 & -2 & 0 \end{pmatrix} \xi = 0
$$
方程:$x_2 + x_3 = 0, x_1 + x_3 = 0, x_1 + x_2 = 0$ → $x_1 = x_2 = -x_3$。
基础解系:$\xi_2 = (1, 1, -2)^T$,$\xi_3 = (-1, 1, 0)^T$(或 $(1, -1, 0)^T$)。
**Step 4:判断对角化**
3 个线性无关的特征向量 $\xi_1, \xi_2, \xi_3$ → **可对角化**。
**Step 5:构造 $P$ 和 $\Lambda$**
$$
P = \begin{pmatrix} 1 & 1 & -1 \\ 1 & 1 & 1 \\ 1 & -2 & 0 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 5 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{pmatrix}
$$
**复盘**:$\lambda_2 = 1$ 是**二重特征值**,但有**两个**无关特征向量 → 几何重数 = 代数重数 → 可对角化。
---
### 母题 4:不可对角化情形
> **题目**:$A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$,判断 $T$ 是否可对角化。
**解法**:
**Step 1:特征多项式**
$$
\det(\lambda E - A) = (\lambda - 1)^2
$$
**Step 2:特征值**
$\lambda_1 = \lambda_2 = 1$(二重)
**Step 3:特征向量**
$$
(E - A) \xi = \begin{pmatrix} 0 & -1 \\ 0 & 0 \end{pmatrix} \xi = 0 \Rightarrow \xi_1 = \begin{pmatrix} 1 \\ 0 \end{pmatrix}
$$
只有 1 个无关特征向量(几何重数 = 1 < 代数重数 = 2)。
**结论**:$T$ **不可对角化**。
**复盘**:重特征值 + 特征向量不足 → 不可对角化。**Jordan 块**使其无法对角化。
---
### 母题 5:用矩阵相似处理对角化
> **题目**:已知 $A = \begin{pmatrix} 1 & 4 \\ 2 & 3 \end{pmatrix}$,求 $A^n$。
**解法**:
**Step 1**:特征多项式
$$
\det(\lambda E - A) = (\lambda - 1)(\lambda - 3) - 8 = \lambda^2 - 4\lambda - 5 = (\lambda - 5)(\lambda + 1)
$$
特征值:$\lambda_1 = 5, \lambda_2 = -1$。
**Step 2**:特征向量
- $\lambda_1 = 5$: $(5E - A) \xi = \begin{pmatrix} 4 & -4 \\ -2 & 2 \end{pmatrix} \xi = 0$ → $\xi_1 = (1, 1)^T$
- $\lambda_2 = -1$: $(-E - A) \xi = \begin{pmatrix} -2 & -4 \\ -2 & -4 \end{pmatrix} \xi = 0$ → $\xi_2 = (2, -1)^T$
**Step 3**:构造 $P = \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix}$,$P^{-1} = -\frac{1}{3} \begin{pmatrix} -1 & -2 \\ -1 & 1 \end{pmatrix} = \frac{1}{3} \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix}$
**Step 4**:$A = P \Lambda P^{-1}$,$A^n = P \Lambda^n P^{-1}$
$$
\Lambda^n = \begin{pmatrix} 5^n & 0 \\ 0 & (-1)^n \end{pmatrix}
$$
$$
A^n = \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 5^n & 0 \\ 0 & (-1)^n \end{pmatrix} \cdot \frac{1}{3} \begin{pmatrix} 1 & 2 \\ 1 & -1 \end{pmatrix}
$$
$$
= \frac{1}{3} \begin{pmatrix} 5^n + 2(-1)^n & 2 \cdot 5^n - 2(-1)^n \\ 5^n - (-1)^n & 2 \cdot 5^n + (-1)^n \end{pmatrix}
$$
**复盘**:**对角化的核心应用**是**计算矩阵的幂**——$A^n = P \Lambda^n P^{-1}$。
---
### 母题 6:抽象空间中的特征值
> **题目**:$V = P[x]_2$,$T(p(x)) = p'(x)$(求导)。求 $T$ 的特征值与特征向量。
**解法**:
**Step 1**:写出 $T$ 在基 $\mathcal{A} = (1, x, x^2)$ 下的矩阵
$$
A = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 2 \\ 0 & 0 & 0 \end{pmatrix}
$$
**Step 2**:特征多项式
$$
\det(\lambda E - A) = \lambda^3 = 0
$$
**特征值**:$\lambda_1 = \lambda_2 = \lambda_3 = 0$(三重)
**Step 3**:特征向量
$(\lambda E - A) \xi = 0$,即 $-A \xi = 0$。
$A \xi = 0$ → $\xi_2 = 0, 2\xi_3 = 0, 0 = 0$ → $\xi_3 = 0, \xi_2 = 0$,$\xi_1$ 任意。
**特征向量**:仅 $(c, 0, 0)^T$($c \neq 0$),即常数多项式 $c$。
**结论**:仅有 1 个线性无关特征向量 → **不可对角化**。
**复盘**:抽象空间中的特征值问题,**转化为矩阵的对应问题**。
---
### 母题 7:综合对角化(多基复合)
> **题目**:$T$ 在基 $\mathcal{A}$ 下的矩阵 $A = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}$,从 $\mathcal{A}$ 到 $\mathcal{B}$ 的过渡矩阵 $P = \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix}$。求 $T$ 在 $\mathcal{B}$ 下的矩阵 $B$,并讨论 $B$ 是否可对角化。
**解法**:
**Step 1**:$B = P^{-1} A P$
$P^{-1} = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix}$($\det P = 1$)
$$
AP = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & 2 \end{pmatrix} = \begin{pmatrix} 2 & 3 \\ 2 & 4 \end{pmatrix}
$$
$$
B = P^{-1} A P = \begin{pmatrix} 2 & -1 \\ -1 & 1 \end{pmatrix} \begin{pmatrix} 2 & 3 \\ 2 & 4 \end{pmatrix} = \begin{pmatrix} 2 & 2 \\ 0 & 1 \end{pmatrix}
$$
**Step 2**:$B$ 的特征值
$\det(\lambda E - B) = (\lambda - 2)(\lambda - 1) = 0$ → $\lambda_1 = 2, \lambda_2 = 1$
**Step 3**:特征向量
- $\lambda_1 = 2$: $(2E - B) \xi = \begin{pmatrix} 0 & -2 \\ 0 & 1 \end{pmatrix} \xi = 0$ → $\xi_1 = (1, 0)^T$
- $\lambda_2 = 1$: $(E - B) \xi = \begin{pmatrix} -1 & -2 \\ 0 & 0 \end{pmatrix} \xi = 0$ → $x_1 + 2x_2 = 0$ → $\xi_2 = (2, -1)^T$
**结论**:$B$ 有 2 个无关特征向量 → **可对角化**。
$P' = \begin{pmatrix} 1 & 2 \\ 0 & -1 \end{pmatrix}$,$(P')^{-1} B P' = \begin{pmatrix} 2 & 0 \\ 0 & 1 \end{pmatrix} = \Lambda$
**复盘**:**相似矩阵有相同的特征值**——$A$ 和 $B$ 特征值相同($1, 2$)。
---
### 母题 8:特征值与对角化综合应用
> **题目**:设 $A = \begin{pmatrix} 0 & 1 \\ 1 & 0 \end{pmatrix}$,求 $A^{100}$。
**解法**:
**Step 1**:特征值
$\det(\lambda E - A) = \lambda^2 - 1 = 0$ → $\lambda_1 = 1, \lambda_2 = -1$
**Step 2**:特征向量
- $\lambda_1 = 1$: $(E - A) \xi = \begin{pmatrix} 1 & -1 \\ -1 & 1 \end{pmatrix} \xi = 0$ → $\xi_1 = (1, 1)^T$
- $\lambda_2 = -1$: $(-E - A) \xi = \begin{pmatrix} -1 & -1 \\ -1 & -1 \end{pmatrix} \xi = 0$ → $\xi_2 = (1, -1)^T$
**Step 3**:构造 $P = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$,$P^{-1} = \frac{1}{2} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$
**Step 4**:$A^{100} = P \Lambda^{100} P^{-1}$
$$
\Lambda^{100} = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix} = E \quad (\text{因为 } 1^{100} = 1, (-1)^{100} = 1)
$$
$$
A^{100} = P E P^{-1} = E = \begin{pmatrix} 1 & 0 \\ 0 & 1 \end{pmatrix}
$$
**复盘**:$\Lambda^{100}$ 中 $(-1)^{100} = 1$,所以 $A^{100} = E$。这是**矩阵对角化求高次幂**的经典应用。
---
> **口诀**:
> - **特征值**:解 $\det(\lambda E - A) = 0$
> - **特征向量**:解 $(\lambda E - A) \xi = 0$
> - **可对角化**:$n$ 个无关特征向量(几何重数 = 代数重数)
> - **对角化公式**:$P^{-1} A P = \Lambda$($P$ 的列 = 特征向量)
> - **应用**:$A^n = P \Lambda^n P^{-1}$