Files
2026-10-04 11:44:56 +08:00

4.3 KiB
Raw Permalink Blame History

题型三:矩阵相似与对角化判定

识别特征

  • 问"A 能否对角化"
  • 求可逆矩阵 $P$ 使 P^{-1} A P = \Lambda
  • 判断两个矩阵是否相似
  • 涉及充要条件:n 个线性无关特征向量

解题流程

flowchart TD
    A[识别:对角化判定] --> B{给定 A}
    B --> C[求特征值 λ₁,...,λₙ]
    C --> D{对每个 λᵢ 求特征向量}
    D --> E[算几何重数 nᵢ = n-r(λᵢE-A)]
    E --> F{Σnᵢ = n?}
    F -->|是| G[可对角化<br>P = 特征向量矩阵]
    F -->|否| H[不可对角化]
    G --> I["P⁻¹AP = diag(λ₁,...,λₙ)"]

通法步骤

1. 对角化判定流程

Step 1:求 A 的所有特征值 $\lambda_1, \ldots, \lambda_k$(不同特征值)

Step 2:对每个 $\lambda_i$,求 $n - r(\lambda_i E - A)$(几何重数)

Step 3:判断 $\sum_i (\text{几何重数}) = n$?

  • 是 → A 可对角化
  • 否 → A 不可对角化

2. 构造对角化矩阵


P = (\boldsymbol{\xi}_1^{(1)}, \ldots, \boldsymbol{\xi}_{n_1}^{(1)}, \boldsymbol{\xi}_1^{(2)}, \ldots)

(按特征值分组,列向量 = 线性无关特征向量)


P^{-1} A P = \text{diag}(\underbrace{\lambda_1, \ldots, \lambda_1}_{n_1}, \underbrace{\lambda_2, \ldots, \lambda_2}_{n_2}, \ldots)

3. 相似判定

核心定理:A \sim B \iff A, B 有相同的特征多项式(充分不必要)⭐

⚠️ 重要:特征多项式相同是必要不充分条件!同特征多项式也可能不相似。

充分条件(以下之一即可):

  • A 或 B 可对角化,且特征值相同
  • 都是实对称矩阵,且特征值相同
  • A, B 都是若尔当块,但若尔当块结构相同

常见陷阱

  • n 重特征值未必有 n 个无关特征向量(需验证几何重数)
  • 相似不保持:A^{-1}, A^T, A^*, 特征向量
  • 相似保持:\det A, \text{tr}(A), 特征值, 秩
  • \text{tr}(A) = \text{tr}(B) 且 \det A = \det B 是相似的必要条件,不是充分条件
  • 对角阵 E 只与 E 相似($P^{-1} E P = E$)

经典母题

题目:判断矩阵 A = \begin{pmatrix} 1 & -1 & 1 \\ -1 & 1 & -1 \\ 1 & -1 & 1 \end{pmatrix} 能否对角化?若能,求 P 和 $\Lambda$。

解:

Step 1:特征多项式


|\lambda E - A| = \begin{vmatrix} \lambda-1 & 1 & -1 \\ 1 & \lambda-1 & 1 \\ -1 & 1 & \lambda-1 \end{vmatrix}

每行加到第 1 行(化简):


= (\lambda+1) \begin{vmatrix} 1 & 1 & -1 \\ 1 & \lambda-1 & 1 \\ -1 & 1 & \lambda-1 \end{vmatrix}

第 2 行 - 第 1 行,第 3 行 + 第 1 行:


= (\lambda+1) \begin{vmatrix} 1 & 1 & -1 \\ 0 & \lambda-2 & 2 \\ 0 & 2 & \lambda-2 \end{vmatrix} = (\lambda+1)[(\lambda-2)^2 - 4] = (\lambda+1)(\lambda^2 - 4\lambda) = \lambda(\lambda+1)(\lambda-4)

特征值:$\lambda_1 = 0, \lambda_2 = -1, \lambda_3 = 4$(3 个不同特征值)

Step 2:3 个不同特征值自动有 3 个线性无关特征向量 → 可对角化

Step 3:特征向量

$\lambda_1 = 0$:-A \boldsymbol{\xi} = \boldsymbol{0} → $\boldsymbol{\xi}_1 = (1, 0, -1)^T$(取 $x_2 = 0$)

$\lambda_2 = -1$:(-E - A) \boldsymbol{\xi} = \boldsymbol{0} → \begin{pmatrix} -2 & 1 & -1 \\ 1 & -2 & 1 \\ -1 & 1 & -2 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}

观察:第 1 行 + 第 2 行 = -第 3 行。$\Rightarrow x_1 = x_2 = x_3$,\boldsymbol{\xi}_2 = (1, 1, 1)^T

$\lambda_3 = 4$:(4E - A) \boldsymbol{\xi} = \boldsymbol{0} → \begin{pmatrix} 3 & 1 & -1 \\ 1 & 3 & 1 \\ -1 & 1 & 3 \end{pmatrix} \boldsymbol{\xi} = \boldsymbol{0}

解得 \boldsymbol{\xi}_3 = (1, -2, 1)^T

Step 4:


P = \begin{pmatrix} 1 & 1 & 1 \\ 0 & 1 & -2 \\ -1 & 1 & 1 \end{pmatrix}, \quad \Lambda = \begin{pmatrix} 0 & 0 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 4 \end{pmatrix}

复盘:

  • 3 个不同特征值自动有 3 个线性无关特征向量(充要条件中"n 重特征值"情况无需验证)
  • 这是 Ch05 大题核心

变式:设 $A = \begin{pmatrix} 1 & 0 & 0 \ 1 & 1 & 0 \ 1 & 1 & 1 \end{pmatrix}$,证明 A 不可对角化。

证:特征多项式 $|\lambda E - A| = (\lambda - 1)^3$(三角阵)

对 $\lambda = 1$:$(E - A) = \begin{pmatrix} 0 & 0 & 0 \ -1 & 0 & 0 \ -1 & -1 & 0 \end{pmatrix}$,r(E - A) = 2

故特征向量维数 = 3 - 2 = 1 < 3 → 不可对角化。