Files
MathNotesVersion1/公式笔记/线性代数/Ch06_线性空间与线性变换/题型6_线性变换的特征值与对角化.md
T
2026-10-04 11:44:56 +08:00

364 lines
12 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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**:$A^n = P \Lambda^n P^{-1}$