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

12 KiB
Raw Blame History

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

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}