Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/线性代数-第5讲-特征值与特征向量/02-点1-定义与求法.md
T

306 lines
19 KiB
Markdown
Raw Normal View History

---
tags: [数学一, 在学练习, 线性代数, 特征值, 定义与求法]
专题: 线性代数 第5讲 · 点1 定义与求法
日期: 2026-10-24
状态: 知识点带题(1.1 定义与特征方程、1.2 求法、1.3 几何重数与对角化判据、1.4 性质,7 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 1 定义与求法
> 真题锚点:一切题的第 1 步|重要度 ★★★
> 依赖:第 1 讲行列式、第 4 讲齐次方程。盘点对应:§1 全节。
**组织原则**:先列知识点(定义 → 求法 → 性质),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 1.1 定义与特征方程(出处:[知识章 similar.tex §1](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
若存在**数** $\lambda$ 与**非零**向量 $\xi$ 使 $A\xi=\lambda\xi$ ,称 $\lambda$ 为特征值、$\xi$ 为属于 $\lambda$ 的特征向量。三条等价改写:
$$A\xi=\lambda\xi\iff(\lambda E-A)\xi=0\iff\xi\ \text{是}\ (\lambda E-A)x=0\ \text{的非零解}.$$
故 $\lambda$ 是特征值 $\iff\lvert\lambda E-A\rvert=0$ (**特征方程**)。
**四条易错**:特征向量必须非零;$\lambda$ 可为 0 或负数;$\lvert\lambda E-A\rvert$ 与 $\lvert A-\lambda E\rvert$ 只差 $(-1)^n$ ;特征向量不唯一(任意非零倍数)。
## 知识点 1.2 特征值与特征向量的求法(出处:[练习章 similar.tex §1](../../../../参考仓库/Math/linear-algebra/exercise/5-similar/similar.tex))
四步:① 算 $\lvert\lambda E-A\rvert$ 并因式分解;② 写出全部 $\lambda_i$ 与代数重数;③ 对每个 $\lambda_i$ 解 $(\lambda_iE-A)x=0$ 求基础解系;④ 写成 $k_1\xi_{i1}+\cdots$ (系数不全为零)。
**二阶速算**:$\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0$ 。
**捷径**:若 $\lambda_iE-A$ 各行之和为零,则 $(\lambda_iE-A)(1,\dots,1)^{\mathrm T}=0$ ,直接得特征向量。
## 知识点 1.3 几何重数与可对角化判据(够用版,出处:[知识章 similar.tex §4](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
求出全部特征值**还不算完**:本讲的题有一多半会追问"能不能对角化"。判它只需要一个数——几何重数。
**两个重数**:
- **代数重数** $n_i$ :$\lambda_i$ 作为 $\lvert\lambda E-A\rvert=0$ 根的重数,即因式分解里 $(\lambda-\lambda_i)$ 的指数。
- **几何重数** $m_i$ :特征子空间 $\{\xi:(\lambda_iE-A)\xi=0\}$ 的维数,算法是
$$m_i=n-r(\lambda_iE-A),$$
它也等于属于 $\lambda_i$ 的**线性无关特征向量的最大个数**(基础解系里向量的个数)。
**基本不等式**(恒成立,可用来验算):
$$1\leqslant m_i\leqslant n_i .$$
**可对角化的充要条件**(四种说法同义,记任意一条):
$$A\ \text{可对角化}\iff\text{每个}\ \lambda_i\ \text{都满足}\ m_i=n_i\iff\sum_i m_i=n\iff A\ \text{有}\ n\ \text{个线性无关的特征向量}.$$
**判定三步**(考场上就照这个走):
1. 解 $\lvert\lambda E-A\rvert=0$ ,把全部 $\lambda_i$ 与代数重数 $n_i$ 写全;
2. **只对 $n_i\geqslant2$ 的** $\lambda_i$ 算 $r(\lambda_iE-A)$ ,得 $m_i=n-r$ ——单根必有 $m_i=n_i=1$ ,不必算;
3. 一旦出现某个 $m_i<n_i$ ,**立即判定不可对角化**(缺 $n_i-m_i$ 个向量,补不回来);全部相等才可对角化。
**两个反直觉点**(判据最爱在这里挖坑):
- **有重根不等于不可对角化**:$\mathrm{diag}(1,1,2)$ 的 $\lambda=1$ 是二重根,但 $r(E-A)=1$ ,$m_1=2=n_1$ ,照样可对角化。
- **可对角化不等于特征值互异**:$E$ 只有三重特征值 $1$ ,可它本身就是对角阵。所以"$n$ 个互异特征值 $\Rightarrow$ 可对角化"只是**充分**条件(见 1.4 第 3 条),反之不成立。
**对照**(同一个二重根,两种命运):
| 矩阵 | $\lambda=1$ 的 $n_1$ | $r(E-A)$ | $m_1$ | 结论 |
|---|---|---|---|---|
| $\mathrm{diag}(1,1,2)$ | 2 | 1 | 2 | 可对角化 |
| $\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix}$ | 2 | 2 | 1 | 不可对角化 |
差别只在 $r(\lambda E-A)$ :**秩越小,解空间越大,能凑出的特征向量越多**。跑到这一步还差一个,就是差在"$\lambda E-A$ 比想象中多了一行"。
> 本节只给"判据 + 算法"。**完整推导与更多判定例题**见 [点 2 §2.3 重数与几何重数](01-知识点盘点.md#user-content-23-重数与几何重数) 、[点 3 §3.2 相似对角化的充要条件](01-知识点盘点.md#user-content-32-相似对角化的充要条件) ;$P$ 怎么拼、$A^{k}$ 怎么算见点 3、点 6。
## 知识点 1.4 特征向量的性质(出处:[知识章 similar.tex §2](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
1. **同一特征值**的特征向量的任意非零线性组合仍是该特征值的特征向量。
2. **不同特征值**的特征向量**线性无关**(最重要的性质,$P$ 可逆的根基)。
3. 推论:有 $n$ 个互异特征值 $\Rightarrow$ 必可对角化。
4. 特征向量**不能跨特征值相加**。
---
## 题目(按知识点顺序对应)
### 题 1 · 1.1:定义的三条等价写法(★☆☆)
> 设 $A=\begin{pmatrix}2&1\\1&2\end{pmatrix}$ ,$\xi=(1,-1)^{\mathrm T}$ 。
>
> (Ⅰ)验证 $\xi$ 是 $A$ 的特征向量,并写出对应特征值;
> (Ⅱ)说明为什么 $\xi=(1,1)^{\mathrm T}$ 对应的特征值不同;
> (Ⅲ)判断:"$0$ 是 $A$ 的特征值"与"$A$ 不可逆"是否等价。
**怎么想**:定义题就是**直接乘一次**。$A\xi$ 与 $\xi$ 成比例 ⟺ 是特征向量,比例系数就是特征值。
**解**:(Ⅰ)
$$A\xi=\begin{pmatrix}2&1\\1&2\end{pmatrix}\begin{pmatrix}1\\-1\end{pmatrix}=\begin{pmatrix}2-1\\1-2\end{pmatrix}=\begin{pmatrix}1\\-1\end{pmatrix}=1\cdot\xi .$$
故 $\xi$ 是特征向量,特征值 $\lambda=1$ 。
(Ⅱ)$A\begin{pmatrix}1\\1\end{pmatrix}=\begin{pmatrix}3\\3\end{pmatrix}=3\begin{pmatrix}1\\1\end{pmatrix}$ ,对应 $\lambda=3\ne1$ 。同一矩阵不同方向的伸缩倍数可以不同,**这正是"特征"的含义**。
(Ⅲ)**等价**。$\lvert A\rvert=0\iff\lvert0\cdot E-A\rvert=0\iff0$ 是特征方程 $\lvert\lambda E-A\rvert=0$ 的根。
**验算**:$\lvert A\rvert=4-1=3\ne0$ ,与"$0$ 不是特征值"一致(本题特征值为 $1,3$ )。
**带走结论**:$A\xi=\lambda\xi$ 检验只需一次乘法。**$0$ 是特征值 $\iff$ 不可逆 $\iff$ 行列式为零**,这三条是同一个命题的三种说法。
> **关联** · 盘点 [§1.1 定义与特征方程](01-知识点盘点.md#user-content-11-定义与特征方程) | 上游 — | 下游 — | 速查 [一 三个核心动作](09-速查卡.md#user-content-一-三个核心动作)
---
### 题 2 · 1.2:二阶矩阵走完整四步(★★☆)
> 求 $A=\begin{pmatrix}2&1\\1&2\end{pmatrix}$ 的全部特征值与特征向量。
**怎么想**:二阶用速算式 $\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0$ ,比展开行列式快。求出两个根后**逐个**解 $(\lambda_iE-A)x=0$ 。
**解**:$\operatorname{tr}A=4$ ,$\lvert A\rvert=3$ ,故
$$\lambda^2-4\lambda+3=0\Longrightarrow(\lambda-1)(\lambda-3)=0\Longrightarrow\lambda_1=1,\ \lambda_2=3 .$$
**当 $\lambda_1=1$ 时**:
$$\lambda_1E-A=\begin{pmatrix}-1&-1\\-1&-1\end{pmatrix}\longrightarrow\begin{pmatrix}1&1\\0&0\end{pmatrix},$$
即 $x_1+x_2=0$ ,基础解系 $\xi_1=(1,-1)^{\mathrm T}$ 。特征向量 $k_1(1,-1)^{\mathrm T}$ ($k_1\ne0$ )。
**当 $\lambda_2=3$ 时**:
$$\lambda_2E-A=\begin{pmatrix}1&-1\\-1&1\end{pmatrix}\longrightarrow\begin{pmatrix}1&-1\\0&0\end{pmatrix},$$
即 $x_1-x_2=0$ ,基础解系 $\xi_2=(1,1)^{\mathrm T}$ 。特征向量 $k_2(1,1)^{\mathrm T}$ ($k_2\ne0$ )。
**验算**:$\operatorname{tr}A=4=1+3$ ✓;$\lvert A\rvert=3=1\times3$ ✓。
**带走结论**:二阶题**一定**用速算式,并用迹与行列式双验。两个特征向量 $(-1,1)$ 与 $(1,1)$ 恰好正交——这是实对称矩阵的必然(本讲点 4)。
> **关联** · 盘点 [§1.2 特征值与特征向量的求法](01-知识点盘点.md#user-content-12-特征值与特征向量的求法) | 上游 — | 下游 [点 1 题 3](02-点1-定义与求法.md#user-content-题-3--12分块三阶重根情形) | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
---
### 题 3 · 1.2:分块三阶,重根情形(★★☆)
> 求 $A=\begin{pmatrix}2&0&0\\0&3&1\\0&1&3\end{pmatrix}$ 的全部特征值与特征向量。
**怎么想**:$A$ 是分块对角 $\mathrm{diag}(2,\ B)$ ,$B=\begin{pmatrix}3&1\\1&3\end{pmatrix}$ 。分块三角的特征值就是各块特征值的并(**直接读**,不必展开三阶行列式)。$B$ 的特征值用二阶速算。
**解**:$A$ 分块为 $(2)$ 与 $B$ ,故特征值 $=$ $\{2\}\cup\{B$ 的特征值$\}$ 。
$B$ 的 $\operatorname{tr}B=6$ 、$\lvert B\rvert=9-1=8$ ,$\lambda^2-6\lambda+8=0\Rightarrow\lambda=2,4$ 。
所以 $A$ 的特征值为 $\lambda_1=\lambda_2=2$ (二重)、$\lambda_3=4$ 。
**当 $\lambda=2$ 时**:$2E-A=\begin{pmatrix}0&0&0\\0&-1&-1\\0&-1&-1\end{pmatrix}$ ,方程 $-x_2-x_3=0$ ,即 $x_2+x_3=0$ ,$x_1$ 自由。基础解系
$$\xi_1=(1,0,0)^{\mathrm T},\qquad\xi_2=(0,1,-1)^{\mathrm T}.$$
**当 $\lambda=4$ 时**:$4E-A=\begin{pmatrix}2&0&0\\0&1&-1\\0&-1&1\end{pmatrix}$ ,得 $x_1=0$ 、$x_2=x_3$ ,基础解系 $\xi_3=(0,1,1)^{\mathrm T}$ 。
**验算**:$\operatorname{tr}A=2+3+3=8=2+2+4$ ✓;$\lvert A\rvert=2(9-1)=16=2\cdot2\cdot4$ ✓。
**带走结论**:**分块三角矩阵的特征值就是各块特征值拼起来**,别去展开三阶行列式。$\lambda=2$ 的代数重数 2,而 $r(2E-A)=1$ 、几何重数 $=3-1=2$ ,两者相等,故本题其实可对角化(判据见 1.3)。
> **关联** · 盘点 [§1.2 特征值与特征向量的求法](01-知识点盘点.md#user-content-12-特征值与特征向量的求法) | 上游 [点 1 题 2](02-点1-定义与求法.md#user-content-题-2--12二阶矩阵走完整四步) | 下游 — | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
---
### 题 4 · 1.3:含参矩阵与可对角化判定(★★☆)
> 设 $A=\begin{pmatrix}1&1&0\\0&a&0\\0&0&1\end{pmatrix}$ ($a$ 为常数)。求 $A$ 的全部特征值,并讨论 $a$ 取何值时 $A$ 可对角化。
**怎么想**:上三角矩阵,**主对角元直接就是特征值**——这是三角矩阵的免费结论。$\lambda=1$ 恒为二重根,所以判据只需在它身上用一次:算 $r(E-A)$ 得 $m_1$ ,与 $n_1=2$ 比大小。参数 $a$ 只占第二行第二列,**它的战场只有一处,即 $r(E-A)$ 的秩** ——看清这一点,讨论就只剩两步。
**解**:$A$ 为上三角,特征多项式
$$\lvert\lambda E-A\rvert=\begin{vmatrix}\lambda-1&-1&0\\0&\lambda-a&0\\0&0&\lambda-1\end{vmatrix}=(\lambda-1)^2(\lambda-a).$$
特征值 $\lambda_1=\lambda_2=1$ (二重)、$\lambda_3=a$ 。
**① 当 $a\ne1$ 时**:三个特征值 $1,1,a$ ,其中 $1$ 是二重根,故 $n_1=2$ 。按判据算几何重数:
$$E-A=\begin{pmatrix}0&-1&0\\0&1-a&0\\0&0&0\end{pmatrix}\longrightarrow\begin{pmatrix}0&1&0\\0&0&0\\0&0&0\end{pmatrix}\quad(\text{因 }a\ne1\ \text{时}\ 1-a\ne0),$$
只有第二列非零,$r(E-A)=1$ ,故 $m_1=3-1=2=n_1$ 。**每个特征值的几何重数都等于代数重数,故 $A$ 可对角化。**
**② 当 $a=1$ 时**:$A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&1\end{pmatrix}$ ,特征值 $1$ 三重,$n_1=3$ 。此时
$$E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&0\end{pmatrix},\qquad r(E-A)=1,\qquad m_1=3-1=2<3 ,$$
**缺 $3-2=1$ 个线性无关的特征向量,补不回来,故不可对角化。**
**验算**:$\operatorname{tr}A=1+a+1=a+2=1+1+a$ ✓;$\lvert A\rvert=a=1\cdot1\cdot a$ ✓。另外 $m_1=2$ 也可直接数:$E-A$ 只给出一个方程 $x_2=0$ ,自由未知量 $x_1,x_3$ 共两个。
**带走结论**:**三角矩阵特征值直接读对角元**。重根必须查几何重数——同是"$\lambda=1$ 二重",$a\ne1$ 时 $r(E-A)=1$ 可对角化、$a=1$ 时 $r(E-A)=1$ 却不可(因为代数重数从 2 涨到 3)。**比之前先把代数重数 $n_i$ 数清**,这是本题唯一的坑。
> **关联** · 盘点 [§1.3 几何重数与可对角化判据](01-知识点盘点.md#user-content-13-几何重数与可对角化判据) | 上游 — | 下游 [点 1 题 5](02-点1-定义与求法.md#user-content-题-5--13有重根却能对角化) | 速查 [四 重数与可对角化](09-速查卡.md#user-content-四-重数与可对角化)
---
### 题 5 · 1.3:有重根却能对角化(★★☆)
> 设 $A=\begin{pmatrix}0&1&1\\1&0&1\\1&1&0\end{pmatrix}$ 。
>
> (Ⅰ)求 $A$ 的全部特征值与代数重数;
> (Ⅱ)求各特征值的几何重数,并判断 $A$ 能否对角化;
> (Ⅲ)若要写出 $P$ 使 $P^{-1}AP=\Lambda$ ,$P$ 需要几列、每列取自哪个子空间?
**怎么想**:三阶硬展开成本高,先捡两条免费信息——**各行之和都是 2**,故 $(1,1,1)^{\mathrm T}$ 必对应 $\lambda=2$ ;再用迹与行列式把剩下两个根逼出来。判据只需在二重根上算一次秩。
**解**:(Ⅰ)各行元素之和均为 $2$ ,故
$$A(1,1,1)^{\mathrm T}=(2,2,2)^{\mathrm T}=2(1,1,1)^{\mathrm T}\Longrightarrow\lambda_1=2\quad(n_1=1).$$
设另两个特征值为 $\lambda_2,\lambda_3$ 。由迹与行列式:
$$\lambda_2+\lambda_3=-\lambda_1=-2,\qquad \lambda_2\lambda_3=\frac{\lvert A\rvert}{\lambda_1}=\frac{2}{2}=1,$$
故它们是 $t^2+2t+1=(t+1)^2=0$ 的根,即 $\lambda_2=\lambda_3=-1$ (二重,$n_2=2$ )。
(Ⅱ)单根不必验(必有 $m_1=n_1=1$ )。对 $\lambda=-1$ :
$$-E-A=\begin{pmatrix}-1&-1&-1\\-1&-1&-1\\-1&-1&-1\end{pmatrix}\longrightarrow\begin{pmatrix}1&1&1\\0&0&0\\0&0&0\end{pmatrix},\qquad r(-E-A)=1,$$
故 $m_2=3-1=2=n_2$ 。**几何重数全部等于代数重数,$A$ 可对角化。**
(Ⅲ)需要 $n=3$ 列,**每个特征值各取一套,不能混着凑**:$\lambda=2$ 取 $\xi_1=(1,1,1)^{\mathrm T}$ ;$\lambda=-1$ 取 $x_1+x_2+x_3=0$ 的基础解系
$$\xi_2=(1,-1,0)^{\mathrm T},\qquad\xi_3=(1,0,-1)^{\mathrm T}.$$
$P=(\xi_1,\xi_2,\xi_3)$ 的 $\lvert P\rvert=3\ne0$ ,故 $P^{-1}AP=\mathrm{diag}(2,-1,-1)$ (拼法的完整流程与验算见点 3)。
**验算**:$\operatorname{tr}A=0=2-1-1$ ✓;$\lvert A\rvert=2=2\cdot(-1)\cdot(-1)$ ✓;$m_1+m_2=1+2=3=n$ ✓。三条全过。
**带走结论**:**重根只影响"要多算一次秩",不决定结论的方向**。本题 $\lambda=-1$ 是二重根,因 $-E-A$ 三行完全相同($r=1$ )而拿到 2 个特征向量;题 4 的 $a=1$ 同样是 $r=1$ ,但代数重数是 3,只拿到 2 个,差一个就崩。**判据的分子是 $m_i$ ,分母是 $n_i$ ,两边都要数清。**
> **关联** · 盘点 [§1.3 几何重数与可对角化判据](01-知识点盘点.md#user-content-13-几何重数与可对角化判据) | 上游 [点 1 题 4](02-点1-定义与求法.md#user-content-题-4--13含参矩阵与可对角化判定) | 下游 — | 速查 [四 重数与可对角化](09-速查卡.md#user-content-四-重数与可对角化)
---
### 题 6 · 1.4:特征向量的四条性质(★★☆)
> 设 $\lambda_1\ne\lambda_2$ ,$\xi_1$ 是 $\lambda_1$ 的特征向量,$\xi_2$ 是 $\lambda_2$ 的特征向量。判断:
>
> (Ⅰ)$\xi_1+\xi_2$ 一定是 $A$ 的特征向量;
> (Ⅱ)$2\xi_1$ 仍是 $\lambda_1$ 的特征向量;
> (Ⅲ)$\xi_1,\xi_2$ 线性无关;
> (Ⅳ)若 $A$ 为三阶,三个特征值 $\lambda_1,\lambda_2,\lambda_3$ **互不相同**,对应特征向量依次为 $\xi_1,\xi_2,\xi_3$ ,则三者线性无关。
**怎么想**:逐条对照 1.4 的四款性质。(Ⅰ)是"跨特征值相加"的经典错误,(Ⅳ)是性质 2 的反复使用。
**解**:(Ⅰ)**错**。$A(\xi_1+\xi_2)=\lambda_1\xi_1+\lambda_2\xi_2$ ,它既不等于 $\lambda_1(\xi_1+\xi_2)$ 也不等于 $\lambda_2(\xi_1+\xi_2)$ (因 $\lambda_1\ne\lambda_2$ 且 $\xi_1,\xi_2$ 无关)。
(Ⅱ)**对**。$A(2\xi_1)=2A\xi_1=2\lambda_1\xi_1=\lambda_1(2\xi_1)$ ,且 $2\xi_1\ne0$ 。同一特征值的**非零**倍数仍是特征向量。
(Ⅲ)**对**。属于不同特征值的特征向量必线性无关(性质 2)。
(Ⅳ)**对**。一般结论:**互异特征值各取一个特征向量,所得向量组必线性无关**。证明用归纳:设 $c_1\xi_1+c_2\xi_2+c_3\xi_3=0$ ,左乘 $A$ 得 $c_1\lambda_1\xi_1+c_2\lambda_2\xi_2+c_3\lambda_3\xi_3=0$ ,两式相减消去含 $\xi_3$ 的项,化为两个向量的情形,由性质 2 得 $c_1=c_2=0$ ,回代得 $c_3=0$ 。
**带走结论**:**跨特征值不能相加,同特征值可以任意组合**。这条界限贯穿全讲——拼 $P$ 时只能"每个特征值各取一套",不能混着凑。
> **关联** · 盘点 [§1.4 特征向量的性质](01-知识点盘点.md#user-content-14-特征向量的性质) | 上游 — | 下游 [点 1 题 7](02-点1-定义与求法.md#user-content-题-7--14不同特征值特征向量无关的证明) | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
---
### 题 7 · 1.4:不同特征值特征向量无关的证明(★★★)
> 设 $\lambda_1,\lambda_2,\dots,\lambda_m$ 是 $A$ 的**互不相同**的特征值,$\xi_i$ 是对应 $\lambda_i$ 的特征向量($i=1,\dots,m$ )。证明:$\xi_1,\xi_2,\dots,\xi_m$ 线性无关。
**怎么想**:对 $m$ 归纳,但关键技巧在**两端夹击**:设零组合后先左乘 $A$ 得一个式子,原式再乘 $\lambda_m$ 得另一个式子,两式相减把 $\xi_m$ 消掉,退回 $m-1$ 的情形。
**解**:对 $m$ 归纳。$m=1$ 时 $\xi_1\ne0$ ,结论成立。
设结论对 $m-1$ 成立,考察
$$k_1\xi_1+k_2\xi_2+\cdots+k_m\xi_m=0 .\tag{1}$$
两边左乘 $A$ ,用 $A\xi_i=\lambda_i\xi_i$ :
$$k_1\lambda_1\xi_1+k_2\lambda_2\xi_2+\cdots+k_m\lambda_m\xi_m=0 .\tag{2}$$
$(1)\times\lambda_m$ 得
$$k_1\lambda_m\xi_1+k_2\lambda_m\xi_2+\cdots+k_m\lambda_m\xi_m=0 .\tag{3}$$
$(2)-(3)$ 消去 $\xi_m$ 项:
$$k_1(\lambda_1-\lambda_m)\xi_1+k_2(\lambda_2-\lambda_m)\xi_2+\cdots+k_{m-1}(\lambda_{m-1}-\lambda_m)\xi_{m-1}=0 .$$
这是 $m-1$ 个互异特征值对应特征向量的零组合,由归纳假设,所有系数为零:
$$k_i(\lambda_i-\lambda_m)=0\quad(i=1,\dots,m-1).$$
因 $\lambda_i\ne\lambda_m$ ,得 $k_1=\cdots=k_{m-1}=0$ 。代回 $(1)$ 得 $k_m\xi_m=0$ ,而 $\xi_m\ne0$ ,故 $k_m=0$ 。
全部系数为零,$\xi_1,\dots,\xi_m$ 线性无关。
**带走结论**:**"乘 $A$ 两次、相减消一项"** 是这一族证明的固定套路。它的推广就是"实对称矩阵不同特征值的特征向量正交"——那里把左乘 $A$ 换成"两边取内积",思路完全一致。
> **关联** · 盘点 [§1.4 特征向量的性质](01-知识点盘点.md#user-content-14-特征向量的性质) | 上游 [点 1 题 6](02-点1-定义与求法.md#user-content-题-6--14特征向量的四条性质) | 下游 — | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
---