线代第4-6讲补全:线性方程组43题、特征值35题、二次型30题(知识点带题+题级链接)

- 第4讲 线性方程组:8 个点分册 43 题,旧版题点分离整目录归档到 旧版-题点分离/
- 第5讲 特征值与特征向量:7 个点分册 35 题
- 第6讲 二次型:7 个点分册 30 题(含合同与相似、二次曲面两节)
- 每讲 01-知识点盘点 + 10 个文件 + 速查卡回查表,全部题目级双向链接
- gen_crosslinks.py 新增:由题目标题单一数据源生成关联行/盘点§0.4/速查回查表
- fix_gitea_math.py 支持 --scope 指向目录(新建未跟踪文件也能修)
- 校验:184-248 条内部链接 0 异常,公式 0 处待修,单文件均 <1.3 万字符
This commit is contained in:
2026-10-24 16:38:01 +08:00
parent 021c5e552c
commit 41b36b2b3c
39 changed files with 6856 additions and 23 deletions
@@ -0,0 +1,361 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 知识点盘点]
专题: 线性代数 第5讲 · 特征值与特征向量
日期: 2026-10-24
状态: 知识点盘点(七节 $+$ 覆盖对照表),配套 7 个点分册共 34 题
关联笔记: ["[[README]]", "[[10-速查卡]]"]
---
# 第5讲 · 特征值与特征向量:知识点盘点
真题库第 13 章。近十年 **11 题 83 分**,是线性代数分值最高的一讲(占线代总分近一半)。题型结构极稳定:**5 道选择填空(21 分)$+$ 5 道解答题(57 分)**,且解答题几乎每年落在第 20 或 21 题。
这个分值的含义:**第 5 讲做不出来,线代基本报废**。第 6 讲二次型只是它的延伸(同一个对角化流程换了个外壳),所以这一讲必须做到闭卷全流程。
三个核心动作,全讲反复用:
1. 解 $\lvert\lambda E-A\rvert=0$ 求特征值;
2. 解 $(\lambda E-A)x=0$ 求特征向量;
3. 用特征向量拼 $P$ ,验证 $P^{-1}AP=\Lambda$ 。
## 0 三张表
### 0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 实对称矩阵正交对角化 | 2021·21(解答) | **12** | `05` |
| 2 | 反求矩阵与抽象条件 | 2025·21(解答) | **12** | `06` |
| 3 | 相似与相似对角化 | 2019·21、2020·21 | **22** | `04` |
| 4 | 对角化的应用(求幂、秩) | 2017·20(解答) | **11** | `07` |
| 5 | 特征值的性质 | 2018·13、2024·7 | **9** | `03` |
| 6 | 与二次型的接口 | 2017·21 起 | — | `08` |
| 7 | 定义与求法 | 一切题的第 1 步 | — | `02` |
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
```
02 定义与求法 ← 会解 |λE-A|=0 和 (λE-A)x=0
↓
03 特征值的性质 ← 和=迹、积=行列式、派生矩阵
↓
04 相似与相似对角化 ← 什么时候能拼出 P
↓
05 实对称正交对角化 ← 实对称必能,且 Q 正交(解答题主场)
↓
06 反求矩阵与抽象条件 ← 从 λ、η 倒推 A
↓
07 对角化的应用 ← 求 Aⁿ、算秩与行列式
↓
08 与二次型的接口 ← QᵀAQ=Λ 就是化标准形
```
### 0.3 符号约定
| 记号 | 含义 |
|---|---|
| $\lambda_i$ | 特征值(**是数**) |
| $\eta$ 或 $\xi$ | 特征向量(**非零**列向量) |
| $\lvert\lambda E-A\rvert$ | 特征多项式,是 $\lambda$ 的 $n$ 次多项式 |
| $n_i$ | 特征值 $\lambda_i$ 的**代数重数**(作为特征方程根的次数) |
| $m_i$ | $\lambda_i$ 的**几何重数** $=n-r(\lambda_iE-A)$ |
| $P$ | 由特征向量按列拼成的**可逆**矩阵(不要求正交) |
| $Q$ | **正交**矩阵($Q^{\mathrm T}Q=E$ ),实对称专用 |
| $\Lambda$ | 对角阵 $\mathrm{diag}(\lambda_1,\dots,\lambda_n)$ |
### 0.4 知识点与练习文件对照(按知识点粒度)
<!-- AUTO:KP -->
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 定义与特征方程 | [点 1 题 1](02-点1-定义与求法.md#user-content-题-1--11定义的三条等价写法) |
| §1.2 特征值与特征向量的求法 | [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)、[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)、[点 1 题 4](02-点1-定义与求法.md#user-content-题-4--12含参矩阵的特征值) |
| §1.3 特征向量的性质 | [点 1 题 5](02-点1-定义与求法.md#user-content-题-5--13特征向量的四条性质)、[点 1 题 6](02-点1-定义与求法.md#user-content-题-6--13不同特征值特征向量无关的证明) |
| §2.1 特征值的和与积 | [点 2 题 1](03-点2-特征值的性质.md#user-content-题-1--21由迹与行列式反求第三个特征值)、[点 2 题 2](03-点2-特征值的性质.md#user-content-题-2--21特征值与行列式的连锁换算) |
| §2.2 派生矩阵的特征值 | [点 2 题 3](03-点2-特征值的性质.md#user-content-题-3--22派生矩阵的特征值一次算完)、[点 2 题 4](03-点2-特征值的性质.md#user-content-题-4--22迹与特征值的双向使用) |
| §2.3 重数与几何重数 | [点 2 题 5](03-点2-特征值的性质.md#user-content-题-5--23重数与几何重数的对照)、[点 2 题 6](03-点2-特征值的性质.md#user-content-题-6--23幂等矩阵的全部结论) |
| §3.1 相似的定义与必要条件 | [点 3 题 1](04-点3-相似与相似对角化.md#user-content-题-1--31相似的不变量) |
| §3.2 相似对角化的充要条件 | [点 3 题 3](04-点3-相似与相似对角化.md#user-content-题-3--32可对角化的判据清单)、[点 3 题 4](04-点3-相似与相似对角化.md#user-content-题-4--32判定不可对角化)、[点 3 题 5](04-点3-相似与相似对角化.md#user-content-题-5--32含参矩阵永远不可对角化)、[点 3 题 6](04-点3-相似与相似对角化.md#user-content-题-6--32走完相似对角化全流程) |
| §3.3 相似判定的三个必要条件 | [点 3 题 2](04-点3-相似与相似对角化.md#user-content-题-2--33特征值与秩全同却不相似) |
| §4.1 实对称矩阵的三个定理 | [点 4 题 1](05-点4-实对称矩阵正交对角化.md#user-content-题-1--41三个定理的适用范围)、[点 4 题 5](05-点4-实对称矩阵正交对角化.md#user-content-题-5--41实对称必可正交对角化的证明) |
| §4.2 正交对角化五步 | [点 4 题 2](05-点4-实对称矩阵正交对角化.md#user-content-题-2--42三阶实对称的完整五步)、[点 4 题 3](05-点4-实对称矩阵正交对角化.md#user-content-题-3--42由特征值与特征向量反求实对称矩阵) |
| §4.3 正交矩阵与正交变换 | [点 4 题 4](05-点4-实对称矩阵正交对角化.md#user-content-题-4--43正交矩阵的性质) |
| §5.1 由特征值特征向量反求矩阵 | [点 5 题 1](06-点5-反求矩阵与抽象条件.md#user-content-题-1--51由-p-与-lambda-反求-a-)、[点 5 题 3](06-点5-反求矩阵与抽象条件.md#user-content-题-3--51缺一个特征向量时怎么补) |
| §5.2 抽象条件与矩阵方程 | [点 5 题 2](06-点5-反求矩阵与抽象条件.md#user-content-题-2--52多项式条件下求行列式)、[点 5 题 4](06-点5-反求矩阵与抽象条件.md#user-content-题-4--52a-与-amathrm-t-的特征值相同)、[点 5 题 5](06-点5-反求矩阵与抽象条件.md#user-content-题-5--52多项式条件下求行列式) |
| §6.1 用对角化求矩阵幂 | [点 6 题 1](07-点6-对角化的应用.md#user-content-题-1--61二阶求-an-)、[点 6 题 2](07-点6-对角化的应用.md#user-content-题-2--61全-1-矩阵结构的快速求幂) |
| §6.2 用特征值算行列式与秩 | [点 6 题 3](07-点6-对角化的应用.md#user-content-题-3--62特征值算行列式与秩)、[点 6 题 4](07-点6-对角化的应用.md#user-content-题-4--62秩与特征值的联手) |
| §7.1 三条对接点 | [点 7 题 1](08-点7-与二次型的接口.md#user-content-题-1--71由矩阵直接写标准形)、[点 7 题 2](08-点7-与二次型的接口.md#user-content-题-2--71正交变换化标准形全流程)、[点 7 题 3](08-点7-与二次型的接口.md#user-content-题-3--71正定性判定与特征值) |
<!-- /AUTO:KP -->
## 1 定义与求法
### 1.1 定义与特征方程
若存在**数** $\lambda$ 与**非零**向量 $\xi$ 使
$$A\xi=\lambda\xi\qquad(\xi\ne0),$$
称 $\lambda$ 为 $A$ 的特征值,$\xi$ 为属于 $\lambda$ 的特征向量。
**三个立即可得的改写**(解题全靠它们):
$$A\xi=\lambda\xi\iff(\lambda E-A)\xi=0\iff\xi\ \text{是}\ (\lambda E-A)x=0\ \text{的非零解}.$$
由第三条:$\lambda$ 是特征值 $\iff$ $(\lambda E-A)x=0$ 有非零解 $\iff\lvert\lambda E-A\rvert=0$ 。这个方程叫**特征方程**,左端叫**特征多项式**。
**四条易错**:
1. 特征向量必须**非零**(零向量对任何 $\lambda$ 都满足,不能算)。
2. $\lambda$ 可以是 0(此时 $A$ 不可逆),可以是负数、复数(实矩阵的复特征值成共轭对出现)。
3. $\lvert\lambda E-A\rvert$ 与 $\lvert A-\lambda E\rvert$ 只差 $(-1)^n$ ,**求根结果相同**,考试两种写法都对。
4. 特征向量**不唯一**:$\xi$ 是特征向量,则 $k\xi$ ($k\ne0$ )也是。所以答案写成"$k(1,-1)^{\mathrm T},\ k\ne0$ "或"全体非零倍数"。
### 1.2 特征值与特征向量的求法
**四步**:
1. 算 $\lvert\lambda E-A\rvert$ ,**因式分解**成 $(\lambda-\lambda_1)^{n_1}\cdots$ ;
2. 写出全部特征值 $\lambda_i$ 及代数重数 $n_i$ ;
3. 对每个 $\lambda_i$ ,解齐次方程组 $(\lambda_iE-A)x=0$ ,求基础解系 $\xi_{i1},\dots,\xi_{im_i}$ ;
4. 特征向量写成 $k_1\xi_{i1}+\cdots+k_{m_i}\xi_{im_i}$ ($k$ 不全为零)。
**第 3 步的捷径**(几乎每题都用):$\lambda_iE-A$ 的**每一行之和**常常为零(因 $A$ 的行和相等或 $\lambda_i$ 是根),说明 $(1,1,\dots,1)^{\mathrm T}$ 是解;或直接观察哪两列成比例。**先猜后验**比硬解快得多。
**二阶速算**:$\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0$ 。
### 1.3 特征向量的性质
设 $\xi_1,\dots,\xi_s$ 都是 $\lambda$ 的特征向量,则
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**(因 $(\lambda E-A)x=0$ 的解空间是子空间,去掉零向量即可)。
2. **属于不同特征值的特征向量线性无关**。这是最重要的一条,是"$P$ 可逆"的根基。
3. 推论:$n$ 阶矩阵若有 $n$ 个**互不相同**的特征值,则必可对角化。
4. 特征向量**不能跨特征值相加**:$\xi_{\lambda_1}+\xi_{\lambda_2}$ 一般不再是任何特征值的特征向量。
## 2 特征值的性质
### 2.1 特征值的和与积
$$\sum_{i=1}^{n}\lambda_i=\operatorname{tr}A=\sum_{i=1}^{n}a_{ii},\qquad\prod_{i=1}^{n}\lambda_i=\lvert A\rvert .$$
记忆法:在 $\lvert\lambda E-A\rvert=\lambda^n-(\operatorname{tr}A)\lambda^{n-1}+\cdots+(-1)^n\lvert A\rvert$ 里比系数。
**三条推论**:
- $\lvert A\rvert=0\iff$ 至少一个特征值为 0;
- $A$ 可逆 $\iff$ 全部特征值非零;
- 已知 $n-1$ 个特征值,第 $n$ 个由迹(或行列式)**直接减出来**——这是选择填空的常见套路。
### 2.2 派生矩阵的特征值
设 $A$ 的特征值为 $\lambda$ ,对应特征向量 $\xi$ (**同一个 $\xi$ 全部通用**):
| 矩阵 | 特征值 | 条件 |
|---|---|---|
| $kA$ | $k\lambda$ | — |
| $A^{m}$ | $\lambda^{m}$ | — |
| $A^{-1}$ | $\lambda^{-1}$ | $A$ 可逆($\lambda\ne0$ ) |
| $A^{*}$ | $\lvert A\rvert/\lambda$ | $A$ 可逆 |
| $f(A)$ (多项式) | $f(\lambda)$ | — |
| $A^{\mathrm T}$ | $\lambda$ (**特征向量不同**) | — |
| $P^{-1}AP$ | $\lambda$ (特征向量 $P^{-1}\xi$ ) | $P$ 可逆 |
**最常用的一条**:$f(A)\xi=f(\lambda)\xi$ 。它把"求 $A^2+3A-2E$ 的特征值"变成"把 $\lambda$ 代进多项式"。
**$A^{\mathrm T}$ 与 $A$ 特征值相同但特征向量不同**——这是最容易想当然的地方。
### 2.3 重数与几何重数
- **代数重数** $n_i$ :$\lambda_i$ 作为特征方程根的重数。
- **几何重数** $m_i$ :$n-r(\lambda_iE-A)$ ,即特征子空间的维数,也等于该特征值**线性无关特征向量的最大个数**。
**基本不等式**:
$$1\leqslant m_i\leqslant n_i .$$
$m_i\geqslant1$ 是"特征值必有特征向量"的另一种说法;$m_i\leqslant n_i$ 是定理(不证)。
**可对角化的判据**(下一节点 3 用它):
$$A\ \text{可对角化}\iff\text{对每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff\sum_i m_i=n .$$
**一句话记忆**:**代数重数管"应该有几个",几何重数管"实际有几个",缺一个就补不上**。
## 3 相似与相似对角化
### 3.1 相似的定义与必要条件
若存在可逆矩阵 $P$ 使
$$P^{-1}AP=B,$$
称 $A$ 与 $B$ 相似,记 $A\sim B$ 。
**相似的必要条件**(用来**否定**相似,不能用来肯定):
| 量 | 相似不变量 |
|---|---|
| 特征多项式 | 相同(故特征值含重数相同) |
| 秩 | $r(A)=r(B)$ |
| 行列式 | $\lvert A\rvert=\lvert B\rvert$ |
| 迹 | $\operatorname{tr}A=\operatorname{tr}B$ |
| 可对角化性 | 相同 |
**这五条全满足也不一定相似**——它们是"必要"不是"充分"。但在选择题里,只要有一条不等就能立刻排除。
### 3.2 相似对角化的充要条件
$$A\ \text{可对角化}\iff A\ \text{有}\ n\ \text{个线性无关的特征向量}.$$
此时把 $n$ 个无关特征向量按列拼成 $P$ ,则
$$P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n).$$
**$P$ 的列序必须与 $\Lambda$ 的对角元顺序一一对应**——写反了答案错但不易自查,务必对齐。
**三个充分条件**(够用即可判"能"):
1. $A$ 有 $n$ 个**互不相同**的特征值;
2. $A$ 是**实对称**矩阵(必可对角化,且可正交对角化);
3. $A$ 的每个特征值都满足 $m_i=n_i$ 。
**判"不能"的条件**:某特征值 $m_i<n_i$ ,即 $n-r(\lambda_iE-A)<n_i$ 。
### 3.3 相似判定的三个必要条件
选择题考"$A$ 与 $B$ 是否相似"时,按这个顺序筛:
1. **特征值(含重数)是否相同**——不同直接否;
2. **秩是否相同**——不同直接否;
3. **是否都可对角化**(若特征值相同)——都可对角化则相似(因同相似于同一个 $\Lambda$ );一个可一个不可则不相似。
**第 3 条是关键**:特征值、秩全同但只有一个能对角化时,**不相似**。这是 2017·6、2018·5、2016·5 反复考的点。
## 4 实对称矩阵的正交对角化
### 4.1 实对称矩阵的三个定理
设 $A^{\mathrm T}=A$ (实对称),则
1. **特征值全为实数**;
2. **属于不同特征值的特征向量必正交**(不只是线性无关);
3. **必存在正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda$ ** (即必可正交对角化)。
第 2 条是实对称独有的——一般矩阵只能保证"线性无关",实对称能保证"正交"。
**第 3 条的等价说法**:实对称矩阵的每个特征值都满足 $m_i=n_i$ 。
### 4.2 正交对角化五步
1. 解 $\lvert\lambda E-A\rvert=0$ ,得全部特征值及重数;
2. 对每个 $\lambda_i$ 解 $(\lambda_iE-A)x=0$ ,得基础解系;
3. 对**同一特征值**的多个特征向量做**施密特正交化**(不同特征值的自动正交,不用处理);
4. 全部单位化,按列拼成 $Q$ ;
5. 写出 $Q^{\mathrm T}AQ=\Lambda$ ,**并检查 $Q$ 的列序与 $\Lambda$ 的顺序一致**。
**唯一容易出错的步骤是第 3 步**:单重特征值不用施密特,只有重特征值内部才需要。
### 4.3 正交矩阵与正交变换
$Q$ 正交 $\iff Q^{\mathrm T}Q=E\iff Q^{-1}=Q^{\mathrm T}$ 。正交变换 $x=Qy$ 保持长度与内积,所以
$$x^{\mathrm T}Ax=y^{\mathrm T}(Q^{\mathrm T}AQ)y=y^{\mathrm T}\Lambda y=\lambda_1y_1^2+\cdots+\lambda_ny_n^2 .$$
这正是第 6 讲"正交变换化标准形"的全部内容——**第 5 讲做对了,第 6 讲只是换个问法**。
## 5 反求矩阵与抽象条件
### 5.1 由特征值特征向量反求矩阵
已知 $A$ 的 $n$ 个特征值与对应的 $n$ 个无关特征向量,则
$$A=P\Lambda P^{-1},\qquad P=(\xi_1,\dots,\xi_n),\ \Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n).$$
**验算办法**:算完 $A$ 后回代 $A\xi_i=\lambda_i\xi_i$ ,只需验一两个即可。
**部分已知时**:若只给 2 个特征向量($n=3$ ),第三个通常由"$\operatorname{tr}A=\sum\lambda_i$ "或"$A$ 的某行已知"补齐。
### 5.2 抽象条件与矩阵方程
题目常给"$A$ 满足某个多项式方程",此时**特征值满足同一个方程**:
$$A^2-3A+2E=O\Longrightarrow\lambda^2-3\lambda+2=0\Longrightarrow\lambda\in\{1,2\}.$$
**注意方向**:$A$ 满足 $\Rightarrow$ $\lambda$ 满足;反之不成立($\lambda$ 满足推不出 $A$ 满足)。
三条高频结论:
| 条件 | 特征值范围 | 附加结论 |
|---|---|---|
| $A^2=A$ (幂等) | $\lambda\in\{0,1\}$ | $r(A)=\operatorname{tr}A=$ 特征值中 1 的个数 |
| $A^2=E$ (对合) | $\lambda=\pm1$ | $A$ 可对角化 |
| $A^k=O$ (幂零) | $\lambda=0$ | $A\ne O$ 时不可对角化 |
**$A^2=A$ 那条最常考**:$A$ 可对角化(最小多项式无重根),$r(A)$ 直接等于 1 的个数。
## 6 对角化的应用
### 6.1 用对角化求矩阵幂
若 $A=P\Lambda P^{-1}$ ,则
$$A^{m}=P\Lambda^{m}P^{-1}=P\,\mathrm{diag}(\lambda_1^m,\dots,\lambda_n^m)\,P^{-1}.$$
**四步**:求特征值与特征向量 $\to$ 拼 $P$ 与 $\Lambda$ $\to$ 求 $P^{-1}$ $\to$ 三个矩阵相乘。
**$P^{-1}$ 的速算**:二阶用 $\dfrac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix}$ ;若 $P$ 的列可取成"整数且行列式为 $\pm1$ ",则 $P^{-1}$ 也是整数阵,省去分数。
### 6.2 用特征值算行列式与秩
$$\lvert A\rvert=\prod\lambda_i,\qquad \lvert f(A)\rvert=\prod f(\lambda_i),\qquad r(A)=\text{非零特征值的个数}\ (\text{仅当可对角化}).$$
**注意 $r(A)$ 那条的适用条件**:只有 $A$ 可对角化时"秩 = 非零特征值个数"才成立。反例:$\begin{pmatrix}0&1\\0&0\end{pmatrix}$ 特征值全为 0 但秩为 1。
更一般的秩公式(例 2017·20):
$$r(A)=n-\dim N(A)=n-\#\{\text{属于 }0\text{ 的线性无关特征向量}\}.$$
## 7 与第 6 讲二次型的接口
### 7.1 三条对接点
| 第 5 讲 | 第 6 讲 |
|---|---|
| $Q^{\mathrm T}AQ=\Lambda$ | 正交变换 $x=Qy$ 化二次型为标准形 |
| $\lambda_i$ 的符号 | 正、负惯性指数 |
| $\lambda_i>0$ 全部 | 正定 |
**一句话**:二次型的标准形系数**就是**特征值,所以第 6 讲的解答题实质上是在做本讲的 §4.2 五步。
## 8 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 定义与特征方程 | **掌握** | 隐含于每题 | 有 | 点 1,2 题 |
| 求特征值与特征向量 | **掌握(核心)** | 每年必用 | 有 | 点 1,3 题 |
| 特征向量性质 | 掌握 | 支撑证明 | 有 | 点 1,2 题 |
| 和与积(迹、行列式) | **掌握** | 2018·13、2024·7 | 有 | 点 2,2 题 |
| 派生矩阵特征值 | **掌握** | 高频选择 | 有 | 点 2,3 题 |
| 重数与几何重数 | **掌握** | 2023·6 | 有 | 点 2,2 题 |
| 相似的必要条件 | **掌握** | 2016·5、2017·6、2018·5 | 有 | 点 3,2 题 |
| 相似对角化判据 | **掌握(核心)** | 2023·6、2020·21 | 有 | 点 3,4 题 |
| 实对称三定理 | **掌握** | 2021·21 | 有 | 点 4,2 题 |
| 正交对角化五步 | **掌握(核心)** | 2021·21(12 分) | 有 | 点 4,3 题 |
| 由特征值反求 $A$ | **掌握** | 2019·21、2025·21 | 有 | 点 5,2 题 |
| 抽象条件($A^2=A$ 等) | **掌握** | 2025·21 | 有 | 点 5,3 题 |
| 求 $A^m$ | **掌握** | 2017·20 | 有 | 点 6,2 题 |
| 特征值算行列式与秩 | **掌握** | 2017·20、2018·13 | 有 | 点 6,2 题 |
| 与二次型接口 | 掌握 | 每年代数大题 | 有 | 点 7,3 题 |
**结论**:十年 83 分里,**解答题(57 分)全部落在 `04`、`05`、`06`、`07` 四节**;选择填空(21 分)集中在 `02`、`03` 的性质与判定。前四个文件必须做到"给一个三阶矩阵,五分钟内走完全流程"。
## 9 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| $\lvert\lambda E-A\rvert$ | 第 1 讲行列式 | 特征多项式 |
| $(\lambda E-A)x=0$ 非零解 | 第 4 讲方程组 | 求特征向量 |
| $n-r(\lambda E-A)$ | 第 4 讲基础解系个数 | 几何重数 |
| $P$ 为过渡矩阵 | 第 3 讲基变换 | $P^{-1}AP=\Lambda$ 是换基 |
| 施密特正交化 | 第 3 讲点 6 | 重特征值内部正交化 |
| $Q^{\mathrm T}AQ=\Lambda$ | 第 6 讲二次型 | 化标准形 |
@@ -0,0 +1,218 @@
---
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 性质,6 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 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
$$\lambda^2-4\lambda+3=0\Longrightarrow(\lambda-1)(\lambda-3)=0\Longrightarrow\lambda_1=1,\ \lambda_2=3 .$$
**$\lambda_1=1$ ** :
$$\lambda_1E-A=\begin{pmatrix}-1&-1\\-1&-1\end{pmatrix}\longrightarrow\begin{pmatrix}1&1\\0&0\end{pmatrix},$$
即 $x_1+x_2=0$ ,基础解系 $\xi_1=(1,-1)^{\mathrm T}$ 。特征向量 $k_1(1,-1)^{\mathrm T}$ ($k_1\ne0$ )。
**$\lambda_2=3$ ** :
$$\lambda_2E-A=\begin{pmatrix}1&-1\\-1&1\end{pmatrix}\longrightarrow\begin{pmatrix}1&-1\\0&0\end{pmatrix},$$
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)、[点 1 题 4](02-点1-定义与求法.md#user-content-题-4--12含参矩阵的特征值) | 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)、$\lambda_3=4$ 。
**$\lambda=2$ ** :$2E-A=\begin{pmatrix}0&0&0\\0&-1&-1\\0&-1&-1\end{pmatrix}$ ,方程 $-x_2-x_3=0$ ,即 $x_2+x_3=0$ ,$x_1$ 自由。基础解系
$$\xi_1=(1,0,0)^{\mathrm T},\qquad\xi_2=(0,1,-1)^{\mathrm T}.$$
**$\lambda=4$ ** :$4E-A=\begin{pmatrix}2&0&0\\0&1&-1\\0&-1&1\end{pmatrix}$ ,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(点 3 的判据)。
> **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 [点 1 题 4](02-点1-定义与求法.md#user-content-题-4--12含参矩阵的特征值) | 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 · 1.2:含参矩阵的特征值(★★☆)
> 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。重根出现在 $a=1$ 时,此时需要看几何重数。
**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 $a\ne1$ ** :三个特征值 $1,1,a$ ,其中 $1$ 是二重根。看几何重数:
$$E-A=\begin{pmatrix}0&-1&0\\0&1-a&0\\0&0&0\end{pmatrix}\longrightarrow\begin{pmatrix}0&1&0\\0&0&0\\0&0&0\end{pmatrix}\quad(\text{因 }a\ne1),$$
$r(E-A)=1$ ,几何重数 $=3-1=2=$ 代数重数。故 $A$ **可对角化**。
**② $a=1$ ** :$A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&1\end{pmatrix}$ ,特征值 $1$ 三重。$E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&0\end{pmatrix}$ ,$r=1$ ,几何重数 $=3-1=2<3$ ,故 **不可对角化**。
**验算**:$\operatorname{tr}A=1+a+1=a+2=1+1+a$ ✓;$\lvert A\rvert=a=1\cdot1\cdot a$ ✓。
**带走结论**:**三角矩阵特征值直接读对角元**。重根要单独查几何重数——本题 $a=1$ 时几何重数 2、代数重数 3,差一个就不可对角化。
> **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)、[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) | 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 5 · 1.3: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 $A$ 为三阶且第三个特征值 $\lambda_3$ 对应 $\xi_3$ ,则 $\xi_1,\xi_2,\xi_3$ 线性无关。
**怎么想**:逐条对照 1.3 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**。三个特征值互不相同(若 $\lambda_3$ 与 $\lambda_1$ 相同则另论),由性质 2 逐对无关,且这是"不同特征值的特征向量组"的标准结论,整体线性无关。
**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 [§1.3 特征向量的性质](01-知识点盘点.md#user-content-13-特征向量的性质) | 上游 — | 下游 [点 1 题 6](02-点1-定义与求法.md#user-content-题-6--13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 6 · 1.3: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 [§1.3 特征向量的性质](01-知识点盘点.md#user-content-13-特征向量的性质) | 上游 [点 1 题 5](02-点1-定义与求法.md#user-content-题-5--13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)
---
@@ -0,0 +1,236 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 性质]
专题: 线性代数 第5讲 · 点2 特征值的性质
日期: 2026-10-24
状态: 知识点带题(2.1 和与积、2.2 派生矩阵、2.3 重数,6 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 2 特征值的性质
> 真题锚点:2018·13、2024·7(填空 / 选择)|重要度 ★★★
> 依赖:点 1 的求法。盘点对应:§2 全节。
**组织原则**:先列知识点(和与积 → 派生矩阵 → 重数),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 2.1 特征值的和与积(出处:[知识章 similar.tex §2](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$$\sum_{i=1}^{n}\lambda_i=\operatorname{tr}A,\qquad\prod_{i=1}^{n}\lambda_i=\lvert A\rvert .$$
**三条推论**:$\lvert A\rvert=0\iff$ 有零特征值;$A$ 可逆 $\iff$ 全部特征值非零;已知 $n-1$ 个特征值,第 $n$ 个由迹**直接减出**。
## 知识点 2.2 派生矩阵的特征值(出处:[知识章 similar.tex §3](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
设 $A\xi=\lambda\xi$ ,则**同一个 $\xi$ ** 满足下表。
| 矩阵 | 特征值 | 条件 |
|---|---|---|
| $kA$ | $k\lambda$ | — |
| $A^{m}$ | $\lambda^{m}$ | — |
| $A^{-1}$ | $\lambda^{-1}$ | $\lambda\ne0$ |
| $A^{*}$ | $\lvert A\rvert/\lambda$ | $A$ 可逆 |
| $f(A)$ | $f(\lambda)$ | — |
| $A^{\mathrm T}$ | $\lambda$ (**特征向量不同**) | — |
| $P^{-1}AP$ | $\lambda$ (特征向量 $P^{-1}\xi$ ) | $P$ 可逆 |
**最常用**:$f(A)\xi=f(\lambda)\xi$ 。
## 知识点 2.3 重数与几何重数(出处:[知识章 similar.tex §4](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
代数重数 $n_i$ = 特征方程根的次数;几何重数 $m_i=n-r(\lambda_iE-A)$ = 特征子空间维数。
$$1\leqslant m_i\leqslant n_i .$$
$$A\ \text{可对角化}\iff\text{每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff\sum m_i=n .$$
**记忆**:代数重数管"应该有几个",几何重数管"实际有几个",**缺一个就补不上**。
---
## 题目(按知识点顺序对应)
### 题 1 · 2.1:由迹与行列式反求第三个特征值(★☆☆)
> 设 $A$ 为三阶矩阵,$\operatorname{tr}A=6$ ,$\lvert A\rvert=6$ ,且 $A$ 的两个特征值为 $1$ 和 $2$ 。求第三个特征值。
**怎么想**:两个方程(迹、行列式)两个用途——用迹直接减,用行列式验证。**减出来马上验**,是最省时的双保险。
**解**:设第三个特征值为 $\lambda_3$ 。由迹:
$$1+2+\lambda_3=6\Longrightarrow\lambda_3=3 .$$
**验算**(用行列式):$1\times2\times3=6=\lvert A\rvert$ ✓。
**带走结论**:三阶题给两个特征值就是白送第三个——**用迹减,用行列式验**。若两式给出的答案不一致,说明题目里有一个特征值抄错了。
> **关联** · 盘点 [§2.1 特征值的和与积](01-知识点盘点.md#user-content-21-特征值的和与积) | 上游 — | 下游 [点 2 题 2](03-点2-特征值的性质.md#user-content-题-2--21特征值与行列式的连锁换算) | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-三-特征值的六条运算)
---
### 题 2 · 2.1:特征值与行列式的连锁换算(★★☆)
> 【2018·13 骨架】设 $A$ 为三阶矩阵,$A$ 的特征值为 $1,2,3$ 。求 $\lvert A^{*}+E\rvert$ 。
**怎么想**:三步连锁——① $A^{*}$ 的特征值由 $\lvert A\rvert/\lambda$ 得;② 加 $E$ 相当于特征值各加 1;③ 行列式等于特征值之积。**全程不需求出 $A$ 本身**。
**解**:$A^{*}$ 的特征值为
$$\frac{\lvert A\rvert}{\lambda}=\frac{6}{1},\ \frac{6}{2},\ \frac{6}{3}=6,\ 3,\ 2 .$$
$A^{*}+E$ 的特征值为 $6+1,\ 3+1,\ 2+1=7,\ 4,\ 3$ 。
$$\lvert A^{*}+E\rvert=7\times4\times3=84 .$$
**验算**:$\lvert A^{*}\rvert=\lvert A\rvert^{n-1}=6^2=36$ ,而 $6\times3\times2=36$ ✓($A^{*}$ 自身特征值之积)。
**带走结论**:**加 $E$ 就是特征值加 1**(因 $f(A)=A+E$ 对应 $f(\lambda)=\lambda+1$ )。这类题全程只需特征值的四则运算,绝不需求 $A$ 或 $A^{*}$ 的具体矩阵。
> **关联** · 盘点 [§2.1 特征值的和与积](01-知识点盘点.md#user-content-21-特征值的和与积) | 上游 [点 2 题 1](03-点2-特征值的性质.md#user-content-题-1--21由迹与行列式反求第三个特征值) | 下游 — | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-三-特征值的六条运算)
---
### 题 3 · 2.2:派生矩阵的特征值一次算完(★★☆)
> 设 $A$ 为三阶矩阵,特征值为 $1,-1,2$ 。求下列矩阵的特征值:
>
> (Ⅰ)$A^2+A-2E$ ;(Ⅱ)$A^{-1}$ ;(Ⅲ)$A^{\mathrm T}$ ;(Ⅳ)$A^{2}-3A+3E$ 。
**怎么想**:全部用"$f(A)$ 的特征值是 $f(\lambda)$ ",逐个代入。注意(Ⅳ)要**逐个算出后判断是否有零**,因为这决定行列式。
**解**:(Ⅰ)$f(\lambda)=\lambda^2+\lambda-2$ :
$$f(1)=0,\quad f(-1)=-2,\quad f(2)=4 .$$
特征值为 $0,\ -2,\ 4$ 。
(Ⅱ)$A^{-1}$ 的特征值为 $\dfrac11,\ \dfrac1{-1},\ \dfrac12=1,\ -1,\ \dfrac12$ 。
(Ⅲ)$A^{\mathrm T}$ 的特征值与 $A$ **相同**:$1,\ -1,\ 2$ (但特征向量不同)。
(Ⅳ)$f(\lambda)=\lambda^2-3\lambda+3$ :
$$f(1)=1,\quad f(-1)=7,\quad f(2)=1 .$$
特征值为 $1,\ 7,\ 1$ 。
**验算**:(Ⅰ)的特征值之积 $0\times(-2)\times4=0$ ,而 $\lvert A^2+A-2E\rvert=\lvert A-E\rvert\cdot\lvert A+2E\rvert$ …用另一条:$\lvert A^2+A-2E\rvert=\prod f(\lambda_i)=0$ ✓。
**带走结论**:(Ⅰ)里出现 $0$ 说明 $A^2+A-2E$ **不可逆**——这是命题人常设的下一步。$A^{\mathrm T}$ 与 $A$ 特征值相同但要记住**特征向量不同**。
> **关联** · 盘点 [§2.2 派生矩阵的特征值](01-知识点盘点.md#user-content-22-派生矩阵的特征值) | 上游 — | 下游 [点 2 题 4](03-点2-特征值的性质.md#user-content-题-4--22迹与特征值的双向使用) | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-三-特征值的六条运算)
---
### 题 4 · 2.2:迹与特征值的双向使用(★★☆)
> 【2024·7 骨架】设 $A$ 为三阶矩阵,$A$ 的特征值为 $1,1,2$ ,$\alpha_1,\alpha_2,\alpha_3$ 是 $A$ 的三个线性无关的特征向量。判断:
>
> (Ⅰ)$\operatorname{tr}(A^2)=6$ 是否正确;
> (Ⅱ)$\lvert A+E\rvert=12$ 是否正确;
> (Ⅲ)$A$ 是否可对角化。
**怎么想**:全部由特征值推。(Ⅰ)先算 $A^2$ 的特征值再求和;(Ⅱ)特征值各加 1 再连乘;(Ⅲ)看是否有重根及其几何重数。
**解**:(Ⅰ)$A^2$ 的特征值为 $1,1,4$ ,故 $\operatorname{tr}(A^2)=1+1+4=6$ ,**正确**。
(Ⅱ)$A+E$ 的特征值为 $2,2,3$ ,
$$\lvert A+E\rvert=2\times2\times3=12 ,$$
**正确**。
(Ⅲ)**可对角化**。题目已给"三个线性无关的特征向量",按 §3.2 的判据这正是可对角化的充要条件。(另一种说法:$\lambda=1$ 的代数重数 2,几何重数 $3-r(E-A)$ ,由给了两个无关特征向量知几何重数至少 2,故等于 2。)
**带走结论**:**给"$n$ 个线性无关的特征向量"就等于说"可对角化"**,不用再验重数。反之给"$n$ 个互异特征值"也等价。
> **关联** · 盘点 [§2.2 派生矩阵的特征值](01-知识点盘点.md#user-content-22-派生矩阵的特征值) | 上游 [点 2 题 3](03-点2-特征值的性质.md#user-content-题-3--22派生矩阵的特征值一次算完) | 下游 — | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-三-特征值的六条运算)
---
### 题 5 · 2.3:重数与几何重数的对照(★★★)
> 设 $A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix}$ 。
>
> (Ⅰ)求全部特征值与代数重数;
> (Ⅱ)求每个特征值的几何重数;
> (Ⅲ)判断 $A$ 能否对角化,并说明理由。
**怎么想**:上三角,特征值直接读对角元。$\lambda=1$ 是二重根,关键看 $r(E-A)$ —— 它决定了"实际能凑出几个线性无关的特征向量"。
**解**:(Ⅰ)$A$ 为上三角,特征值为主对角元:
$$\lambda_1=\lambda_2=1\ (\text{代数重数}\ 2),\qquad\lambda_3=2\ (\text{代数重数}\ 1).$$
(Ⅱ)$E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&-1\end{pmatrix}$ ,$r(E-A)=2$ (第 2、3 行各有主元),故
$$m_1=3-2=1 .$$
$2E-A=\begin{pmatrix}1&-1&0\\0&1&0\\0&0&0\end{pmatrix}$ ,$r=2$ ,故 $m_3=3-2=1$ 。
(Ⅲ)**不能对角化**。因 $m_1=1<2=n_1$ ,即二重特征值只提供了一个线性无关的特征向量,凑不出三个。
($\sum m_i=1+1=2<3$ ,同样说明问题。)
**验算**:$\operatorname{tr}A=4=1+1+2$ ✓;$\lvert A\rvert=2=1\cdot1\cdot2$ ✓。
**带走结论**:**看 $r(\lambda E-A)$ 就能判一切**。$\lambda$ 是 $k$ 重根时,若 $r(\lambda E-A)=n-k$ 则可对角化(几何重数恰为 $k$ ),若严格小于则可对角化失败。本题 $n-k=3-2=1$? 注意:$n_1=2$ 要求 $m_1=2$ ,即需 $r(E-A)=1$ ,实际 $r=2$ ,失败。
> **关联** · 盘点 [§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) | 上游 — | 下游 [点 2 题 6](03-点2-特征值的性质.md#user-content-题-6--23幂等矩阵的全部结论) | 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 · 2.3:幂等矩阵的全部结论(★★★)
> 设 $A$ 为 $n$ 阶矩阵,且 $A^2=A$ ,$A\ne E$ ,$A\ne O$ 。证明:
>
> (Ⅰ)$A$ 的特征值只能是 $0$ 或 $1$ ;
> (Ⅱ)$A$ 必可对角化;
> (Ⅲ)$r(A)=\operatorname{tr}(A)=$ 特征值中 $1$ 的个数。
**怎么想**:$A^2=A$ 给出特征值的方程 $\lambda^2=\lambda$ 。可对角化要证几何重数 $=$ 代数重数,标准办法是用 $A(A-E)=O$ 的秩不等式。第(Ⅲ)问由(Ⅱ)直接得到。
**解**:
**(Ⅰ)** 设 $A\xi=\lambda\xi$ ($\xi\ne0$ )。由 $A^2=A$ 得
$$A^2\xi=A\xi=\lambda\xi .$$
另一方面 $A^2\xi=A(A\xi)=A(\lambda\xi)=\lambda A\xi=\lambda^2\xi$ 。两式相减:
$$(\lambda^2-\lambda)\xi=0 .$$
因 $\xi\ne0$ ,$\lambda^2-\lambda=0$ ,即 $\lambda\in\{0,1\}$ 。
**(Ⅱ)** 由 $A^2=A$ 得 $A(A-E)=O$ ,两端取秩并用 $AB=O\Rightarrow r(A)+r(B)\leqslant n$ (第 2 讲):
$$r(A)+r(A-E)\leqslant n .$$
另一方向用秩的次可加性:
$$r(A)+r(A-E)\geqslant r\big(A-(A-E)\big)=r(E)=n .$$
两向合并得
$$r(A)+r(A-E)=n .\tag{$*$}$$
现在算几何重数。$\lambda=0$ 的特征子空间维数 $m_0=n-r(A)$ ;$\lambda=1$ 的特征子空间维数 $m_1=n-r(E-A)=n-r(A-E)$ 。相加并用 $(*)$ :
$$m_0+m_1=2n-\big[r(A)+r(A-E)\big]=2n-n=n .$$
由(Ⅰ)特征值只有 $0$ 与 $1$ ,代数重数满足 $n_0+n_1=n$ 。又恒有 $m_i\leqslant n_i$ ,两边求和得
$$n=m_0+m_1\leqslant n_0+n_1=n ,$$
故两个不等式都必须取等号,即 $m_0=n_0$ 、$m_1=n_1$ ,$A$ 可对角化。
**(Ⅲ)** 由(Ⅱ)存在可逆 $P$ 使 $P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n)$ ,其中对角元只有 $0$ 与 $1$ ,设 $1$ 的个数为 $s$ 。相似不改变秩、也不改变迹:
$$r(A)=r(\Lambda)=s,\qquad\operatorname{tr}A=\operatorname{tr}\Lambda=s .$$
($A\ne O$ 保证 $s\geqslant1$ ;$A\ne E$ 保证 $s\leqslant n-1$ ,两者都用来说明确实是"真幂等"而非退化情形。)
**带走结论**:$A^2=A$ 的三条结论要一起记:**特征值只能 0/1、必可对角化、秩 $=$ 迹 $=$ 1 的个数**。这套结论在抽象题里等于"白送矩阵的全部信息",考试见过一次就该条件反射。
> **关联** · 盘点 [§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) | 上游 [点 2 题 5](03-点2-特征值的性质.md#user-content-题-5--23重数与几何重数的对照) | 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)
---
@@ -0,0 +1,237 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 相似对角化]
专题: 线性代数 第5讲 · 点3 相似与相似对角化
日期: 2026-10-24
状态: 知识点带题(3.1 必要条件、3.2 充要条件、3.3 相似判定,6 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 3 相似与相似对角化
> 真题锚点:2019·21、2020·21(各 11 分)、2023·6(5 分)|重要度 ★★★
> 依赖:点 1、点 2。盘点对应:§3 全节。
**组织原则**:先列知识点(相似定义 → 对角化判据 → 相似判定),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 3.1 相似的定义与必要条件(出处:[知识章 similar.tex §5](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$P^{-1}AP=B$ ($P$ 可逆)称 $A\sim B$ 。**相似不变量**(用来否定,不能用来肯定):
| 量 | 是否不变 |
|---|---|
| 特征多项式(含重数) | 不变 |
| 秩 | 不变 |
| 行列式 | 不变 |
| 迹 | 不变 |
| 可对角化性 | 不变 |
**五条全满足也不一定相似**——它们是必要条件。
## 知识点 3.2 相似对角化的充要条件(出处:[知识章 similar.tex §6](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$$A\ \text{可对角化}\iff A\ \text{有}\ n\ \text{个线性无关的特征向量}.$$
此时 $P=(\xi_1,\dots,\xi_n)$ ,$P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n)$ ,**$P$ 的列序与 $\Lambda$ 对角元顺序一一对应**。
**三个充分条件**:$n$ 个互异特征值;$A$ 实对称;每个 $\lambda_i$ 都满足 $m_i=n_i$ 。
**判"不能"**:存在 $\lambda_i$ 使 $m_i<n_i$ 。
## 知识点 3.3 相似判定的三个必要条件(出处:[练习章 similar.tex §3](../../../../参考仓库/Math/linear-algebra/exercise/5-similar/similar.tex))
按顺序筛:① 特征值(含重数)是否相同;② 秩是否相同;③ 特征值相同时,是否**都可对角化**。
**第 ③ 条是关键**:特征值、秩全同但只有一个能对角化时,**不相似**。
---
## 题目(按知识点顺序对应)
### 题 1 · 3.1:相似的不变量(★☆☆)
> 设 $A\sim B$ ($A,B$ 均为 $n$ 阶)。判断下列量是否一定相等:
>
> (Ⅰ)$\lvert A\rvert$ 与 $\lvert B\rvert$ ;(Ⅱ)$r(A)$ 与 $r(B)$ ;(Ⅲ)$\operatorname{tr}(A^2)$ 与 $\operatorname{tr}(B^2)$ ;(Ⅳ)$A$ 与 $B$ 的特征向量。
**怎么想**:前三项都是"特征值的函数"——$A\sim B$ 意味着特征多项式相同,于是任何由特征值决定的量都相同。(Ⅳ)是陷阱:相似矩阵特征值相同,但特征向量**跟着 $P$ 变**。
**解**:(Ⅰ)**相等**。$B=P^{-1}AP\Rightarrow\lvert B\rvert=\lvert P^{-1}\rvert\lvert A\rvert\lvert P\rvert=\lvert A\rvert$ 。
(Ⅱ)**相等**。乘可逆矩阵不改变秩。
(Ⅲ)**相等**。$A\sim B\Rightarrow A^2\sim B^2$ (因 $B^2=P^{-1}A^2P$ ),故迹相同。也可由"$A^2$ 的特征值是 $\lambda_i^2$ "直接看出。
(Ⅳ)**不相等**。若 $A\xi=\lambda\xi$ ,则 $B(P^{-1}\xi)=P^{-1}AP(P^{-1}\xi)=P^{-1}A\xi=\lambda P^{-1}\xi$ ,即 $B$ 的特征向量是 $P^{-1}\xi$ 而非 $\xi$ 。
**带走结论**:**相似不改变"特征值层面"的一切,但改变"向量层面"的一切**。判断"哪些量相似不变"时问一句"它是否只由特征值决定"即可。
> **关联** · 盘点 [§3.1 相似的定义与必要条件](01-知识点盘点.md#user-content-31-相似的定义与必要条件) | 上游 — | 下游 — | 速查 [五 相似判定三步筛](09-速查卡.md#user-content-五-相似判定三步筛)
---
### 题 2 · 3.3:特征值与秩全同却不相似(★★☆)
> 【2016·5 / 2018·5 骨架】设
>
> $$A=\begin{pmatrix}1&0&0\\0&1&0\\0&0&2\end{pmatrix},\qquad B=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix}.$$
>
> (Ⅰ)验证 $A,B$ 的特征值与秩都相同;
> (Ⅱ)判断 $A$ 与 $B$ 是否相似。
**怎么想**:特征值和秩都相同,说明前两道筛子过了,**胜负在第三道——可对角化性**。$A$ 已是对角阵,$B$ 是 Jordan 块形状,关键看 $r(E-B)$ 。
**解**:(Ⅰ)$A$ 为对角阵,特征值 $1,1,2$ ,$r(A)=3$ (三个非零对角元)。$B$ 为上三角,特征值也是 $1,1,2$ ,$r(B)=3$ 。两者特征值(含重数)、秩、迹($4$ )、行列式($2$ )全部相同。
(Ⅱ)**不相似**。$A$ 本身就是对角阵,当然可对角化。看 $B$ :
$$E-B=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&-1\end{pmatrix},\qquad r(E-B)=2 .$$
$\lambda=1$ 的代数重数为 2,几何重数 $=3-r(E-B)=3-2=1<2$ ,故 $B$ **不可对角化**。
而"可对角化性"是相似不变量(题 1 第 ③ 条),$A$ 可、$B$ 不可,故 $A\not\sim B$ 。
**验算**:直接反证也行——若 $B=P^{-1}AP$ 且 $A$ 对角,则 $B$ 相似于对角阵即 $B$ 可对角化,矛盾。
**带走结论**:**特征值 $+$ 秩全同还不够**。第三步必须查可对角化性,而查法只有一条:看重根的 $r(\lambda E-A)$ 。这类选择题年年出,答案永远卡在这一步。
> **关联** · 盘点 [§3.3 相似判定的三个必要条件](01-知识点盘点.md#user-content-33-相似判定的三个必要条件) | 上游 — | 下游 — | 速查 [五 相似判定三步筛](09-速查卡.md#user-content-五-相似判定三步筛)
---
### 题 3 · 3.2:可对角化的判据清单(★★☆)
> 设 $A$ 为三阶矩阵。判断下列条件哪些**能**保证 $A$ 可对角化:
>
> (Ⅰ)$A$ 有三个互不相同的特征值;
> (Ⅱ)$A$ 是实对称矩阵;
> (Ⅲ)$\lvert A\rvert\ne0$ ;
> (Ⅳ)$r(A)=3$ ;
> (Ⅴ)$A$ 的三个特征值都是 $1$ 且 $A\ne E$ 。
**怎么想**:前两条是充分条件,直接判"能"。第三条到第五条都是"看着强,其实与对角化无关"或"直接判死"。
**解**:(Ⅰ)**能**。互异特征值对应特征向量必无关,$n$ 个无关特征向量 ⟹ 可对角化。
(Ⅱ)**能**。实对称矩阵必可正交对角化(点 4 定理 3)。
(Ⅲ)**不能保证**。$\lvert A\rvert\ne0$ 只说没有零特征值,与"有几个无关特征向量"无关。反例:$\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix}$ 行列式为 $2\ne0$ 但不可对角化。
(Ⅳ)**不能保证**。$r(A)=3$ 说明满秩,同样不涉及特征向量的个数。反例同上。
(Ⅴ)**不能**,且**必然不可对角化**。三个特征值全是 $1$ 而 $A\ne E$ ,则 $A$ 不是 $E$ 但特征值全为 1。若 $A$ 可对角化,则 $A\sim\mathrm{diag}(1,1,1)=E$ ,即 $A=E$ ,矛盾。
**带走结论**:可对角化的充分条件只有三类——**互异特征值、实对称、几何重数等于代数重数**。满秩、行列式非零、特征值全正这类"看起来很强"的条件统统不相关。
> **关联** · 盘点 [§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) | 上游 — | 下游 [点 3 题 4](04-点3-相似与相似对角化.md#user-content-题-4--32判定不可对角化)、[点 3 题 5](04-点3-相似与相似对角化.md#user-content-题-5--32含参矩阵永远不可对角化) | 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 4 · 3.2:判定不可对角化(★★☆)
> 【2023·6 骨架】设 $A=\begin{pmatrix}3&1&0\\0&3&0\\0&0&1\end{pmatrix}$ 。判断 $A$ 能否对角化。
**怎么想**:上三角,特征值直接读:$3,3,1$ 。$\lambda=3$ 是二重根,只需算 $r(3E-A)$ 。若 $r=2$ 则几何重数 1,不可对角化。
**解**:$A$ 为上三角,特征值 $\lambda_1=\lambda_2=3$ (代数重数 2)、$\lambda_3=1$ 。
$$3E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&2\end{pmatrix},\qquad r(3E-A)=2 .$$
几何重数
$$m_1=3-2=1<2=n_1 .$$
故 $A$ **不能对角化**。
**验算**:$\sum m_i=1+1=2<3$ ,凑不出三个无关特征向量 ✓。也可直接看出:属于 $\lambda=3$ 的特征向量满足 $-x_2=0$ 且 $2x_3=0$ ,即 $x_2=x_3=0$ ,只剩 $(1,0,0)^{\mathrm T}$ 一个方向。
**带走结论**:**上三角矩阵是判对角化的最佳素材**——特征值免费,只需算一个 $r(\lambda E-A)$ 。看到"某行有非对角元素而上三角形状",八成不可对角化。
> **关联** · 盘点 [§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) | 上游 [点 3 题 3](04-点3-相似与相似对角化.md#user-content-题-3--32可对角化的判据清单) | 下游 [点 3 题 5](04-点3-相似与相似对角化.md#user-content-题-5--32含参矩阵永远不可对角化)、[点 3 题 6](04-点3-相似与相似对角化.md#user-content-题-6--32走完相似对角化全流程) | 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 · 3.2:含参矩阵永远不可对角化(★★★)
> 设 $A=\begin{pmatrix}a&1&1\\0&a&1\\0&0&a\end{pmatrix}$ ($a$ 为实数)。证明:无论 $a$ 取何值,$A$ 都**不能**对角化。
**怎么想**:上三角,特征值全是 $a$ (三重)。若可对角化则 $A\sim aE=E\cdot a$ ,即 $A=aE$ 。但 $A$ 有非对角元 1,故 $A\ne aE$ ——一步到位。
**解**:$A$ 为上三角,特征值 $\lambda_1=\lambda_2=\lambda_3=a$ ,代数重数全为 3。
计算 $aE-A$ :
$$aE-A=\begin{pmatrix}0&-1&-1\\0&0&-1\\0&0&0\end{pmatrix}.$$
第 2 行 $(0,0,-1)$ 与第 1 行 $(0,-1,-1)$ 不成比例,故 $r(aE-A)=2$ ,几何重数
$$m=3-2=1<3 .$$
故 $A$ 不可对角化。
(另一条更快的路:若 $A$ 可对角化且特征值全为 $a$ ,则 $A=P(aE)P^{-1}=aE$ ,但 $A$ 的第 1 行第 2 列是 1 而 $aE$ 该位置是 0,矛盾。)
**验算**:$\operatorname{tr}A=3a$ ✓;$\lvert A\rvert=a^3$ ✓,与"三个特征值都是 $a$ "一致。
**带走结论**:**"特征值全相同且 $A\ne\lambda E$ "是判死的铁律**(题 3 第 Ⅴ 条)。含参题里这条能一秒定论,完全不用管参数取值。
> **关联** · 盘点 [§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) | 上游 [点 3 题 3](04-点3-相似与相似对角化.md#user-content-题-3--32可对角化的判据清单)、[点 3 题 4](04-点3-相似与相似对角化.md#user-content-题-4--32判定不可对角化) | 下游 [点 3 题 6](04-点3-相似与相似对角化.md#user-content-题-6--32走完相似对角化全流程) | 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 · 3.2:走完相似对角化全流程(★★★)
> 【2019·21 骨架】设 $A=\begin{pmatrix}2&2&0\\0&1&0\\0&0&3\end{pmatrix}$ 。
>
> (Ⅰ)求 $A$ 的全部特征值与特征向量;
> (Ⅱ)求可逆矩阵 $P$ 使 $P^{-1}AP=\Lambda$ ,并写出 $\Lambda$ ;
> (Ⅲ)验证 $A=P\Lambda P^{-1}$ 。
**怎么想**:上三角,特征值 $2,1,3$ **互不相同**,故必可对角化(不用查重数)。逐个求特征向量拼 $P$ ,**注意列序与 $\Lambda$ 对角元顺序对齐**。
**解**:
**(Ⅰ)** $A$ 为上三角,特征值 $\lambda_1=2,\ \lambda_2=1,\ \lambda_3=3$ (代数重数均为 1)。
$\lambda_1=2$ :
$$2E-A=\begin{pmatrix}0&-2&0\\0&1&0\\0&0&-1\end{pmatrix}\longrightarrow\begin{pmatrix}0&1&0\\0&0&1\\0&0&0\end{pmatrix},$$
得 $x_2=0,\ x_3=0$ ,$x_1$ 自由,$\xi_1=(1,0,0)^{\mathrm T}$ 。
$\lambda_2=1$ :
$$E-A=\begin{pmatrix}-1&-2&0\\0&0&0\\0&0&-2\end{pmatrix}\longrightarrow\begin{pmatrix}1&2&0\\0&0&1\\0&0&0\end{pmatrix},$$
得 $x_1=-2x_2$ 、$x_3=0$ ,取 $x_2=-1$ 得 $\xi_2=(2,-1,0)^{\mathrm T}$ 。
$\lambda_3=3$ :
$$3E-A=\begin{pmatrix}1&-2&0\\0&2&0\\0&0&0\end{pmatrix}\longrightarrow\begin{pmatrix}1&0&0\\0&1&0\\0&0&0\end{pmatrix},$$
得 $x_1=0,\ x_2=0$ ,$x_3$ 自由,$\xi_3=(0,0,1)^{\mathrm T}$ 。
**(Ⅱ)** 取
$$P=(\xi_1,\xi_2,\xi_3)=\begin{pmatrix}1&2&0\\0&-1&0\\0&0&1\end{pmatrix},\qquad\Lambda=\begin{pmatrix}2&0&0\\0&1&0\\0&0&3\end{pmatrix}.$$
$\lvert P\rvert=1\cdot(-1)\cdot1=-1\ne0$ ,$P$ 可逆。
**(Ⅲ)**
$$P^{-1}=\begin{pmatrix}1&2&0\\0&-1&0\\0&0&1\end{pmatrix}^{-1}=\begin{pmatrix}1&2&0\\0&-1&0\\0&0&1\end{pmatrix},$$
(因 $\lvert P\rvert=-1$ 且有大量零,直接验算 $PP=E$ 即知 $P^{-1}=P$ 。)验证
$$AP=\begin{pmatrix}2&2&0\\0&1&0\\0&0&3\end{pmatrix}\begin{pmatrix}1&2&0\\0&-1&0\\0&0&1\end{pmatrix}=\begin{pmatrix}2&2&0\\0&-1&0\\0&0&3\end{pmatrix},$$
$$P\Lambda=\begin{pmatrix}1&2&0\\0&-1&0\\0&0&1\end{pmatrix}\begin{pmatrix}2&0&0\\0&1&0\\0&0&3\end{pmatrix}=\begin{pmatrix}2&2&0\\0&-1&0\\0&0&3\end{pmatrix}.$$
两者相等,故 $AP=P\Lambda$ ,即 $P^{-1}AP=\Lambda$ ✓。
**验算**:$P^{-1}=P$ 需 $P^2=E$ ,验:$P^2$ 的第 1 行 $=(1,2,0)P=(1,\,2-2,\,0)=(1,0,0)$ ✓,其余同理。
**带走结论**:**验证 $AP=P\Lambda$ 比算 $P^{-1}AP$ 省一半力气**(不用求逆)。考试时若只要求"验证",一律用 $AP=P\Lambda$ 。$P$ 的列序必须与 $\Lambda$ 对齐——本题若把 $\Lambda$ 写成 $\mathrm{diag}(1,2,3)$ 就必须相应调整 $P$ 的列序。
> **关联** · 盘点 [§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) | 上游 [点 3 题 4](04-点3-相似与相似对角化.md#user-content-题-4--32判定不可对角化)、[点 3 题 5](04-点3-相似与相似对角化.md#user-content-题-5--32含参矩阵永远不可对角化) | 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)
---
@@ -0,0 +1,227 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 实对称, 正交对角化]
专题: 线性代数 第5讲 · 点4 实对称矩阵的正交对角化
日期: 2026-10-24
状态: 知识点带题(4.1 三定理、4.2 五步、4.3 正交矩阵,5 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 4 实对称矩阵的正交对角化
> 真题锚点:2021·21(解答 **12 分**)、2017·21 / 2020·21 同型|重要度 ★★★
> 依赖:点 3 的对角化、第 3 讲施密特。盘点对应:§4 全节。
**组织原则**:先列知识点(三定理 → 五步 → 正交矩阵),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 4.1 实对称矩阵的三个定理(出处:[知识章 similar.tex §7](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
设 $A^{\mathrm T}=A$ ,则
1. **特征值全为实数**;
2. **属于不同特征值的特征向量必正交**(不只是线性无关);
3. **存在正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda$ ** 。
第 2 条是实对称独有:一般矩阵只能保证"线性无关",实对称能保证"正交"。
## 知识点 4.2 正交对角化五步(出处:[练习章 similar.tex §4](../../../../参考仓库/Math/linear-algebra/exercise/5-similar/similar.tex))
1. 解 $\lvert\lambda E-A\rvert=0$ 得全部特征值;
2. 对每个 $\lambda_i$ 解 $(\lambda_iE-A)x=0$ 得基础解系;
3. 对**同一特征值内部**的多个向量做施密特正交化(不同特征值的自动正交);
4. 全部单位化,按列拼成 $Q$ ;
5. 写 $Q^{\mathrm T}AQ=\Lambda$ ,检查列序一致。
**唯一的坑在第 3 步**:单重特征值不用施密特,只有重特征值内部才需要。
## 知识点 4.3 正交矩阵与正交变换(出处:[知识章 similar.tex §7](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$Q^{\mathrm T}Q=E\iff Q^{-1}=Q^{\mathrm T}$ 。正交变换 $x=Qy$ 保长度保内积,于是
$$x^{\mathrm T}Ax=y^{\mathrm T}(Q^{\mathrm T}AQ)y=\lambda_1y_1^2+\cdots+\lambda_ny_n^2 .$$
这就是第 6 讲"正交变换化标准形"的全部内容。
---
## 题目(按知识点顺序对应)
### 题 1 · 4.1:三个定理的适用范围(★☆☆)
> 判断下列说法是否正确:
>
> (Ⅰ)实对称矩阵的特征值一定是实数;
> (Ⅱ)实对称矩阵属于不同特征值的特征向量一定正交;
> (Ⅲ)若 $A$ 的特征值全为实数且可对角化,则 $A$ 是实对称矩阵;
> (Ⅳ)实对称矩阵的重特征值对应的特征向量也自动正交。
**怎么想**:前两条是定理原文。(Ⅲ)把"实对称"的结论反过来用——这是最常见的过度推广。(Ⅳ)把"不同特征值"偷换成"同一特征值"。
**解**:(Ⅰ)**正确**,实对称矩阵三定理之一。
(Ⅱ)**正确**。设 $A\xi_1=\lambda_1\xi_1$ 、$A\xi_2=\lambda_2\xi_2$ ,$\lambda_1\ne\lambda_2$ 。则
$$\lambda_1\langle\xi_1,\xi_2\rangle=\langle A\xi_1,\xi_2\rangle=\langle\xi_1,A\xi_2\rangle=\lambda_2\langle\xi_1,\xi_2\rangle,$$
(中间一步用了 $A^{\mathrm T}=A$ ),故 $(\lambda_1-\lambda_2)\langle\xi_1,\xi_2\rangle=0$ ,得 $\langle\xi_1,\xi_2\rangle=0$ 。
(Ⅲ)**错误**。反例:$\begin{pmatrix}1&1\\0&2\end{pmatrix}$ 特征值 $1,2$ 全为实数且可对角化,但不是对称矩阵。
(Ⅳ)**错误**。**同一特征值**的多个特征向量只保证线性无关,**不保证正交**。需自己做施密特(点 4 §4.2 第 3 步)。反例:$\lambda$ 二重,特征向量 $(1,0,0)$ 与 $(1,1,0)$ 无关但不正交。
**带走结论**:"正交"只发生在**不同特征值之间**,是自动的;**同一特征值内部必须手工正交化**。把这两件事分清,五步流程就不会漏第 3 步。
> **关联** · 盘点 [§4.1 实对称矩阵的三个定理](01-知识点盘点.md#user-content-41-实对称矩阵的三个定理) | 上游 — | 下游 [点 4 题 5](05-点4-实对称矩阵正交对角化.md#user-content-题-5--41实对称必可正交对角化的证明) | 速查 [六 实对称三定理](09-速查卡.md#user-content-六-实对称三定理)
---
### 题 2 · 4.2:三阶实对称的完整五步(★★☆)
> 设 $A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}$ 。求正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=\Lambda$ 。
**怎么想**:$A$ 实对称,必可正交对角化。**行和相等型**——三行之和都是 4,故 $(1,1,1)^{\mathrm T}$ 是 $\lambda=4$ 的特征向量,这一步白送。剩下 $\lambda=1$ 二重,需在同一特征值内部施密特。
**解**:
**第 1 步:特征值。** 各行元素之和为 $4$ ,取 $(1,1,1)^{\mathrm T}$ 得 $\lambda_1=4$ 。由 $\operatorname{tr}A=6$ 与 $\lambda_1=4$ ,另两个特征值之和为 2;算
$$\lvert\lambda E-A\rvert=\begin{vmatrix}\lambda-2&-1&-1\\-1&\lambda-2&-1\\-1&-1&\lambda-2\end{vmatrix}=(\lambda-4)(\lambda-1)^2 .$$
故 $\lambda_1=4$ (单重)、$\lambda_2=\lambda_3=1$ (二重)。
**第 2 步:特征向量。**
$\lambda_1=4$ :$4E-A=\begin{pmatrix}2&-1&-1\\-1&2&-1\\-1&-1&2\end{pmatrix}$ ,得 $x_1=x_2=x_3$ ,
$$\xi_1=(1,1,1)^{\mathrm T}.$$
$\lambda=1$ :$E-A=\begin{pmatrix}-1&-1&-1\\-1&-1&-1\\-1&-1&-1\end{pmatrix}$ ,即 $x_1+x_2+x_3=0$ ,基础解系
$$\xi_2=(1,-1,0)^{\mathrm T},\qquad \xi_3=(1,1,-2)^{\mathrm T}.$$
**第 3 步:同一特征值内部正交化。** 检查 $\langle\xi_2,\xi_3\rangle=1-1+0=0$ ,**已正交**,无需施密特。(若取的是 $(1,0,-1)$ 与 $(0,1,-1)$ 就需要。)
**第 4 步:单位化并拼 $Q$ 。**
$$e_1=\frac{1}{\sqrt2}\begin{pmatrix}1\\-1\\0\end{pmatrix},\quad e_2=\frac{1}{\sqrt6}\begin{pmatrix}1\\1\\-2\end{pmatrix},\quad e_3=\frac{1}{\sqrt3}\begin{pmatrix}1\\1\\1\end{pmatrix},$$
$$Q=\begin{pmatrix}\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\[2pt]-\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\[2pt]0&-\frac{2}{\sqrt6}&\frac{1}{\sqrt3}\end{pmatrix}.$$
**第 5 步:写出结论。**
$$Q^{\mathrm T}AQ=\Lambda=\begin{pmatrix}1&0&0\\0&1&0\\0&0&4\end{pmatrix}.$$
**验算**:$\operatorname{tr}\Lambda=6=\operatorname{tr}A$ ✓;$\lvert\Lambda\rvert=4$ ,而 $A=E+J$ ($J$ 为全 1 矩阵,特征值 $3,0,0$ )故 $\lvert A\rvert=4\cdot1\cdot1=4$ ✓;$Q$ 三列两两正交且单位长 ✓。
**带走结论**:"行和相等"的实对称矩阵,**立即得到 $(1,1,\dots,1)$ 方向的特征值等于行和**。这是最省时间的第一步,看到三行之和相同的对称矩阵就该条件反射。
> **关联** · 盘点 [§4.2 正交对角化五步](01-知识点盘点.md#user-content-42-正交对角化五步) | 上游 — | 下游 [点 4 题 3](05-点4-实对称矩阵正交对角化.md#user-content-题-3--42由特征值与特征向量反求实对称矩阵) | 速查 [七 正交对角化五步](09-速查卡.md#user-content-七-正交对角化五步)
---
### 题 3 · 4.2:由特征值与特征向量反求实对称矩阵(★★★)
> 【2021·21 骨架】设 $A$ 为三阶实对称矩阵,特征值为 $\lambda_1=\lambda_2=1$ 、$\lambda_3=-1$ ,且属于 $\lambda_3=-1$ 的特征向量为 $\xi=(1,1,1)^{\mathrm T}$ 。
>
> (Ⅰ)求 $A$ ;
> (Ⅱ)求正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=\Lambda$ ;
> (Ⅲ)求 $\lvert A+2E\rvert$ 。
**怎么想**:实对称的关键优势——**知道一个特征向量就等于知道了整个正交基的第三个方向**,另两个方向落在 $x_1+x_2+x_3=0$ 里,可任取正交基。$A$ 用谱分解 $A=\sum\lambda_ie_ie_i^{\mathrm T}$ 一步写出。
**解**:
**(Ⅰ)** $\lambda=1$ 的特征子空间是 $\xi$ 的正交补:
$$x_1+x_2+x_3=0 .$$
取其一的一组正交基
$$u_1=\frac{1}{\sqrt2}(1,-1,0)^{\mathrm T},\qquad u_2=\frac{1}{\sqrt6}(1,1,-2)^{\mathrm T},\qquad u_3=\frac{1}{\sqrt3}(1,1,1)^{\mathrm T},$$
三者构成 $\mathbb{R}^3$ 的标准正交基,且 $Au_i=1\cdot u_i$ ($i=1,2$ )、$Au_3=-u_3$ 。由谱分解
$$A=1\cdot u_1u_1^{\mathrm T}+1\cdot u_2u_2^{\mathrm T}+(-1)\cdot u_3u_3^{\mathrm T}=\big(E-u_3u_3^{\mathrm T}\big)-u_3u_3^{\mathrm T}=E-2u_3u_3^{\mathrm T}.$$
而 $u_3u_3^{\mathrm T}=\frac13 J$ ($J$ 为全 1 矩阵),故
$$A=E-\frac23 J=\frac13\begin{pmatrix}1&-2&-2\\-2&1&-2\\-2&-2&1\end{pmatrix}.$$
**验算**:$A\xi=\frac13(-3,-3,-3)^{\mathrm T}=(-1,-1,-1)^{\mathrm T}=-\xi$ ✓;$\operatorname{tr}A=\frac{1+1+1}{3}=1=1+1-1$ ✓;$\lvert A\rvert=1\cdot1\cdot(-1)=-1$ ✓。
**(Ⅱ)** 直接取
$$Q=(u_1,u_2,u_3),\qquad Q^{\mathrm T}AQ=\Lambda=\mathrm{diag}(1,1,-1).$$
**(Ⅲ)** $A+2E$ 的特征值为 $1+2,\ 1+2,\ -1+2=3,3,1$ ,故
$$\lvert A+2E\rvert=3\times3\times1=9 .$$
**带走结论**:**"实对称 $+$ 已知一个特征向量"型题目的唯一解法是谱分解** $A=\sum\lambda_ie_ie_i^{\mathrm T}$ 。若重特征值恰好占两个方向,$A$ 直接化成 $E-kJ$ 的形式,比解方程组快十倍。
> **关联** · 盘点 [§4.2 正交对角化五步](01-知识点盘点.md#user-content-42-正交对角化五步) | 上游 [点 4 题 2](05-点4-实对称矩阵正交对角化.md#user-content-题-2--42三阶实对称的完整五步) | 下游 — | 速查 [七 正交对角化五步](09-速查卡.md#user-content-七-正交对角化五步)
---
### 题 4 · 4.3:正交矩阵的性质(★★☆)
> 设 $Q$ 为正交矩阵。判断:
>
> (Ⅰ)$\lvert Q\rvert=\pm1$ ;(Ⅱ)$\lvert Q\rvert=1$ 时 $Q$ 的一切特征值都是 1;(Ⅲ)$Q$ 的特征值模长都为 1;(Ⅳ)$Q$ 的逆、转置、乘积仍正交。
**怎么想**:前两条是"必要条件用反了"的经典陷阱——$\lvert Q\rvert=\pm1$ 是**必要**不充分,且行列式为 1 不限制个别特征值。
**解**:(Ⅰ)**正确**。$Q^{\mathrm T}Q=E\Rightarrow\lvert Q\rvert^2=1\Rightarrow\lvert Q\rvert=\pm1$ 。
(Ⅱ)**错误**。反例:$Q=\begin{pmatrix}0&1\\1&0\end{pmatrix}$ ,$\lvert Q\rvert=-1$ ;换成 $Q=\begin{pmatrix}0&-1\\1&0\end{pmatrix}$ (旋转 $90°$ ),$\lvert Q\rvert=1$ 但特征值为 $\pm i$ ,不是 1。三阶旋转矩阵(绕某轴转 $120°$ )行列式为 1,另两个特征值是复数。
(Ⅲ)**正确**。设 $Q\xi=\lambda\xi$ ,取共轭转置:$\bar\xi^{\mathrm T}Q^{\mathrm T}=\bar\lambda\bar\xi^{\mathrm T}$ ,相乘得
$$\bar\xi^{\mathrm T}Q^{\mathrm T}Q\xi=\lvert\lambda\rvert^2\bar\xi^{\mathrm T}\xi\Longrightarrow\bar\xi^{\mathrm T}\xi=\lvert\lambda\rvert^2\bar\xi^{\mathrm T}\xi .$$
因 $\xi\ne0$ ,$\bar\xi^{\mathrm T}\xi=\lVert\xi\rVert^2>0$ ,故 $\lvert\lambda\rvert=1$ 。
(Ⅳ)**正确**。$(Q^{-1})^{\mathrm T}Q^{-1}=(Q^{\mathrm T})^{\mathrm T}Q^{\mathrm T}=QQ^{\mathrm T}=E$ ;$Q^{\mathrm T}$ 显然;两个正交矩阵之积仍正交。
**带走结论**:正交矩阵的**特征值在单位圆上**(可为复数),行列式 $\pm1$ 。"$\lvert Q\rvert=1$ 所以特征值全是 1"是彻底的错误——它只说明"特征值之积为 1"。
> **关联** · 盘点 [§4.3 正交矩阵与正交变换](01-知识点盘点.md#user-content-43-正交矩阵与正交变换) | 上游 — | 下游 — | 速查 [七 正交对角化五步](09-速查卡.md#user-content-七-正交对角化五步)
---
### 题 5 · 4.1:实对称必可正交对角化的证明(★★★)
> 设 $A$ 为 $n$ 阶实对称矩阵。用数学归纳法证明:存在正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=\Lambda$ 。
**怎么想**:归纳的关键是"降维"——取一个单位特征向量 $q_1$ ,把它扩成正交基,则 $A$ 在这个基下**分块对角**(左上角是 $\lambda_1$ ,右下角是 $n-1$ 阶实对称块),对右下角用归纳假设。
**解**:对 $n$ 归纳。$n=1$ 时平凡。
设结论对 $n-1$ 成立。$A$ 实对称,故有实特征值 $\lambda_1$ 与对应的实特征向量 $\xi_1\ne0$ 。取 $q_1=\xi_1/\lVert\xi_1\rVert$ ,则 $\lVert q_1\rVert=1$ 且 $Aq_1=\lambda_1q_1$ 。
把 $q_1$ 扩充为 $\mathbb{R}^n$ 的标准正交基 $q_1,q_2,\dots,q_n$ ,令 $Q_1=(q_1,q_2,\dots,q_n)$ 为正交矩阵。计算 $Q_1^{\mathrm T}AQ_1$ 的第 1 列:
$$Q_1^{\mathrm T}AQ_1e_1=Q_1^{\mathrm T}Aq_1=\lambda_1Q_1^{\mathrm T}q_1=\lambda_1e_1 .$$
故
$$Q_1^{\mathrm T}AQ_1=\begin{pmatrix}\lambda_1&\alpha^{\mathrm T}\\0&B\end{pmatrix}$$
对某个行向量 $\alpha^{\mathrm T}$ 与 $(n-1)$ 阶矩阵 $B$ 。又 $Q_1^{\mathrm T}AQ_1$ 是实对称的(因 $(Q_1^{\mathrm T}AQ_1)^{\mathrm T}=Q_1^{\mathrm T}A^{\mathrm T}Q_1=Q_1^{\mathrm T}AQ_1$ ),故 $\alpha=0$ 且 $B^{\mathrm T}=B$ :
$$Q_1^{\mathrm T}AQ_1=\begin{pmatrix}\lambda_1&0\\0&B\end{pmatrix},\qquad B\ \text{为}\ (n-1)\ \text{阶实对称}.$$
由归纳假设,存在 $(n-1)$ 阶正交矩阵 $Q_2$ 使 $Q_2^{\mathrm T}BQ_2=\Lambda_{n-1}$ 。取
$$Q=Q_1\begin{pmatrix}1&0\\0&Q_2\end{pmatrix},$$
则 $Q$ 为正交矩阵(两个正交矩阵之积),且
$$Q^{\mathrm T}AQ=\begin{pmatrix}1&0\\0&Q_2^{\mathrm T}\end{pmatrix}\begin{pmatrix}\lambda_1&0\\0&B\end{pmatrix}\begin{pmatrix}1&0\\0&Q_2\end{pmatrix}=\begin{pmatrix}\lambda_1&0\\0&\Lambda_{n-1}\end{pmatrix}=\Lambda .$$
归纳完成。
**带走结论**:证明的**两个支点**——① 实对称保证"特征向量是实向量、可单位化";② $Q_1^{\mathrm T}AQ_1$ 仍实对称,所以分块后的 $\alpha$ 必为 0。缺任何一条,$A$ 就只能相似对角化而非**正交**对角化。
> **关联** · 盘点 [§4.1 实对称矩阵的三个定理](01-知识点盘点.md#user-content-41-实对称矩阵的三个定理) | 上游 [点 4 题 1](05-点4-实对称矩阵正交对角化.md#user-content-题-1--41三个定理的适用范围) | 下游 — | 速查 [六 实对称三定理](09-速查卡.md#user-content-六-实对称三定理)
---
@@ -0,0 +1,202 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 反求矩阵, 抽象条件]
专题: 线性代数 第5讲 · 点5 反求矩阵与抽象条件
日期: 2026-10-24
状态: 知识点带题(5.1 反求矩阵、5.2 抽象条件与矩阵方程,5 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 5 反求矩阵与抽象条件
> 真题锚点:2019·21、2025·21(各 11—12 分,解答)|重要度 ★★★
> 依赖:点 3、点 4。盘点对应:§5 全节。
**组织原则**:先列知识点(反求 $A$ → 抽象条件),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 5.1 由特征值特征向量反求矩阵(出处:[知识章 similar.tex §8](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
已知 $n$ 个特征值与 $n$ 个无关特征向量,则
$$A=P\Lambda P^{-1},\qquad P=(\xi_1,\dots,\xi_n),\ \Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n).$$
**验算**:回代 $A\xi_i=\lambda_i\xi_i$ ,验一两个即可。
**部分已知时**:缺的那个特征向量由"$A$ 的对称性"或"$P$ 需可逆"补齐;缺的特征值由 $\operatorname{tr}$ 或 $\lvert A\rvert$ 补齐。
**实对称的捷径(谱分解)**:
$$A=\lambda_1e_1e_1^{\mathrm T}+\lambda_2e_2e_2^{\mathrm T}+\cdots+\lambda_ne_ne_n^{\mathrm T},\qquad e_i\ \text{为规范正交特征向量}.$$
比重特征值时,若某方向占两维,常化为 $A=aE+bJ$ 的形式。
## 知识点 5.2 抽象条件与矩阵方程(出处:[练习章 similar.tex §5](../../../../参考仓库/Math/linear-algebra/exercise/5-similar/similar.tex))
**核心原则**:$A$ 满足多项式方程 $\Rightarrow$ 特征值满足同一方程(反之不成立)。
$$A^2-3A+2E=O\Longrightarrow\lambda^2-3\lambda+2=0\Longrightarrow\lambda\in\{1,2\}.$$
| 条件 | 特征值 | 附加结论 |
|---|---|---|
| $A^2=A$ | $\{0,1\}$ | 必可对角化;$r(A)=\operatorname{tr}A=$ 1 的个数 |
| $A^2=E$ | $\{\pm1\}$ | 必可对角化 |
| $A^k=O$ | $\{0\}$ | $A\ne O$ 时不可对角化 |
**另一个高频结论**:$A\xi=\lambda\xi$ 且 $A$ 可逆时,$A^{-1}\xi=\lambda^{-1}\xi$ 、$A^{*}\xi=\frac{\lvert A\rvert}{\lambda}\xi$ ,**同一个 $\xi$ ** 。
---
## 题目(按知识点顺序对应)
### 题 1 · 5.1:由 $P$ 与 $\Lambda$ 反求 $A$ (★★☆)
> 设三阶矩阵 $A$ 的特征值为 $\lambda_1=3,\lambda_2=1$ ,对应的特征向量分别为 $\xi_1=(1,1)^{\mathrm T}$ 、$\xi_2=(1,-1)^{\mathrm T}$ 。求 $A$ 。
**怎么想**:两个特征值、两个无关特征向量,条件正好够——直接 $A=P\Lambda P^{-1}$ 。$P$ 的列序必须与 $\Lambda$ 对齐。
**解**:
$$P=\begin{pmatrix}1&1\\1&-1\end{pmatrix},\qquad\Lambda=\begin{pmatrix}3&0\\0&1\end{pmatrix}.$$
$\lvert P\rvert=-1-1=-2$ ,故
$$P^{-1}=\frac{1}{-2}\begin{pmatrix}-1&-1\\-1&1\end{pmatrix}=\begin{pmatrix}\frac12&\frac12\\[2pt]\frac12&-\frac12\end{pmatrix}.$$
$$A=P\Lambda P^{-1}=\begin{pmatrix}1&1\\1&-1\end{pmatrix}\begin{pmatrix}3&0\\0&1\end{pmatrix}\begin{pmatrix}\frac12&\frac12\\\frac12&-\frac12\end{pmatrix}=\begin{pmatrix}3&1\\3&-1\end{pmatrix}\begin{pmatrix}\frac12&\frac12\\\frac12&-\frac12\end{pmatrix}$$
$$=\begin{pmatrix}\frac32+\frac12&\frac32-\frac12\\\frac32-\frac12&\frac32+\frac12\end{pmatrix}=\begin{pmatrix}2&1\\1&2\end{pmatrix}.$$
**验算**:$A\xi_1=\begin{pmatrix}2&1\\1&2\end{pmatrix}\begin{pmatrix}1\\1\end{pmatrix}=\begin{pmatrix}3\\3\end{pmatrix}=3\xi_1$ ✓;$A\xi_2=\begin{pmatrix}2&1\\1&2\end{pmatrix}\begin{pmatrix}1\\-1\end{pmatrix}=\begin{pmatrix}1\\-1\end{pmatrix}=1\cdot\xi_2$ ✓。
**带走结论**:**算完必须回代验一个特征向量**,这是最便宜的保险。注意本题结果 $A$ 是实对称的——因为 $\xi_1\perp\xi_2$ (内积 $1-1=0$ ),而"特征向量正交 + 特征值互异"正是实对称的特征。
> **关联** · 盘点 [§5.1 由特征值特征向量反求矩阵](01-知识点盘点.md#user-content-51-由特征值特征向量反求矩阵) | 上游 — | 下游 [点 5 题 3](06-点5-反求矩阵与抽象条件.md#user-content-题-3--51缺一个特征向量时怎么补) | 速查 [八 反求矩阵](09-速查卡.md#user-content-八-反求矩阵)
---
### 题 2 · 5.2:多项式条件下求行列式(★★★)
> 【2025·21 骨架】设 $A$ 为三阶矩阵,满足 $A^2=A$ ,且 $r(A)=2$ 。求 $\lvert A+2E\rvert$ 。
**怎么想**:$A^2=A$ 把特征值锁死在 $\{0,1\}$ ;$r(A)=2$ 决定"1 有几个"(因 $A$ 必可对角化,$r(A)=$ 1 的个数)。两步合起来得到全部特征值,再套 $f(A)$ 的特征值。
**解**:
**第 1 步:特征值只能是 0 或 1。** 设 $A\xi=\lambda\xi$ ($\xi\ne0$ ),由 $A^2=A$ 得 $\lambda^2\xi=\lambda\xi$ ,即 $(\lambda^2-\lambda)\xi=0$ ,故 $\lambda\in\{0,1\}$ 。
**第 2 步:$A$ 可对角化,且 $r(A)=$ 1 的个数。** 由 $A^2=A$ 得 $A(A-E)=O$ ,于是 $r(A)+r(A-E)\leqslant n=3$ ;又 $r(A)+r(A-E)\geqslant r(E)=3$ ,故 $r(A)+r(A-E)=3$ 。再由几何重数与代数重数相等的论证(点 2 题 6),$A$ 可对角化。
设特征值为 $\lambda_1=\lambda_2=1$ 、$\lambda_3=0$ ,则 $A\sim\Lambda=\mathrm{diag}(1,1,0)$ ,$r(A)=r(\Lambda)=2$ ,与题设 $r(A)=2$ 一致。
**第 3 步:算行列式。** $A+2E$ 的特征值为
$$1+2,\ 1+2,\ 0+2=3,3,2 .$$
$$\lvert A+2E\rvert=3\times3\times2=18 .$$
**验算**:$\operatorname{tr}(A+2E)=\operatorname{tr}A+6=2+6=8=3+3+2$ ✓。
**带走结论**:**$r(A)$ 在幂等矩阵里就是"1 的个数"**,这是把秩条件转成特征值条件的唯一桥梁。若题目改成 $r(A)=1$ ,特征值就是 $1,0,0$ ,答案 $\lvert A+2E\rvert=3\times2\times2=12$ 。
> **关联** · 盘点 [§5.2 抽象条件与矩阵方程](01-知识点盘点.md#user-content-52-抽象条件与矩阵方程) | 上游 — | 下游 [点 5 题 4](06-点5-反求矩阵与抽象条件.md#user-content-题-4--52a-与-amathrm-t-的特征值相同)、[点 5 题 5](06-点5-反求矩阵与抽象条件.md#user-content-题-5--52多项式条件下求行列式) | 速查 [九 抽象条件三件套](09-速查卡.md#user-content-九-抽象条件三件套)
---
### 题 3 · 5.1:缺一个特征向量时怎么补(★★★)
> 【2019·21 骨架】设 $A$ 为三阶实对称矩阵,特征值为 $\lambda_1=1,\lambda_2=2,\lambda_3=3$ ,属于 $\lambda_1,\lambda_2$ 的特征向量分别为
>
> $$\xi_1=(1,1,1)^{\mathrm T},\qquad \xi_2=(1,-1,0)^{\mathrm T}.$$
>
> 求 $A$ 。
**怎么想**:缺 $\xi_3$ 。但 $A$ **实对称**且特征值互异 $\Rightarrow$ 特征向量两两正交 $\Rightarrow$ $\xi_3$ 必与 $\xi_1,\xi_2$ 都正交。**一个方程不用解,叉乘即可**。
**解**:
**第 1 步:求 $\xi_3$ 。** $\xi_3\perp\xi_1$ 且 $\xi_3\perp\xi_2$ ,取叉乘:
$$\xi_3=\xi_1\times\xi_2=\begin{vmatrix}e_1&e_2&e_3\\1&1&1\\1&-1&0\end{vmatrix}=\big(1\cdot0-1\cdot(-1),\ 1\cdot1-1\cdot0,\ 1\cdot(-1)-1\cdot1\big)=(1,1,-2).$$
**验算正交性**:$\langle\xi_3,\xi_1\rangle=1+1-2=0$ ✓;$\langle\xi_3,\xi_2\rangle=1-1+0=0$ ✓。
**第 2 步:拼 $P$ 求 $A$ 。**
$$P=\begin{pmatrix}1&1&1\\1&-1&1\\1&0&-2\end{pmatrix},\qquad\Lambda=\mathrm{diag}(1,2,3),\qquad\lvert P\rvert=6 .$$
用谱分解更快(因特征向量两两正交):记 $q_i=\xi_i/\lVert\xi_i\rVert$ ,
$$\lVert\xi_1\rVert=\sqrt3,\quad\lVert\xi_2\rVert=\sqrt2,\quad\lVert\xi_3\rVert=\sqrt6 .$$
$$A=\sum_i\lambda_iq_iq_i^{\mathrm T}=\frac{1}{3}\xi_1\xi_1^{\mathrm T}+\frac{2}{2}\xi_2\xi_2^{\mathrm T}+\frac{3}{6}\xi_3\xi_3^{\mathrm T}$$
$$=\frac13\begin{pmatrix}1&1&1\\1&1&1\\1&1&1\end{pmatrix}+\begin{pmatrix}1&-1&0\\-1&1&0\\0&0&0\end{pmatrix}+\frac12\begin{pmatrix}1&1&-2\\1&1&-2\\-2&-2&4\end{pmatrix}.$$
逐元素算:
$$A=\begin{pmatrix}\frac13+1+\frac12&\frac13-1+\frac12&\frac13+0-1\\[2pt]\frac13-1+\frac12&\frac13+1+\frac12&\frac13+0-1\\[2pt]\frac13+0-1&\frac13+0-1&\frac13+0+2\end{pmatrix}=\begin{pmatrix}\frac{11}6&-\frac16&-\frac23\\[2pt]-\frac16&\frac{11}6&-\frac23\\[2pt]-\frac23&-\frac23&\frac73\end{pmatrix}.$$
**验算**:$A\xi_1$ 三个分量依次为 $\frac{11-1-4}{6}=1$ 、$\frac{-1+11-4}{6}=1$ 、$\frac{-4-4+14}{6}=1$ ,故 $A\xi_1=\xi_1$ ✓;$A\xi_2$ 第 1 分量 $\frac{11}{6}+\frac16=\frac{12}6=2$ 、第 2 分量 $-\frac16-\frac{11}6=-2$ 、第 3 分量 $-\frac23+\frac23=0$ ,即 $A\xi_2=(2,-2,0)^{\mathrm T}=2\xi_2$ ✓;$\operatorname{tr}A=\frac{11+11+14}{6}=6=1+2+3$ ✓。
**带走结论**:实对称 $+$ 特征值互异时,**缺的特征向量用叉乘直接写出**,不用解方程组。谱分解 $A=\sum\lambda_iq_iq_i^{\mathrm T}$ 比重特征值内部的施密特还快——前提是特征向量已两两正交。
> **关联** · 盘点 [§5.1 由特征值特征向量反求矩阵](01-知识点盘点.md#user-content-51-由特征值特征向量反求矩阵) | 上游 [点 5 题 1](06-点5-反求矩阵与抽象条件.md#user-content-题-1--51由-p-与-lambda-反求-a-) | 下游 — | 速查 [八 反求矩阵](09-速查卡.md#user-content-八-反求矩阵)
---
### 题 4 · 5.2:$A$ 与 $A^{\mathrm T}$ 的特征值相同(★★☆)
> 设 $A$ 为 $n$ 阶矩阵。证明:
>
> (Ⅰ)$A$ 与 $A^{\mathrm T}$ 有相同的特征多项式,因而特征值相同;
> (Ⅱ)$A$ 与 $A^{\mathrm T}$ 的特征向量一般不同,举例说明。
**怎么想**:第(Ⅰ)问只有一句——"转置不改变行列式",而 $(\lambda E-A)^{\mathrm T}=\lambda E-A^{\mathrm T}$ 。第(Ⅱ)问要造一个具体的非对称矩阵。
**解**:
**(Ⅰ)** 对任意 $\lambda$ ,
$$\lvert\lambda E-A^{\mathrm T}\rvert=\lvert(\lambda E-A)^{\mathrm T}\rvert=\lvert\lambda E-A\rvert .$$
两个多项式对一切 $\lambda$ 相等,故完全相同;特征方程相同,特征值(含重数)相同。
**(Ⅱ)** 取 $A=\begin{pmatrix}1&1\\0&2\end{pmatrix}$ ,$A^{\mathrm T}=\begin{pmatrix}1&0\\1&2\end{pmatrix}$ 。两者特征值都是 $1,2$ 。
$A$ 关于 $\lambda=1$ :$E-A=\begin{pmatrix}0&-1\\0&-1\end{pmatrix}$ ,特征向量 $(1,0)^{\mathrm T}$ 。
$A^{\mathrm T}$ 关于 $\lambda=1$ :$E-A^{\mathrm T}=\begin{pmatrix}0&0\\-1&-1\end{pmatrix}$ ,特征向量 $(1,-1)^{\mathrm T}$ 。
同样 $\lambda=1$ ,特征向量完全不同。
**带走结论**:$A^{\mathrm T}$ 与 $A$ **特征值同、特征向量不同**。这一条在"$A$ 与 $A^{\mathrm T}$ 是否相似"的问题里是必要信息(实矩阵时 $A$ 与 $A^{\mathrm T}$ 确实相似),但**不能据此说特征向量相同**。
> **关联** · 盘点 [§5.2 抽象条件与矩阵方程](01-知识点盘点.md#user-content-52-抽象条件与矩阵方程) | 上游 [点 5 题 2](06-点5-反求矩阵与抽象条件.md#user-content-题-2--52多项式条件下求行列式) | 下游 [点 5 题 5](06-点5-反求矩阵与抽象条件.md#user-content-题-5--52多项式条件下求行列式) | 速查 [九 抽象条件三件套](09-速查卡.md#user-content-九-抽象条件三件套)
---
### 题 5 · 5.2:多项式条件下求行列式(★★★)
> 设 $A$ 为三阶矩阵,特征值为 $1,2,3$ 。求 $\lvert A^3-3A^2+2A\rvert$ 。
**怎么想**:$f(A)$ 的特征值是 $f(\lambda)$ ,行列式等于它们的积。先分解 $f$ 看有没有零根——有零就立刻得 0,省去全部计算。
**解**:$f(\lambda)=\lambda^3-3\lambda^2+2\lambda=\lambda(\lambda-1)(\lambda-2)$ 。
$$f(1)=1-3+2=0,\qquad f(2)=8-12+4=0,\qquad f(3)=27-27+6=6 .$$
故 $A^3-3A^2+2A$ 的特征值为 $0,0,6$ ,
$$\lvert A^3-3A^2+2A\rvert=0\times0\times6=0 .$$
**另一条路(因式分解)**:
$$A^3-3A^2+2A=A(A-E)(A-2E),$$
$$\lvert A\rvert=6,\quad\lvert A-E\rvert=(1-1)(2-1)(3-1)=0,$$
故行列式为 0 ✓(只要有一个因子为零,整体为零)。
**带走结论**:**先分解、先看有没有零因子**。本题若硬算 $A^3-3A^2+2A$ 的九个数再求行列式,要多花十倍时间且必错。$A$ 有特征值 1 说明 $\lvert A-E\rvert=0$ ,这一眼就能定论。
> **关联** · 盘点 [§5.2 抽象条件与矩阵方程](01-知识点盘点.md#user-content-52-抽象条件与矩阵方程) | 上游 [点 5 题 2](06-点5-反求矩阵与抽象条件.md#user-content-题-2--52多项式条件下求行列式)、[点 5 题 4](06-点5-反求矩阵与抽象条件.md#user-content-题-4--52a-与-amathrm-t-的特征值相同) | 下游 — | 速查 [九 抽象条件三件套](09-速查卡.md#user-content-九-抽象条件三件套)
---
@@ -0,0 +1,181 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 矩阵幂, 应用]
专题: 线性代数 第5讲 · 点6 对角化的应用
日期: 2026-10-24
状态: 知识点带题(6.1 求矩阵幂、6.2 算行列式与秩,4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 6 对角化的应用
> 真题锚点:2017·20(解答 11 分)|重要度 ★★★
> 依赖:点 3 的对角化。盘点对应:§6 全节。
**组织原则**:先列知识点(求幂 → 算行列式与秩),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 6.1 用对角化求矩阵幂(出处:[知识章 similar.tex §9](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
若 $A=P\Lambda P^{-1}$ ,则
$$A^{m}=P\Lambda^{m}P^{-1}=P\,\mathrm{diag}(\lambda_1^m,\dots,\lambda_n^m)\,P^{-1}.$$
**四步**:特征值与特征向量 $\to$ 拼 $P$ 与 $\Lambda$ $\to$ 求 $P^{-1}$ $\to$ 三矩阵相乘。
**$P^{-1}$ 速算**:二阶用 $\dfrac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix}$ ;尽量让 $P$ 的列为整数且 $\lvert P\rvert=\pm1$ ,则 $P^{-1}$ 也是整数阵。
**特殊结构捷径**:若 $A=aI+bJ$ ($J$ 为全 1 矩阵),则 $J^k=n^{k-1}J$ ,故
$$A^{m}=a^{m}E+\frac{(a+nb)^{m}-a^{m}}{n}J .$$
## 知识点 6.2 用特征值算行列式与秩(出处:[知识章 similar.tex §9](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$$\lvert A\rvert=\prod\lambda_i,\qquad\lvert f(A)\rvert=\prod f(\lambda_i).$$
**秩的公式要看条件**:
$$r(A)=\text{非零特征值的个数}\qquad(\text{仅当}\ A\ \text{可对角化}).$$
更一般的写法:$r(A)=n-\dim N(A)=n-\#\{$ 属于 0 的线性无关特征向量$\}$ ,这个式子**无条件成立**。
反例警示:$\begin{pmatrix}0&1\\0&0\end{pmatrix}$ 特征值全为 0,但秩为 1,不可对角化。
---
## 题目(按知识点顺序对应)
### 题 1 · 6.1:二阶求 $A^n$ (★★☆)
> 设 $A=\begin{pmatrix}1&2\\0&3\end{pmatrix}$ ,求 $A^{n}$ ($n$ 为正整数)。
**怎么想**:上三角,特征值直接读 $1,3$ ,互异故可对角化。求两个特征向量拼 $P$ ,再套公式。**最后用 $n=1$ 回代自查**——这一步能抓住 90% 的算错。
**解**:
**第 1 步:特征值与特征向量。** $\lambda_1=1,\ \lambda_2=3$ 。
$\lambda_1=1$ :$E-A=\begin{pmatrix}0&-2\\0&-2\end{pmatrix}$ ,得 $x_2=0$ ,$\xi_1=(1,0)^{\mathrm T}$ 。
$\lambda_2=3$ :$3E-A=\begin{pmatrix}2&-2\\0&0\end{pmatrix}$ ,得 $x_1=x_2$ ,$\xi_2=(1,1)^{\mathrm T}$ 。
**第 2 步:拼 $P$ 与 $\Lambda$ 。**
$$P=\begin{pmatrix}1&1\\0&1\end{pmatrix},\qquad\Lambda=\begin{pmatrix}1&0\\0&3\end{pmatrix},\qquad P^{-1}=\begin{pmatrix}1&-1\\0&1\end{pmatrix}.$$
**第 3 步:套公式。**
$$A^{n}=P\Lambda^{n}P^{-1}=\begin{pmatrix}1&1\\0&1\end{pmatrix}\begin{pmatrix}1&0\\0&3^{n}\end{pmatrix}\begin{pmatrix}1&-1\\0&1\end{pmatrix}$$
$$=\begin{pmatrix}1&3^{n}\\0&3^{n}\end{pmatrix}\begin{pmatrix}1&-1\\0&1\end{pmatrix}=\begin{pmatrix}1&3^{n}-1\\0&3^{n}\end{pmatrix}.$$
**验算**:$n=1$ 时 $\begin{pmatrix}1&2\\0&3\end{pmatrix}=A$ ✓;$n=2$ 时 $\begin{pmatrix}1&8\\0&9\end{pmatrix}$ ,而 $A^2=\begin{pmatrix}1&2\\0&3\end{pmatrix}^2=\begin{pmatrix}1&2+6\\0&9\end{pmatrix}=\begin{pmatrix}1&8\\0&9\end{pmatrix}$ ✓。
**带走结论**:**用 $n=1$ 和 $n=2$ 双验**。$A^n$ 的答案里若出现 $3^n-1$ 这种结构,说明特征值含 1(不动方向)——从右上角非零可知 $A\ne E$ ,合理。
> **关联** · 盘点 [§6.1 用对角化求矩阵幂](01-知识点盘点.md#user-content-61-用对角化求矩阵幂) | 上游 — | 下游 [点 6 题 2](07-点6-对角化的应用.md#user-content-题-2--61全-1-矩阵结构的快速求幂) | 速查 [十 求矩阵幂](09-速查卡.md#user-content-十-求矩阵幂)
---
### 题 2 · 6.1:全 1 矩阵结构的快速求幂(★★★)
> 【2017·20 变体】设 $A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}$ ,求 $A^{n}$ 。
**怎么想**:识别结构 $A=E+J$ ($J$ 为全 1 矩阵)。$J$ 的秩为 1、特征值 $3,0,0$ ,故 $J^k=3^{k-1}J$ ,二项式展开即可。**不要走"求 $P$ 、求 $P^{-1}$ 、三个矩阵相乘"的老路**——三阶算下来极易出错。
**解**:
**第 1 步:识别结构。** $A=E+J$ ,其中 $J=\begin{pmatrix}1&1&1\\1&1&1\\1&1&1\end{pmatrix}$ 。
**第 2 步:$J$ 的幂。** $J$ 的每一列都是 $(1,1,1)^{\mathrm T}$ ,故 $J^2=3J$ ,归纳得
$$J^{k}=3^{k-1}J\qquad(k\geqslant1).$$
**第 3 步:二项式展开。** $E$ 与 $J$ 可交换,故
$$A^{n}=(E+J)^{n}=\sum_{k=0}^{n}\binom{n}{k}J^{k}=E+\Big(\sum_{k=1}^{n}\binom{n}{k}3^{k-1}\Big)J .$$
而
$$\sum_{k=1}^{n}\binom{n}{k}3^{k-1}=\frac13\Big(\sum_{k=1}^{n}\binom{n}{k}3^{k}\Big)=\frac{(1+3)^{n}-1}{3}=\frac{4^{n}-1}{3}.$$
故
$$A^{n}=E+\frac{4^{n}-1}{3}J .$$
**验算**:$n=1$ 时 $E+\frac{3}{3}J=E+J=A$ ✓;$n=2$ 时 $E+\frac{15}{3}J=E+5J=\begin{pmatrix}6&5&5\\5&6&5\\5&5&6\end{pmatrix}$ ,而 $A^2=(E+J)^2=E+2J+J^2=E+2J+3J=E+5J$ ✓。
**带走结论**:**看到 $aI+bJ$ 结构就走二项式,不走对角化**。$J^k=n^{k-1}J$ 这条要背下来——它是"秩 1 矩阵"的通用性质($J=\mathbf{1}\mathbf{1}^{\mathrm T}$ ,故 $J^k=\mathbf{1}(\mathbf{1}^{\mathrm T}\mathbf{1})^{k-1}\mathbf{1}^{\mathrm T}=n^{k-1}J$ )。
> **关联** · 盘点 [§6.1 用对角化求矩阵幂](01-知识点盘点.md#user-content-61-用对角化求矩阵幂) | 上游 [点 6 题 1](07-点6-对角化的应用.md#user-content-题-1--61二阶求-an-) | 下游 — | 速查 [十 求矩阵幂](09-速查卡.md#user-content-十-求矩阵幂)
---
### 题 3 · 6.2:特征值算行列式与秩(★★☆)
> 设 $A$ 为三阶矩阵,特征值为 $2,2,0$ ,且 $A$ 可对角化。求:
>
> (Ⅰ)$\lvert A\rvert$ ;(Ⅱ)$r(A)$ ;(Ⅲ)$r(A^{*})$ ;(Ⅳ)$\lvert A^{*}+E\rvert$ 。
**怎么想**:四问全部由特征值回答,但(Ⅲ)要用伴随矩阵的秩公式(第 2 讲),(Ⅳ)要先用 $r(A^{*})=1$ 判"$A^{*}$ 不可逆"。
**解**:(Ⅰ)$\lvert A\rvert=2\times2\times0=0$ 。
(Ⅱ)$A$ 可对角化,故 $r(A)=$ 非零特征值个数 $=2$ 。(也可由 $A\sim\mathrm{diag}(2,2,0)$ 直接读秩。)
(Ⅲ)$r(A)=2=n-1$ ,由伴随矩阵的秩公式 $r(A^{*})=1$ 。
(Ⅳ)注意 $A$ 不可逆(有零特征值),公式 $\lvert A\rvert/\lambda$ 在 $\lambda=0$ 处失效,**不能**用它算 $A^{*}$ 的特征值。
改从伴随矩阵与对角化的一致性走:$A=P\Lambda P^{-1}$ 时 $A^{*}=P\Lambda^{*}P^{-1}$ ,其中 $\Lambda=\mathrm{diag}(2,2,0)$ 的伴随为
$$\Lambda^{*}=\mathrm{diag}\big(2\times0,\ 2\times0,\ 2\times2\big)=\mathrm{diag}(0,0,4)$$
(对角阵的伴随仍是"其余对角元之积")。于是 $A^{*}+E=P(\Lambda^{*}+E)P^{-1}$ ,特征值为 $0+1,0+1,4+1=1,1,5$ ,
$$\lvert A^{*}+E\rvert=1\times1\times5=5 .$$
**验算**:直接取 $A=\mathrm{diag}(2,2,0)$ (相似不改行列式),则 $A^{*}+E=\mathrm{diag}(1,1,5)$ ,行列式 $5$ ✓。
**带走结论**:**$A$ 不可逆时 $A^{*}$ 的特征值要用"其余对角元之积"算**。最稳的办法是先把 $A$ 化成对角阵(相似变换保持 $A^{*}$ 的相似关系),对角阵的伴随直接读。
**带走结论**:**$A$ 不可逆时 $A^{*}$ 的特征值要用"两两乘积"算,不能套 $\lvert A\rvert/\lambda$ ** 。最稳的办法是直接把 $A$ 化成对角阵再算 $A^{*}$ (对角阵的伴随也是对角阵,元素是其余对角元之积)。
> **关联** · 盘点 [§6.2 用特征值算行列式与秩](01-知识点盘点.md#user-content-62-用特征值算行列式与秩) | 上游 — | 下游 [点 6 题 4](07-点6-对角化的应用.md#user-content-题-4--62秩与特征值的联手) | 速查 [十一 四处最容易丢分](09-速查卡.md#user-content-十一-四处最容易丢分)
---
### 题 4 · 6.2:秩与特征值的联手(★★★)
> 【2017·20 骨架】设 $A$ 为三阶矩阵,$r(A)=2$ ,$\operatorname{tr}(A)=4$ ,且 $A$ 有两个相等的特征值。求:
>
> (Ⅰ)$A$ 的全部特征值;
> (Ⅱ)$r(A^{*})$ ;
> (Ⅲ)判断 $Ax=0$ 的基础解系含几个向量,并说明 $A^{*}x=0$ 与 $Ax=0$ 是否同解。
**怎么想**:$r(A)=2<n$ 说明 $\lvert A\rvert=0$ ,必有一个零特征值。剩下两个由"有两个相等特征值"与迹定出。第(Ⅲ)问把第 4 讲的维数与第 2 讲的伴随秩串起来。
**解**:
**(Ⅰ)** $r(A)=2<3$ 故 $\lvert A\rvert=0$ ,即至少一个特征值为 0。
设三个特征值为 $\lambda,\lambda,0$ ("有两个相等"且已有一个 0;若三个都相等则 $\lambda=\lambda=\lambda$ 且其一为 0,即全为 0,此时 $\operatorname{tr}A=0\ne4$ ,排除)。
由迹:$\lambda+\lambda+0=4\Rightarrow\lambda=2$ 。
故特征值为 $2,2,0$ 。
**(Ⅱ)** $r(A)=2=n-1$ ,由伴随矩阵秩公式
$$r(A^{*})=1 .$$
**(Ⅲ)** $Ax=0$ 的基础解系含 $n-r(A)=3-2=1$ 个向量。
$A^{*}x=0$ 的基础解系含 $n-r(A^{*})=3-1=2$ 个向量。两者维数不同(1 与 2),故**不同解**。
(更强的结论:$r(A)=n-1$ 时,$A^{*}$ 的非零列是 $Ax=0$ 的基础解系,故 $N(A)\subsetneq N(A^{*})$ ,见第 4 讲点 8 题 5。)
**验算**:取 $A=\mathrm{diag}(2,2,0)$ ,$r(A)=2$ 、$\operatorname{tr}A=4$ ✓,特征值 $2,2,0$ ✓;$A^{*}=\mathrm{diag}(0,0,4)$ ,$r(A^{*})=1$ ✓;$A^{*}x=0$ 即 $4x_3=0$ ,解空间 2 维 ✓。
**带走结论**:**"$r(A)=n-1$ "是伴随矩阵题的发令枪**——它同时给出 $r(A^{*})=1$ 、$\lvert A\rvert=0$ 、$N(A)$ 一维三件事。看到这个条件就该把第 2 讲的秩公式和第 4 讲的维数一起调出来。
> **关联** · 盘点 [§6.2 用特征值算行列式与秩](01-知识点盘点.md#user-content-62-用特征值算行列式与秩) | 上游 [点 6 题 3](07-点6-对角化的应用.md#user-content-题-3--62特征值算行列式与秩) | 下游 — | 速查 [十一 四处最容易丢分](09-速查卡.md#user-content-十一-四处最容易丢分)
---
@@ -0,0 +1,139 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 二次型接口]
专题: 线性代数 第5讲 · 点7 与二次型的接口
日期: 2026-10-24
状态: 知识点带题(7.1 三条对接点,3 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 7 与二次型的接口
> 真题锚点:2017·21、2020·21、2022·21(第 6 讲解答题的实质)|重要度 ★★★
> 依赖:点 4 的正交对角化。盘点对应:§7 全节。
**组织原则**:这是本讲的出口——把 $Q^{\mathrm T}AQ=\Lambda$ 翻译成二次型语言。3 题覆盖"读特征值 → 写标准形 → 判正定"。
## 知识点 7.1 三条对接点(出处:[知识章 quadratic-form.tex §1](../../../../参考仓库/Math/linear-algebra/knowledge/6-quadratic-form/quadratic-form.tex))
设二次型 $f=x^{\mathrm T}Ax$ ($A$ 实对称),则
| 第 5 讲 | 第 6 讲 |
|---|---|
| $Q^{\mathrm T}AQ=\Lambda$ | 正交变换 $x=Qy$ 把 $f$ 化成标准形 |
| 特征值 $\lambda_i$ | 标准形系数 $y_i^2$ 前 |
| $\lambda_i$ 的符号 | 正、负惯性指数 |
| 所有 $\lambda_i>0$ | $f$ 正定 |
**一句话**:二次型的标准形系数**就是**特征值,第 6 讲的解答题实质上是在做点 4 的五步。
---
## 题目(按知识点顺序对应)
### 题 1 · 7.1:由矩阵直接写标准形(★★☆)
> 设二次型
>
> $$f(x_1,x_2,x_3)=x_1^2+x_2^2+x_3^2+2x_1x_2+2x_1x_3+2x_2x_3 .$$
>
> (Ⅰ)写出 $f$ 的矩阵 $A$ ;
> (Ⅱ)求 $A$ 的特征值,并写出 $f$ 在正交变换下的标准形;
> (Ⅲ)判断 $f$ 是否正定,并说明理由。
**怎么想**:$x_i^2$ 的系数进对角元,$x_ix_j$ 的系数**折半**进 $(i,j)$ 与 $(j,i)$ ——这是写矩阵的唯一规则。之后全部交给特征值。
**解**:
**(Ⅰ)** 对角元取平方项系数 $1$ ,非对角元取交叉项系数的一半 $\frac22=1$ :
$$A=\begin{pmatrix}1&1&1\\1&1&1\\1&1&1\end{pmatrix}=J .$$
**(Ⅱ)** $A=J$ 的每一列都是 $(1,1,1)^{\mathrm T}$ ,$r(A)=1$ ;由 $A(1,1,1)^{\mathrm T}=3(1,1,1)^{\mathrm T}$ 得 $\lambda_1=3$ ,另两个特征值为 $0,0$ (因 $\operatorname{tr}A=3$ )。
故标准形为
$$f=3y_1^2 .$$
(几何上:$f=(x_1+x_2+x_3)^2$ ,是一个完全平方,验证了秩为 1。)
**(Ⅲ)** **不正定**。正定要求全部特征值 $>0$ ,而 $\lambda_2=\lambda_3=0$ 。$f$ 是**半正定**(所有 $\lambda_i\geqslant0$ 且 $f\geqslant0$ 恒成立)。
**验算**:取 $(x_1,x_2,x_3)=(1,-1,0)$ ,$f=1+1+0-2+0+0=0$ ,确实存在非零向量使 $f=0$ ,故不正定 ✓。
**带走结论**:**"完全平方"就等于"有零特征值"**。$f=(x_1+\cdots+x_n)^2$ 型二次型的矩阵是 $J$ ,特征值 $n,0,\dots,0$ ,半正定不正定。
> **关联** · 盘点 [§7.1 三条对接点](01-知识点盘点.md#user-content-71-三条对接点) | 上游 — | 下游 [点 7 题 2](08-点7-与二次型的接口.md#user-content-题-2--71正交变换化标准形全流程)、[点 7 题 3](08-点7-与二次型的接口.md#user-content-题-3--71正定性判定与特征值) | 速查 —
---
### 题 2 · 7.1:正交变换化标准形全流程(★★★)
> 设二次型 $f=2x_1^2+2x_2^2+2x_3^2+2x_1x_2+2x_1x_3+2x_2x_3$ 。
>
> (Ⅰ)写出矩阵 $A$ 并求特征值;
> (Ⅱ)求正交变换 $x=Qy$ 把 $f$ 化为标准形;
> (Ⅲ)写出标准形,并指出正、负惯性指数。
**怎么想**:矩阵是 $A=E+J$ (对角元 2,非对角 1)。$J$ 的特征值是 $3,0,0$ ,故 $A$ 的是 $4,1,1$ ——**不必展开三阶行列式**。之后按点 4 的五步走。
**解**:
**(Ⅰ)** 交叉项系数都是 $2$ ,折半得 $1$ :
$$A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}=E+J .$$
各行之和为 $4$ ,故 $(1,1,1)^{\mathrm T}$ 对应 $\lambda_1=4$ ;又 $\operatorname{tr}A=6$ ,剩下两个之和为 2,结合 $\lvert A\rvert=4$ ($A=E+J$ ,$J$ 特征值 $3,0,0$ )得 $\lambda_2=\lambda_3=1$ 。
(也可分解:$\lvert\lambda E-A\rvert=(\lambda-4)(\lambda-1)^2$ 。)
**(Ⅱ)** $\lambda=4$ 的特征向量 $\xi_1=(1,1,1)^{\mathrm T}$ 。
$\lambda=1$ 二重,解 $x_1+x_2+x_3=0$ ,取
$$\xi_2=(1,-1,0)^{\mathrm T},\qquad \xi_3=(1,1,-2)^{\mathrm T}$$
(已验 $\langle\xi_2,\xi_3\rangle=1-1+0=0$ ,无需施密特)。单位化:
$$e_1=\frac{1}{\sqrt3}\begin{pmatrix}1\\1\\1\end{pmatrix},\quad e_2=\frac{1}{\sqrt2}\begin{pmatrix}1\\-1\\0\end{pmatrix},\quad e_3=\frac{1}{\sqrt6}\begin{pmatrix}1\\1\\-2\end{pmatrix}.$$
取 $Q=(e_2,e_3,e_1)$ 以对齐 $\Lambda$ 的顺序:
$$Q=\begin{pmatrix}\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\[2pt]-\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\[2pt]0&-\frac{2}{\sqrt6}&\frac{1}{\sqrt3}\end{pmatrix},\qquad Q^{\mathrm T}AQ=\mathrm{diag}(1,1,4).$$
**(Ⅲ)** 令 $x=Qy$ ,则
$$f=y_1^2+y_2^2+4y_3^2 .$$
正惯性指数 $p=3$ ,负惯性指数 $q=0$ 。$f$ **正定**。
**验算**:三个系数之和 $1+1+4=6=\operatorname{tr}A$ ✓;乘积 $4=\lvert A\rvert$ ✓。
**带走结论**:**二次型的标准形系数 $=$ 特征值,顺序可任意但必须与 $Q$ 的列对齐**。正交变换下"标准形"就是"对角形",系数唯一(除排列);若用配方法,系数可以不同(因不是正交变换),但**正负个数不变**(惯性定理)。
> **关联** · 盘点 [§7.1 三条对接点](01-知识点盘点.md#user-content-71-三条对接点) | 上游 [点 7 题 1](08-点7-与二次型的接口.md#user-content-题-1--71由矩阵直接写标准形) | 下游 [点 7 题 3](08-点7-与二次型的接口.md#user-content-题-3--71正定性判定与特征值) | 速查 —
---
### 题 3 · 7.1:正定性判定与特征值(★★☆)
> 设 $A$ 为三阶实对称矩阵,特征值为 $1,2,3$ 。判断下列说法:
>
> (Ⅰ)$A$ 正定;(Ⅱ)$A^{-1}$ 正定;(Ⅲ)$A-E$ 正定;(Ⅳ)$A^{*}$ 正定。
**怎么想**:正定 $\iff$ 全部特征值 $>0$ 。要判 $f(A)$ 是否正定,只需看 $f(\lambda_i)$ 是否全正。
**解**:(Ⅰ)**正确**。$1,2,3$ 全正。
(Ⅱ)**正确**。$A^{-1}$ 的特征值为 $1,\frac12,\frac13$ ,全正。
(Ⅲ)**错误**。$A-E$ 的特征值为 $0,1,2$ ,含 0,只是**半正定**。
(Ⅳ)**正确**。$\lvert A\rvert=6$ ,$A^{*}$ 的特征值为 $\frac61,\frac62,\frac63=6,3,2$ ,全正。
**验算**:(Ⅲ)中 $\lvert A-E\rvert=0$ 也印证了"不正定"(正定矩阵必可逆)。
**带走结论**:判 $f(A)$ 的正定性**只需逐一代入**。两个高频陷阱:出现 0 就不是正定(半正定);$A^{*}$ 的正定性由 $\lvert A\rvert/\lambda_i$ 决定,故 $A$ 正定时 $A^{*}$ 也正定($\lvert A\rvert>0$ 、$\lambda_i>0$ )。
> **关联** · 盘点 [§7.1 三条对接点](01-知识点盘点.md#user-content-71-三条对接点) | 上游 [点 7 题 1](08-点7-与二次型的接口.md#user-content-题-1--71由矩阵直接写标准形)、[点 7 题 2](08-点7-与二次型的接口.md#user-content-题-2--71正交变换化标准形全流程) | 下游 — | 速查 —
---
@@ -0,0 +1,170 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, 速查卡]
专题: 线性代数 第5讲 · 特征值与特征向量(速查)
日期: 2026-10-24
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 第5讲 · 特征值与特征向量:速查卡
考前十分钟只看这一页。
## 一 三个核心动作
<!-- KP: 1.1 -->
```
① 解 |λE-A| = 0 → 特征值
② 解 (λE-A)x = 0 → 特征向量
③ 特征向量拼 P 或 Q → P⁻¹AP = Λ 或 QᵀAQ = Λ
```
全讲 83 分都是这三步的排列组合。
## 二 求特征向量四步
<!-- KP: 1.2, 1.3 -->
```
① |λE-A| 因式分解(分解到底)
② 写出全部 λ 及代数重数
③ 每个 λ 解 (λE-A)x=0 求基础解系
④ 特征向量 = 非零线性组合
```
**二阶速算**:$\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0$ 。
**捷径**:$\lambda E-A$ 各行之和为零 ⟹ $(1,\dots,1)^{\mathrm T}$ 是特征向量。
**三角矩阵**:主对角元就是特征值。
## 三 特征值的六条运算
<!-- KP: 2.1, 2.2 -->
$$\sum\lambda_i=\operatorname{tr}A,\qquad\prod\lambda_i=\lvert A\rvert .$$
| 矩阵 | 特征值 |
|---|---|
| $kA$ | $k\lambda$ |
| $A^{m}$ | $\lambda^{m}$ |
| $A^{-1}$ | $1/\lambda$ |
| $A^{*}$ | $\lvert A\rvert/\lambda$ |
| $f(A)$ | $f(\lambda)$ |
| $A^{\mathrm T}$ | $\lambda$ (**特征向量不同**) |
**$A$ 不可逆时**,$A^{*}$ 的特征值用"其余对角元之积"算(先对角化再读)。
## 四 重数与可对角化
<!-- KP: 2.3, 3.2 -->
$$1\leqslant m_i=n-r(\lambda_iE-A)\leqslant n_i .$$
$$A\ \text{可对角化}\iff\text{每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff\sum m_i=n .$$
**三个充分条件**:$n$ 个互异特征值;实对称;每个重根的几何重数 $=$ 代数重数。
**两条铁律判死**:
1. 特征值全相同且 $A\ne\lambda E$ ⟹ 不可对角化。
2. 某重根 $m_i<n_i$ ⟹ 不可对角化。
## 五 相似判定三步筛
<!-- KP: 3.1, 3.3 -->
```
① 特征值(含重数)相同? 否 → 不相似
② 秩相同? 否 → 不相似
③ 都可对角化? 一个可一个不可 → 不相似
都可 → 相似(同相似于同一个 Λ)
```
**相似不变量**:特征多项式、秩、行列式、迹、可对角化性。
## 六 实对称三定理
<!-- KP: 4.1 -->
1. 特征值全为实数;
2. **不同特征值**的特征向量必**正交**;
3. 必存在正交 $Q$ 使 $Q^{\mathrm T}AQ=\Lambda$ 。
**注意**:同一特征值内部的向量**不自动正交**,要自己做施密特。
## 七 正交对角化五步
<!-- KP: 4.2, 4.3 -->
```
① |λE-A|=0 → λ
② (λE-A)x=0 → 基础解系
③ 同一 λ 内部施密特正交化(不同 λ 的自动正交)
④ 全部单位化,按列拼 Q
⑤ QᵀAQ = Λ(列序与 Λ 对齐)
```
**验证技巧**:验 $AQ=Q\Lambda$ ,比算 $Q^{\mathrm T}AQ$ 省一半。
## 八 反求矩阵
<!-- KP: 5.1 -->
$$A=P\Lambda P^{-1}\qquad\text{或(实对称)}\qquad A=\sum_i\lambda_iq_iq_i^{\mathrm T}.$$
- 缺特征向量:实对称时用**叉乘**(必与已知的都正交);
- 缺特征值:用 $\operatorname{tr}$ 或 $\lvert A\rvert$ 补;
- 重特征值占两维:常化为 $A=aE+bJ$ 。
## 九 抽象条件三件套
<!-- KP: 5.2 -->
| 条件 | 特征值 | 附加 |
|---|---|---|
| $A^2=A$ | $\{0,1\}$ | 必可对角化,$r(A)=\operatorname{tr}A=$ 1 的个数 |
| $A^2=E$ | $\{\pm1\}$ | 必可对角化 |
| $A^k=O$ | $\{0\}$ | $A\ne O$ 时不可对角化 |
**方向不能反**:$A$ 满足 $\Rightarrow$ $\lambda$ 满足;反之不成立。
## 十 求矩阵幂
<!-- KP: 6.1, 6.2 -->
$$A^{m}=P\Lambda^{m}P^{-1}.$$
**结构捷径**:$A=aI+bJ$ 时 $J^k=n^{k-1}J$ ,
$$A^{m}=a^{m}E+\frac{(a+nb)^{m}-a^{m}}{n}J .$$
**算行列式与秩**:$\lvert A\rvert=\prod\lambda_i$ ;$r(A)=$ 非零特征值个数(**仅当可对角化**)。
## 十一 四处最容易丢分
<!-- KP: 6.2 -->
1. **同一特征值内部忘了施密特**,交上去的 $Q$ 不正交。做完必验 $Q^{\mathrm T}Q=E$ 。
2. **$P$ 的列序与 $\Lambda$ 对角元错位**。写完用 $AP=P\Lambda$ 验。
3. **只看特征值相同就判相似**。必须加查"都可对角化"。
4. **$A$ 不可逆时套 $\lvert A\rvert/\lambda$ ** 算 $A^{*}$ 的特征值。改走"其余对角元之积"。
---
## 回查
<!-- AUTO:回查 -->
| 想查什么 | 对应题目 |
|---|---|
| 一 三个核心动作 | [点 1 题 1](02-点1-定义与求法.md#user-content-题-1--11定义的三条等价写法) |
| 二 求特征向量四步 | [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)、[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)、[点 1 题 4](02-点1-定义与求法.md#user-content-题-4--12含参矩阵的特征值)、[点 1 题 5](02-点1-定义与求法.md#user-content-题-5--13特征向量的四条性质)、[点 1 题 6](02-点1-定义与求法.md#user-content-题-6--13不同特征值特征向量无关的证明) |
| 三 特征值的六条运算 | [点 2 题 1](03-点2-特征值的性质.md#user-content-题-1--21由迹与行列式反求第三个特征值)、[点 2 题 2](03-点2-特征值的性质.md#user-content-题-2--21特征值与行列式的连锁换算)、[点 2 题 3](03-点2-特征值的性质.md#user-content-题-3--22派生矩阵的特征值一次算完)、[点 2 题 4](03-点2-特征值的性质.md#user-content-题-4--22迹与特征值的双向使用) |
| 四 重数与可对角化 | [点 2 题 5](03-点2-特征值的性质.md#user-content-题-5--23重数与几何重数的对照)、[点 2 题 6](03-点2-特征值的性质.md#user-content-题-6--23幂等矩阵的全部结论)、[点 3 题 3](04-点3-相似与相似对角化.md#user-content-题-3--32可对角化的判据清单)、[点 3 题 4](04-点3-相似与相似对角化.md#user-content-题-4--32判定不可对角化)、[点 3 题 5](04-点3-相似与相似对角化.md#user-content-题-5--32含参矩阵永远不可对角化)、[点 3 题 6](04-点3-相似与相似对角化.md#user-content-题-6--32走完相似对角化全流程) |
| 五 相似判定三步筛 | [点 3 题 1](04-点3-相似与相似对角化.md#user-content-题-1--31相似的不变量)、[点 3 题 2](04-点3-相似与相似对角化.md#user-content-题-2--33特征值与秩全同却不相似) |
| 六 实对称三定理 | [点 4 题 1](05-点4-实对称矩阵正交对角化.md#user-content-题-1--41三个定理的适用范围)、[点 4 题 5](05-点4-实对称矩阵正交对角化.md#user-content-题-5--41实对称必可正交对角化的证明) |
| 七 正交对角化五步 | [点 4 题 2](05-点4-实对称矩阵正交对角化.md#user-content-题-2--42三阶实对称的完整五步)、[点 4 题 3](05-点4-实对称矩阵正交对角化.md#user-content-题-3--42由特征值与特征向量反求实对称矩阵)、[点 4 题 4](05-点4-实对称矩阵正交对角化.md#user-content-题-4--43正交矩阵的性质) |
| 八 反求矩阵 | [点 5 题 1](06-点5-反求矩阵与抽象条件.md#user-content-题-1--51由-p-与-lambda-反求-a-)、[点 5 题 3](06-点5-反求矩阵与抽象条件.md#user-content-题-3--51缺一个特征向量时怎么补) |
| 九 抽象条件三件套 | [点 5 题 2](06-点5-反求矩阵与抽象条件.md#user-content-题-2--52多项式条件下求行列式)、[点 5 题 4](06-点5-反求矩阵与抽象条件.md#user-content-题-4--52a-与-amathrm-t-的特征值相同)、[点 5 题 5](06-点5-反求矩阵与抽象条件.md#user-content-题-5--52多项式条件下求行列式) |
| 十 求矩阵幂 | [点 6 题 1](07-点6-对角化的应用.md#user-content-题-1--61二阶求-an-)、[点 6 题 2](07-点6-对角化的应用.md#user-content-题-2--61全-1-矩阵结构的快速求幂)、[点 6 题 3](07-点6-对角化的应用.md#user-content-题-3--62特征值算行列式与秩)、[点 6 题 4](07-点6-对角化的应用.md#user-content-题-4--62秩与特征值的联手) |
| 十一 四处最容易丢分 | [点 6 题 3](07-点6-对角化的应用.md#user-content-题-3--62特征值算行列式与秩)、[点 6 题 4](07-点6-对角化的应用.md#user-content-题-4--62秩与特征值的联手) |
<!-- /AUTO:回查 -->
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-定义与求法.md)、[点 2](03-点2-特征值的性质.md)、[点 3](04-点3-相似与相似对角化.md)、[点 4](05-点4-实对称矩阵正交对角化.md)、[点 5](06-点5-反求矩阵与抽象条件.md)、[点 6](07-点6-对角化的应用.md)、[点 7](08-点7-与二次型的接口.md)。
@@ -0,0 +1,105 @@
---
tags: [数学一, 在学练习, 线性代数, 特征值, README]
专题: 线性代数 第5讲 · 特征值与特征向量
日期: 2026-10-24
状态: 知识点盘点 + 七点分册(知识点带题,34 题)
关联笔记: ["[[01-知识点盘点]]", "[[09-速查卡]]"]
---
# 线性代数 第5讲 · 特征值与特征向量
真题库第 13 章。近十年 **11 题 83 分**,线性代数分值最高的一讲,占线代总分近一半。题型结构极稳定:**5 道选择填空(21 分)$+$ 5 道解答题(57 分)**,解答题几乎每年落在第 20 或 21 题。
这个分值的含义很直接:**第 5 讲做不出来,线代基本报废**。第 6 讲二次型只是它的延伸(同一个对角化流程换个外壳),所以这一讲必须做到"给一个三阶矩阵,五分钟走完全流程"。
## 这一版的结构
| 层 | 文件 | 作用 | 读法 |
|---|---|---|---|
| **地图** | `01-知识点盘点.md` | 大纲、真题、参考仓库三条线的知识点全摊开 | 先通读,之后只查不读 |
| **练** | `02`—`08` 七个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目顺序逐一对应出题,共 34 题 | 一天一个点,动手做 |
| **查** | `09-速查卡.md` | 十一组结论 $+$ 四处丢分点 $+$ 回查表 | 考前十分钟 |
## 文件清单
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|---|---|---|---|---|
| `01-知识点盘点.md` | 九节盘点 $+$ 覆盖对照表 | — | — | 0 |
| `02-点1-定义与求法.md` | 特征方程、四步求法、特征向量性质 | 一切题第 1 步 | — | 6 |
| `03-点2-特征值的性质.md` | 迹与行列式、派生矩阵、重数与几何重数 | 2018·13、2024·7 | **9** | 6 |
| `04-点3-相似与相似对角化.md` | 不变量、对角化判据、相似判定三步筛 | 2019·21、2020·21、2023·6 | **27** | 6 |
| `05-点4-实对称矩阵正交对角化.md` | 三定理、五步流程、正交矩阵 | 2021·21 | **12** | 5 |
| `06-点5-反求矩阵与抽象条件.md` | 由 $\lambda,\xi$ 反求 $A$ 、多项式条件 | 2019·21、2025·21 | **23** | 5 |
| `07-点6-对角化的应用.md` | 求 $A^n$ 、算行列式与秩 | 2017·20 | **11** | 4 |
| `08-点7-与二次型的接口.md` | 特征值 $=$ 标准形系数、正定性 | 2017·21 起 | — | 3 |
| `09-速查卡.md` | 十一组结论 $+$ 四处丢分点 | — | — | 0 |
合计 **34 题**。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 建议的三轮读法
**第一轮(2.5 小时)**:`01` 通读 $+$ `02`、`03`。这两点是地基——不会解 $\lvert\lambda E-A\rvert=0$ 与 $(\lambda E-A)x=0$ ,后面全部无从谈起。
**第二轮(3 小时)**:`04`、`05`。这两节吃掉 39 分,且是解答题的绝对主力。**`05` 的五步流程必须练到闭卷不停顿**。
**第三轮(1.5 小时)**:`06`、`07` $+$ `08` $+$ `09` 。`06` 的谱分解技巧与 `07` 的求幂是 2017·20、2025·21 的原型。
时间不够时按这个顺序砍:`08` $\to$ `07$ 的题 2 $\to$ `06` 的题 4 。**`05` 一定不能砍**。
## 双向链接怎么用
| 粒度 | 在哪儿 | 什么时候用 |
|---|---|---|
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
每道题末尾固定一行:
```
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
```
四个方向全部指向**具体题目的锚点**。
## 锚点怎么写(Gitea 两条方向相反的规则)
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,** 其余标点全部删除**)。
| 链接类型 | 写法 |
|---|---|
| 同文件 | `#题-1--11定义的三条等价写法` |
| 跨文件 | `03-点2-特征值的性质.md#user-content-题-1--21由迹与行列式反求第三个特征值` |
写完校验:
```bash
python .workbuddy/tools/md2pdf/gen_crosslinks.py 线性代数-第5讲-特征值与特征向量
python .workbuddy/tools/md2pdf/check_md_links.py 线性代数-第5讲-特征值与特征向量
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=线性代数-第5讲-特征值与特征向量
```
## 与其他讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| $\lvert\lambda E-A\rvert$ | 第 1 讲行列式 | 特征多项式 |
| $(\lambda E-A)x=0$ 非零解 | 第 4 讲方程组 | 求特征向量 |
| $n-r(\lambda E-A)$ | 第 4 讲基础解系个数 | 几何重数 |
| $P$ 为过渡矩阵 | 第 3 讲基变换 | $P^{-1}AP=\Lambda$ 是换基 |
| 施密特正交化 | 第 3 讲点 6 | 重特征值内部正交化 |
| $Q^{\mathrm T}AQ=\Lambda$ | 第 6 讲二次型 | 化标准形、判正定 |
| $r(A)=n-1$ 与 $A^{*}$ | 第 2 讲伴随 | $r(A^{*})=1$ |
## 版本记录
| 日期 | 变更 |
|---|---|
| 2026-10-24 | 建文件夹,按「知识点盘点 $+$ 七点分册 $+$ 速查卡」共 10 个文件(34 题),每题嵌题目级双向链接 |
## 两条写作约定
1. **不生成 PDF**。只出 Markdown。
2. **单个文件不超过 1.3 万字符**,超了就拆。
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex` 与 `exercise/5-similar/similar.tex` 。