fix(线代第5讲): 点 1 补「几何重数与可对角化判据」,新增题 5,全讲 36 题

用户反馈:点 1 的题里出现"能否对角化""几何重数",但知识点只到 1.1—1.3,
没讲重数与判据,做题时无从下手。

结构变更(题号向后顺延,无删改):
- 新增 §1.3 几何重数与可对角化判据(够用版):代数/几何重数定义、
  m=n-r(λE-A)、1≤m≤n、可对角化四条同义判据、判定三步、两个反直觉点、
  双矩阵对照表;明示"完整推导见 §2.3,判定例题见点 3 §3.2"
- 原 §1.3 特征向量的性质 → §1.4(性质本身未动)
- 题 4 由 1.2 改标 1.3(它本就要求讨论可对角化),解析补"第 0 步数清 n_i"
  与"缺 n_i-m_i 个向量"的判断
- 新增题 5 · 1.3:A=[[0,1,1],[1,0,1],[1,1,0]],重根 λ=-1 却可对角化的正例
  (与题 4 的 a=1 反例成对);sympy 验:特征值 2,-1,-1,det=2,r(-E-A)=1
- 原题 5/6 → 题 6/7,标签 1.3 → 1.4

同步:盘点 §1.3/§1.4 与 §2.3 互指、速查卡四节补"单根不验"算法与三条性质、
README 题量表 7 题;全讲题量口径由错记的 34 修正为 36(实际一直是 35,少算 1)。

顺带修本讲 12 处 `**…$ **`(加粗以公式收尾)——网页端会露星号,
涉及点 1 题 2/3/4 的分情形标签、点 2、点 4、点 5、点 6、速查卡。

校验:gen_crosslinks 8 文件 36 题 18 知识点;check_md_links 212 链接 0 异常;
fix_gitea_math 0 处待修。02 文件 12077 字符、01 文件 12603 字符,均 < 1.3 万。
This commit is contained in:
2026-10-26 19:11:48 +08:00
parent 035ae4d8b2
commit f4a849cd9d
8 changed files with 152 additions and 42 deletions
@@ -2,7 +2,7 @@
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
状态: 知识点盘点(九节 + 覆盖对照表),配套 7 个点分册共 36 题
关联笔记: ["[[README]]", "[[10-速查卡]]"]
---
@@ -69,8 +69,9 @@ tags: [数学一, 在学练习, 线性代数, 特征值, 知识点盘点]
| 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) |
| §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) |
| §1.3 几何重数与可对角化判据 | [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)、[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) |
| §1.4 特征向量的性质 | [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)、[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) |
| §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) |
@@ -123,7 +124,20 @@ $$A\xi=\lambda\xi\iff(\lambda E-A)\xi=0\iff\xi\ \text{是}\ (\lambda E-A)x=0\ \t
**二阶速算**:$\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0$ 。
### 1.3 特征向量的性质
### 1.3 几何重数与可对角化判据
- **代数重数** $n_i$ :$\lambda_i$ 作为 $\lvert\lambda E-A\rvert=0$ 根的重数。
- **几何重数** $m_i=n-r(\lambda_iE-A)$ :特征子空间的维数,也等于属于 $\lambda_i$ 的**线性无关特征向量的最大个数**。
$$1\leqslant m_i\leqslant n_i,\qquad A\ \text{可对角化}\iff m_i=n_i\ (\forall i)\iff\sum_i m_i=n .$$
**判定三步**:求全 $\lambda_i$ 与 $n_i$ → 只对 $n_i\geqslant2$ 的算 $r(\lambda_iE-A)$ 得 $m_i$ (单根必有 $m_i=n_i=1$ ) → 只要有一个 $m_i<n_i$ 即不可对角化。
**两处易错**:① **有重根 $\ne$ 不可对角化**($\mathrm{diag}(1,1,2)$ 的 $\lambda=1$ 二重却可对角化);② **可对角化 $\ne$ 特征值互异**($E$ 只有三重特征值 $1$ ,照样是对角阵)。所以"$n$ 个互异特征值 $\Rightarrow$ 可对角化"只是充分条件。
完整推导见 §2.3,判定例题见点 3 §3.2。
### 1.4 特征向量的性质
设 $\xi_1,\dots,\xi_s$ 都是 $\lambda$ 的特征向量,则
@@ -175,7 +189,9 @@ $$1\leqslant m_i\leqslant n_i .$$
$m_i\geqslant1$ 是"特征值必有特征向量"的另一种说法;$m_i\leqslant n_i$ 是定理(不证)。
**可对角化的判据**(下一节点 3 用它):
> **与 §1.3 的关系**:点 1 的题里已经会追问"能不能对角化",所以 §1.3 先给了一份"够用版"(判据 + 三步算法),内容与本节点完全一致;本节多的是记忆法,以及它在点 3、点 6 的用法。
**可对角化的判据**(点 3 用它):
$$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 .$$
@@ -239,7 +255,7 @@ $$P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n).$$
1. **特征值全为实数**;
2. **属于不同特征值的特征向量必正交**(不只是线性无关);
3. **必存在正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda$ ** (即必可正交对角化)。
3. **必可正交对角化**:存在正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda$ 。
第 2 条是实对称独有的——一般矩阵只能保证"线性无关",实对称能保证"正交"。
@@ -2,7 +2,7 @@
tags: [数学一, 在学练习, 线性代数, 特征值, 定义与求法]
专题: 线性代数 第5讲 · 点1 定义与求法
日期: 2026-10-24
状态: 知识点带题(1.1 定义与特征方程、1.2 求法、1.3 性质,6 题)
状态: 知识点带题(1.1 定义与特征方程、1.2 求法、1.3 几何重数与对角化判据、1.4 性质,7 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
@@ -31,7 +31,50 @@ $$A\xi=\lambda\xi\iff(\lambda E-A)\xi=0\iff\xi\ \text{是}\ (\lambda E-A)x=0\ \t
**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))
## 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)。
@@ -80,13 +123,13 @@ $$A\xi=\begin{pmatrix}2&1\\1&2\end{pmatrix}\begin{pmatrix}1\\-1\end{pmatrix}=\be
$$\lambda^2-4\lambda+3=0\Longrightarrow(\lambda-1)(\lambda-3)=0\Longrightarrow\lambda_1=1,\ \lambda_2=3 .$$
**$\lambda_1=1$ ** :
**当 $\lambda_1=1$ 时**:
$$\lambda_1E-A=\begin{pmatrix}-1&-1\\-1&-1\end{pmatrix}\longrightarrow\begin{pmatrix}1&1\\0&0\end{pmatrix},$$
即 $x_1+x_2=0$ ,基础解系 $\xi_1=(1,-1)^{\mathrm T}$ 。特征向量 $k_1(1,-1)^{\mathrm T}$ ($k_1\ne0$ )。
**$\lambda_2=3$ ** :
**当 $\lambda_2=3$ 时**:
$$\lambda_2E-A=\begin{pmatrix}1&-1\\-1&1\end{pmatrix}\longrightarrow\begin{pmatrix}1&-1\\0&0\end{pmatrix},$$
@@ -96,7 +139,7 @@ $$\lambda_2E-A=\begin{pmatrix}1&-1\\-1&1\end{pmatrix}\longrightarrow\begin{pmatr
**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)
> **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)
---
@@ -112,25 +155,25 @@ $B$ 的 $\operatorname{tr}B=6$ 、$\lvert B\rvert=9-1=8$ ,$\lambda^2-6\lambda+
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
**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
$$\xi_1=(1,0,0)^{\mathrm T},\qquad\xi_2=(0,1,-1)^{\mathrm T}.$$
**$\lambda=4$ ** :$4E-A=\begin{pmatrix}2&0&0\\0&1&-1\\0&-1&1\end{pmatrix}$ ,得 $x_1=0$ 、$x_2=x_3$ ,基础解系 $\xi_3=(0,1,1)^{\mathrm T}$ 。
**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(点 3 的判据)。
**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 [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)
> **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 · 1.2:含参矩阵的特征值(★★☆)
### 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。重根出现在 $a=1$ 时,此时需要看几何重数。
**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
@@ -138,23 +181,67 @@ $$\lvert\lambda E-A\rvert=\begin{vmatrix}\lambda-1&-1&0\\0&\lambda-a&0\\0&0&\lam
特征值 $\lambda_1=\lambda_2=1$ (二重)、$\lambda_3=a$ 。
**① $a\ne1$ ** :三个特征值 $1,1,a$ ,其中 $1$ 是二重根。看几何重数:
**① 当 $a\ne1$ 时**:三个特征值 $1,1,a$ ,其中 $1$ 是二重根,故 $n_1=2$ 。按判据算几何重数:
$$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),$$
$$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),$$
$r(E-A)=1$ ,几何重数 $=3-1=2=$ 代数重数。故 $A$ **可对角化**。
只有第二列非零,$r(E-A)=1$ ,故 $m_1=3-1=2=n_1$ 。**每个特征值的几何重数都等于代数重数,故 $A$ 可对角化。**
**② $a=1$ ** :$A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&1\end{pmatrix}$ ,特征值 $1$ 三重。$E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&0\end{pmatrix}$ ,$r=1$ ,几何重数 $=3-1=2<3$ ,故 **不可对角化**。
**② 当 $a=1$ 时**:$A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&1\end{pmatrix}$ ,特征值 $1$ 三重,$n_1=3$ 。此时
**验算**:$\operatorname{tr}A=1+a+1=a+2=1+1+a$ ✓;$\lvert A\rvert=a=1\cdot1\cdot a$ ✓。
$$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 ,$$
**带走结论**:**三角矩阵特征值直接读对角元**。重根要单独查几何重数——本题 $a=1$ 时几何重数 2、代数重数 3,差一个就不可对角化。
**缺 $3-2=1$ 个线性无关的特征向量,补不回来,故不可对角化。**
> **关联** · 盘点 [§1.2 特征值与特征向量的求法](01-知识点盘点.md#user-content-12-特征值与特征向量的求法) | 上游 [点 1 题 2](02-点1-定义与求法.md#user-content-题-2--12二阶矩阵走完整四步)、[点 1 题 3](02-点1-定义与求法.md#user-content-题-3--12分块三阶重根情形) | 下游 — | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
**验算**:$\operatorname{tr}A=1+a+1=a+2=1+1+a$ ✓;$\lvert A\rvert=a=1\cdot1\cdot a$ ✓。另外 $m_1=2$ 也可直接数:$E-A$ 只给出一个方程 $x_2=0$ ,自由未知量 $x_1,x_3$ 共两个。
**带走结论**:**三角矩阵特征值直接读对角元**。重根必须查几何重数——同是"$\lambda=1$ 二重",$a\ne1$ 时 $r(E-A)=1$ 可对角化、$a=1$ 时 $r(E-A)=1$ 却不可(因为代数重数从 2 涨到 3)。**比之前先把代数重数 $n_i$ 数清**,这是本题唯一的坑。
> **关联** · 盘点 [§1.3 几何重数与可对角化判据](01-知识点盘点.md#user-content-13-几何重数与可对角化判据) | 上游 — | 下游 [点 1 题 5](02-点1-定义与求法.md#user-content-题-5--13有重根却能对角化) | 速查 [四 重数与可对角化](09-速查卡.md#user-content-四-重数与可对角化)
---
### 题 5 · 1.3:特征向量的四条性质(★★☆)
### 题 5 · 1.3:有重根却能对角化(★★☆)
> 设 $A=\begin{pmatrix}0&1&1\\1&0&1\\1&1&0\end{pmatrix}$ 。
>
> (Ⅰ)求 $A$ 的全部特征值与代数重数;
> (Ⅱ)求各特征值的几何重数,并判断 $A$ 能否对角化;
> (Ⅲ)若要写出 $P$ 使 $P^{-1}AP=\Lambda$ ,$P$ 需要几列、每列取自哪个子空间?
**怎么想**:三阶硬展开成本高,先捡两条免费信息——**各行之和都是 2**,故 $(1,1,1)^{\mathrm T}$ 必对应 $\lambda=2$ ;再用迹与行列式把剩下两个根逼出来。判据只需在二重根上算一次秩。
**解**:(Ⅰ)各行元素之和均为 $2$ ,故
$$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}.$$
$P=(\xi_1,\xi_2,\xi_3)$ 的 $\lvert P\rvert=3\ne0$ ,故 $P^{-1}AP=\mathrm{diag}(2,-1,-1)$ (拼法的完整流程与验算见点 3)。
**验算**:$\operatorname{tr}A=0=2-1-1$ ✓;$\lvert A\rvert=2=2\cdot(-1)\cdot(-1)$ ✓;$m_1+m_2=1+2=3=n$ ✓。三条全过。
**带走结论**:**重根只影响"要多算一次秩",不决定结论的方向**。本题 $\lambda=-1$ 是二重根,因 $-E-A$ 三行完全相同($r=1$ )而拿到 2 个特征向量;题 4 的 $a=1$ 同样是 $r=1$ ,但代数重数是 3,只拿到 2 个,差一个就崩。**判据的分子是 $m_i$ ,分母是 $n_i$ ,两边都要数清。**
> **关联** · 盘点 [§1.3 几何重数与可对角化判据](01-知识点盘点.md#user-content-13-几何重数与可对角化判据) | 上游 [点 1 题 4](02-点1-定义与求法.md#user-content-题-4--13含参矩阵与可对角化判定) | 下游 — | 速查 [四 重数与可对角化](09-速查卡.md#user-content-四-重数与可对角化)
---
### 题 6 · 1.4:特征向量的四条性质(★★☆)
> 设 $\lambda_1\ne\lambda_2$ ,$\xi_1$ 是 $\lambda_1$ 的特征向量,$\xi_2$ 是 $\lambda_2$ 的特征向量。判断:
>
@@ -163,7 +250,7 @@ $r(E-A)=1$ ,几何重数 $=3-1=2=$ 代数重数。故 $A$ **可对角化**。
> (Ⅲ)$\xi_1,\xi_2$ 线性无关;
> (Ⅳ)若 $A$ 为三阶且第三个特征值 $\lambda_3$ 对应 $\xi_3$ ,则 $\xi_1,\xi_2,\xi_3$ 线性无关。
**怎么想**:逐条对照 1.3 的四款性质。(Ⅰ)是"跨特征值相加"的经典错误,(Ⅳ)是性质 2 的反复使用。
**怎么想**:逐条对照 1.4 的四款性质。(Ⅰ)是"跨特征值相加"的经典错误,(Ⅳ)是性质 2 的反复使用。
**解**:(Ⅰ)**错**。$A(\xi_1+\xi_2)=\lambda_1\xi_1+\lambda_2\xi_2$ ,它既不等于 $\lambda_1(\xi_1+\xi_2)$ 也不等于 $\lambda_2(\xi_1+\xi_2)$ (因 $\lambda_1\ne\lambda_2$ 且 $\xi_1,\xi_2$ 无关)。
@@ -175,11 +262,11 @@ $r(E-A)=1$ ,几何重数 $=3-1=2=$ 代数重数。故 $A$ **可对角化**。
**带走结论**:**跨特征值不能相加,同特征值可以任意组合**。这条界限贯穿全讲——拼 $P$ 时只能"每个特征值各取一套",不能混着凑。
> **关联** · 盘点 [§1.3 特征向量的性质](01-知识点盘点.md#user-content-13-特征向量的性质) | 上游 — | 下游 [点 1 题 6](02-点1-定义与求法.md#user-content-题-6--13不同特征值特征向量无关的证明) | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
> **关联** · 盘点 [§1.4 特征向量的性质](01-知识点盘点.md#user-content-14-特征向量的性质) | 上游 — | 下游 [点 1 题 7](02-点1-定义与求法.md#user-content-题-7--14不同特征值特征向量无关的证明) | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
---
### 题 6 · 1.3:不同特征值特征向量无关的证明(★★★)
### 题 7 · 1.4:不同特征值特征向量无关的证明(★★★)
> 设 $\lambda_1,\lambda_2,\dots,\lambda_m$ 是 $A$ 的**互不相同**的特征值,$\xi_i$ 是对应 $\lambda_i$ 的特征向量($i=1,\dots,m$ )。证明:$\xi_1,\xi_2,\dots,\xi_m$ 线性无关。
@@ -213,6 +300,6 @@ $$k_i(\lambda_i-\lambda_m)=0\quad(i=1,\dots,m-1).$$
**带走结论**:**"乘 $A$ 两次、相减消一项"** 是这一族证明的固定套路。它的推广就是"实对称矩阵不同特征值的特征向量正交"——那里把左乘 $A$ 换成"两边取内积",思路完全一致。
> **关联** · 盘点 [§1.3 特征向量的性质](01-知识点盘点.md#user-content-13-特征向量的性质) | 上游 [点 1 题 5](02-点1-定义与求法.md#user-content-题-5--13特征向量的四条性质) | 下游 — | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
> **关联** · 盘点 [§1.4 特征向量的性质](01-知识点盘点.md#user-content-14-特征向量的性质) | 上游 [点 1 题 6](02-点1-定义与求法.md#user-content-题-6--14特征向量的四条性质) | 下游 — | 速查 [二 求特征向量四步](09-速查卡.md#user-content-二-求特征向量四步)
---
@@ -21,7 +21,7 @@ $$\sum_{i=1}^{n}\lambda_i=\operatorname{tr}A,\qquad\prod_{i=1}^{n}\lambda_i=\lve
## 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。
设 $A\xi=\lambda\xi$ ,则下表各矩阵**共用同一个特征向量** $\xi$ 。
| 矩阵 | 特征值 | 条件 |
|---|---|---|
@@ -45,6 +45,8 @@ $$A\ \text{可对角化}\iff\text{每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff
**记忆**:代数重数管"应该有几个",几何重数管"实际有几个",**缺一个就补不上**。
**与点 1 的分工**:点 1 §1.3 已给"够用版"(判据 + 三步算法),供点 1 题 4、题 5 使用;本节是完整版,并配两类典型应用——点 2 题 5(代数/几何重数对照)、题 6(幂等矩阵必可对角化)。
---
## 题目(按知识点顺序对应)
@@ -19,7 +19,7 @@ tags: [数学一, 在学练习, 线性代数, 特征值, 实对称, 正交对角
1. **特征值全为实数**;
2. **属于不同特征值的特征向量必正交**(不只是线性无关);
3. **存在正交矩阵 $Q$ 使 $Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda$ ** 。
3. 存在**正交矩阵** $Q$ 使 $Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda$ 。
第 2 条是实对称独有:一般矩阵只能保证"线性无关",实对称能保证"正交"。
@@ -41,7 +41,7 @@ $$A^2-3A+2E=O\Longrightarrow\lambda^2-3\lambda+2=0\Longrightarrow\lambda\in\{1,2
| $A^2=E$ | $\{\pm1\}$ | 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 $\xi$ ** 。
**另一个高频结论**:$A\xi=\lambda\xi$ 且 $A$ 可逆时,$A^{-1}\xi=\lambda^{-1}\xi$ 、$A^{*}\xi=\frac{\lvert A\rvert}{\lambda}\xi$ ,**这几条共用同一个特征向量**。
---
@@ -136,7 +136,7 @@ $$\lvert A^{*}+E\rvert=1\times1\times5=5 .$$
**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)。
**带走结论**:**当 $A$ 不可逆时必须改用"两两乘积"算**,套 $\lvert A\rvert/\lambda$ 会错。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)
@@ -23,7 +23,7 @@ tags: [数学一, 在学练习, 线性代数, 特征值, 速查卡]
## 二 求特征向量四步
<!-- KP: 1.2, 1.3 -->
<!-- KP: 1.2, 1.4 -->
```
① |λE-A| 因式分解(分解到底)
@@ -36,6 +36,8 @@ tags: [数学一, 在学练习, 线性代数, 特征值, 速查卡]
**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。
**三条性质**:同一 $\lambda$ 的特征向量的非零组合仍是特征向量;不同 $\lambda$ 的特征向量必线性无关;**跨 $\lambda$ 不能相加**($\xi_{\lambda_1}+\xi_{\lambda_2}$ 一般不是特征向量)。
## 三 特征值的六条运算
<!-- KP: 2.1, 2.2 -->
@@ -55,7 +57,7 @@ $$\sum\lambda_i=\operatorname{tr}A,\qquad\prod\lambda_i=\lvert A\rvert .$$
## 四 重数与可对角化
<!-- KP: 2.3, 3.2 -->
<!-- KP: 1.3, 2.3, 3.2 -->
$$1\leqslant m_i=n-r(\lambda_iE-A)\leqslant n_i .$$
@@ -67,6 +69,8 @@ $$A\ \text{可对角化}\iff\text{每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff
1. 特征值全相同且 $A\ne\lambda E$ ⟹ 不可对角化。
2. 某重根 $m_i<n_i$ ⟹ 不可对角化。
**算法**:单根不验;只对 $n_i\geqslant2$ 的 $\lambda_i$ 算 $r(\lambda_iE-A)$ ,得 $m_i=n-r$ 再与 $n_i$ 比。
## 五 相似判定三步筛
<!-- KP: 3.1, 3.3 -->
@@ -145,7 +149,7 @@ $$A^{m}=a^{m}E+\frac{(a+nb)^{m}-a^{m}}{n}J .$$
1. **同一特征值内部忘了施密特**,交上去的 $Q$ 不正交。做完必验 $Q^{\mathrm T}Q=E$ 。
2. **$P$ 的列序与 $\Lambda$ 对角元错位**。写完用 $AP=P\Lambda$ 验。
3. **只看特征值相同就判相似**。必须加查"都可对角化"。
4. **$A$ 不可逆时套 $\lvert A\rvert/\lambda$ ** 算 $A^{*}$ 的特征值。改走"其余对角元之积"。
4. **$A$ 不可逆时套 $\lvert A\rvert/\lambda$ 会算错**,改走"其余对角元之积"。
---
@@ -155,9 +159,9 @@ $$A^{m}=a^{m}E+\frac{(a+nb)^{m}-a^{m}}{n}J .$$
| 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) |
| 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 6](02-点1-定义与求法.md#user-content-题-6--14特征向量的四条性质)、[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) |
| 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) |
| 四 重数与可对角化 | [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)、[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)、[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) |
@@ -2,7 +2,7 @@
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)
状态: 知识点盘点 + 七点分册(知识点带题,36 题)
关联笔记: ["[[01-知识点盘点]]", "[[09-速查卡]]"]
---
@@ -17,7 +17,7 @@ tags: [数学一, 在学练习, 线性代数, 特征值, README]
| 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 |
| **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 36 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
@@ -25,7 +25,7 @@ tags: [数学一, 在学练习, 线性代数, 特征值, README]
| 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 |
| `02-点1-定义与求法.md` | 特征方程、四步求法、几何重数与对角化判据、特征向量性质 | 一切题第 1 步 | — | 7 |
| `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 |
@@ -34,7 +34,7 @@ tags: [数学一, 在学练习, 线性代数, 特征值, README]
| `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。
合计 **36 题**。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 建议的三轮读法
@@ -96,6 +96,7 @@ python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=线性代数-
| 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 |
| 2026-10-26 | 点 1 补 §1.3 几何重数与可对角化判据(原 §1.3 性质顺延为 §1.4),新增题 5「有重根却能对角化」,全讲题量由表中原记的 34(实际 35,少算 1 题)修正为 36 |
## 两条写作约定