--- 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) ---