Files
Yimu 482410db68 fix(线代第5讲): 排查全讲 36 题的前置知识缺口,补 5 处知识点、修 6 处硬伤
用户点 1 的反馈(题里用到对角化/几何重数,知识点没讲)不是孤例。逐题核对
每道题用到的概念是否在"本点或更早"讲过,查出并修正如下。

一、真缺口:题目用了、知识点完全没讲

1. 点 4 题 3(2021·21 骨架,12 分)用谱分解 A=Σλᵢqᵢqᵢᵀ 作答,但 §4.1—4.3
   只讲到 QᵀAQ=Λ,谱分解要到点 5 §5.1 才出现,且原文还写成"唯一解法"。
   → 新增 §4.4 谱分解(够用版):定义、单根 μ + 重根 λ 的两个化形
   (A=λE+(μ-λ)qqᵀ 与 A=λE+(μ-λ)J/n)、"先单位化"这个唯一的坑、
   实对称已知一向量则其余落在正交补;题 3 改标 4.4,删掉"唯一解法",
   与点 5 §5.1 双向互指。
2. 点 5 题 3 用叉乘求第三个特征向量,§5.1 只说"由对称性补齐"。
   → §5.1 补"缺一个特征向量的三种补法"表 + 叉乘为什么能用。
3. 点 6 题 3、题 4 直接用伴随矩阵的秩公式(原只写"第 2 讲")。
   → §6.2 补三档公式 r(A*)=n / 1 / 0,以及 A 不可逆时 A* 特征值改走
   "对角阵的伴随 = 其余对角元之积"。
4. 点 7 题 1、题 2 要先会"交叉项折半写矩阵",§7.1 只有对照表;
   题 2 还要惯性指数/惯性定理,也只出现名词。
   → §7.1 补两条前置规则(折半、惯性定理 p+q=r(A))+ 老套路照搬提示。
5. 点 4 题 2、点 7 题 2 都靠"行和相等"秒出特征值,§4.2 没写。
   → §4.2 补开局捷径;点 6 §6.1 补 A=aI+bJ 的二项式来历(E 与 J 可交换、
   J 是秩 1 矩阵);点 2 §2.2 补 |A*|=|A|ⁿ⁻¹。

二、标注错位

6. 点 2 题 2 标 2.1,但全题靠 2.2 的 A* 特征值 |A|/λ 与 f(A) 特征值。
   → 改标 2.2(附录表同步:§2.1 1 题、§2.2 3 题)。

三、排查中发现的硬伤

7. 点 2 题 5 带走结论有两个问题:末句是"n-k=3-2=1? 注意:…"的自问自答
   残文;且"r 严格小于 n-k 则可对角化失败"方向错了——由 m≤nᵢ 得
   r(λᵢE-A)≥n-nᵢ,r 永不会小于下界,判据是取等号。整段重写。
8. 点 6 题 3 出现两段"带走结论"(重复),合并为一段。
9. 点 1 题 6(Ⅳ)题干没写 λ₃ 与 λ₁ 是否相同,解析自加"若否则另论"。
   → 题干补"三个特征值互不相同",解析改为归纳法证明。
10. 点 3 题 2 用"Jordan 块"这个全讲未定义的术语 → 改成"上三角且右上有非零元"。

四、顺带

11. 三个题目标题含公式(点 5 题 1、点 5 题 4、点 6 题 1),违反"标题禁含
    $…$"(Gitea 锚点会漂)→ 全部改纯文字。
12. 改完 4.4 后 01-知识点盘点 涨到 13505 字符,超 1.3 万上限 → 按高数讲次
    的既有做法把"覆盖对照"与"相邻讲接口"拆成 01b-覆盖对照与接口.md
    (01 由 13505 → 12386,§0.x 编号未动;01b 顺手补谱分解、几何重数判据
    两行,接口表补叉乘与 r(A*) 两行)。
13. 01 的 关联笔记 误写成 [[10-速查卡]](那是高数无穷级数的文件)→ 改 [[09-速查卡]]。

校验:gen_crosslinks 8 个点文件 36 题 19 知识点(+§4.4);check_md_links
11 文件 217 链接 0 异常;fix_gitea_math 0 处待修。全部文件 < 1.3 万字符。
2026-10-26 19:19:05 +08:00

19 KiB
Raw Permalink Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
线性代数
特征值
定义与求法
线性代数 第5讲 · 点1 定义与求法 2026-10-24 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)
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)

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)

四步:① 算 \lvert\lambda E-A\rvert 并因式分解;② 写出全部 \lambda_i 与代数重数;③ 对每个 \lambda_i 解 (\lambda_iE-A)x=0 求基础解系;④ 写成 k_1\xi_{i1}+\cdots (系数不全为零)。

二阶速算:\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0 。

捷径:若 \lambda_iE-A 各行之和为零,则 (\lambda_iE-A)(1,\dots,1)^{\mathrm T}=0 ,直接得特征向量。

知识点 1.3 几何重数与可对角化判据(够用版,出处:知识章 similar.tex §4)

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 、点 3 §3.2 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)

  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 | 上游 — | 下游 — | 速查 一 三个核心动作


题 2 · 1.2:二阶矩阵走完整四步(★★☆)

求 A=\begin{pmatrix}2&1\\1&2\end{pmatrix} 的全部特征值与特征向量。

怎么想:二阶用速算式 \lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0 ,比展开行列式快。求出两个根后逐个解 (\lambda_iE-A)x=0 。

解:\operatorname{tr}A=4 ,\lvert A\rvert=3 ,故

\lambda^2-4\lambda+3=0\Longrightarrow(\lambda-1)(\lambda-3)=0\Longrightarrow\lambda_1=1,\ \lambda_2=3 .

当 \lambda_1=1 时:

\lambda_1E-A=\begin{pmatrix}-1&-1\\-1&-1\end{pmatrix}\longrightarrow\begin{pmatrix}1&1\\0&0\end{pmatrix},

即 x_1+x_2=0 ,基础解系 \xi_1=(1,-1)^{\mathrm T} 。特征向量 k_1(1,-1)^{\mathrm T} (k_1\ne0 )。

当 \lambda_2=3 时:

\lambda_2E-A=\begin{pmatrix}1&-1\\-1&1\end{pmatrix}\longrightarrow\begin{pmatrix}1&-1\\0&0\end{pmatrix},

即 x_1-x_2=0 ,基础解系 \xi_2=(1,1)^{\mathrm T} 。特征向量 k_2(1,1)^{\mathrm T} (k_2\ne0 )。

验算:\operatorname{tr}A=4=1+3 ✓;\lvert A\rvert=3=1\times3 ✓。

带走结论:二阶题一定用速算式,并用迹与行列式双验。两个特征向量 (-1,1) 与 (1,1) 恰好正交——这是实对称矩阵的必然(本讲点 4)。

关联 · 盘点 §1.2 特征值与特征向量的求法 | 上游 — | 下游 点 1 题 3 | 速查 二 求特征向量四步


题 3 · 1.2:分块三阶,重根情形(★★☆)

求 A=\begin{pmatrix}2&0&0\\0&3&1\\0&1&3\end{pmatrix} 的全部特征值与特征向量。

怎么想:A 是分块对角 \mathrm{diag}(2,\ B) ,B=\begin{pmatrix}3&1\\1&3\end{pmatrix} 。分块三角的特征值就是各块特征值的并(直接读,不必展开三阶行列式)。B 的特征值用二阶速算。

解:A 分块为 (2) 与 B ,故特征值 = \{2\}\cup\{B 的特征值\} 。

B 的 \operatorname{tr}B=6 、\lvert B\rvert=9-1=8 ,\lambda^2-6\lambda+8=0\Rightarrow\lambda=2,4 。

所以 A 的特征值为 \lambda_1=\lambda_2=2 (二重)、\lambda_3=4 。

当 \lambda=2 时:2E-A=\begin{pmatrix}0&0&0\\0&-1&-1\\0&-1&-1\end{pmatrix} ,方程 -x_2-x_3=0 ,即 x_2+x_3=0 ,x_1 自由。基础解系

\xi_1=(1,0,0)^{\mathrm T},\qquad\xi_2=(0,1,-1)^{\mathrm T}.

当 \lambda=4 时:4E-A=\begin{pmatrix}2&0&0\\0&1&-1\\0&-1&1\end{pmatrix} ,得 x_1=0 、x_2=x_3 ,基础解系 \xi_3=(0,1,1)^{\mathrm T} 。

验算:\operatorname{tr}A=2+3+3=8=2+2+4 ✓;\lvert A\rvert=2(9-1)=16=2\cdot2\cdot4 ✓。

带走结论:分块三角矩阵的特征值就是各块特征值拼起来,别去展开三阶行列式。\lambda=2 的代数重数 2,而 r(2E-A)=1 、几何重数 =3-1=2 ,两者相等,故本题其实可对角化(判据见 1.3)。

关联 · 盘点 §1.2 特征值与特征向量的求法 | 上游 点 1 题 2 | 下游 — | 速查 二 求特征向量四步


题 4 · 1.3:含参矩阵与可对角化判定(★★☆)

设 A=\begin{pmatrix}1&1&0\\0&a&0\\0&0&1\end{pmatrix} (a 为常数)。求 A 的全部特征值,并讨论 a 取何值时 A 可对角化。

怎么想:上三角矩阵,主对角元直接就是特征值——这是三角矩阵的免费结论。\lambda=1 恒为二重根,所以判据只需在它身上用一次:算 r(E-A) 得 m_1 ,与 n_1=2 比大小。参数 a 只占第二行第二列,它的战场只有一处,即 r(E-A) 的秩 ——看清这一点,讨论就只剩两步。

解:A 为上三角,特征多项式

\lvert\lambda E-A\rvert=\begin{vmatrix}\lambda-1&-1&0\\0&\lambda-a&0\\0&0&\lambda-1\end{vmatrix}=(\lambda-1)^2(\lambda-a).

特征值 \lambda_1=\lambda_2=1 (二重)、\lambda_3=a 。

① 当 a\ne1 时:三个特征值 1,1,a ,其中 1 是二重根,故 n_1=2 。按判据算几何重数:

E-A=\begin{pmatrix}0&-1&0\\0&1-a&0\\0&0&0\end{pmatrix}\longrightarrow\begin{pmatrix}0&1&0\\0&0&0\\0&0&0\end{pmatrix}\quad(\text{因 }a\ne1\ \text{时}\ 1-a\ne0),

只有第二列非零,r(E-A)=1 ,故 m_1=3-1=2=n_1 。每个特征值的几何重数都等于代数重数,故 A 可对角化。

② 当 a=1 时:A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&1\end{pmatrix} ,特征值 1 三重,n_1=3 。此时

E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&0\end{pmatrix},\qquad r(E-A)=1,\qquad m_1=3-1=2<3 ,

缺 3-2=1 个线性无关的特征向量,补不回来,故不可对角化。

验算:\operatorname{tr}A=1+a+1=a+2=1+1+a ✓;\lvert A\rvert=a=1\cdot1\cdot a ✓。另外 m_1=2 也可直接数:E-A 只给出一个方程 x_2=0 ,自由未知量 x_1,x_3 共两个。

带走结论:三角矩阵特征值直接读对角元。重根必须查几何重数——同是"\lambda=1 二重",a\ne1 时 r(E-A)=1 可对角化、a=1 时 r(E-A)=1 却不可(因为代数重数从 2 涨到 3)。比之前先把代数重数 n_i 数清,这是本题唯一的坑。

关联 · 盘点 §1.3 几何重数与可对角化判据 | 上游 — | 下游 点 1 题 5 | 速查 四 重数与可对角化


题 5 · 1.3:有重根却能对角化(★★☆)

设 A=\begin{pmatrix}0&1&1\\1&0&1\\1&1&0\end{pmatrix} 。

(Ⅰ)求 A 的全部特征值与代数重数; (Ⅱ)求各特征值的几何重数,并判断 A 能否对角化; (Ⅲ)若要写出 P 使 P^{-1}AP=\Lambda ,P 需要几列、每列取自哪个子空间?

怎么想:三阶硬展开成本高,先捡两条免费信息——各行之和都是 2,故 (1,1,1)^{\mathrm T} 必对应 \lambda=2 ;再用迹与行列式把剩下两个根逼出来。判据只需在二重根上算一次秩。

解:(Ⅰ)各行元素之和均为 2 ,故

A(1,1,1)^{\mathrm T}=(2,2,2)^{\mathrm T}=2(1,1,1)^{\mathrm T}\Longrightarrow\lambda_1=2\quad(n_1=1).

设另两个特征值为 \lambda_2,\lambda_3 。由迹与行列式:

\lambda_2+\lambda_3=-\lambda_1=-2,\qquad \lambda_2\lambda_3=\frac{\lvert A\rvert}{\lambda_1}=\frac{2}{2}=1,

故它们是 t^2+2t+1=(t+1)^2=0 的根,即 \lambda_2=\lambda_3=-1 (二重,n_2=2 )。

(Ⅱ)单根不必验(必有 m_1=n_1=1 )。对 \lambda=-1 :

-E-A=\begin{pmatrix}-1&-1&-1\\-1&-1&-1\\-1&-1&-1\end{pmatrix}\longrightarrow\begin{pmatrix}1&1&1\\0&0&0\\0&0&0\end{pmatrix},\qquad r(-E-A)=1,

故 m_2=3-1=2=n_2 。几何重数全部等于代数重数,A 可对角化。

(Ⅲ)需要 n=3 列,每个特征值各取一套,不能混着凑:\lambda=2 取 \xi_1=(1,1,1)^{\mathrm T} ;\lambda=-1 取 x_1+x_2+x_3=0 的基础解系

\xi_2=(1,-1,0)^{\mathrm T},\qquad\xi_3=(1,0,-1)^{\mathrm T}.

P=(\xi_1,\xi_2,\xi_3) 的 \lvert P\rvert=3\ne0 ,故 P^{-1}AP=\mathrm{diag}(2,-1,-1) (拼法的完整流程与验算见点 3)。

验算:\operatorname{tr}A=0=2-1-1 ✓;\lvert A\rvert=2=2\cdot(-1)\cdot(-1) ✓;m_1+m_2=1+2=3=n ✓。三条全过。

带走结论:重根只影响"要多算一次秩",不决定结论的方向。本题 \lambda=-1 是二重根,因 -E-A 三行完全相同(r=1 )而拿到 2 个特征向量;题 4 的 a=1 同样是 r=1 ,但代数重数是 3,只拿到 2 个,差一个就崩。判据的分子是 m_i ,分母是 n_i ,两边都要数清。

关联 · 盘点 §1.3 几何重数与可对角化判据 | 上游 点 1 题 4 | 下游 — | 速查 四 重数与可对角化


题 6 · 1.4:特征向量的四条性质(★★☆)

设 \lambda_1\ne\lambda_2 ,\xi_1 是 \lambda_1 的特征向量,\xi_2 是 \lambda_2 的特征向量。判断:

(Ⅰ)\xi_1+\xi_2 一定是 A 的特征向量; (Ⅱ)2\xi_1 仍是 \lambda_1 的特征向量; (Ⅲ)\xi_1,\xi_2 线性无关; (Ⅳ)若 A 为三阶,三个特征值 \lambda_1,\lambda_2,\lambda_3 互不相同,对应特征向量依次为 \xi_1,\xi_2,\xi_3 ,则三者线性无关。

怎么想:逐条对照 1.4 的四款性质。(Ⅰ)是"跨特征值相加"的经典错误,(Ⅳ)是性质 2 的反复使用。

解:(Ⅰ)错。A(\xi_1+\xi_2)=\lambda_1\xi_1+\lambda_2\xi_2 ,它既不等于 \lambda_1(\xi_1+\xi_2) 也不等于 \lambda_2(\xi_1+\xi_2) (因 \lambda_1\ne\lambda_2 且 \xi_1,\xi_2 无关)。

(Ⅱ)对。A(2\xi_1)=2A\xi_1=2\lambda_1\xi_1=\lambda_1(2\xi_1) ,且 2\xi_1\ne0 。同一特征值的非零倍数仍是特征向量。

(Ⅲ)对。属于不同特征值的特征向量必线性无关(性质 2)。

(Ⅳ)对。一般结论:互异特征值各取一个特征向量,所得向量组必线性无关。证明用归纳:设 c_1\xi_1+c_2\xi_2+c_3\xi_3=0 ,左乘 A 得 c_1\lambda_1\xi_1+c_2\lambda_2\xi_2+c_3\lambda_3\xi_3=0 ,两式相减消去含 \xi_3 的项,化为两个向量的情形,由性质 2 得 c_1=c_2=0 ,回代得 c_3=0 。

带走结论:跨特征值不能相加,同特征值可以任意组合。这条界限贯穿全讲——拼 P 时只能"每个特征值各取一套",不能混着凑。

关联 · 盘点 §1.4 特征向量的性质 | 上游 — | 下游 点 1 题 7 | 速查 二 求特征向量四步


题 7 · 1.4:不同特征值特征向量无关的证明(★★★)

设 \lambda_1,\lambda_2,\dots,\lambda_m 是 A 的互不相同的特征值,\xi_i 是对应 \lambda_i 的特征向量(i=1,\dots,m )。证明:\xi_1,\xi_2,\dots,\xi_m 线性无关。

怎么想:对 m 归纳,但关键技巧在两端夹击:设零组合后先左乘 A 得一个式子,原式再乘 \lambda_m 得另一个式子,两式相减把 \xi_m 消掉,退回 m-1 的情形。

解:对 m 归纳。m=1 时 \xi_1\ne0 ,结论成立。

设结论对 m-1 成立,考察

k_1\xi_1+k_2\xi_2+\cdots+k_m\xi_m=0 .\tag{1}

两边左乘 A ,用 A\xi_i=\lambda_i\xi_i :

k_1\lambda_1\xi_1+k_2\lambda_2\xi_2+\cdots+k_m\lambda_m\xi_m=0 .\tag{2}

(1)\times\lambda_m 得

k_1\lambda_m\xi_1+k_2\lambda_m\xi_2+\cdots+k_m\lambda_m\xi_m=0 .\tag{3}

(2)-(3) 消去 \xi_m 项:

k_1(\lambda_1-\lambda_m)\xi_1+k_2(\lambda_2-\lambda_m)\xi_2+\cdots+k_{m-1}(\lambda_{m-1}-\lambda_m)\xi_{m-1}=0 .

这是 m-1 个互异特征值对应特征向量的零组合,由归纳假设,所有系数为零:

k_i(\lambda_i-\lambda_m)=0\quad(i=1,\dots,m-1).

因 \lambda_i\ne\lambda_m ,得 k_1=\cdots=k_{m-1}=0 。代回 (1) 得 k_m\xi_m=0 ,而 \xi_m\ne0 ,故 k_m=0 。

全部系数为零,\xi_1,\dots,\xi_m 线性无关。

带走结论:"乘 A 两次、相减消一项" 是这一族证明的固定套路。它的推广就是"实对称矩阵不同特征值的特征向量正交"——那里把左乘 A 换成"两边取内积",思路完全一致。

关联 · 盘点 §1.4 特征向量的性质 | 上游 点 1 题 6 | 下游 — | 速查 二 求特征向量四步