Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/14-背诵版-线性代数-第5讲-特征值与特征向量.md
Yimu 26e91c4c68 知识点构建 02—27 批量修公式渲染(约 2500 处)
起因:01 重排时核验发现线上残留 $ 243 个,追查后确认 10-27/11-17 写的这批文件
都有同样问题——收尾 $ 后面紧跟中文标点,Gitea 整对不渲染,正文里直接露出
$\lim_{x\to0}...$ 源码,所以整页看着糊成一团。

- 02—20(背诵版)共插入 2550 处空格,逐文件二次运行均插入 0(幂等)
- 21—27(专背清单)另修 24 处「加粗以公式收尾」:公式被移出加粗范围
  (`**…$f$ **` → `**…** $f$ `),否则补的空格落在 `**` 内侧,星号会原样露出
- 09/11 等 4 处一个加粗里连着两个公式,迭代剥两次才对
- 01 已在上一提交(da4c938)单独处理,网页残留 0

全部经 fix_text 幂等核验;链接 28 文件 0 异常。
2026-11-22 23:00:17 +08:00

25 KiB
Raw Permalink Blame History

tags, 专题, 日期, 状态, 来源, 关联笔记
tags 专题 日期 状态 来源 关联笔记
数学一
知识点构建
背诵版
线性代数
特征值
线性代数 第5讲 · 特征值与特征向量 · 背诵版 2026-10-27 背诵版 v1(考点完整呈现 + 36 题清单,无解答) 在学练习/线性代数-第5讲-特征值与特征向量 | 参考仓库 Math/linear-algebra/5-similar
README
../在学练习/线性代数-第5讲-特征值与特征向量/README

线性代数 第5讲 · 特征值与特征向量 · 背诵版

用法:① 看 §0 骨架搭体系;② 逐点闭卷回忆考点正文(定义/判据/流程);③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应点分册)。 题源:在学练习 02—08 七个点分册共 36 题,编号沿用「点 X 题 Y」;考点出处标注参考仓库 similar.tex。难度与真题锚点一并保留。

0. 本讲骨架(先背这张图)

一句话:三个核心动作反复用——解 |\lambda E-A|=0 求特征值、解 (\lambda E-A)x=0 求特征向量、用特征向量拼 P 验证 P^{-1}AP=\Lambda 。

真题地位:真题库第 13 章,近十年 11 题 83 分,线代分值最高的一讲(5 选择填空 21 分 + 5 解答 57 分,解答几乎每年落在 20/21 题)。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。

依赖链:02 定义与求法(地基)→ 03 特征值性质(和=迹、积=行列式)→ 04 相似与对角化(何时能拼出 P )→ 05 实对称正交对角化(解答题主场,闭卷不停顿)→ 06 反求矩阵 → 07 对角化应用(求 A^n 、秩)→ 08 二次型接口(Q^{\mathrm T}AQ=\Lambda 就是化标准形)。时间不够按 08→07 题2→06 题4 砍,05 不能砍。

考点树

点 考点小节(题数)
1 定义与求法 1.1 定义与特征方程(题1)· 1.2 四步求法(题2–3)· 1.3 几何重数与对角化判据(题4–5)· 1.4 特征向量性质(题6–7)
2 特征值的性质 2.1 和与积(题1)· 2.2 派生矩阵 f(A) (题2–4)· 2.3 重数与几何重数(题5–6)
3 相似与相似对角化 3.1 相似不变量(题1)· 3.2 对角化充要条件(题3–6)· 3.3 判定三步筛(题2)
4 实对称矩阵正交对角化 4.1 三个定理(题1、5)· 4.2 五步流程(题2)· 4.3 正交矩阵(题4)· 4.4 谱分解(题3)
5 反求矩阵与抽象条件 5.1 由 \lambda,\xi 反求 A (题1、3)· 5.2 多项式条件(题2、4、5)
6 对角化的应用 6.1 求 A^n (题1–2)· 6.2 行列式与秩(题3–4)
7 与二次型的接口 7.1 标准形=特征值、正定性(题1–3)

1. 点 1 · 定义与求法

出处:知识章 linear-algebra/knowledge/5-similar/similar.tex §1、§2|题目:在学练习 02-点1(7 题)。真题锚点:一切题第 1 步。

考点 1.1 定义与特征方程

A\xi=\lambda\xi (\xi\ne0 )——\lambda 是特征值(是数),\xi 是特征向量(非零)。三个等价改写:A\xi=\lambda\xi\iff(\lambda E-A)\xi=0\iff\xi 是 (\lambda E-A)x=0 的非零解。由第三条:\lambda 是特征值 \iff|\lambda E-A|=0 (特征方程)。四条易错:① 特征向量必须非零;② \lambda 可为 0/负/复数(实矩阵复特征值成共轭对);③ |\lambda E-A| 与 |A-\lambda E| 求根相同;④ 特征向量不唯一(k\xi 都是)。

考点 1.2 求法四步

① 算 |\lambda E-A| 并因式分解;② 写全部特征值与代数重数;③ 对每个 \lambda_i 解 (\lambda_iE-A)x=0 求基础解系;④ 特征向量 =k_1\xi_{i1}+\cdots (k 不全为零)。捷径:\lambda_iE-A 每行之和常为零 \Rightarrow (1,\dots,1)^{\mathrm T} 是解;先猜后验。二阶速算:\lambda^2-(\operatorname{tr}A)\lambda+|A|=0 。

考点 1.3 几何重数与可对角化判据

代数重数 n_i (根的重数);几何重数 m_i=n-r(\lambda_iE-A) (特征子空间维数 = 无关特征向量最大个数)。1\le m_i\le n_i ;A 可对角化 \iff m_i=n_i (对所有 i ) \iff\sum m_i=n 。判定三步:求全 n_i → 只对 n_i\ge2 算 r(\lambda_iE-A) → 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) 可对角化);② 可对角化 \ne 特征值互异(E 三重特征值 1 照样对角)。「n 个互异特征值 \Rightarrow 可对角化」只是充分条件。判据等价写法:r(\lambda_iE-A)=n-n_i 取等号才可。

考点 1.4 特征向量性质

① 同一特征值特征向量的非零线性组合仍是其特征向量;② 不同特征值的特征向量线性无关(P 可逆的根基);③ n 个互异特征值 \Rightarrow 可对角化;④ 特征向量不能跨特征值相加。证明模板:「设零组合→左乘 A →原式乘 \lambda_m →两式相减消一项」归纳(实对称的推广是「两边取内积」)。

题目

  • 题 1 · 1.1 定义的三条等价写法(★☆☆):A=\begin{pmatrix}2&1\\1&2\end{pmatrix} ,\xi=(1,-1)^{\mathrm T} 。(Ⅰ)验证 \xi 是特征向量并写特征值;(Ⅱ)为什么 (1,1)^{\mathrm T} 对应特征值不同?(Ⅲ)「0 是 A 的特征值」与「A 不可逆」是否等价(等价——三说法一回事)。
  • 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(速算式 \lambda^2-4\lambda+3=0 ,特征向量 (1,-1) 与 (1,1) 恰好正交——实对称必然)。
  • 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(分块对角特征值=各块并集;\lambda=2 二重但 r(2E-A)=1 、几何重数 2,可对角化)。
  • 题 4 · 1.3 含参矩阵与可对角化判定(★★☆):A=\begin{pmatrix}1&1&0\\0&a&0\\0&0&1\end{pmatrix} ,求特征值并讨论 a 何值时可对角化(上三角读对角元;a\ne1 时 r(E-A)=1 可对角化,a=1 时代数重数涨到 3 不可对角化)。
  • 题 5 · 1.3 有重根却能对角化(★★☆):A=\begin{pmatrix}0&1&1\\1&0&1\\1&1&0\end{pmatrix} 。(Ⅰ)求全部特征值与代数重数(行和=2 白送 \lambda=2 ,迹与行列式逼出 -1,-1 );(Ⅱ)求几何重数并判断能否对角化(能);(Ⅲ)P 需要几列、每列取自哪个子空间(每个特征值各取一套,不能混着凑)。
  • 题 6 · 1.4 特征向量的四条性质(★★☆):\lambda_1\ne\lambda_2 ,\xi_1,\xi_2 分别是其特征向量。判断:(Ⅰ)\xi_1+\xi_2 一定是特征向量(错);(Ⅱ)2\xi_1 仍是 \lambda_1 的特征向量(对);(Ⅲ)\xi_1,\xi_2 线性无关(对);(Ⅳ)三阶矩阵三特征值互异对应特征向量无关(对)。
  • 题 7 · 1.4 不同特征值特征向量无关的证明(★★★):\lambda_1,\dots,\lambda_m 互异,证明对应特征向量线性无关(归纳 + 左乘 A 与乘 \lambda_m 相减消项)。

2. 点 2 · 特征值的性质

出处:知识章 similar.tex §3|题目:在学练习 03-点2(6 题)。真题锚点:2018·13、2024·7(9 分)。

考点 2.1 特征值的和与积

\sum\lambda_i=\operatorname{tr}A,\qquad\prod\lambda_i=|A|.

记忆:在 |\lambda E-A|=\lambda^n-(\operatorname{tr}A)\lambda^{n-1}+\cdots+(-1)^n|A| 里比系数。推论:|A|=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 个用迹(或行列式)直接减出来。

考点 2.2 派生矩阵的特征值(同一个 \xi 通用)

矩阵 特征值
kA k\lambda
A^m \lambda^m
A^{-1} \lambda^{-1} (A 可逆)
A^* $
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 )

最常用:f(A) 的特征值是 f(\lambda) ——把 \lambda 代进多项式即可。A^{\mathrm T} 与 A 特征值相同但特征向量不同,最容易想当然。

考点 2.3 重数与几何重数

1\le m_i\le n_i ;可对角化 \iff 每个 m_i=n_i 。一句话: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。幂等矩阵 A^2=A 三件套:特征值只能 0/1、必可对角化、r(A)=\operatorname{tr}A= 1 的个数(证明用 A(A-E)=O 的秩不等式:r(A)+r(A-E)=n 夹逼)。

题目

  • 题 1 · 2.1 由迹与行列式反求第三个特征值(★☆☆):三阶矩阵 \operatorname{tr}A=6 、|A|=6 、两个特征值 1,2 ,求第三个(用迹减出 3,用行列式验)。
  • 题 2 · 2.2 特征值与行列式的连锁换算(★★☆)【2018·13 骨架】:三阶 A 特征值 1,2,3 ,求 |A^*+E| (A^* 特征值 6,3,2 → +E 各加 1 → 积 =84 )。
  • 题 3 · 2.2 派生矩阵的特征值一次算完(★★☆):A 特征值 1,-1,2 ,求(Ⅰ)A^2+A-2E (Ⅱ)A^{-1} (Ⅲ)A^{\mathrm T} (Ⅳ)A^2-3A+3E 的特征值((Ⅰ)出现 0 说明该矩阵不可逆)。
  • 题 4 · 2.2 迹与特征值的双向使用(★★☆)【2024·7 骨架】:A 特征值 1,1,2 ,\alpha_1,\alpha_2,\alpha_3 是三个线性无关特征向量。判断:(Ⅰ)\operatorname{tr}(A^2)=6 ?(Ⅱ)|A+E|=12 ?(Ⅲ)A 可对角化?(给「n 个线性无关特征向量」= 说「可对角化」)。
  • 题 5 · 2.3 重数与几何重数的对照(★★★):A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix} 。(Ⅰ)求特征值与代数重数;(Ⅱ)求几何重数;(Ⅲ)判断能否对角化(m_1=1<2 ,不能)。
  • 题 6 · 2.3 幂等矩阵的全部结论(★★★):A^2=A ,A\ne E ,A\ne O 。证明(Ⅰ)特征值只能 0/1;(Ⅱ)必可对角化;(Ⅲ)r(A)=\operatorname{tr}(A)= 1 的个数。

3. 点 3 · 相似与相似对角化

出处:知识章 similar.tex §2、§4|题目:在学练习 04-点3(6 题)。真题锚点:2019·21、2020·21、2023·6(27 分)。

考点 3.1 相似的定义与必要条件

P^{-1}AP=B (P 可逆)则 A\sim B 。相似不变量(用来否定,不能用来肯定):特征多项式(含重数)、秩、行列式、迹、可对角化性——这五条全满足也不一定相似。口诀:相似不改变「特征值层面」的一切,但改变「向量层面」的一切(特征向量跟着 P 变:B 的特征向量是 P^{-1}\xi )。

考点 3.2 相似对角化的充要条件

A 可对角化 \iff A 有 n 个线性无关特征向量;此时 P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n) 。P 的列序必须与 \Lambda 对角元一一对应。三个充分条件:① n 个互异特征值;② 实对称(必可正交对角化);③ 每个 m_i=n_i 。判「不能」:某 m_i<n_i 。「特征值全相同且 A\ne\lambda E 」是判死的铁律(A\sim aE\Rightarrow A=aE 矛盾)。满秩、行列式非零、特征值全正等「看着强」的条件统统与对角化无关。

考点 3.3 相似判定三步筛

① 特征值(含重数)是否相同——不同直接否;② 秩是否相同;③ 是否都可对角化——都可对角化则相似(同相似于同一个 \Lambda );一个可一个不可则不相似。2016·5、2018·5、2017·6 反复考。

题目

  • 题 1 · 3.1 相似的不变量(★☆☆):A\sim B ,判断(Ⅰ)|A| 与 |B| (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——前三项相等,第(Ⅳ)不相等。
  • 题 2 · 3.3 特征值与秩全同却不相似(★★☆)【2016·5/2018·5 骨架】:A=\mathrm{diag}(1,1,2) ,B=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix} 。(Ⅰ)验证特征值与秩都相同;(Ⅱ)判断是否相似(r(E-B)=2 ,B 不可对角化,A 可——不相似)。
  • 题 3 · 3.2 可对角化的判据清单(★★☆):三阶 A ,哪些条件能保证可对角化:(Ⅰ)三个互异特征值(能);(Ⅱ)实对称(能);(Ⅲ)|A|\ne0 (不能);(Ⅳ)r(A)=3 (不能);(Ⅴ)特征值全 1 且 A\ne E (不能,且必然不可对角化)。
  • 题 4 · 3.2 判定不可对角化(★★☆)【2023·6 骨架】:A=\begin{pmatrix}3&1&0\\0&3&0\\0&0&1\end{pmatrix} 能否对角化(\lambda=3 二重,r(3E-A)=2 ,几何重数 1——不能)。
  • 题 5 · 3.2 含参矩阵永远不可对角化(★★★):A=\begin{pmatrix}a&1&1\\0&a&1\\0&0&a\end{pmatrix} ,证明无论 a 取何值都不能对角化(特征值全为 a ,r(aE-A)=2 ,几何重数 1;或反证 A=aE 矛盾)。
  • 题 6 · 3.2 走完相似对角化全流程(★★★)【2019·21 骨架】:A=\begin{pmatrix}2&2&0\\0&1&0\\0&0&3\end{pmatrix} 。(Ⅰ)求全部特征值与特征向量;(Ⅱ)求可逆 P 使 P^{-1}AP=\Lambda 并写 \Lambda (列序对齐);(Ⅲ)验证 A=P\Lambda P^{-1} (用 AP=P\Lambda 验,比求逆省一半力气)。

4. 点 4 · 实对称矩阵正交对角化

出处:知识章 similar.tex §4|题目:在学练习 05-点4(5 题)。真题锚点:2021·21(12 分)——解答题绝对主力。

考点 4.1 实对称三个定理

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——实对称独有);③ 必可正交对角化:存在正交 Q 使 Q^{\mathrm T}AQ=\Lambda 。「正交」只发生在不同特征值之间(自动);同一特征值内部必须手工正交化——五步流程第 3 步是唯一易错点。

考点 4.2 正交对角化五步

① 解 |\lambda E-A|=0 得特征值及重数;② 每个 \lambda_i 解 (\lambda_iE-A)x=0 得基础解系;③ 同一特征值内部施密特(不同特征值自动正交);④ 全部单位化按列拼 Q ;⑤ 写 Q^{\mathrm T}AQ=\Lambda 并检查列序对齐。「行和相等」的实对称矩阵第一步白送:(1,\dots,1)^{\mathrm T} 方向特征值 = 行和。

考点 4.3 正交矩阵

Q 正交 \iff Q^{\mathrm T}Q=E\iff Q^{-1}=Q^{\mathrm T} ;特征值在单位圆上(可为复数);|Q|=\pm1 (必要不充分——|Q|=1 不等于特征值全是 1);逆、转置、乘积仍正交。正交变换保长度与内积:x^{\mathrm T}Ax=y^{\mathrm T}\Lambda y ——第 5 讲做对了,第 6 讲只是换个问法。

考点 4.4 谱分解

A=Q\Lambda Q^{\mathrm T}=\sum\lambda_iq_iq_i^{\mathrm T} (q_i 单位正交特征向量)。为什么好用:q_iq_i^{\mathrm T} 是「投影到 q_i 方向」的秩 1 矩阵(投影阵),且 \sum_iq_iq_i^{\mathrm T}=QQ^{\mathrm T}=E ——所以只要特征向量两两正交且已单位化,直接读出 A ,连 P^{-1} 都不用求(知道特征值 + 特征向量 ⟹ 反求矩阵的万能出口)。两个化形:单根 \mu 向量为 q 、其余特征值全 \lambda 时 A=\lambda E+(\mu-\lambda)qq^{\mathrm T} ;q=\frac1{\sqrt n}(1,\dots,1)^{\mathrm T} 时 A=\lambda E+\frac{\mu-\lambda}{n}J (重根占 n-1 维时最省事)。唯一的坑:分解前必须单位化——写成 A=\sum\lambda_i\xi_i\xi_i^{\mathrm T} 是错的,正确是 A=\sum\lambda_i\frac{\xi_i\xi_i^{\mathrm T}}{\|\xi_i\|^2} 。配套事实:实对称已知一个特征向量,其余特征向量落在它的正交补(n-1 维)里,任取正交基即可,不用解方程组。

题目

  • 题 1 · 4.1 三个定理的适用范围(★☆☆):判断:(Ⅰ)实对称特征值一定是实数(对);(Ⅱ)不同特征值的特征向量一定正交(对);(Ⅲ)特征值全为实数且可对角化则实对称(错——反例 \begin{pmatrix}1&1\\0&2\end{pmatrix} );(Ⅳ)重特征值对应特征向量自动正交(错——需手工施密特)。
  • 题 2 · 4.2 三阶实对称的完整五步(★★☆):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 (行和 4 → \lambda=4 白送;\lambda=1 二重内部取正交的 (1,-1,0) 、(1,1,-2) 免施密特;\Lambda=\mathrm{diag}(1,1,4) )。
  • 题 3 · 4.4 由特征值与特征向量反求实对称矩阵(★★★)【2021·21 骨架】:A 三阶实对称,特征值 1,1,-1 ,\lambda=-1 的特征向量 \xi=(1,1,1)^{\mathrm T} 。(Ⅰ)求 A (谱分解 A=E-\frac23J );(Ⅱ)求正交 Q ;(Ⅲ)求 |A+2E| (特征值 3,3,1 → 9)。
  • 题 4 · 4.3 正交矩阵的性质(★★☆):Q 正交,判断:(Ⅰ)|Q|=\pm1 (对);(Ⅱ)|Q|=1 时特征值全是 1(错——旋转矩阵特征值可为复数);(Ⅲ)特征值模长都为 1(对);(Ⅳ)逆、转置、乘积仍正交(对)。
  • 题 5 · 4.1 实对称必可正交对角化的证明(★★★):用数学归纳法证明 n 阶实对称存在正交 Q 使 Q^{\mathrm T}AQ=\Lambda (取单位特征向量 q_1 扩成正交基,Q_1^{\mathrm T}AQ_1 分块对角,右下是 n-1 阶实对称,归纳;两个支点:实特征向量可单位化 + Q_1^{\mathrm T}AQ_1 仍实对称故 \alpha=0 )。

5. 点 5 · 反求矩阵与抽象条件

出处:知识章 similar.tex §5|题目:在学练习 06-点5(5 题)。真题锚点:2019·21、2025·21(23 分)。

考点 5.1 由特征值特征向量反求矩阵

已知 n 个特征值与 n 个无关特征向量:A=P\Lambda P^{-1} (P 列序对齐 \Lambda ),算完回代 A\xi_i=\lambda_i\xi_i 验一两个。实对称 + 特征值互异时缺向量用叉乘直接补(\xi_3=\xi_1\times\xi_2 ,不必解方程组),谱分解 A=\sum\lambda_iq_iq_i^{\mathrm T} 最快。部分已知时用 \operatorname{tr}A=\sum\lambda_i 补齐。

考点 5.2 抽象条件与矩阵方程

A 满足多项式方程 \Rightarrow 特征值满足同一个方程(方向不可逆:\lambda 满足推不出 A 满足)。三件套:

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

r(A) 在幂等矩阵里就是「1 的个数」——把秩条件转成特征值条件的唯一桥梁。A 可逆时 A^{-1}\xi=\lambda^{-1}\xi 、A^*\xi=\frac{|A|}{\lambda}\xi 共用同一特征向量。先分解、先看有没有零因子:f(A) 的特征值出现 0 则行列式立刻为 0。

题目

  • 题 1 · 5.1 由特征向量矩阵与对角阵反求原矩阵(★★☆):三阶 A 特征值 3,1 ,特征向量 (1,1)^{\mathrm T} 、(1,-1)^{\mathrm T} ,求 A (A=P\Lambda P^{-1}=\begin{pmatrix}2&1\\1&2\end{pmatrix} ,回代验;结果实对称因特征向量正交)。
  • 题 2 · 5.2 多项式条件下求行列式(★★★)【2025·21 骨架】:三阶 A 满足 A^2=A 且 r(A)=2 ,求 |A+2E| (特征值 1,1,0 → A+2E 特征值 3,3,2 → 18)。
  • 题 3 · 5.1 缺一个特征向量时怎么补(★★★)【2019·21 骨架】:A 三阶实对称,特征值 1,2,3 ,\xi_1=(1,1,1)^{\mathrm T} 、\xi_2=(1,-1,0)^{\mathrm T} ,求 A (叉乘得 \xi_3=(1,1,-2) ,谱分解;验 A\xi_i=\lambda_i\xi_i )。
  • 题 4 · 5.2 矩阵与其转置的特征值相同(★★☆):证明(Ⅰ)A 与 A^{\mathrm T} 特征多项式相同(转置不改变行列式);(Ⅱ)特征向量一般不同,举例(A=\begin{pmatrix}1&1\\0&2\end{pmatrix} ,\lambda=1 的特征向量分别是 (1,0) 与 (1,-1) )。
  • 题 5 · 5.2 多项式条件下求行列式(★★★):A 特征值 1,2,3 ,求 |A^3-3A^2+2A| (f(\lambda)=\lambda(\lambda-1)(\lambda-2) ,f(1)=0 → 行列式 0;或因式分解 A(A-E)(A-2E) 一眼定论)。

6. 点 6 · 对角化的应用

出处:知识章 similar.tex §5|题目:在学练习 07-点6(4 题)。真题锚点:2017·20(11 分)。

考点 6.1 用对角化求矩阵幂

A^m=P\Lambda^mP^{-1}=P\,\mathrm{diag}(\lambda_1^m,\dots,\lambda_n^m)P^{-1} 。四步:求特征值与特征向量 → 拼 P 、\Lambda → 求 P^{-1} → 相乘。用 n=1 和 n=2 双验。P^{-1} 速算:二阶公式;列取整数且行列式 \pm1 时 P^{-1} 也是整数阵。看到 aI+bJ 结构就走二项式:J^k=n^{k-1}J (秩 1 通用性质),(E+J)^n 展开,系数 \frac{(1+n)^n-1}{n} 型——不走对角化。

考点 6.2 用特征值算行列式与秩

|A|=\prod\lambda_i ,|f(A)|=\prod f(\lambda_i) ,r(A)= 非零特征值个数(仅当可对角化——反例 \begin{pmatrix}0&1\\0&0\end{pmatrix} 特征值全 0 但秩 1)。r(A)=n-\dim N(A) 。伴随秩三档:r(A)=n 时 r(A^*)=n ;r(A)=n-1 时 r(A^*)=1 ;r(A)<n-1 时 r(A^*)=0 。A 不可逆时 |A|/\lambda 在 \lambda=0 处失效,改走「先对角化再读对角阵的伴随」(对角阵伴随仍对角,(i,i) 元为其余对角元之积)。「r(A)=n-1 」是伴随题发令枪:同时给 r(A^*)=1 、|A|=0 、N(A) 一维。

题目

  • 题 1 · 6.1 二阶矩阵求高次幂(★★☆):A=\begin{pmatrix}1&2\\0&3\end{pmatrix} ,求 A^n (A^n=\begin{pmatrix}1&3^n-1\\0&3^n\end{pmatrix} ,n=1,2 双验)。
  • 题 2 · 6.1 全 1 矩阵结构的快速求幂(★★★)【2017·20 变体】:A=\begin{pmatrix}2&1&1\\1&2&1\\1&1&2\end{pmatrix}=E+J ,求 A^n (J^k=3^{k-1}J ,A^n=E+\frac{4^n-1}{3}J )。
  • 题 3 · 6.2 特征值算行列式与秩(★★☆):三阶 A 特征值 2,2,0 且可对角化,求(Ⅰ)|A| (Ⅱ)r(A) (Ⅲ)r(A^*) (Ⅳ)|A^*+E| (A 不可逆不能用 |A|/\lambda ,改读对角阵伴随 \mathrm{diag}(0,0,4) → |A^*+E|=5 )。
  • 题 4 · 6.2 秩与特征值的联手(★★★)【2017·20 骨架】:三阶 A ,r(A)=2 、\operatorname{tr}(A)=4 、有两个相等特征值。求(Ⅰ)全部特征值(2,2,0 );(Ⅱ)r(A^*)=1 ;(Ⅲ)Ax=0 基础解系几个向量?A^*x=0 与 Ax=0 是否同解(维数 1 vs 2,不同解)?

7. 点 7 · 与二次型的接口

出处:知识章 similar.tex §4|题目:在学练习 08-点7(3 题)。真题锚点:2017·21 起。

考点 7.1 三条对接点

① Q^{\mathrm T}AQ=\Lambda → 正交变换 x=Qy 化标准形;② \lambda_i 符号 → 正负惯性指数;③ \lambda_i>0 全部 → 正定。标准形系数就是特征值——第 6 讲解答题实质是第 5 讲 §4.2 五步。两条前置规则:① 写矩阵时交叉项折半(a_{ij}=a_{ji}= 系数/2);② 惯性定理:p,q 与变换无关,p+q=r(A) 。判 f(A) 正定性只需逐一代入 f(\lambda_i) 看符号;出现 0 就是半正定不是正定;A 正定时 A^* 也正定。f=(x_1+\cdots+x_n)^2 型的矩阵是 J ,特征值 n,0,\dots,0 ,半正定不正定。

题目

  • 题 1 · 7.1 由矩阵直接写标准形(★★☆):f=x_1^2+x_2^2+x_3^2+2x_1x_2+2x_1x_3+2x_2x_3 。(Ⅰ)写矩阵 A=J ;(Ⅱ)求特征值并写正交变换下标准形(3y_1^2 );(Ⅲ)判断是否正定(不正定,半正定——完全平方等于有零特征值)。
  • 题 2 · 7.1 正交变换化标准形全流程(★★★):f=2x_1^2+2x_2^2+2x_3^2+2x_1x_2+2x_1x_3+2x_2x_3 。(Ⅰ)写矩阵 A=E+J 并求特征值(4,1,1 ,不必展开三阶行列式);(Ⅱ)求正交变换 x=Qy ;(Ⅲ)写标准形 y_1^2+y_2^2+4y_3^2 并指出惯性指数(p=3,q=0 ,正定)。
  • 题 3 · 7.1 正定性判定与特征值(★★☆):三阶实对称 A 特征值 1,2,3 ,判断(Ⅰ)A 正定(Ⅱ)A^{-1} 正定(Ⅲ)A-E 正定(错,特征值 0,1,2 半正定)(Ⅳ)A^* 正定——逐一代入即可。

回查入口:在学练习 ../在学练习/线性代数-第5讲-特征值与特征向量/01-知识点盘点、../在学练习/线性代数-第5讲-特征值与特征向量/01b-覆盖对照与接口、../在学练习/线性代数-第5讲-特征值与特征向量/09-速查卡;参考仓库 参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex 与 exercise/5-similar/similar.tex。