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

212 lines
24 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
tags: [数学一, 知识点构建, 背诵版, 线性代数, 特征值]
专题: 线性代数 第5讲 · 特征值与特征向量 · 背诵版
日期: 2026-10-27
状态: 背诵版 v1(考点完整呈现 + 36 题清单,无解答)
来源: 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
关联笔记: ["[[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) |
| $A^*$ | $|A|/\lambda$($A$ 可逆) |
| $f(A)$ | $f(\lambda)$ |
| $A^{\mathrm T}$ | $\lambda$(**特征向量不同**) |
| $P^{-1}AP$ | $\lambda$(特征向量 $P^{-1}\xi$) |
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|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|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|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`。