Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/线性代数-第5讲-特征值与特征向量/03-点2-特征值的性质.md
T
Yimu f4a849cd9d 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。
2026-10-26 19:11:48 +08:00

12 KiB
Raw 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
性质
线性代数 第5讲 · 点2 特征值的性质 2026-10-24 知识点带题(2.1 和与积、2.2 派生矩阵、2.3 重数,6 题)
README
01-知识点盘点

点 2 特征值的性质

真题锚点:2018·13、2024·7(填空 / 选择)|重要度 ★★★ 依赖:点 1 的求法。盘点对应:§2 全节。

组织原则:先列知识点(和与积 → 派生矩阵 → 重数),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。

知识点 2.1 特征值的和与积(出处:知识章 similar.tex §2)

\sum_{i=1}^{n}\lambda_i=\operatorname{tr}A,\qquad\prod_{i=1}^{n}\lambda_i=\lvert A\rvert .

三条推论:\lvert A\rvert=0\iff 有零特征值;A 可逆 \iff 全部特征值非零;已知 n-1 个特征值,第 n 个由迹直接减出。

知识点 2.2 派生矩阵的特征值(出处:知识章 similar.tex §3)

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
kA k\lambda —
A^{m} \lambda^{m} —
A^{-1} \lambda^{-1} \lambda\ne0
A^{*} \lvert A\rvert/\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 ) P 可逆

最常用:f(A)\xi=f(\lambda)\xi 。

知识点 2.3 重数与几何重数(出处:知识章 similar.tex §4)

代数重数 n_i = 特征方程根的次数;几何重数 m_i=n-r(\lambda_iE-A) = 特征子空间维数。

1\leqslant m_i\leqslant n_i . A\ \text{可对角化}\iff\text{每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff\sum m_i=n .

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)

题 1 · 2.1:由迹与行列式反求第三个特征值(★☆☆)

设 A 为三阶矩阵,\operatorname{tr}A=6 ,\lvert A\rvert=6 ,且 A 的两个特征值为 1 和 2 。求第三个特征值。

怎么想:两个方程(迹、行列式)两个用途——用迹直接减,用行列式验证。减出来马上验,是最省时的双保险。

解:设第三个特征值为 \lambda_3 。由迹:

1+2+\lambda_3=6\Longrightarrow\lambda_3=3 .

验算(用行列式):1\times2\times3=6=\lvert A\rvert ✓。

带走结论:三阶题给两个特征值就是白送第三个——用迹减,用行列式验。若两式给出的答案不一致,说明题目里有一个特征值抄错了。

关联 · 盘点 §2.1 特征值的和与积 | 上游 — | 下游 点 2 题 2 | 速查 三 特征值的六条运算


题 2 · 2.1:特征值与行列式的连锁换算(★★☆)

【2018·13 骨架】设 A 为三阶矩阵,A 的特征值为 1,2,3 。求 \lvert A^{*}+E\rvert 。

怎么想:三步连锁——① A^{*} 的特征值由 \lvert A\rvert/\lambda 得;② 加 E 相当于特征值各加 1;③ 行列式等于特征值之积。全程不需求出 A 本身。

解:A^{*} 的特征值为

\frac{\lvert A\rvert}{\lambda}=\frac{6}{1},\ \frac{6}{2},\ \frac{6}{3}=6,\ 3,\ 2 .

A^{*}+E 的特征值为 6+1,\ 3+1,\ 2+1=7,\ 4,\ 3 。

\lvert A^{*}+E\rvert=7\times4\times3=84 .

验算:\lvert A^{*}\rvert=\lvert A\rvert^{n-1}=6^2=36 ,而 6\times3\times2=36 ✓(A^{*} 自身特征值之积)。

带走结论:加 E 就是特征值加 1(因 f(A)=A+E 对应 f(\lambda)=\lambda+1 )。这类题全程只需特征值的四则运算,绝不需求 A 或 A^{*} 的具体矩阵。

关联 · 盘点 §2.1 特征值的和与积 | 上游 点 2 题 1 | 下游 — | 速查 三 特征值的六条运算


题 3 · 2.2:派生矩阵的特征值一次算完(★★☆)

设 A 为三阶矩阵,特征值为 1,-1,2 。求下列矩阵的特征值:

(Ⅰ)A^2+A-2E ;(Ⅱ)A^{-1} ;(Ⅲ)A^{\mathrm T} ;(Ⅳ)A^{2}-3A+3E 。

怎么想:全部用"f(A) 的特征值是 f(\lambda) ",逐个代入。注意(Ⅳ)要逐个算出后判断是否有零,因为这决定行列式。

解:(Ⅰ)f(\lambda)=\lambda^2+\lambda-2 :

f(1)=0,\quad f(-1)=-2,\quad f(2)=4 .

特征值为 0,\ -2,\ 4 。

(Ⅱ)A^{-1} 的特征值为 \dfrac11,\ \dfrac1{-1},\ \dfrac12=1,\ -1,\ \dfrac12 。

(Ⅲ)A^{\mathrm T} 的特征值与 A 相同:1,\ -1,\ 2 (但特征向量不同)。

(Ⅳ)f(\lambda)=\lambda^2-3\lambda+3 :

f(1)=1,\quad f(-1)=7,\quad f(2)=1 .

特征值为 1,\ 7,\ 1 。

验算:(Ⅰ)的特征值之积 0\times(-2)\times4=0 ,而 \lvert A^2+A-2E\rvert=\lvert A-E\rvert\cdot\lvert A+2E\rvert …用另一条:\lvert A^2+A-2E\rvert=\prod f(\lambda_i)=0 ✓。

带走结论:(Ⅰ)里出现 0 说明 A^2+A-2E 不可逆——这是命题人常设的下一步。A^{\mathrm T} 与 A 特征值相同但要记住特征向量不同。

关联 · 盘点 §2.2 派生矩阵的特征值 | 上游 — | 下游 点 2 题 4 | 速查 三 特征值的六条运算


题 4 · 2.2:迹与特征值的双向使用(★★☆)

【2024·7 骨架】设 A 为三阶矩阵,A 的特征值为 1,1,2 ,\alpha_1,\alpha_2,\alpha_3 是 A 的三个线性无关的特征向量。判断:

(Ⅰ)\operatorname{tr}(A^2)=6 是否正确; (Ⅱ)\lvert A+E\rvert=12 是否正确; (Ⅲ)A 是否可对角化。

怎么想:全部由特征值推。(Ⅰ)先算 A^2 的特征值再求和;(Ⅱ)特征值各加 1 再连乘;(Ⅲ)看是否有重根及其几何重数。

解:(Ⅰ)A^2 的特征值为 1,1,4 ,故 \operatorname{tr}(A^2)=1+1+4=6 ,正确。

(Ⅱ)A+E 的特征值为 2,2,3 ,

\lvert A+E\rvert=2\times2\times3=12 ,

正确。

(Ⅲ)可对角化。题目已给"三个线性无关的特征向量",按 §3.2 的判据这正是可对角化的充要条件。(另一种说法:\lambda=1 的代数重数 2,几何重数 3-r(E-A) ,由给了两个无关特征向量知几何重数至少 2,故等于 2。)

带走结论:给"n 个线性无关的特征向量"就等于说"可对角化",不用再验重数。反之给"n 个互异特征值"也等价。

关联 · 盘点 §2.2 派生矩阵的特征值 | 上游 点 2 题 3 | 下游 — | 速查 三 特征值的六条运算


题 5 · 2.3:重数与几何重数的对照(★★★)

设 A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix} 。

(Ⅰ)求全部特征值与代数重数; (Ⅱ)求每个特征值的几何重数; (Ⅲ)判断 A 能否对角化,并说明理由。

怎么想:上三角,特征值直接读对角元。\lambda=1 是二重根,关键看 r(E-A) —— 它决定了"实际能凑出几个线性无关的特征向量"。

解:(Ⅰ)A 为上三角,特征值为主对角元:

\lambda_1=\lambda_2=1\ (\text{代数重数}\ 2),\qquad\lambda_3=2\ (\text{代数重数}\ 1).

(Ⅱ)E-A=\begin{pmatrix}0&-1&0\\0&0&0\\0&0&-1\end{pmatrix} ,r(E-A)=2 (第 2、3 行各有主元),故

m_1=3-2=1 .

2E-A=\begin{pmatrix}1&-1&0\\0&1&0\\0&0&0\end{pmatrix} ,r=2 ,故 m_3=3-2=1 。

(Ⅲ)不能对角化。因 m_1=1<2=n_1 ,即二重特征值只提供了一个线性无关的特征向量,凑不出三个。

(\sum m_i=1+1=2<3 ,同样说明问题。)

验算:\operatorname{tr}A=4=1+1+2 ✓;\lvert A\rvert=2=1\cdot1\cdot2 ✓。

带走结论:看 r(\lambda E-A) 就能判一切。\lambda 是 k 重根时,若 r(\lambda E-A)=n-k 则可对角化(几何重数恰为 k ),若严格小于则可对角化失败。本题 n-k=3-2=1? 注意:n_1=2 要求 m_1=2 ,即需 r(E-A)=1 ,实际 r=2 ,失败。

关联 · 盘点 §2.3 重数与几何重数 | 上游 — | 下游 点 2 题 6 | 速查 四 重数与可对角化


题 6 · 2.3:幂等矩阵的全部结论(★★★)

设 A 为 n 阶矩阵,且 A^2=A ,A\ne E ,A\ne O 。证明:

(Ⅰ)A 的特征值只能是 0 或 1 ; (Ⅱ)A 必可对角化; (Ⅲ)r(A)=\operatorname{tr}(A)= 特征值中 1 的个数。

怎么想:A^2=A 给出特征值的方程 \lambda^2=\lambda 。可对角化要证几何重数 = 代数重数,标准办法是用 A(A-E)=O 的秩不等式。第(Ⅲ)问由(Ⅱ)直接得到。

解:

(Ⅰ) 设 A\xi=\lambda\xi (\xi\ne0 )。由 A^2=A 得

A^2\xi=A\xi=\lambda\xi .

另一方面 A^2\xi=A(A\xi)=A(\lambda\xi)=\lambda A\xi=\lambda^2\xi 。两式相减:

(\lambda^2-\lambda)\xi=0 .

因 \xi\ne0 ,\lambda^2-\lambda=0 ,即 \lambda\in\{0,1\} 。

(Ⅱ) 由 A^2=A 得 A(A-E)=O ,两端取秩并用 AB=O\Rightarrow r(A)+r(B)\leqslant n (第 2 讲):

r(A)+r(A-E)\leqslant n .

另一方向用秩的次可加性:

r(A)+r(A-E)\geqslant r\big(A-(A-E)\big)=r(E)=n .

两向合并得

r(A)+r(A-E)=n .\tag{$*$}

现在算几何重数。\lambda=0 的特征子空间维数 m_0=n-r(A) ;\lambda=1 的特征子空间维数 m_1=n-r(E-A)=n-r(A-E) 。相加并用 (*) :

m_0+m_1=2n-\big[r(A)+r(A-E)\big]=2n-n=n .

由(Ⅰ)特征值只有 0 与 1 ,代数重数满足 n_0+n_1=n 。又恒有 m_i\leqslant n_i ,两边求和得

n=m_0+m_1\leqslant n_0+n_1=n ,

故两个不等式都必须取等号,即 m_0=n_0 、m_1=n_1 ,A 可对角化。

(Ⅲ) 由(Ⅱ)存在可逆 P 使 P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n) ,其中对角元只有 0 与 1 ,设 1 的个数为 s 。相似不改变秩、也不改变迹:

r(A)=r(\Lambda)=s,\qquad\operatorname{tr}A=\operatorname{tr}\Lambda=s .

(A\ne O 保证 s\geqslant1 ;A\ne E 保证 s\leqslant n-1 ,两者都用来说明确实是"真幂等"而非退化情形。)

带走结论:A^2=A 的三条结论要一起记:特征值只能 0/1、必可对角化、秩 = 迹 = 1 的个数。这套结论在抽象题里等于"白送矩阵的全部信息",考试见过一次就该条件反射。

关联 · 盘点 §2.3 重数与几何重数 | 上游 点 2 题 5 | 下游 — | 速查 四 重数与可对角化