- 第4讲 线性方程组:8 个点分册 43 题,旧版题点分离整目录归档到 旧版-题点分离/ - 第5讲 特征值与特征向量:7 个点分册 35 题 - 第6讲 二次型:7 个点分册 30 题(含合同与相似、二次曲面两节) - 每讲 01-知识点盘点 + 10 个文件 + 速查卡回查表,全部题目级双向链接 - gen_crosslinks.py 新增:由题目标题单一数据源生成关联行/盘点§0.4/速查回查表 - fix_gitea_math.py 支持 --scope 指向目录(新建未跟踪文件也能修) - 校验:184-248 条内部链接 0 异常,公式 0 处待修,单文件均 <1.3 万字符
13 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
|
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 性质,6 题) |
|
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 特征向量的性质(出处:知识章 similar.tex §2)
- 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。
- 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)。 - 推论:有
n个互异特征值\Rightarrow必可对角化。 - 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 .
**\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 | 上游 — | 下游 点 1 题 3、点 1 题 4 | 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 。
**\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 | 上游 点 1 题 2 | 下游 点 1 题 4 | 速查 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 | 上游 点 1 题 2、点 1 题 3 | 下游 — | 速查 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 | 上游 — | 下游 点 1 题 6 | 速查 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 | 上游 点 1 题 5 | 下游 — | 速查 二 求特征向量四步