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。
15 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4 实对称矩阵的正交对角化 | 2026-10-24 | 知识点带题(4.1 三定理、4.2 五步、4.3 正交矩阵、4.4 谱分解,5 题) |
|
点 4 实对称矩阵的正交对角化
真题锚点:2021·21(解答 12 分)、2017·21 / 2020·21 同型|重要度 ★★★ 依赖:点 3 的对角化、第 3 讲施密特。盘点对应:§4 全节。
组织原则:先列知识点(三定理 → 五步 → 正交矩阵),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
知识点 4.1 实对称矩阵的三个定理(出处:知识章 similar.tex §7)
设 A^{\mathrm T}=A ,则
- 特征值全为实数;
- 属于不同特征值的特征向量必正交(不只是线性无关);
- 存在正交矩阵
Q使Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda。
第 2 条是实对称独有:一般矩阵只能保证"线性无关",实对称能保证"正交"。
知识点 4.2 正交对角化五步(出处:练习章 similar.tex §4)
- 解
\lvert\lambda E-A\rvert=0得全部特征值; - 对每个
\lambda_i解(\lambda_iE-A)x=0得基础解系; - 对同一特征值内部的多个向量做施密特正交化(不同特征值的自动正交);
- 全部单位化,按列拼成
Q; - 写
Q^{\mathrm T}AQ=\Lambda,检查列序一致。
唯一的坑在第 3 步:单重特征值不用施密特,只有重特征值内部才需要。
开局捷径(省掉整个行列式):若 A 各行元素之和都等于 s ,则 (1,\dots,1)^{\mathrm T} 就是 \lambda=s 的特征向量(理由见 §1.2);再由 \operatorname{tr}A 与 \lvert A\rvert 把剩下两个特征值逼出来。三阶实对称题九成可以先走这一步。
知识点 4.3 正交矩阵与正交变换(出处:知识章 similar.tex §7)
Q^{\mathrm T}Q=E\iff Q^{-1}=Q^{\mathrm T} 。正交变换 x=Qy 保长度保内积,于是
x^{\mathrm T}Ax=y^{\mathrm T}(Q^{\mathrm T}AQ)y=\lambda_1y_1^2+\cdots+\lambda_ny_n^2 .
这就是第 6 讲"正交变换化标准形"的全部内容。
知识点 4.4 谱分解(够用版,出处:知识章 similar.tex §7)
把 4.1 定理 3 的 Q^{\mathrm T}AQ=\Lambda 反过来写,就是谱分解:
A=Q\Lambda Q^{\mathrm T}=\sum_{i=1}^{n}\lambda_iq_iq_i^{\mathrm T}\qquad(q_i\ \text{为}Q\text{的列,即单位正交特征向量}).
为什么好用:q_iq_i^{\mathrm T} 是"投影到 q_i 方向"的秩 1 矩阵,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,就能直接读出 A ,连 P^{-1} 都不用求。
两个必记的化形(重根占 n-1 维时最省事):
| 已知条件 | 化形 |
|---|---|
单根 \mu 的向量为 q ,其余 n-1 个特征值全为 \lambda |
A=\lambda E+(\mu-\lambda)qq^{\mathrm T} |
上一条中 q=\frac{1}{\sqrt n}(1,\dots,1)^{\mathrm T} |
A=\lambda E+\dfrac{\mu-\lambda}{n}J |
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,正确的是
A=\sum_i\lambda_i\frac{\xi_i\xi_i^{\mathrm T}}{\lVert\xi_i\rVert^2}.
还有一条配套事实:实对称且已知某个特征向量 \xi 时,其余特征向量必与 \xi 正交(4.1 定理 2),所以它们落在 \xi 的正交补里——那是个 n-1 维空间,随便取一组正交基即可,不用解方程组。
分工:本节只给"够用版",服务点 4 题 3;反求矩阵的系统讲法(缺向量怎么补、何时化 aE+bJ )见 点 5 §5.1 反求矩阵。
题目(按知识点顺序对应)
题 1 · 4.1:三个定理的适用范围(★☆☆)
判断下列说法是否正确:
(Ⅰ)实对称矩阵的特征值一定是实数; (Ⅱ)实对称矩阵属于不同特征值的特征向量一定正交; (Ⅲ)若
A的特征值全为实数且可对角化,则A是实对称矩阵; (Ⅳ)实对称矩阵的重特征值对应的特征向量也自动正交。
怎么想:前两条是定理原文。(Ⅲ)把"实对称"的结论反过来用——这是最常见的过度推广。(Ⅳ)把"不同特征值"偷换成"同一特征值"。
解:(Ⅰ)正确,实对称矩阵三定理之一。
(Ⅱ)正确。设 A\xi_1=\lambda_1\xi_1 、A\xi_2=\lambda_2\xi_2 ,\lambda_1\ne\lambda_2 。则
\lambda_1\langle\xi_1,\xi_2\rangle=\langle A\xi_1,\xi_2\rangle=\langle\xi_1,A\xi_2\rangle=\lambda_2\langle\xi_1,\xi_2\rangle,
(中间一步用了 A^{\mathrm T}=A ),故 (\lambda_1-\lambda_2)\langle\xi_1,\xi_2\rangle=0 ,得 \langle\xi_1,\xi_2\rangle=0 。
(Ⅲ)错误。反例:\begin{pmatrix}1&1\\0&2\end{pmatrix} 特征值 1,2 全为实数且可对角化,但不是对称矩阵。
(Ⅳ)错误。同一特征值的多个特征向量只保证线性无关,不保证正交。需自己做施密特(点 4 §4.2 第 3 步)。反例:\lambda 二重,特征向量 (1,0,0) 与 (1,1,0) 无关但不正交。
带走结论:"正交"只发生在不同特征值之间,是自动的;同一特征值内部必须手工正交化。把这两件事分清,五步流程就不会漏第 3 步。
关联 · 盘点 §4.1 实对称矩阵的三个定理 | 上游 — | 下游 点 4 题 5 | 速查 六 实对称三定理
题 2 · 4.2:三阶实对称的完整五步(★★☆)
设
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。
怎么想:A 实对称,必可正交对角化。行和相等型——三行之和都是 4,故 (1,1,1)^{\mathrm T} 是 \lambda=4 的特征向量,这一步白送。剩下 \lambda=1 二重,需在同一特征值内部施密特。
解:
第 1 步:特征值。 各行元素之和为 4 ,取 (1,1,1)^{\mathrm T} 得 \lambda_1=4 。由 \operatorname{tr}A=6 与 \lambda_1=4 ,另两个特征值之和为 2;算
\lvert\lambda E-A\rvert=\begin{vmatrix}\lambda-2&-1&-1\\-1&\lambda-2&-1\\-1&-1&\lambda-2\end{vmatrix}=(\lambda-4)(\lambda-1)^2 .
故 \lambda_1=4 (单重)、\lambda_2=\lambda_3=1 (二重)。
第 2 步:特征向量。
\lambda_1=4 :4E-A=\begin{pmatrix}2&-1&-1\\-1&2&-1\\-1&-1&2\end{pmatrix} ,得 x_1=x_2=x_3 ,
\xi_1=(1,1,1)^{\mathrm T}.
\lambda=1 :E-A=\begin{pmatrix}-1&-1&-1\\-1&-1&-1\\-1&-1&-1\end{pmatrix} ,即 x_1+x_2+x_3=0 ,基础解系
\xi_2=(1,-1,0)^{\mathrm T},\qquad \xi_3=(1,1,-2)^{\mathrm T}.
第 3 步:同一特征值内部正交化。 检查 \langle\xi_2,\xi_3\rangle=1-1+0=0 ,已正交,无需施密特。(若取的是 (1,0,-1) 与 (0,1,-1) 就需要。)
第 4 步:单位化并拼 Q 。
e_1=\frac{1}{\sqrt2}\begin{pmatrix}1\\-1\\0\end{pmatrix},\quad e_2=\frac{1}{\sqrt6}\begin{pmatrix}1\\1\\-2\end{pmatrix},\quad e_3=\frac{1}{\sqrt3}\begin{pmatrix}1\\1\\1\end{pmatrix},
Q=\begin{pmatrix}\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\[2pt]-\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\[2pt]0&-\frac{2}{\sqrt6}&\frac{1}{\sqrt3}\end{pmatrix}.
第 5 步:写出结论。
Q^{\mathrm T}AQ=\Lambda=\begin{pmatrix}1&0&0\\0&1&0\\0&0&4\end{pmatrix}.
验算:\operatorname{tr}\Lambda=6=\operatorname{tr}A ✓;\lvert\Lambda\rvert=4 ,而 A=E+J (J 为全 1 矩阵,特征值 3,0,0 )故 \lvert A\rvert=4\cdot1\cdot1=4 ✓;Q 三列两两正交且单位长 ✓。
带走结论:"行和相等"的实对称矩阵,立即得到 (1,1,\dots,1) 方向的特征值等于行和。这是最省时间的第一步,看到三行之和相同的对称矩阵就该条件反射。
关联 · 盘点 §4.2 正交对角化五步 | 上游 — | 下游 — | 速查 七 正交对角化五步
题 3 · 4.4:由特征值与特征向量反求实对称矩阵(★★★)
【2021·21 骨架】设
A为三阶实对称矩阵,特征值为\lambda_1=\lambda_2=1、\lambda_3=-1,且属于\lambda_3=-1的特征向量为\xi=(1,1,1)^{\mathrm T}。(Ⅰ)求
A; (Ⅱ)求正交矩阵Q使Q^{\mathrm T}AQ=\Lambda; (Ⅲ)求\lvert A+2E\rvert。
怎么想:实对称的关键优势——知道一个特征向量就等于知道了整个正交基的第三个方向,另两个方向落在 x_1+x_2+x_3=0 里,可任取正交基。A 用谱分解(§4.4)A=\sum\lambda_iq_iq_i^{\mathrm T} 一步写出。
解:
(Ⅰ) \lambda=1 的特征子空间是 \xi 的正交补:
x_1+x_2+x_3=0 .
取其一的一组正交基
u_1=\frac{1}{\sqrt2}(1,-1,0)^{\mathrm T},\qquad u_2=\frac{1}{\sqrt6}(1,1,-2)^{\mathrm T},\qquad u_3=\frac{1}{\sqrt3}(1,1,1)^{\mathrm T},
三者构成 \mathbb{R}^3 的标准正交基,且 Au_i=1\cdot u_i (i=1,2 )、Au_3=-u_3 。由谱分解
A=1\cdot u_1u_1^{\mathrm T}+1\cdot u_2u_2^{\mathrm T}+(-1)\cdot u_3u_3^{\mathrm T}=\big(E-u_3u_3^{\mathrm T}\big)-u_3u_3^{\mathrm T}=E-2u_3u_3^{\mathrm T}.
而 u_3u_3^{\mathrm T}=\frac13 J (J 为全 1 矩阵),故
A=E-\frac23 J=\frac13\begin{pmatrix}1&-2&-2\\-2&1&-2\\-2&-2&1\end{pmatrix}.
验算:A\xi=\frac13(-3,-3,-3)^{\mathrm T}=(-1,-1,-1)^{\mathrm T}=-\xi ✓;\operatorname{tr}A=\frac{1+1+1}{3}=1=1+1-1 ✓;\lvert A\rvert=1\cdot1\cdot(-1)=-1 ✓。
(Ⅱ) 直接取
Q=(u_1,u_2,u_3),\qquad Q^{\mathrm T}AQ=\Lambda=\mathrm{diag}(1,1,-1).
(Ⅲ) A+2E 的特征值为 1+2,\ 1+2,\ -1+2=3,3,1 ,故
\lvert A+2E\rvert=3\times3\times1=9 .
带走结论:"实对称 + 已知一个特征向量"型题目的标准解法是谱分解 A=\sum\lambda_iq_iq_i^{\mathrm T} (§4.4)。本题重特征值恰好占两个方向,于是 A 化成 E-\frac23J 的形式,比"求 P^{-1} 再相乘"快十倍。若只想稳,也可以取 Q 为正交阵、用 A=Q\Lambda Q^{\mathrm T}=Q\Lambda Q^{-1} 算,结果一样。
题 4 · 4.3:正交矩阵的性质(★★☆)
设
Q为正交矩阵。判断:(Ⅰ)
\lvert Q\rvert=\pm1;(Ⅱ)\lvert Q\rvert=1时Q的一切特征值都是 1;(Ⅲ)Q的特征值模长都为 1;(Ⅳ)Q的逆、转置、乘积仍正交。
怎么想:前两条是"必要条件用反了"的经典陷阱——\lvert Q\rvert=\pm1 是必要不充分,且行列式为 1 不限制个别特征值。
解:(Ⅰ)正确。Q^{\mathrm T}Q=E\Rightarrow\lvert Q\rvert^2=1\Rightarrow\lvert Q\rvert=\pm1 。
(Ⅱ)错误。反例:Q=\begin{pmatrix}0&1\\1&0\end{pmatrix} ,\lvert Q\rvert=-1 ;换成 Q=\begin{pmatrix}0&-1\\1&0\end{pmatrix} (旋转 90° ),\lvert Q\rvert=1 但特征值为 \pm i ,不是 1。三阶旋转矩阵(绕某轴转 120° )行列式为 1,另两个特征值是复数。
(Ⅲ)正确。设 Q\xi=\lambda\xi ,取共轭转置:\bar\xi^{\mathrm T}Q^{\mathrm T}=\bar\lambda\bar\xi^{\mathrm T} ,相乘得
\bar\xi^{\mathrm T}Q^{\mathrm T}Q\xi=\lvert\lambda\rvert^2\bar\xi^{\mathrm T}\xi\Longrightarrow\bar\xi^{\mathrm T}\xi=\lvert\lambda\rvert^2\bar\xi^{\mathrm T}\xi .
因 \xi\ne0 ,\bar\xi^{\mathrm T}\xi=\lVert\xi\rVert^2>0 ,故 \lvert\lambda\rvert=1 。
(Ⅳ)正确。(Q^{-1})^{\mathrm T}Q^{-1}=(Q^{\mathrm T})^{\mathrm T}Q^{\mathrm T}=QQ^{\mathrm T}=E ;Q^{\mathrm T} 显然;两个正交矩阵之积仍正交。
带走结论:正交矩阵的特征值在单位圆上(可为复数),行列式 \pm1 。"\lvert Q\rvert=1 所以特征值全是 1"是彻底的错误——它只说明"特征值之积为 1"。
关联 · 盘点 §4.3 正交矩阵与正交变换 | 上游 — | 下游 — | 速查 七 正交对角化五步
题 5 · 4.1:实对称必可正交对角化的证明(★★★)
设
A为n阶实对称矩阵。用数学归纳法证明:存在正交矩阵Q使Q^{\mathrm T}AQ=\Lambda。
怎么想:归纳的关键是"降维"——取一个单位特征向量 q_1 ,把它扩成正交基,则 A 在这个基下分块对角(左上角是 \lambda_1 ,右下角是 n-1 阶实对称块),对右下角用归纳假设。
解:对 n 归纳。n=1 时平凡。
设结论对 n-1 成立。A 实对称,故有实特征值 \lambda_1 与对应的实特征向量 \xi_1\ne0 。取 q_1=\xi_1/\lVert\xi_1\rVert ,则 \lVert q_1\rVert=1 且 Aq_1=\lambda_1q_1 。
把 q_1 扩充为 \mathbb{R}^n 的标准正交基 q_1,q_2,\dots,q_n ,令 Q_1=(q_1,q_2,\dots,q_n) 为正交矩阵。计算 Q_1^{\mathrm T}AQ_1 的第 1 列:
Q_1^{\mathrm T}AQ_1e_1=Q_1^{\mathrm T}Aq_1=\lambda_1Q_1^{\mathrm T}q_1=\lambda_1e_1 .
故
Q_1^{\mathrm T}AQ_1=\begin{pmatrix}\lambda_1&\alpha^{\mathrm T}\\0&B\end{pmatrix}
对某个行向量 \alpha^{\mathrm T} 与 (n-1) 阶矩阵 B 。又 Q_1^{\mathrm T}AQ_1 是实对称的(因 (Q_1^{\mathrm T}AQ_1)^{\mathrm T}=Q_1^{\mathrm T}A^{\mathrm T}Q_1=Q_1^{\mathrm T}AQ_1 ),故 \alpha=0 且 B^{\mathrm T}=B :
Q_1^{\mathrm T}AQ_1=\begin{pmatrix}\lambda_1&0\\0&B\end{pmatrix},\qquad B\ \text{为}\ (n-1)\ \text{阶实对称}.
由归纳假设,存在 (n-1) 阶正交矩阵 Q_2 使 Q_2^{\mathrm T}BQ_2=\Lambda_{n-1} 。取
Q=Q_1\begin{pmatrix}1&0\\0&Q_2\end{pmatrix},
则 Q 为正交矩阵(两个正交矩阵之积),且
Q^{\mathrm T}AQ=\begin{pmatrix}1&0\\0&Q_2^{\mathrm T}\end{pmatrix}\begin{pmatrix}\lambda_1&0\\0&B\end{pmatrix}\begin{pmatrix}1&0\\0&Q_2\end{pmatrix}=\begin{pmatrix}\lambda_1&0\\0&\Lambda_{n-1}\end{pmatrix}=\Lambda .
归纳完成。
带走结论:证明的两个支点——① 实对称保证"特征向量是实向量、可单位化";② Q_1^{\mathrm T}AQ_1 仍实对称,所以分块后的 \alpha 必为 0。缺任何一条,A 就只能相似对角化而非正交对角化。
关联 · 盘点 §4.1 实对称矩阵的三个定理 | 上游 点 4 题 1 | 下游 — | 速查 六 实对称三定理