- 19 个 md:README + 01-知识点盘点(§0.4 反查 + §1—§15 地图) + 01b-覆盖对照与接口 + 15 个点文件 + 17-速查卡 - 62 题、57 个知识点;覆盖高数 45 + 线代 15 + 概率 15 共 75 道解答题 (820 分:高数 480 / 线代 170 / 概率 170) - 题量按「核心 ★★★ 2—3 题、边缘 ★★☆ 1—2 题」落地, 题面标注真题骨架年份者为结构对齐,未标注者为原创 同批收尾: - 逐题数值复核,修 7 处,其中两处答案错: 点 8 题 4(2022·19 斯托克斯)由 -π/32 改为 0; 点 12 曲面识别表「一正两零」改为两张平行平面 - 01-知识点盘点 曾达 1.58 万字符,§0.1—§0.3 迁入 01b,回落至 1.34 万 - gen_crosslinks.py 兼容新点文件命名与盘点名变体 - check_md_links.py 对 %20 编码路径做 unquote 解码 - 新增 stat_difficulty.py:难度分布 / 多问结构 / 体积自检
15 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
大题十年考点 · 点11 线代·特征值与相似 | 2026-11-01 | 知识点带题(11.1 相似判定与参数、11.2 反求矩阵、11.3 矩阵幂与递推、11.4 实对称正交对角化,共 4 题) |
|
点 11 线代 · 特征值与相似
真题锚点:2016·21、2019·21、2020·21、2021·21、2024·21、2025·21(十年 5 题 57 分)|重要度 ★★★ 依赖:行列式、方程组。盘点对应:§11 全节。完整知识见 线性代数-第5讲(7 点、36 题)。
组织原则:线代大题的两个固定题位之一。十年考法只有四种:判相似求参数、由特征值特征向量反求 A 、求 A^n 、实对称正交对角化。4 题逐一对应,练熟这四种,线代大题至少拿 6 分。
知识点 11.1 相似判定与参数反求(出处:线性代数-第5讲 · 点 3)
A\sim B 的必要条件(先用来定参数):
\operatorname{tr}A=\operatorname{tr}B,\qquad \lvert A\rvert=\lvert B\rvert,\qquad \lvert\lambda E-A\rvert=\lvert\lambda E-B\rvert,\qquad r(A)=r(B).
A 与对角阵 \Lambda 相似 \iff A 可对角化,且 \Lambda 的对角元恰是 A 的全部特征值。
判"可对角化"的算法:对每个重特征值 \lambda_i ,算 m_i=n-r(\lambda_iE-A) ,要求 m_i=n_i 。秩越小越可能可对角化——这一步决定参数取值。
知识点 11.2 由特征值与特征向量反求矩阵(出处:线性代数-第5讲 · 点 5)
给足 n 个线性无关的特征向量 \xi_1,\dots,\xi_n 与对应 \lambda_i :
A=P\Lambda P^{-1},\qquad P=(\xi_1,\xi_2,\xi_3),\ \Lambda=\operatorname{diag}(\lambda_1,\lambda_2,\lambda_3).
三个提速点:
- 先验
P是否线性无关(\lvert P\rvert\ne0),否则题目缺条件; P^{-1}用行变换求,别背公式;- 算完**代回验算
A\xi_i=\lambda_i\xi_i** ——这是唯一不费时的自查。
知识点 11.3 矩阵幂与递推(出处:线性代数-第5讲 · 点 6)
A=P\Lambda P^{-1}\ \Longrightarrow\ A^n=P\Lambda^nP^{-1},\qquad \Lambda^n=\operatorname{diag}\left(\lambda_1^n,\lambda_2^n,\lambda_3^n\right).
递推数列型:x_{n+1}=2x_n+y_n 、y_{n+1}=x_n+2y_n 写成 \alpha_{n+1}=A\alpha_n ,则
\alpha_n=A^{n-1}\alpha_1 .
二阶速算:若 \lambda_1\ne\lambda_2 ,用"A^n=\frac{\lambda_1^n-\lambda_2^n}{\lambda_1-\lambda_2}A-\frac{\lambda_1\lambda_2\left(\lambda_1^{n-1}-\lambda_2^{n-1}\right)}{\lambda_1-\lambda_2}E "也可,但**代入 \alpha_1 后只需算 A^{n-1}\alpha_1 ** ,比求 A^n 省一半。
知识点 11.4 实对称矩阵的正交对角化(出处:线性代数-第5讲 · 点 4)
三条定理:实对称 \Rightarrow 特征值全实、特征向量可正交、必可正交对角化。
Q^{\mathrm T}AQ=\Lambda,\qquad Q^{\mathrm T}Q=E .
缺特征向量的三种补法(实对称题最常考):
- 不同特征值的特征向量必正交
\Rightarrow用\xi_3\perp\xi_1,\xi_3\perp\xi_2解方程组; - 用叉乘
\xi_3=\xi_1\times\xi_2(三维时最快); - 重特征值内部用施密特正交化。
拼 A 的谱分解式(比 P\Lambda P^{-1} 快):
A=\sum_i\lambda_i\frac{\xi_i\xi_i^{\mathrm T}}{\xi_i^{\mathrm T}\xi_i}\quad(\xi_i\ \text{两两正交时}).
题目(按知识点顺序对应)
题 1 · 11.1:参数由"可对角化"定(★★★)
设
A=\begin{pmatrix}1&a&0\\0&2&0\\0&0&1\end{pmatrix},B=\begin{pmatrix}1&0&0\\0&1&0\\0&0&2\end{pmatrix}。(Ⅰ)求
a使A与B相似;(Ⅱ)当A\sim B时,求可逆矩阵P使P^{-1}AP=B。
怎么想:B 是对角阵,A\sim B 等价于"A 可对角化且特征值恰为 1,1,2 "。A 是上三角,特征值就在对角线上:1,2,1 ,已经对上了。所以只剩"\lambda=1 的几何重数是否为 2 "这一条,答案由 r(E-A) 决定。
解:(Ⅰ)A 为上三角矩阵,特征值为对角线元素 1,2,1 ,与 B 的特征值 1,1,2 相同。
A\sim B\iff A 可对角化。对二重特征值 \lambda=1 :
E-A=\begin{pmatrix}0&-a&0\\0&-1&0\\0&0&0\end{pmatrix}.
要求 m_1=3-r(E-A)=2 ,即 r(E-A)=1 。当 a=0 时 E-A=\operatorname{diag}(0,-1,0) ,秩为 1 ✓;当 a\ne0 时第一、二行不成比例,秩为 2 ,m_1=1<2 ,不可对角化。
故
a=0 .
(Ⅱ)a=0 时 A=\begin{pmatrix}1&0&0\\0&2&0\\0&0&1\end{pmatrix} ,取
P=\begin{pmatrix}1&0&0\\0&0&1\\0&1&0\end{pmatrix},
即交换第 2,3 行的置换矩阵。直接验证:
AP=\begin{pmatrix}1&0&0\\0&0&2\\0&1&0\end{pmatrix}=PB\ \Longrightarrow\ P^{-1}AP=B .
验算:a=0 时 A 的三个特征向量可取 (1,0,0)^{\mathrm T} 、(0,1,0)^{\mathrm T} 、(0,0,1)^{\mathrm T} ,线性无关,故可对角化 ✓。\operatorname{tr}A=4=\operatorname{tr}B ✓,\lvert A\rvert=2=\lvert B\rvert ✓。
带走结论:A 与对角阵相似 \iff A 可对角化,参数由"重特征值的几何重数 =n-r(\lambda E-A) 够不够"定。秩越小越可能可对角化,所以让某行变成零行的那个参数值就是答案。
关联 · 盘点 §11.1 相似判定与参数反求 | 上游 — | 下游 — | 速查 十一 线代特征值:四步闭环
题 2 · 11.2:三组特征对反求矩阵(★★☆)
设 3 阶矩阵
A的特征值为\lambda_1=1、\lambda_2=-1、\lambda_3=2,对应的特征向量依次为\xi_1=\begin{pmatrix}1\\1\\0\end{pmatrix},\quad \xi_2=\begin{pmatrix}1\\0\\1\end{pmatrix},\quad \xi_3=\begin{pmatrix}0\\1\\0\end{pmatrix}.求
A。
怎么想:A=P\Lambda P^{-1} ,P 由三个特征向量拼成,\Lambda=\operatorname{diag}(1,-1,2) 。先验 \lvert P\rvert\ne0 ,再用行变换求 P^{-1} ,最后乘出来。
解:令
P=\begin{pmatrix}1&1&0\\1&0&1\\0&1&0\end{pmatrix},\qquad \Lambda=\begin{pmatrix}1&0&0\\0&-1&0\\0&0&2\end{pmatrix}.
\lvert P\rvert=1\cdot(0\cdot0-1\cdot1)-1\cdot(1\cdot0-1\cdot0)+0\cdot(1\cdot1-0\cdot0)=-1\ne0 ,故 P 可逆。
求 P^{-1} (对 (P\mid E) 作行变换):
P^{-1}=\begin{pmatrix}1&0&-1\\0&0&1\\-1&1&1\end{pmatrix}.
验证:P 的第一行 (1,1,0) 乘 P^{-1} 的三列,得 (1,0,0) ✓;第二行 (1,0,1) 得 (0,1,0) ✓;第三行 (0,1,0) 得 (0,0,1) ✓。
于是
A=P\Lambda P^{-1}=\begin{pmatrix}1&-1&0\\1&0&2\\0&-1&0\end{pmatrix}\begin{pmatrix}1&0&-1\\0&0&1\\-1&1&1\end{pmatrix}=\begin{pmatrix}1&0&-2\\-1&2&1\\0&0&-1\end{pmatrix}.
验算:逐个检验特征对。
A\xi_1 (\xi_1=(1,1,0)^{\mathrm T} ):第一分量 1+0+0=1 ;第二分量 -1+2+0=1 ;第三分量 0+0+0=0 。得 (1,1,0)^{\mathrm T}=\xi_1 ✓(\lambda_1=1 )。
A\xi_2 (\xi_2=(1,0,1)^{\mathrm T} ):第一分量 1-2=-1 ;第二分量 -1+1=0 ;第三分量 -1 。得 (-1,0,-1)^{\mathrm T}=-\xi_2 ✓(\lambda_2=-1 )。
A\xi_3 (\xi_3=(0,1,0)^{\mathrm T} ):第一分量 0 ;第二分量 2 ;第三分量 0 。得 (0,2,0)^{\mathrm T}=2\xi_3 ✓(\lambda_3=2 )。三个全对,\lvert A\rvert 也应等于 1\cdot(-1)\cdot2=-2 。
带走结论:反求矩阵的三步——拼 P \to 求 P^{-1} \to 乘,最后必须用 A\xi_i=\lambda_i\xi_i 逐个验算。**\operatorname{tr}A 应等于 \sum\lambda_i=2 ** (本题 1+2-1=2 ✓),这是最快的整体自检。
关联 · 盘点 §11.2 由特征值特征向量反求矩阵 | 上游 — | 下游 — | 速查 十一 线代特征值:四步闭环
题 3 · 11.3:递推数列转矩阵幂(★★★)
【2024·21 骨架】设数列
\{x_n\},\{y_n\}满足x_1=1,y_1=0,且\begin{cases}x_{n+1}=2x_n+y_n\\ y_{n+1}=x_n+2y_n\end{cases}\quad(n\ge1).(Ⅰ)求
\begin{pmatrix}x_n\\y_n\end{pmatrix}的表达式;(Ⅱ)求\displaystyle\lim_{n\to\infty}\frac{x_n}{y_n}。
怎么想:写成 \alpha_{n+1}=A\alpha_n ,A=\begin{pmatrix}2&1\\1&2\end{pmatrix} 的特征值是 3,1 ,特征向量 (1,1)^{\mathrm T},(1,-1)^{\mathrm T} 。对角化后 \alpha_n=A^{n-1}\alpha_1 。
解:(Ⅰ)记 A=\begin{pmatrix}2&1\\1&2\end{pmatrix} ,\alpha_n=\begin{pmatrix}x_n\\y_n\end{pmatrix} ,则 \alpha_n=A^{n-1}\alpha_1 。
A 的特征值:\lvert\lambda E-A\rvert=(\lambda-2)^2-1=(\lambda-3)(\lambda-1) ,得 \lambda_1=3 ,\lambda_2=1 。对应特征向量
\xi_1=\begin{pmatrix}1\\1\end{pmatrix},\qquad \xi_2=\begin{pmatrix}1\\-1\end{pmatrix}.
取 P=\begin{pmatrix}1&1\\1&-1\end{pmatrix} ,\lvert P\rvert=-2 ,P^{-1}=-\frac12\begin{pmatrix}-1&-1\\-1&1\end{pmatrix}=\frac12\begin{pmatrix}1&1\\1&-1\end{pmatrix} ,且 P^{-1}AP=\operatorname{diag}(3,1) 。
A^{n-1}=P\begin{pmatrix}3^{n-1}&0\\0&1\end{pmatrix}P^{-1}=\frac12\begin{pmatrix}1&1\\1&-1\end{pmatrix}\begin{pmatrix}3^{n-1}&0\\0&1\end{pmatrix}\begin{pmatrix}1&1\\1&-1\end{pmatrix}
=\frac12\begin{pmatrix}3^{n-1}&1\\3^{n-1}&-1\end{pmatrix}\begin{pmatrix}1&1\\1&-1\end{pmatrix}=\frac12\begin{pmatrix}3^{n-1}+1&3^{n-1}-1\\3^{n-1}-1&3^{n-1}+1\end{pmatrix}.
于是
\alpha_n=A^{n-1}\begin{pmatrix}1\\0\end{pmatrix}=\frac12\begin{pmatrix}3^{n-1}+1\\3^{n-1}-1\end{pmatrix},
即
x_n=\frac{3^{n-1}+1}{2},\qquad y_n=\frac{3^{n-1}-1}{2}\quad(n\ge1).
(Ⅱ)
\lim_{n\to\infty}\frac{x_n}{y_n}=\lim\frac{3^{n-1}+1}{3^{n-1}-1}=1 .
验算:n=1 给 x_1=\frac{1+1}{2}=1 ✓,y_1=\frac{1-1}{2}=0 ✓(初值吻合)。n=2 :x_2=\frac{3+1}{2}=2 ,y_2=\frac{3-1}{2}=1 ;由递推 x_2=2\cdot1+0=2 ✓,y_2=1+0=1 ✓。n=3 :公式给 x_3=\frac{9+1}{2}=5 ,y_3=4 ;递推 x_3=2\cdot2+1=5 ✓,y_3=2+2=4 ✓。
带走结论:递推 \to 矩阵 \to 对角化 \to 代初值。注意 \alpha_n=A^{n-1}\alpha_1 里的指数是 n-1 不是 n ——这是最高频的失分点。2\times2 矩阵的 P^{-1} 用 \frac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix} 更快。
关联 · 盘点 §11.3 矩阵幂与递推 | 上游 — | 下游 — | 速查 十一 线代特征值:四步闭环
题 4 · 11.4:补特征向量加谱分解(★★★)
【2021·21 骨架】设
A是 3 阶实对称矩阵,特征值为\lambda_1=\lambda_2=2,\lambda_3=-1,属于\lambda=2的特征向量为\xi_1=\begin{pmatrix}1\\1\\0\end{pmatrix},\qquad \xi_2=\begin{pmatrix}1\\-1\\2\end{pmatrix}.(Ⅰ)求
A;(Ⅱ)求正交矩阵Q使Q^{\mathrm T}AQ=\Lambda,并求A^n。
怎么想:(Ⅰ)缺 \lambda_3 的特征向量,用"实对称矩阵不同特征值的特征向量正交"补——解 \xi_1^{\mathrm T}\xi=0 与 \xi_2^{\mathrm T}\xi=0 ,或直接叉乘。(Ⅱ)\xi_1\perp\xi_2 ?验一下:1-1+0=0 ✓,所以三个向量两两正交,只需单位化。A^n 用谱分解最快。
解:(Ⅰ)设 \xi_3=(x,y,z)^{\mathrm T} 属于 \lambda_3=-1 。由实对称性,\xi_3\perp\xi_1 且 \xi_3\perp\xi_2 :
\begin{cases}x+y=0\\ x-y+2z=0\end{cases}\ \Longrightarrow\ y=-x,\ z=-x\ \Longrightarrow\ \xi_3=\begin{pmatrix}1\\-1\\-1\end{pmatrix}.
用谱分解(三个特征向量两两正交):
A=2\cdot\frac{\xi_1\xi_1^{\mathrm T}}{\xi_1^{\mathrm T}\xi_1}+2\cdot\frac{\xi_2\xi_2^{\mathrm T}}{\xi_2^{\mathrm T}\xi_2}-1\cdot\frac{\xi_3\xi_3^{\mathrm T}}{\xi_3^{\mathrm T}\xi_3}.
\xi_1^{\mathrm T}\xi_1=2 ,\xi_2^{\mathrm T}\xi_2=6 ,\xi_3^{\mathrm T}\xi_3=3 :
2\frac{\xi_1\xi_1^{\mathrm T}}{2}=\begin{pmatrix}1&1&0\\1&1&0\\0&0&0\end{pmatrix},\quad 2\frac{\xi_2\xi_2^{\mathrm T}}{6}=\frac13\begin{pmatrix}1&-1&2\\-1&1&-2\\2&-2&4\end{pmatrix},\quad \frac{\xi_3\xi_3^{\mathrm T}}{3}=\frac13\begin{pmatrix}1&-1&-1\\-1&1&1\\-1&1&1\end{pmatrix}.
A=\begin{pmatrix}1&1&0\\1&1&0\\0&0&0\end{pmatrix}+\frac13\begin{pmatrix}1&-1&2\\-1&1&-2\\2&-2&4\end{pmatrix}-\frac13\begin{pmatrix}1&-1&-1\\-1&1&1\\-1&1&1\end{pmatrix}
=\begin{pmatrix}1&1&0\\1&1&0\\0&0&0\end{pmatrix}+\begin{pmatrix}0&0&1\\0&0&-1\\1&-1&1\end{pmatrix}=\begin{pmatrix}1&1&1\\1&1&-1\\1&-1&1\end{pmatrix}.
(Ⅱ)单位化:\lvert\xi_1\rvert=\sqrt2 ,\lvert\xi_2\rvert=\sqrt6 ,\lvert\xi_3\rvert=\sqrt3 ,取
Q=\begin{pmatrix}\frac{1}{\sqrt2}&\frac{1}{\sqrt6}&\frac{1}{\sqrt3}\\ \frac{1}{\sqrt2}&-\frac{1}{\sqrt6}&-\frac{1}{\sqrt3}\\ 0&\frac{2}{\sqrt6}&-\frac{1}{\sqrt3}\end{pmatrix},\qquad Q^{\mathrm T}AQ=\begin{pmatrix}2&0&0\\0&2&0\\0&0&-1\end{pmatrix}.
由 A=Q\Lambda Q^{\mathrm T} 得
A^n=2^n\left(\frac{\xi_1\xi_1^{\mathrm T}}{2}+\frac{\xi_2\xi_2^{\mathrm T}}{6}\right)+(-1)^n\frac{\xi_3\xi_3^{\mathrm T}}{3},
即
A^n=2^{n-1}\begin{pmatrix}1&1&0\\1&1&0\\0&0&0\end{pmatrix}+\frac{2^n}{6}\begin{pmatrix}1&-1&2\\-1&1&-2\\2&-2&4\end{pmatrix}+\frac{(-1)^n}{3}\begin{pmatrix}1&-1&-1\\-1&1&1\\-1&1&1\end{pmatrix}.
验算:(Ⅰ)A\xi_1=(1+1,\ 1+1,\ 1-1)^{\mathrm T}=(2,2,0)^{\mathrm T}=2\xi_1 ✓;A\xi_2=(1-1+2,\ 1-1-2,\ 1+1+2)^{\mathrm T}=(2,-2,4)^{\mathrm T}=2\xi_2 ✓;A\xi_3=(1-1-1,\ 1-1+1,\ 1+1-1)^{\mathrm T}=(-1,1,1)^{\mathrm T}=-\xi_3 ✓。\operatorname{tr}A=3=2+2-1 ✓,A 对称 ✓。
(Ⅱ)取 n=1 检验第一行:2^0\cdot(1,1,0)+\frac{2}{6}(1,-1,2)-\frac13(1,-1,-1)=(1,1,0)+\left(\frac13,-\frac13,\frac23\right)-\left(\frac13,-\frac13,-\frac13\right)=(1,1,1) ✓,正是 A 的第一行。再取 n=2 :第一行为 2(1,1,0)+\frac46(1,-1,2)+\frac13(1,-1,-1)=(3,1,1) ,而 A^2 的第一行 =(1,1,1)A=(3,1,1) ✓。
带走结论:实对称题的第一步永远是"补第三个特征向量"(用正交性解方程,别用叉乘算错符号);第二步用谱分解拼 A (比 P\Lambda P^{-1} 少一次矩阵乘法);A^n 就是"把每个 \lambda_i 换成 \lambda_i^n ,特征向量部分不动"。注意归一化系数 \xi_i^{\mathrm T}\xi_i 别漏——本题 \xi_2^{\mathrm T}\xi_2=6 就是差点写错的地方。
关联 · 盘点 §11.4 实对称正交对角化与矩阵方程 | 上游 — | 下游 — | 速查 十一 线代特征值:四步闭环