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 41b36b2b3c 线代第4-6讲补全:线性方程组43题、特征值35题、二次型30题(知识点带题+题级链接)
- 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
2026-10-24 16:38:01 +08:00

237 lines
12 KiB
Markdown
Raw 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, 在学练习, 线性代数, 特征值, 性质]
专题: 线性代数 第5讲 · 点2 特征值的性质
日期: 2026-10-24
状态: 知识点带题(2.1 和与积、2.2 派生矩阵、2.3 重数,6 题)
关联笔记: ["[[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](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
$$\sum_{i=1}^{n}\lambda_i=\operatorname{tr}A,\qquad\prod_{i=1}^{n}\lambda_i=\lvert A\rvert .$$
**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](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
设 $A\xi=\lambda\xi$ ,则**同一个 $\xi$ ** 满足下表。
| 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](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
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**。
---
## 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](01-知识点盘点.md#user-content-21-特征值的和与积) | 上游 — | 下游 [点 2 题 2](03-点2-特征值的性质.md#user-content-题-2--21特征值与行列式的连锁换算) | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-21-特征值的和与积) | 上游 [点 2 题 1](03-点2-特征值的性质.md#user-content-题-1--21由迹与行列式反求第三个特征值) | 下游 — | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-22-派生矩阵的特征值) | 上游 — | 下游 [点 2 题 4](03-点2-特征值的性质.md#user-content-题-4--22迹与特征值的双向使用) | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-22-派生矩阵的特征值) | 上游 [点 2 题 3](03-点2-特征值的性质.md#user-content-题-3--22派生矩阵的特征值一次算完) | 下游 — | 速查 [三 特征值的六条运算](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-23-重数与几何重数) | 上游 — | 下游 [点 2 题 6](03-点2-特征值的性质.md#user-content-题-6--23幂等矩阵的全部结论) | 速查 [四 重数与可对角化](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-23-重数与几何重数) | 上游 [点 2 题 5](03-点2-特征值的性质.md#user-content-题-5--23重数与几何重数的对照) | 下游 — | 速查 [四 重数与可对角化](09-速查卡.md#user-content-四-重数与可对角化)
---