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/06-点5-反求矩阵与抽象条件.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

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
反求矩阵
抽象条件
线性代数 第5讲 · 点5 反求矩阵与抽象条件 2026-10-24 知识点带题(5.1 反求矩阵、5.2 抽象条件与矩阵方程,5 题)
README
01-知识点盘点

点 5 反求矩阵与抽象条件

真题锚点:2019·21、2025·21(各 11—12 分,解答)|重要度 ★★★ 依赖:点 3、点 4。盘点对应:§5 全节。

组织原则:先列知识点(反求 A → 抽象条件),再逐一对应出题。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。

知识点 5.1 由特征值特征向量反求矩阵(出处:知识章 similar.tex §8)

已知 n 个特征值与 n 个无关特征向量,则

A=P\Lambda P^{-1},\qquad P=(\xi_1,\dots,\xi_n),\ \Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n).

验算:回代 A\xi_i=\lambda_i\xi_i ,验一两个即可。

部分已知时:缺的那个特征向量由"A 的对称性"或"P 需可逆"补齐;缺的特征值由 \operatorname{tr} 或 \lvert A\rvert 补齐。

实对称的捷径(谱分解):

A=\lambda_1e_1e_1^{\mathrm T}+\lambda_2e_2e_2^{\mathrm T}+\cdots+\lambda_ne_ne_n^{\mathrm T},\qquad e_i\ \text{为规范正交特征向量}.

比重特征值时,若某方向占两维,常化为 A=aE+bJ 的形式。

知识点 5.2 抽象条件与矩阵方程(出处:练习章 similar.tex §5)

核心原则:A 满足多项式方程 \Rightarrow 特征值满足同一方程(反之不成立)。

A^2-3A+2E=O\Longrightarrow\lambda^2-3\lambda+2=0\Longrightarrow\lambda\in\{1,2\}.
条件 特征值 附加结论
A^2=A \{0,1\} 必可对角化;r(A)=\operatorname{tr}A= 1 的个数
A^2=E \{\pm1\} 必可对角化
A^k=O \{0\} A\ne O 时不可对角化

另一个高频结论:A\xi=\lambda\xi 且 A 可逆时,A^{-1}\xi=\lambda^{-1}\xi 、A^{*}\xi=\frac{\lvert A\rvert}{\lambda}\xi ,**同一个 \xi ** 。


题目(按知识点顺序对应)

题 1 · 5.1:由 P 与 \Lambda 反求 A (★★☆)

设三阶矩阵 A 的特征值为 \lambda_1=3,\lambda_2=1 ,对应的特征向量分别为 \xi_1=(1,1)^{\mathrm T} 、\xi_2=(1,-1)^{\mathrm T} 。求 A 。

怎么想:两个特征值、两个无关特征向量,条件正好够——直接 A=P\Lambda P^{-1} 。P 的列序必须与 \Lambda 对齐。

解:

P=\begin{pmatrix}1&1\\1&-1\end{pmatrix},\qquad\Lambda=\begin{pmatrix}3&0\\0&1\end{pmatrix}.

\lvert P\rvert=-1-1=-2 ,故

P^{-1}=\frac{1}{-2}\begin{pmatrix}-1&-1\\-1&1\end{pmatrix}=\begin{pmatrix}\frac12&\frac12\\[2pt]\frac12&-\frac12\end{pmatrix}. A=P\Lambda P^{-1}=\begin{pmatrix}1&1\\1&-1\end{pmatrix}\begin{pmatrix}3&0\\0&1\end{pmatrix}\begin{pmatrix}\frac12&\frac12\\\frac12&-\frac12\end{pmatrix}=\begin{pmatrix}3&1\\3&-1\end{pmatrix}\begin{pmatrix}\frac12&\frac12\\\frac12&-\frac12\end{pmatrix} =\begin{pmatrix}\frac32+\frac12&\frac32-\frac12\\\frac32-\frac12&\frac32+\frac12\end{pmatrix}=\begin{pmatrix}2&1\\1&2\end{pmatrix}.

验算:A\xi_1=\begin{pmatrix}2&1\\1&2\end{pmatrix}\begin{pmatrix}1\\1\end{pmatrix}=\begin{pmatrix}3\\3\end{pmatrix}=3\xi_1 ✓;A\xi_2=\begin{pmatrix}2&1\\1&2\end{pmatrix}\begin{pmatrix}1\\-1\end{pmatrix}=\begin{pmatrix}1\\-1\end{pmatrix}=1\cdot\xi_2 ✓。

带走结论:算完必须回代验一个特征向量,这是最便宜的保险。注意本题结果 A 是实对称的——因为 \xi_1\perp\xi_2 (内积 1-1=0 ),而"特征向量正交 + 特征值互异"正是实对称的特征。

关联 · 盘点 §5.1 由特征值特征向量反求矩阵 | 上游 — | 下游 点 5 题 3 | 速查 八 反求矩阵


题 2 · 5.2:多项式条件下求行列式(★★★)

【2025·21 骨架】设 A 为三阶矩阵,满足 A^2=A ,且 r(A)=2 。求 \lvert A+2E\rvert 。

怎么想:A^2=A 把特征值锁死在 \{0,1\} ;r(A)=2 决定"1 有几个"(因 A 必可对角化,r(A)= 1 的个数)。两步合起来得到全部特征值,再套 f(A) 的特征值。

解:

第 1 步:特征值只能是 0 或 1。 设 A\xi=\lambda\xi (\xi\ne0 ),由 A^2=A 得 \lambda^2\xi=\lambda\xi ,即 (\lambda^2-\lambda)\xi=0 ,故 \lambda\in\{0,1\} 。

第 2 步:A 可对角化,且 r(A)= 1 的个数。 由 A^2=A 得 A(A-E)=O ,于是 r(A)+r(A-E)\leqslant n=3 ;又 r(A)+r(A-E)\geqslant r(E)=3 ,故 r(A)+r(A-E)=3 。再由几何重数与代数重数相等的论证(点 2 题 6),A 可对角化。

设特征值为 \lambda_1=\lambda_2=1 、\lambda_3=0 ,则 A\sim\Lambda=\mathrm{diag}(1,1,0) ,r(A)=r(\Lambda)=2 ,与题设 r(A)=2 一致。

第 3 步:算行列式。 A+2E 的特征值为

1+2,\ 1+2,\ 0+2=3,3,2 . \lvert A+2E\rvert=3\times3\times2=18 .

验算:\operatorname{tr}(A+2E)=\operatorname{tr}A+6=2+6=8=3+3+2 ✓。

带走结论:r(A) 在幂等矩阵里就是"1 的个数",这是把秩条件转成特征值条件的唯一桥梁。若题目改成 r(A)=1 ,特征值就是 1,0,0 ,答案 \lvert A+2E\rvert=3\times2\times2=12 。

关联 · 盘点 §5.2 抽象条件与矩阵方程 | 上游 — | 下游 点 5 题 4、点 5 题 5 | 速查 九 抽象条件三件套


题 3 · 5.1:缺一个特征向量时怎么补(★★★)

【2019·21 骨架】设 A 为三阶实对称矩阵,特征值为 \lambda_1=1,\lambda_2=2,\lambda_3=3 ,属于 \lambda_1,\lambda_2 的特征向量分别为

\xi_1=(1,1,1)^{\mathrm T},\qquad \xi_2=(1,-1,0)^{\mathrm T}.

求 A 。

怎么想:缺 \xi_3 。但 A 实对称且特征值互异 \Rightarrow 特征向量两两正交 \Rightarrow \xi_3 必与 \xi_1,\xi_2 都正交。一个方程不用解,叉乘即可。

解:

第 1 步:求 \xi_3 。 \xi_3\perp\xi_1 且 \xi_3\perp\xi_2 ,取叉乘:

\xi_3=\xi_1\times\xi_2=\begin{vmatrix}e_1&e_2&e_3\\1&1&1\\1&-1&0\end{vmatrix}=\big(1\cdot0-1\cdot(-1),\ 1\cdot1-1\cdot0,\ 1\cdot(-1)-1\cdot1\big)=(1,1,-2).

验算正交性:\langle\xi_3,\xi_1\rangle=1+1-2=0 ✓;\langle\xi_3,\xi_2\rangle=1-1+0=0 ✓。

第 2 步:拼 P 求 A 。

P=\begin{pmatrix}1&1&1\\1&-1&1\\1&0&-2\end{pmatrix},\qquad\Lambda=\mathrm{diag}(1,2,3),\qquad\lvert P\rvert=6 .

用谱分解更快(因特征向量两两正交):记 q_i=\xi_i/\lVert\xi_i\rVert ,

\lVert\xi_1\rVert=\sqrt3,\quad\lVert\xi_2\rVert=\sqrt2,\quad\lVert\xi_3\rVert=\sqrt6 . A=\sum_i\lambda_iq_iq_i^{\mathrm T}=\frac{1}{3}\xi_1\xi_1^{\mathrm T}+\frac{2}{2}\xi_2\xi_2^{\mathrm T}+\frac{3}{6}\xi_3\xi_3^{\mathrm T} =\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}+\frac12\begin{pmatrix}1&1&-2\\1&1&-2\\-2&-2&4\end{pmatrix}.

逐元素算:

A=\begin{pmatrix}\frac13+1+\frac12&\frac13-1+\frac12&\frac13+0-1\\[2pt]\frac13-1+\frac12&\frac13+1+\frac12&\frac13+0-1\\[2pt]\frac13+0-1&\frac13+0-1&\frac13+0+2\end{pmatrix}=\begin{pmatrix}\frac{11}6&-\frac16&-\frac23\\[2pt]-\frac16&\frac{11}6&-\frac23\\[2pt]-\frac23&-\frac23&\frac73\end{pmatrix}.

验算:A\xi_1 三个分量依次为 \frac{11-1-4}{6}=1 、\frac{-1+11-4}{6}=1 、\frac{-4-4+14}{6}=1 ,故 A\xi_1=\xi_1 ✓;A\xi_2 第 1 分量 \frac{11}{6}+\frac16=\frac{12}6=2 、第 2 分量 -\frac16-\frac{11}6=-2 、第 3 分量 -\frac23+\frac23=0 ,即 A\xi_2=(2,-2,0)^{\mathrm T}=2\xi_2 ✓;\operatorname{tr}A=\frac{11+11+14}{6}=6=1+2+3 ✓。

带走结论:实对称 + 特征值互异时,缺的特征向量用叉乘直接写出,不用解方程组。谱分解 A=\sum\lambda_iq_iq_i^{\mathrm T} 比重特征值内部的施密特还快——前提是特征向量已两两正交。

关联 · 盘点 §5.1 由特征值特征向量反求矩阵 | 上游 点 5 题 1 | 下游 — | 速查 八 反求矩阵


题 4 · 5.2:A 与 A^{\mathrm T} 的特征值相同(★★☆)

设 A 为 n 阶矩阵。证明:

(Ⅰ)A 与 A^{\mathrm T} 有相同的特征多项式,因而特征值相同; (Ⅱ)A 与 A^{\mathrm T} 的特征向量一般不同,举例说明。

怎么想:第(Ⅰ)问只有一句——"转置不改变行列式",而 (\lambda E-A)^{\mathrm T}=\lambda E-A^{\mathrm T} 。第(Ⅱ)问要造一个具体的非对称矩阵。

解:

(Ⅰ) 对任意 \lambda ,

\lvert\lambda E-A^{\mathrm T}\rvert=\lvert(\lambda E-A)^{\mathrm T}\rvert=\lvert\lambda E-A\rvert .

两个多项式对一切 \lambda 相等,故完全相同;特征方程相同,特征值(含重数)相同。

(Ⅱ) 取 A=\begin{pmatrix}1&1\\0&2\end{pmatrix} ,A^{\mathrm T}=\begin{pmatrix}1&0\\1&2\end{pmatrix} 。两者特征值都是 1,2 。

A 关于 \lambda=1 :E-A=\begin{pmatrix}0&-1\\0&-1\end{pmatrix} ,特征向量 (1,0)^{\mathrm T} 。 A^{\mathrm T} 关于 \lambda=1 :E-A^{\mathrm T}=\begin{pmatrix}0&0\\-1&-1\end{pmatrix} ,特征向量 (1,-1)^{\mathrm T} 。

同样 \lambda=1 ,特征向量完全不同。

带走结论:A^{\mathrm T} 与 A 特征值同、特征向量不同。这一条在"A 与 A^{\mathrm T} 是否相似"的问题里是必要信息(实矩阵时 A 与 A^{\mathrm T} 确实相似),但不能据此说特征向量相同。

关联 · 盘点 §5.2 抽象条件与矩阵方程 | 上游 点 5 题 2 | 下游 点 5 题 5 | 速查 九 抽象条件三件套


题 5 · 5.2:多项式条件下求行列式(★★★)

设 A 为三阶矩阵,特征值为 1,2,3 。求 \lvert A^3-3A^2+2A\rvert 。

怎么想:f(A) 的特征值是 f(\lambda) ,行列式等于它们的积。先分解 f 看有没有零根——有零就立刻得 0,省去全部计算。

解:f(\lambda)=\lambda^3-3\lambda^2+2\lambda=\lambda(\lambda-1)(\lambda-2) 。

f(1)=1-3+2=0,\qquad f(2)=8-12+4=0,\qquad f(3)=27-27+6=6 .

故 A^3-3A^2+2A 的特征值为 0,0,6 ,

\lvert A^3-3A^2+2A\rvert=0\times0\times6=0 .

另一条路(因式分解):

A^3-3A^2+2A=A(A-E)(A-2E), \lvert A\rvert=6,\quad\lvert A-E\rvert=(1-1)(2-1)(3-1)=0,

故行列式为 0 ✓(只要有一个因子为零,整体为零)。

带走结论:先分解、先看有没有零因子。本题若硬算 A^3-3A^2+2A 的九个数再求行列式,要多花十倍时间且必错。A 有特征值 1 说明 \lvert A-E\rvert=0 ,这一眼就能定论。

关联 · 盘点 §5.2 抽象条件与矩阵方程 | 上游 点 5 题 2、点 5 题 4 | 下游 — | 速查 九 抽象条件三件套