用户反馈:点 1 的题里出现"能否对角化""几何重数",但知识点只到 1.1—1.3, 没讲重数与判据,做题时无从下手。 结构变更(题号向后顺延,无删改): - 新增 §1.3 几何重数与可对角化判据(够用版):代数/几何重数定义、 m=n-r(λE-A)、1≤m≤n、可对角化四条同义判据、判定三步、两个反直觉点、 双矩阵对照表;明示"完整推导见 §2.3,判定例题见点 3 §3.2" - 原 §1.3 特征向量的性质 → §1.4(性质本身未动) - 题 4 由 1.2 改标 1.3(它本就要求讨论可对角化),解析补"第 0 步数清 n_i" 与"缺 n_i-m_i 个向量"的判断 - 新增题 5 · 1.3:A=[[0,1,1],[1,0,1],[1,1,0]],重根 λ=-1 却可对角化的正例 (与题 4 的 a=1 反例成对);sympy 验:特征值 2,-1,-1,det=2,r(-E-A)=1 - 原题 5/6 → 题 6/7,标签 1.3 → 1.4 同步:盘点 §1.3/§1.4 与 §2.3 互指、速查卡四节补"单根不验"算法与三条性质、 README 题量表 7 题;全讲题量口径由错记的 34 修正为 36(实际一直是 35,少算 1)。 顺带修本讲 12 处 `**…$ **`(加粗以公式收尾)——网页端会露星号, 涉及点 1 题 2/3/4 的分情形标签、点 2、点 4、点 5、点 6、速查卡。 校验:gen_crosslinks 8 文件 36 题 18 知识点;check_md_links 212 链接 0 异常; fix_gitea_math 0 处待修。02 文件 12077 字符、01 文件 12603 字符,均 < 1.3 万。
21 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 · 特征值与特征向量 | 2026-10-24 | 知识点盘点(九节 + 覆盖对照表),配套 7 个点分册共 36 题 |
|
第5讲 · 特征值与特征向量:知识点盘点
真题库第 13 章。近十年 11 题 83 分,是线性代数分值最高的一讲(占线代总分近一半)。题型结构极稳定:5 道选择填空(21 分)+ 5 道解答题(57 分),且解答题几乎每年落在第 20 或 21 题。
这个分值的含义:第 5 讲做不出来,线代基本报废。第 6 讲二次型只是它的延伸(同一个对角化流程换了个外壳),所以这一讲必须做到闭卷全流程。
三个核心动作,全讲反复用:
- 解
\lvert\lambda E-A\rvert=0求特征值; - 解
(\lambda E-A)x=0求特征向量; - 用特征向量拼
P,验证P^{-1}AP=\Lambda。
0 三张表
0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 实对称矩阵正交对角化 | 2021·21(解答) | 12 | 05 |
| 2 | 反求矩阵与抽象条件 | 2025·21(解答) | 12 | 06 |
| 3 | 相似与相似对角化 | 2019·21、2020·21 | 22 | 04 |
| 4 | 对角化的应用(求幂、秩) | 2017·20(解答) | 11 | 07 |
| 5 | 特征值的性质 | 2018·13、2024·7 | 9 | 03 |
| 6 | 与二次型的接口 | 2017·21 起 | — | 08 |
| 7 | 定义与求法 | 一切题的第 1 步 | — | 02 |
0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
02 定义与求法 ← 会解 |λE-A|=0 和 (λE-A)x=0
↓
03 特征值的性质 ← 和=迹、积=行列式、派生矩阵
↓
04 相似与相似对角化 ← 什么时候能拼出 P
↓
05 实对称正交对角化 ← 实对称必能,且 Q 正交(解答题主场)
↓
06 反求矩阵与抽象条件 ← 从 λ、η 倒推 A
↓
07 对角化的应用 ← 求 Aⁿ、算秩与行列式
↓
08 与二次型的接口 ← QᵀAQ=Λ 就是化标准形
0.3 符号约定
| 记号 | 含义 |
|---|---|
\lambda_i |
特征值(是数) |
\eta 或 \xi |
特征向量(非零列向量) |
\lvert\lambda E-A\rvert |
特征多项式,是 \lambda 的 n 次多项式 |
n_i |
特征值 \lambda_i 的代数重数(作为特征方程根的次数) |
m_i |
\lambda_i 的几何重数 =n-r(\lambda_iE-A) |
P |
由特征向量按列拼成的可逆矩阵(不要求正交) |
Q |
正交矩阵(Q^{\mathrm T}Q=E ),实对称专用 |
\Lambda |
对角阵 \mathrm{diag}(\lambda_1,\dots,\lambda_n) |
0.4 知识点与练习文件对照(按知识点粒度)
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 定义与特征方程 | 点 1 题 1 |
| §1.2 特征值与特征向量的求法 | 点 1 题 2、点 1 题 3 |
| §1.3 几何重数与可对角化判据 | 点 1 题 4、点 1 题 5 |
| §1.4 特征向量的性质 | 点 1 题 6、点 1 题 7 |
| §2.1 特征值的和与积 | 点 2 题 1、点 2 题 2 |
| §2.2 派生矩阵的特征值 | 点 2 题 3、点 2 题 4 |
| §2.3 重数与几何重数 | 点 2 题 5、点 2 题 6 |
| §3.1 相似的定义与必要条件 | 点 3 题 1 |
| §3.2 相似对角化的充要条件 | 点 3 题 3、点 3 题 4、点 3 题 5、点 3 题 6 |
| §3.3 相似判定的三个必要条件 | 点 3 题 2 |
| §4.1 实对称矩阵的三个定理 | 点 4 题 1、点 4 题 5 |
| §4.2 正交对角化五步 | 点 4 题 2、点 4 题 3 |
| §4.3 正交矩阵与正交变换 | 点 4 题 4 |
| §5.1 由特征值特征向量反求矩阵 | 点 5 题 1、点 5 题 3 |
| §5.2 抽象条件与矩阵方程 | 点 5 题 2、点 5 题 4、点 5 题 5 |
| §6.1 用对角化求矩阵幂 | 点 6 题 1、点 6 题 2 |
| §6.2 用特征值算行列式与秩 | 点 6 题 3、点 6 题 4 |
| §7.1 三条对接点 | 点 7 题 1、点 7 题 2、点 7 题 3 |
1 定义与求法
1.1 定义与特征方程
若存在数 \lambda 与非零向量 \xi 使
A\xi=\lambda\xi\qquad(\xi\ne0),
称 \lambda 为 A 的特征值,\xi 为属于 \lambda 的特征向量。
三个立即可得的改写(解题全靠它们):
A\xi=\lambda\xi\iff(\lambda E-A)\xi=0\iff\xi\ \text{是}\ (\lambda E-A)x=0\ \text{的非零解}.
由第三条:\lambda 是特征值 \iff (\lambda E-A)x=0 有非零解 \iff\lvert\lambda E-A\rvert=0 。这个方程叫特征方程,左端叫特征多项式。
四条易错:
- 特征向量必须非零(零向量对任何
\lambda都满足,不能算)。 \lambda可以是 0(此时A不可逆),可以是负数、复数(实矩阵的复特征值成共轭对出现)。\lvert\lambda E-A\rvert与\lvert A-\lambda E\rvert只差(-1)^n,求根结果相同,考试两种写法都对。- 特征向量不唯一:
\xi是特征向量,则k\xi(k\ne0)也是。所以答案写成"k(1,-1)^{\mathrm T},\ k\ne0"或"全体非零倍数"。
1.2 特征值与特征向量的求法
四步:
- 算
\lvert\lambda E-A\rvert,因式分解成(\lambda-\lambda_1)^{n_1}\cdots; - 写出全部特征值
\lambda_i及代数重数n_i; - 对每个
\lambda_i,解齐次方程组(\lambda_iE-A)x=0,求基础解系\xi_{i1},\dots,\xi_{im_i}; - 特征向量写成
k_1\xi_{i1}+\cdots+k_{m_i}\xi_{im_i}(k不全为零)。
第 3 步的捷径(几乎每题都用):\lambda_iE-A 的每一行之和常常为零(因 A 的行和相等或 \lambda_i 是根),说明 (1,1,\dots,1)^{\mathrm T} 是解;或直接观察哪两列成比例。先猜后验比硬解快得多。
二阶速算:\lambda^2-(\operatorname{tr}A)\lambda+\lvert A\rvert=0 。
1.3 几何重数与可对角化判据
- 代数重数
n_i:\lambda_i作为\lvert\lambda E-A\rvert=0根的重数。 - 几何重数
m_i=n-r(\lambda_iE-A):特征子空间的维数,也等于属于\lambda_i的线性无关特征向量的最大个数。
1\leqslant m_i\leqslant n_i,\qquad A\ \text{可对角化}\iff m_i=n_i\ (\forall i)\iff\sum_i m_i=n .
判定三步:求全 \lambda_i 与 n_i → 只对 n_i\geqslant2 的算 r(\lambda_iE-A) 得 m_i (单根必有 m_i=n_i=1 ) → 只要有一个 m_i<n_i 即不可对角化。
两处易错:① 有重根 \ne 不可对角化(\mathrm{diag}(1,1,2) 的 \lambda=1 二重却可对角化);② 可对角化 \ne 特征值互异(E 只有三重特征值 1 ,照样是对角阵)。所以"n 个互异特征值 \Rightarrow 可对角化"只是充分条件。
完整推导见 §2.3,判定例题见点 3 §3.2。
1.4 特征向量的性质
设 \xi_1,\dots,\xi_s 都是 \lambda 的特征向量,则
- 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(因
(\lambda E-A)x=0的解空间是子空间,去掉零向量即可)。 - 属于不同特征值的特征向量线性无关。这是最重要的一条,是"
P可逆"的根基。 - 推论:
n阶矩阵若有n个互不相同的特征值,则必可对角化。 - 特征向量不能跨特征值相加:
\xi_{\lambda_1}+\xi_{\lambda_2}一般不再是任何特征值的特征向量。
2 特征值的性质
2.1 特征值的和与积
\sum_{i=1}^{n}\lambda_i=\operatorname{tr}A=\sum_{i=1}^{n}a_{ii},\qquad\prod_{i=1}^{n}\lambda_i=\lvert A\rvert .
记忆法:在 \lvert\lambda E-A\rvert=\lambda^n-(\operatorname{tr}A)\lambda^{n-1}+\cdots+(-1)^n\lvert A\rvert 里比系数。
三条推论:
\lvert A\rvert=0\iff至少一个特征值为 0;A可逆\iff全部特征值非零;- 已知
n-1个特征值,第n个由迹(或行列式)直接减出来——这是选择填空的常见套路。
2.2 派生矩阵的特征值
设 A 的特征值为 \lambda ,对应特征向量 \xi (同一个 \xi 全部通用):
| 矩阵 | 特征值 | 条件 |
|---|---|---|
kA |
k\lambda |
— |
A^{m} |
\lambda^{m} |
— |
A^{-1} |
\lambda^{-1} |
A 可逆(\lambda\ne0 ) |
A^{*} |
\lvert A\rvert/\lambda |
A 可逆 |
f(A) (多项式) |
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 |
最常用的一条:f(A)\xi=f(\lambda)\xi 。它把"求 A^2+3A-2E 的特征值"变成"把 \lambda 代进多项式"。
A^{\mathrm T} 与 A 特征值相同但特征向量不同——这是最容易想当然的地方。
2.3 重数与几何重数
- 代数重数
n_i:\lambda_i作为特征方程根的重数。 - 几何重数
m_i:n-r(\lambda_iE-A),即特征子空间的维数,也等于该特征值线性无关特征向量的最大个数。
基本不等式:
1\leqslant m_i\leqslant n_i .
m_i\geqslant1 是"特征值必有特征向量"的另一种说法;m_i\leqslant n_i 是定理(不证)。
与 §1.3 的关系:点 1 的题里已经会追问"能不能对角化",所以 §1.3 先给了一份"够用版"(判据 + 三步算法),内容与本节点完全一致;本节多的是记忆法,以及它在点 3、点 6 的用法。
可对角化的判据(点 3 用它):
A\ \text{可对角化}\iff\text{对每个}\ \lambda_i\ \text{都有}\ m_i=n_i\iff\sum_i m_i=n .
一句话记忆: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。
3 相似与相似对角化
3.1 相似的定义与必要条件
若存在可逆矩阵 P 使
P^{-1}AP=B,
称 A 与 B 相似,记 A\sim B 。
相似的必要条件(用来否定相似,不能用来肯定):
| 量 | 相似不变量 |
|---|---|
| 特征多项式 | 相同(故特征值含重数相同) |
| 秩 | r(A)=r(B) |
| 行列式 | \lvert A\rvert=\lvert B\rvert |
| 迹 | \operatorname{tr}A=\operatorname{tr}B |
| 可对角化性 | 相同 |
这五条全满足也不一定相似——它们是"必要"不是"充分"。但在选择题里,只要有一条不等就能立刻排除。
3.2 相似对角化的充要条件
A\ \text{可对角化}\iff A\ \text{有}\ n\ \text{个线性无关的特征向量}.
此时把 n 个无关特征向量按列拼成 P ,则
P^{-1}AP=\Lambda=\mathrm{diag}(\lambda_1,\dots,\lambda_n).
P 的列序必须与 \Lambda 的对角元顺序一一对应——写反了答案错但不易自查,务必对齐。
三个充分条件(够用即可判"能"):
A有n个互不相同的特征值;A是实对称矩阵(必可对角化,且可正交对角化);A的每个特征值都满足m_i=n_i。
判"不能"的条件:某特征值 m_i<n_i ,即 n-r(\lambda_iE-A)<n_i 。
3.3 相似判定的三个必要条件
选择题考"A 与 B 是否相似"时,按这个顺序筛:
- 特征值(含重数)是否相同——不同直接否;
- 秩是否相同——不同直接否;
- 是否都可对角化(若特征值相同)——都可对角化则相似(因同相似于同一个
\Lambda);一个可一个不可则不相似。
第 3 条是关键:特征值、秩全同但只有一个能对角化时,不相似。这是 2017·6、2018·5、2016·5 反复考的点。
4 实对称矩阵的正交对角化
4.1 实对称矩阵的三个定理
设 A^{\mathrm T}=A (实对称),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);
- 必可正交对角化:存在正交矩阵
Q使Q^{\mathrm T}AQ=Q^{-1}AQ=\Lambda。
第 2 条是实对称独有的——一般矩阵只能保证"线性无关",实对称能保证"正交"。
第 3 条的等价说法:实对称矩阵的每个特征值都满足 m_i=n_i 。
4.2 正交对角化五步
- 解
\lvert\lambda E-A\rvert=0,得全部特征值及重数; - 对每个
\lambda_i解(\lambda_iE-A)x=0,得基础解系; - 对同一特征值的多个特征向量做施密特正交化(不同特征值的自动正交,不用处理);
- 全部单位化,按列拼成
Q; - 写出
Q^{\mathrm T}AQ=\Lambda,并检查Q的列序与\Lambda的顺序一致。
唯一容易出错的步骤是第 3 步:单重特征值不用施密特,只有重特征值内部才需要。
4.3 正交矩阵与正交变换
Q 正交 \iff Q^{\mathrm T}Q=E\iff Q^{-1}=Q^{\mathrm T} 。正交变换 x=Qy 保持长度与内积,所以
x^{\mathrm T}Ax=y^{\mathrm T}(Q^{\mathrm T}AQ)y=y^{\mathrm T}\Lambda y=\lambda_1y_1^2+\cdots+\lambda_ny_n^2 .
这正是第 6 讲"正交变换化标准形"的全部内容——第 5 讲做对了,第 6 讲只是换个问法。
5 反求矩阵与抽象条件
5.1 由特征值特征向量反求矩阵
已知 A 的 n 个特征值与对应的 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).
验算办法:算完 A 后回代 A\xi_i=\lambda_i\xi_i ,只需验一两个即可。
部分已知时:若只给 2 个特征向量(n=3 ),第三个通常由"\operatorname{tr}A=\sum\lambda_i "或"A 的某行已知"补齐。
5.2 抽象条件与矩阵方程
题目常给"A 满足某个多项式方程",此时特征值满足同一个方程:
A^2-3A+2E=O\Longrightarrow\lambda^2-3\lambda+2=0\Longrightarrow\lambda\in\{1,2\}.
注意方向:A 满足 \Rightarrow \lambda 满足;反之不成立(\lambda 满足推不出 A 满足)。
三条高频结论:
| 条件 | 特征值范围 | 附加结论 |
|---|---|---|
A^2=A (幂等) |
\lambda\in\{0,1\} |
r(A)=\operatorname{tr}A= 特征值中 1 的个数 |
A^2=E (对合) |
\lambda=\pm1 |
A 可对角化 |
A^k=O (幂零) |
\lambda=0 |
A\ne O 时不可对角化 |
A^2=A 那条最常考:A 可对角化(最小多项式无重根),r(A) 直接等于 1 的个数。
6 对角化的应用
6.1 用对角化求矩阵幂
若 A=P\Lambda P^{-1} ,则
A^{m}=P\Lambda^{m}P^{-1}=P\,\mathrm{diag}(\lambda_1^m,\dots,\lambda_n^m)\,P^{-1}.
四步:求特征值与特征向量 \to 拼 P 与 \Lambda \to 求 P^{-1} \to 三个矩阵相乘。
P^{-1} 的速算:二阶用 \dfrac{1}{ad-bc}\begin{pmatrix}d&-b\\-c&a\end{pmatrix} ;若 P 的列可取成"整数且行列式为 \pm1 ",则 P^{-1} 也是整数阵,省去分数。
6.2 用特征值算行列式与秩
\lvert A\rvert=\prod\lambda_i,\qquad \lvert f(A)\rvert=\prod f(\lambda_i),\qquad r(A)=\text{非零特征值的个数}\ (\text{仅当可对角化}).
注意 r(A) 那条的适用条件:只有 A 可对角化时"秩 = 非零特征值个数"才成立。反例:\begin{pmatrix}0&1\\0&0\end{pmatrix} 特征值全为 0 但秩为 1。
更一般的秩公式(例 2017·20):
r(A)=n-\dim N(A)=n-\#\{\text{属于 }0\text{ 的线性无关特征向量}\}.
7 与第 6 讲二次型的接口
7.1 三条对接点
| 第 5 讲 | 第 6 讲 |
|---|---|
Q^{\mathrm T}AQ=\Lambda |
正交变换 x=Qy 化二次型为标准形 |
\lambda_i 的符号 |
正、负惯性指数 |
\lambda_i>0 全部 |
正定 |
一句话:二次型的标准形系数就是特征值,所以第 6 讲的解答题实质上是在做本讲的 §4.2 五步。
8 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 定义与特征方程 | 掌握 | 隐含于每题 | 有 | 点 1,2 题 |
| 求特征值与特征向量 | 掌握(核心) | 每年必用 | 有 | 点 1,3 题 |
| 特征向量性质 | 掌握 | 支撑证明 | 有 | 点 1,2 题 |
| 和与积(迹、行列式) | 掌握 | 2018·13、2024·7 | 有 | 点 2,2 题 |
| 派生矩阵特征值 | 掌握 | 高频选择 | 有 | 点 2,3 题 |
| 重数与几何重数 | 掌握 | 2023·6 | 有 | 点 2,2 题 |
| 相似的必要条件 | 掌握 | 2016·5、2017·6、2018·5 | 有 | 点 3,2 题 |
| 相似对角化判据 | 掌握(核心) | 2023·6、2020·21 | 有 | 点 3,4 题 |
| 实对称三定理 | 掌握 | 2021·21 | 有 | 点 4,2 题 |
| 正交对角化五步 | 掌握(核心) | 2021·21(12 分) | 有 | 点 4,3 题 |
由特征值反求 A |
掌握 | 2019·21、2025·21 | 有 | 点 5,2 题 |
抽象条件(A^2=A 等) |
掌握 | 2025·21 | 有 | 点 5,3 题 |
求 A^m |
掌握 | 2017·20 | 有 | 点 6,2 题 |
| 特征值算行列式与秩 | 掌握 | 2017·20、2018·13 | 有 | 点 6,2 题 |
| 与二次型接口 | 掌握 | 每年代数大题 | 有 | 点 7,3 题 |
结论:十年 83 分里,解答题(57 分)全部落在 04、05、06、07 四节;选择填空(21 分)集中在 02、03 的性质与判定。前四个文件必须做到"给一个三阶矩阵,五分钟内走完全流程"。
9 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
\lvert\lambda E-A\rvert |
第 1 讲行列式 | 特征多项式 |
(\lambda E-A)x=0 非零解 |
第 4 讲方程组 | 求特征向量 |
n-r(\lambda E-A) |
第 4 讲基础解系个数 | 几何重数 |
P 为过渡矩阵 |
第 3 讲基变换 | P^{-1}AP=\Lambda 是换基 |
| 施密特正交化 | 第 3 讲点 6 | 重特征值内部正交化 |
Q^{\mathrm T}AQ=\Lambda |
第 6 讲二次型 | 化标准形 |