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 f4a849cd9d fix(线代第5讲): 点 1 补「几何重数与可对角化判据」,新增题 5,全讲 36 题
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。
2026-10-26 19:11:48 +08:00

203 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, 反求矩阵, 抽象条件]
专题: 线性代数 第5讲 · 点5 反求矩阵与抽象条件
日期: 2026-10-24
状态: 知识点带题(5.1 反求矩阵、5.2 抽象条件与矩阵方程,5 题)
关联笔记: ["[[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](../../../../参考仓库/Math/linear-algebra/knowledge/5-similar/similar.tex))
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](../../../../参考仓库/Math/linear-algebra/exercise/5-similar/similar.tex))
**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,$A^{-1}\xi=\lambda^{-1}\xi$ 、$A^{*}\xi=\frac{\lvert A\rvert}{\lambda}\xi$ ,**这几条共用同一个特征向量**。
---
## 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](01-知识点盘点.md#user-content-51-由特征值特征向量反求矩阵) | 上游 — | 下游 [点 5 题 3](06-点5-反求矩阵与抽象条件.md#user-content-题-3--51缺一个特征向量时怎么补) | 速查 [八 反求矩阵](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-52-抽象条件与矩阵方程) | 上游 — | 下游 [点 5 题 4](06-点5-反求矩阵与抽象条件.md#user-content-题-4--52a-与-amathrm-t-的特征值相同)、[点 5 题 5](06-点5-反求矩阵与抽象条件.md#user-content-题-5--52多项式条件下求行列式) | 速查 [九 抽象条件三件套](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-51-由特征值特征向量反求矩阵) | 上游 [点 5 题 1](06-点5-反求矩阵与抽象条件.md#user-content-题-1--51由-p-与-lambda-反求-a-) | 下游 — | 速查 [八 反求矩阵](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-52-抽象条件与矩阵方程) | 上游 [点 5 题 2](06-点5-反求矩阵与抽象条件.md#user-content-题-2--52多项式条件下求行列式) | 下游 [点 5 题 5](06-点5-反求矩阵与抽象条件.md#user-content-题-5--52多项式条件下求行列式) | 速查 [九 抽象条件三件套](09-速查卡.md#user-content-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](01-知识点盘点.md#user-content-52-抽象条件与矩阵方程) | 上游 [点 5 题 2](06-点5-反求矩阵与抽象条件.md#user-content-题-2--52多项式条件下求行列式)、[点 5 题 4](06-点5-反求矩阵与抽象条件.md#user-content-题-4--52a-与-amathrm-t-的特征值相同) | 下游 — | 速查 [九 抽象条件三件套](09-速查卡.md#user-content-九-抽象条件三件套)
---